《基於深度學習與複雜網路的海洋鋒時空特徵分析及識別》是依託中國海洋大學，由董軍宇擔任項目負責人的面上項目。
基本介紹
- 中文名：基於深度學習與複雜網路的海洋鋒時空特徵分析及識別
- 項目類別：面上項目
- 項目負責人：董軍宇
- 依託單位：中國海洋大學
中文摘要,結題摘要,
中文摘要
傳統的海洋鋒時空特徵分析及識別方法主要依賴於在觀測數據和數值模式基礎上人工指定的梯度閾值，耗時較長並難以保證較高的準確性。本項目提出利用人工智慧領域最前沿的深度學習和複雜網路技術，對海洋鋒的時空特徵進行自動分析及識別。首先通過融入模式數據生成小規模海域的梯度數據圖，採用多尺度掃描技術，實現基於深度卷積網路的海洋鋒候選海域的發現和推薦；然後，利用所提出的基於PCA濾波器的多階段卷積網路算法，以無監督的方式抽取海洋鋒的高層特徵表示，完成海洋鋒的精確識別；同時，構建海洋水文的複雜網路拓撲模型，基於社區發現技術研究海洋鋒再次判別和邊界定位方法。本項目的研究將從識別效率和準確度上超越現有海洋鋒檢測和識別手段。此外，還將總結出一整套結合深度學習與複雜網路對海洋現象及過程進行研究和預測的理論方法，為進一步推廣到渦旋、內波等的快速準確檢測奠定基礎。
結題摘要
傳統的海洋鋒時空特徵分析及識別方法主要依賴於在觀測數據和數值模式基礎上人工 指定的梯度閾值，耗時較長並難以保證較高的準確性。本項目提出利用人工智慧領域最前沿的深度學習和複雜網路技術，對海洋鋒的時空特徵進行自動分析及識別，主要包含以下幾個方面研究成果：①用皮爾遜相關係數等多種方法度量不同海域表面溫度變數之間的相似性，構建了全球海洋氣候網路；②提出了一種新的算法用於快速並且準確的從單幅在一個時間點拍攝的被雲污染的海面溫度（SST）圖像中檢測海洋鋒，提出了一種用於實時鋒檢測的微正則多尺度分形算法（MMF）；③提出了一個與現有的較深的網路架構相比，使用更少的層完成鋒的識別任務的網路架構，改進了網路架構用以識別和分類強鋒和弱鋒；④設計了一個深度網路嵌入層，這個結構可以利用在LSTM網路中添加嵌入層的方式進行時序預測，實現了基於深度模型的海洋表面溫度預測任務；⑤將最新的深度學習模型，如Alexnet網路,套用于海洋鋒分類問題，並創造性的使用跳躍連線技術降低了訓練樣本不足導致的過擬合問題，進一步提高了預測準確率；⑥提出了基於深度網路的多尺度海洋鋒細粒度自動檢測和定位網路，並依據海洋鋒的強弱將所檢測到的海洋鋒進行可視化並以不同的亮度進行顯示；⑦提出了一種基於深度學習GAN網路的圖片缺陷填充算法，該算法充分利用了圖片本身的紋理信息，並在海洋遙感圖片上面進行了實驗，實驗結果證實其填充效果超過了當前最好的方法；⑧提出了基於時空信息的海溫3-D 預測網路，在傳統LSTM的基礎上 ，我們充分利用了海表面溫度的時空信息，進一步提高了海表面溫度的預測精度。 本項目的研究將從識別效率和準確度上超越現有海洋鋒檢測和識別手段。此外，還將總結出一整套結合深度學習與複雜網路對海洋現象及過程進行研究和預測的理論方法，為進一步推廣到渦旋、內波等的快速準確檢測奠定基礎。
