基于注意力的多尺度残差U-Net的海洋中尺度涡检测

• Published in: Oceanologia et limnologia Sinica Vol. 56; no. 1; pp. 64 - 76
• Main Authors: 王丽娜, 孙阳, 张红春, 王旭东, 董昌明
• Format: Journal Article
• Language: Chinese
• Published: 南京信息工程大学人工智能学院(未来技术学院) 江苏南京 210044 01.06.2025; 南方海洋科学与工程广东省实验室(珠海) 广东珠海 519080%南京信息工程大学计算机学院 江苏南京 210044%南京信息工程大学人工智能学院(未来技术学院) 江苏南京 210044%南方海洋科学与工程广东省实验室(珠海) 广东珠海 519080; 南京信息工程大学海洋科学学院 江苏南京 210044; Science Press
• Subjects: 双交叉注意力; 残差学习; 海洋涡旋; 深度学习; 金字塔分割注意力; 双交叉注意力; deep learning; 残差学习; dual cross-attention; 海洋涡旋; 深度学习; residual learning; pyramid split attention; 金字塔分割注意力; ocean eddy
• ISSN: 0029-814X
• DOI: 10.11693/hyhz20240500106

P731.16; 海洋中尺度涡是一类重要的海洋现象,其特征是海洋中的螺旋运动,伴随着海水温度、营养物质以及能量的输送,对海洋生态系统和全球的气候变化起着重要影响.因此,海洋涡旋的智能识别成为海洋学的研究热点之一.由于海洋中尺度涡数量众多且大小不同,存在检测精度不高问题.为了提高海洋中尺度涡的检测精度,提出一种基于注意力的多尺度残差U-Net的海洋涡旋检测模型(dual cross-attention-pyramid spilt attention-Res U-Net,DCA-PRUNet).该模型采用基于注意力的编解码器结构.编解码结构中,引入金字塔分割注意力(pyramid spilt attention,PSA)以提取多尺度特征,并捕获不同涡旋的特征信息;此外,为了解决网络过深导致模型无法训练的问题,引入残差学习模块.同时,为了使解码器更好地恢复涡旋细节信息,引入双交叉注意力模块(dual cross-attention,DCA)捕获编码器各个阶段的特征依赖.选取西北太平洋海域的海平面异常(sea level anomaly,SLA)与海面温度(sea surface temperature,SST)数据进行建模,实验结果表明DCA-PRUNet涡旋检测的准确率达到95.12％,F1分数达到91.21％,显著优于现有的模型,验证了该模型的有效性.