基于U-Net的海洋锋智能检测模型

P731.1; 海洋锋作为海洋中两种不同性质的水体之间的边界,对渔业和海洋环境保护等许多领域有重要影响,如何快速准确实现海洋锋的自动检测和识别对于海洋监测和预报具有重要的科学意义.将深度学习图像分割网络与提取锋面特征的方法相结合,利用基于U-Net架构的实例分割模型,分别建立海洋锋区和锋面中心线的智能检测模型,同时在编解码过程中采用残差学习单元对模型特征提取网络进行改进.研究结果表明,锋面智能检测模型能够准确提取先前锋面检测算法所识别的锋区和锋面中心线特征,Dice系数分别达到了 0.92和 0.97,达到了很好的检测效果.同时,利用不同锋面阈值得到的样本数据对模型进行训练,比较结果表明,降低...

Full description

Saved in:
Bibliographic Details
Published in空间科学学报 Vol. 43; no. 6; pp. 1091 - 1099
Main Authors 任诗鹤, 韩焱红, 李竞时, 赵亚明, 匡晓迪, 吴湘玉, 杨晓峰
Format Journal Article
LanguageChinese
Published 国家海洋环境预报中心 自然资源部海洋灾害预报技术重点实验室 北京 100081 2023
中国科学院空天信息创新研究院 遥感科学国家重点实验室 北京 100101%中国气象局公共气象服务中心 北京 100081%国家海洋环境预报中心 自然资源部海洋灾害预报技术重点实验室 北京 100081%北京市5111信箱 北京 100094%中国科学院空天信息创新研究院 遥感科学国家重点实验室 北京 100101
Subjects
Deep learning
U-Net
深度学习
Sea surface temperature
Oceanic fronts
海表温度
海洋锋
Online AccessGet full text
ISSN0254-6124
DOI10.11728/cjss2023.06.2023-0097

Cover

More Information
Summary:P731.1; 海洋锋作为海洋中两种不同性质的水体之间的边界,对渔业和海洋环境保护等许多领域有重要影响,如何快速准确实现海洋锋的自动检测和识别对于海洋监测和预报具有重要的科学意义.将深度学习图像分割网络与提取锋面特征的方法相结合,利用基于U-Net架构的实例分割模型,分别建立海洋锋区和锋面中心线的智能检测模型,同时在编解码过程中采用残差学习单元对模型特征提取网络进行改进.研究结果表明,锋面智能检测模型能够准确提取先前锋面检测算法所识别的锋区和锋面中心线特征,Dice系数分别达到了 0.92和 0.97,达到了很好的检测效果.同时,利用不同锋面阈值得到的样本数据对模型进行训练,比较结果表明,降低样本集阈值之后模型精度有了显著的提升.
ISSN:0254-6124
DOI:10.11728/cjss2023.06.2023-0097