论文部分内容阅读
海洋漩涡是流体遇到障碍物之后,流体及其逆流互相牵引而形成的在自然现象。海洋漩涡通常是由海潮和急流引起的,大多发生在强潮区和狭窄的海峡。中小尺度漩涡通常有1～100公里的半径,可以存活1小时到1年不等。特别是近海岸的中小尺度漩涡,其尺度较小直径仅为1～10公里,其存活时间短至数小时长达一天。中小尺度漩涡对人类生活和自然环境产生复杂且持续的影响:中小尺度漩涡在水平面上传递颗粒、碎片和生物,在垂直面上交互热量、质量和氧气,这对海洋生态系统的运营和海洋环境的维护起着至关重要的作用;中小尺度漩涡不断地与风、云相互作用,对整体的生态环境造成了复杂的影响;中小尺度漩涡的活动轨迹与船舶的航线存在重合,从而影响人类的远洋运输和远洋航行;中小尺度漩涡的直径一般在1到10公里之间,持续数小时到数天,在中小尺度漩涡和湍流之间的质量和能量传递起到了重要的作用,是全球热量收支平衡的关键组成部分。因此,针对中小尺度漩涡的探测和跟踪具有十分重要的意义。研究漩涡的意义在于让人类更好地掌握漩涡的自然规律,有效地规避漩涡带来的危害,合理地利用漩涡带来的益处。由于漩涡的运动具有随机性、难预测性且分布性较广,对全世界的海洋航行、沿岸海产品打捞、大宗货物运输都带来一定影响,轻则耽误运输时间,造成航道拥堵,重则危害生命财产安全,人类迫切地需要掌握漩涡危害边界的确定、漩涡运动轨迹的预测、对漩涡生命周期的变化等规律,才能科学地规划运输货品的航行轨迹以及合理地安排沿岸的海洋生产生活。另一方面,随着世界对环保事业的关注,我国也提出碳中和、碳达峰等相关计划,寻找可以长期替代的清洁能源也是一项艰巨的任务。漩涡自身蕴含着丰富的内能,这部分动能如果不加以利用,会随着自身的运动,转化成动能而消耗掉。同时,漩涡的这部分内能的获取,基本上是取自于自然变化,因此是符合人们预期的绿色能源。合理利用漩涡产生的能量,目前也是世界各个发达国家正在研究的命题。可以将漩涡经常出现的海域的岸边建上潮汐发电机,随着漩涡的出现势必会引起近岸区域的潮汐流,利用潮汐流的规律性运动进行发电,作为海边城市电力供给的补偿手段,能够为清洁能源事业做出一份贡献。另一方面,作为海洋漩涡岸基观测的主要手段,我国的高频地波雷达（High Frequency Surface Wave Radar,HFSWR）相关研究和应用已经较为成熟,随着科学的进步以及科研设备的提升,高频地波雷达也将有着更加广泛的发展前景和应用价值。高频地波雷达得益于弯曲的电波传输路径,有能力检测海面和低空处的目标,该设备已经海态探测、入侵预警、气象观测等领域取得广泛的应用,并对自然环境、领土安全以及沿海经济具有重要的意义。本文的研究思路是,根据采集到的高频地波雷达观测数据,研究三种不同类型的漩涡检测方法,即基于密度聚类的缠绕角漩涡检测算法、基于金字塔场景压缩神经网络的漩涡检测算法和基于迁移学习的多场景漩涡检测算法。同时,本文对多源信息融合的漩涡检测以及漩涡现象的起因进行了讨论,简要探析了漩涡观测领域的发展趋势,系统性地开展了从数据收集、检测方法、现象分析的全流程漩涡观测研究。本文从漩涡检测算法角度入手,系统地研究了漩涡现象并分析了漩涡的时空特性,对沿海地区的捕鱼业和航海业产生了重大的影响。依据上述两个方面内容,为提升漩涡检测性能,本文认为主要可以从三个挑战入手,具体包括:（1）运用统计方法进行漩涡检测时,如何削弱缠绕角漩涡检测算法的准确度受流线聚集程度影响的问题。（2）应用深度学习进行漩涡检测时,如何用适当的样本数量,在短时间内完成大规模的漩涡像素分割问题。（3）使用深度学习进行多场景漩涡检测时,如何借鉴其他检测模型的经验、原有的参数以及已采集的样本,提高本场景漩涡检测的准确度。为此,本文开展了使用机器学习方法以及深度学习方法漩涡检测的算法研究,取得了创新性的成果。首先,在漩涡检测中,针对流线聚集程度影响缠绕角漩涡检测算法准确度的问题,本文提出了一种基于密度聚类的缠绕角漩涡检测算法,在高频地波雷达数据上,该方法能够高并发、高精度地进行自动漩涡检测。同时,针对我国南海广东湛江的徐闻南三区域的数据,将本文算法和缠绕角算法、矢量几何算法进行实测数据实验对比,对海洋表面流生成的漩涡基本特征进行了统计分析,提取了漩涡中心、漩涡半径和生命周期等特征。并对这三种检测方法得到的实验结果进行分析比较,实验仿真结果表明,本文所提算法的性能优于缠绕角算法和矢量几何算法,漩涡中心距离差的误差分别缩减了22%和20%,而检测半径则提高19%和24%。然后,为了提高大规模漩涡检测的准确度和计算速度,研究内容从基于统计方法的漩涡检测算法转移到基于深度学习的漩涡检测算法。本文提出了一种基于金字塔场景压缩神经网络的漩涡检测算法,使用像素分割任务的深度学习模型进行漩涡检测。与此同时,使用我国台湾海峡下垵山寮区域的实测数据,构建了一个近海岸的漩涡检测数据集。接着,用基于金字塔场景压缩模型框架构造了一个空间全局最优、细节分辨能力强的像素级分割神经网络,对流场图中的漩涡分布进行预测,并对漩涡的形态进行识别。最后,提出了一种基于全卷积网络的漩涡检测神经网络。通过比较这两组神经网络方法,得到结论,基于像素分割的模型的检测性能优于全卷积网络模型,其中,基于像素分割的模型的预测精确度、平均Dice系数和重叠度分别比全卷积网络模型网络提高了3.72%、0.052和0.081。最后,为了弥补漩涡数据不充足以及检测经验无法传承的问题,研究内容从单场景的深度漩涡检测转变成多场景的深度迁移漩涡检测。本文提出了一种基于迁移学习的深度漩涡检测算法。第一步,利用全卷积神经网络构造了一种基础的深度学习漩涡检测架构,即CDEDNet-0网络。第二步,为弥补含标注的漩涡数据集不充足的问题,在CDEDNet-1网络中采用了一种基于样本的领域自适应方法来扩大训练样本集,进而帮助提高检测模型的准确度。第三步,为了弥补历史漩涡检测经验无法继承的问题,在CDEDNet-2中引入了一种基于参数的迁移学习算法,实现了多场景下的漩涡检测模型共享。实验结果表明,在预测准确度方面,CDEDNet-1比CDEDNet-2提高了1.9%的准确度,CDEDNet-2比CDEDNet-0提高了7.1%的准确度。