论文部分内容阅读
海洋立体观测技术的发展为海洋科学问题研究提供了不可替代的数据源,也为研究海洋现象、分析海洋渔业资源时空分布变化及渔场形成规律等提供了更加丰富的数据信息。随着“海洋强国”战略的提出,海洋信息的自动化提取成为国内外海洋学家研究的重点。在众多的海洋信息中海洋锋(温度锋、盐度锋和密度锋)作为一种重要的海洋中尺度现象,是海洋中最具代表性的中尺度动力过程之一,也是影响海洋热量交换与物质输运和海气相互作用的重要因素。在海洋锋区,由不同水体携运的营养盐类较为丰富,促进浮游植物的大量繁殖,这为浮游动物和鱼类提供充足、丰富的饵料。基于以上分析,开展海洋锋研究对渔业资源评估、军事勘察和海洋环境保护等许多领域有重要影响,已经成为近年来物理海洋学以及海洋交叉学科中的重要课题之一。海洋锋是海洋中不同水系或水团之间的狭窄过渡带,在形成海洋锋面的水团中,温度、盐度、营养盐、水色等水文要素显现出剧烈变化的特征,具有较高的水平梯度,因此可以用温度、盐度、密度、水色、叶绿素等要素的水平梯度来描述海洋锋。而海表温度锋(Sea Surface Temperatures Front,SSTF)作为海洋锋的一种重要表现形式,常用来研究海洋锋。受大气条件、海洋高动态变换等环境因素的干扰和观测角度、获取手段及处理技术的限制,形成了海洋锋具有数据量小、目标小、弱边缘及动态易变等特性。而从海表面温(Sea Surface Temperatures,SST)遥感影像中提取海洋锋线信息属于海洋要素场高频信息的提取,利用传统的边缘提取算子(Sobel、Canny和Laplace算子)进行边缘信息提取,存在弱边界信息损失严重、锋面信息提取精度低、抗干扰性较弱、边缘的定位差等问题。随着深度学习研究的不断深入,依赖于卷积神经网络(Convolutional Neural Network,CNN)和区域卷积神经网络(Region Convolutional Neural Network,R-CNN)在图像识别、语音识别、目标识别等场景上取得的巨大成功,融合深度学习理论进行海洋锋面的检测已具有必要性和迫切性。在CNN基础上,多种基于深度学习的海洋锋检测方法相继被提出,并取得了较高的检测精度。目前对基于深度学习的海洋锋检测主要分为两种,一种是针对海洋锋特征搭建新型浅层网络完成海洋锋的检测,该类方法检测精度不高,鲁棒性差,对不同强度和不同形态海洋锋普适性差。第二种是在现有网络模型基础上,结合海洋锋实际检测需求及特性,设计优化改进的新型网络。该类算法相比自搭建的网络模型,检测精度有一定提高,定位准确率也进一步提升。由于海洋锋是SST遥感影像中的小目标实体,边缘信息不明显、多变、对比度不强,呈现弱边缘性,使用现有的海洋锋检测算法存在检测精度低、锋面定位准确率低和误检率高等问题。论文以海洋锋自动精准识别为研究目标,针对现有方法对于高动态弱边缘海洋锋自动检测的局限性,结合Mask R-CNN(Mask Region Convolutional Neural Network)网络对图像的像素级分割优势,提出新型融合多尺度的Mask R-CNN海洋锋检测方法。以SST影像为基础,研究海洋锋的高层本质特征的获取与表达;在此基础上,针对边缘信息多变、对比度弱等弱边缘海洋锋检测需求,提出多尺度融合的sc SE(Concurrent Spatial and Channel‘Squeeze&Excitation’)注意力模块引导的海洋锋检测模型,增强骨干网络对重要的空间和通道特征的提取能力,并构建强、弱海洋锋数据集验证模型的有效性及鲁棒性。最后,基于上述研究结果,对我国舟山近海海域的锋面季节性、年际性时空变化进行了研究,并基于检测结果挖掘舟山近海生物渔获量与各环境要素的关联关系及各要素对渔获量的贡献率。论文研究内容及主要实验结果如下:(1)构建基于SST影像的海洋锋训练数据集。本文针对海洋锋数据量小、弱边缘特性,进行相应的数据扩充及图像增强操作。文中选取美国国家航空航天局(National Aeronautics and Space Administration,NASA)提供的Terra和Aqua卫星的2010-2020年间的海洋锋聚集多发的墨西哥湾及加利福尼亚湾的MODIS(Moderate Resolution Imaging Spectroradiometer)影像和舟山群岛及邻近海域weekly和monthly的海表温度作为实验数据。根据海洋锋的呈现形式,对含有海洋锋的遥感影像进行旋转、翻转及尺度变换等扩充操作和基于DCP(Dark Channel Prior)和CLAHE(Contrast Limited Adaptive Histogram Equalization)及其DCP-CLAHE融合算法的特征增强处理操作,增加训练数据集的多样性和高可用性。数据集建立完成后,使用Label Me软件按照COCO(Common Objects in Context)数据集的标准格式对训练集进行标注。(2)构建多尺度融合的FPN(Feature Pyramid Network)模型的特征提取网络。海洋锋的高层本质特征的获取与表达是实现其高精度检测的关键,本文基于SST数据集特性,从模型框架和模型参数初始化两方面入手,构建多尺度融合特征提取网络。通过融合Resnet-18残差网络和特征金字塔网络进行特征提取,在综合分利用低层特征分辨率和高层特征的高语义信息的基础上,对多尺度融合特性图进行目标预测。此外,对模型首先基于迁移学习的思想采用COCO数据集对网络模型进行初始化,根据海洋锋检测收敛结果,选取(学习率0.001,批处理量32,每次迭代次数1000,训练次数30000)最优参数组合完成海洋锋检测。实验表明海洋锋的定位准确率IOU及检测平均精度m AP均值达0.85以上。(3)构建sc SE注意力模块引导的海洋锋检测模型。为满足弱海洋锋检测需求,面对边缘信息多变、对比度弱等弱边缘海洋锋检测精度低、错检及漏检率高等问题,设计sc SE注意力模块引导的浅层Resnet-50特征提取模型。通过加权策略提升网络对海洋锋重要特征的关注度,增强骨干网络对重要的空间和通道特征的表征能力,并有效缓解浅层网络对复杂高层特征提取效果差问题。此外,针对海洋锋目标边缘定位不准确的问题,引入Io U boundary loss构建新型Lmask-boundary损失函数,提高边界检测精度。实验表明强、弱海洋锋的检测精度分别达91.6%、91.4%。(4)海洋锋自动检测模型的实证分析及其与生物渔获量时空关联关系分析。基于构建的sc SE注意力引导的网络模型对我国舟山及邻近海域的2006年四季和2015年春秋两季海洋锋进行自动检测,检测结果表明海洋锋随季节更替明显,冬季锋面较为显著。结合收集的同时期、同区域渔业资源调查数据分析发现不同年份、不同季节生物渔获量与海洋锋呈现不同的相关性,整体呈现夏季>秋季>冬季>春季的变化规律。最后,基于增强回归树(Boosted Regression Tree,BRT)、主成分分析法和皮尔逊相关系数矩阵法分别挖掘生物渔获量与不同环境要素(海洋锋SST、海温T、海洋锋距离Dfront、海岸距离Dcoast及海洋锋距离海岸距离Dfrontcoast)的关联关系、计算各要素对渔获量的贡献率和挖掘分析各要素间的内在关联性。实验结果表明,SST温度在10~20°C范围内渔获量与海温成正相关性,当捕鱼地点到锋面距离及锋面到海岸距离在0~10km范围内渔获量较高,之后渔获量呈现稳定或下降趋势。根据主成分分析结果表明SST对渔获量的影响最为显著,占45.693%,其次,Dfront要素的贡献度为33.983%,Dcoast和Dfrontcoast分别为15.696%、4.628%。通过上述内容的研究,论文取得了一定的研究成果,具体包括:(1)首次构建了基于SST影像的强、弱海洋锋训练数据集,为海洋锋高精度自动检测方法研究提供了数据基础;(2)提出了多层特征融合的海洋锋自动识别模型,实现了不同强度海洋锋的全自动化的高精准度检测;(3)为多尺度、多形态、弱边缘中海洋锋自动检测提供了新方法。同时,也为其他海洋现象(如锋面涡、中尺度海洋涡旋)的自动识别提供技术参考。