傳統(tǒng)的海洋鋒識(shí)別方法依賴(lài)于梯度閾值,其將梯度值大于設(shè)定閾值的海域視為存在海洋鋒,但梯度閾值法存在閾值依賴(lài)人為設(shè)定且標(biāo)準(zhǔn)不統(tǒng)一,以及復(fù)雜多樣的海洋鋒無(wú)法用單一閾值進(jìn)行準(zhǔn)確識(shí)別的問(wèn)題。為此,提出一種融合深度學(xué)習(xí)的自適應(yīng)梯度閾值判別方法。對(duì)海溫梯度圖進(jìn)行標(biāo)注,通過(guò)Mask R-CNN訓(xùn)練得到海洋鋒像素級(jí)識(shí)別模型,統(tǒng)計(jì)每一類(lèi)鋒特有的梯度值分布作為該類(lèi)鋒的基準(zhǔn)梯度閾值,并基于該閾值對(duì)像素級(jí)的鋒面識(shí)別結(jié)果做精細(xì)化調(diào)整,對(duì)鋒面識(shí)別結(jié)果精度進(jìn)行量化,以提高自適應(yīng)鋒面調(diào)整過(guò)程的可靠性。實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)梯度閾值法及單一的深度學(xué)習(xí)結(jié)果相比,該方法可以實(shí)現(xiàn)精細(xì)的海洋鋒識(shí)別,且具有良好的獨(dú)立性和完整性。

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

圖1海陸交界像素細(xì)化過(guò)程

梯度計(jì)算在每個(gè)數(shù)據(jù)點(diǎn)的3×3鄰域中進(jìn)行,在海陸交界部分的數(shù)據(jù)點(diǎn)的鄰域內(nèi)可能同時(shí)包含陸地與海洋,為避免梯度計(jì)算時(shí)交界處海水?dāng)?shù)據(jù)點(diǎn)受到陸地?cái)?shù)據(jù)點(diǎn)的影響,需要事先制定策略:在遍歷數(shù)據(jù)點(diǎn)過(guò)程中,首先對(duì)當(dāng)前數(shù)據(jù)點(diǎn)歸屬海水還是陸地進(jìn)行判斷,若是陸地?cái)?shù)據(jù)點(diǎn)則直接標(biāo)記,不再進(jìn)行梯度計(jì)算;若是海水....

圖2經(jīng)緯范圍為(118°E～131°E,23°N～40°N)的梯度數(shù)據(jù)渲染圖像

在Python3.6環(huán)境下,利用Matplotlib和PIL圖像處理包,將對(duì)應(yīng)經(jīng)緯度下的梯度值按實(shí)際經(jīng)緯關(guān)系映射為顏色,從而得到梯度值圖片。顏色映射規(guī)則為“jet”顏色圖,輸出圖像大小統(tǒng)一為340像素×260像素。部分梯度值網(wǎng)格數(shù)據(jù)可視化的結(jié)果圖像如圖2所示。海水部分的顏色是通過(guò)....

圖3MaskR-CNN網(wǎng)絡(luò)模型架構(gòu)

此外,MaskR-CNN將FasterR-CNN中的RoIPool改進(jìn)為RoIAlign以消除前者的粗糙量化,同時(shí)將提取的特征和像素精準(zhǔn)對(duì)齊。選取每個(gè)RoI分塊中的4個(gè)常規(guī)位置,使用雙線(xiàn)性插值計(jì)算每個(gè)位置的精確值,然后對(duì)結(jié)果進(jìn)行匯總。MaskR-CNN網(wǎng)絡(luò)模型架構(gòu)如圖3所示....

圖4MaskR-CNN總體網(wǎng)絡(luò)結(jié)構(gòu)

本文使用基于Python的Tensorflow和Keras構(gòu)建完整的MaskR-CNN結(jié)構(gòu),其結(jié)構(gòu)示意圖如圖4所示。其中,backbone部分由Resnet101和FPN(FeaturePyramidNetwork)組成。3.2樣本建立與模型訓(xùn)練

本文編號(hào)：3893608