基于分层联合神经网络的区域海洋环境场快速重构方法

本发明公开基于分层联合神经网络的区域海洋环境场快速重构方法，属于环境场重构。

背景技术：

1、近年，深度学习等人工智能方法应用于海洋环境场重构，取得了一定的进展。这类重构方法能在保留丰富细节的同时取得较理想的反演准确度，实现海洋环境场的超分辨率反演。同时，利用显卡并行计算能大幅提高重构运算速度，实现海洋环境场的快速反演，耗时上优于运算量大的传统的海洋环境场重构方法。然而现有深度学习方法缺少神经网络结构与真实海洋特征、观测数据特征的有机结合，即缺少对海洋多要素场耦合、海洋分层特性、海洋浅表层和中下层观测数据的差异与联系以及海洋变化时间连续性的考虑。

技术实现思路

1、本发明的目的在于提供基于分层联合神经网络的区域海洋环境场快速重构方法，以解决现有技术中，海洋环境场重构结果精度不足的问题。

2、基于分层联合神经网络的区域海洋环境场快速重构方法，包括获取多源海洋数据并进行预处理，计算预处理后的多源海洋数据得到密度场，根据温度场、盐度场、密度场构建多要素耦合场；制作深度学习样本集，构建训练分层联合神经网络，使用经过训练的分层联合神经网络进行区域海洋环境场重构。

3、分层联合神经网络输入浅表层输入数据和中下层输入数据，浅表层输入数据输入卷积神经网络模块a，中下层输入数据输入卷积神经网络模块b，将卷积神经网络模块a和卷积神经网络模块b的输出进行连接后输入循环神经网络模块，然后输出重构环境场。

4、卷积神经网络模块a设有分支，分支依次连接生成对抗网络模块和卷积神经网络模块b。

5、卷积神经网络模块a和卷积神经网络模块b结构一致。

6、卷积神经网络模块a在输入端执行4次模块化处理，1次模块化处理包括首先执行2次3×3卷积并应用relu激活函数，然后执行2×2最大池化；

7、复制4次模块化处理至输出端，复制后2×2最大池化变为2×2上采样，1次模块化处理包括执行2×2上采样，然后执行2次3×3卷积并应用relu激活函数；

8、输入端执行4次模块化处理后，执行2次3×3卷积并应用relu激活函数，然后执行输出端的复制的4次模块化处理；

9、最后进行1次1×1卷积并输出。

10、生成对抗网络模块包括生成器和判别器，将浅表层环境场输入生成器后生成环境场，连同作为训练样本的中下层环境场一起输入判别器，最后进行判别。

11、循环神经网络的输入为环境场输入，将多个环境场输入分别输入至对应的3d长短期记忆卷积神经网络，然后输入隐藏层，最终形成环境场输出。

12、多源海洋数据的要素包括温度数据、盐度数据和密度数据；

13、多源海洋数据的类型包括观测数据、再分析数据和数值模拟数据。

14、预处理包括统一数据格式、深度校正、时空插值和质量控制。

15、深度学习样本集包括训练集、验证集和测试集。

16、相对比现有技术，本发明具有以下有益效果：本发明考虑了海洋多要素场耦合、海洋分层特性、海洋浅表层和中下层观测数据的差异与联系、海洋变化的时间连续性，实现了高精度的海洋环境场重构。

1.基于分层联合神经网络的区域海洋环境场快速重构方法，其特征在于，包括获取多源海洋数据并进行预处理，计算预处理后的多源海洋数据得到密度场，根据温度场、盐度场、密度场构建多要素耦合场；制作深度学习样本集，构建训练分层联合神经网络，使用经过训练的分层联合神经网络进行区域海洋环境场重构；

2.根据权利要求1所述的基于分层联合神经网络的区域海洋环境场快速重构方法，其特征在于，卷积神经网络模块a设有分支，分支依次连接生成对抗网络模块和卷积神经网络模块b。

3.根据权利要求2所述的基于分层联合神经网络的区域海洋环境场快速重构方法，其特征在于，卷积神经网络模块a和卷积神经网络模块b结构一致。

4.根据权利要求3所述的基于分层联合神经网络的区域海洋环境场快速重构方法，其特征在于，卷积神经网络模块a在输入端执行4次模块化处理，1次模块化处理包括首先执行2次3×3卷积并应用relu激活函数，然后执行2×2最大池化；

5.根据权利要求4所述的基于分层联合神经网络的区域海洋环境场快速重构方法，其特征在于，生成对抗网络模块包括生成器和判别器，将浅表层环境场输入生成器后生成环境场，连同作为训练样本的中下层环境场一起输入判别器，最后进行判别。

6.根据权利要求5所述的基于分层联合神经网络的区域海洋环境场快速重构方法，其特征在于，循环神经网络的输入为环境场输入，将多个环境场输入分别输入至对应的3d长短期记忆卷积神经网络，然后输入隐藏层，最终形成环境场输出。

7.根据权利要求6所述的基于分层联合神经网络的区域海洋环境场快速重构方法，其特征在于，多源海洋数据的要素包括温度数据、盐度数据和密度数据；

8.根据权利要求7所述的基于分层联合神经网络的区域海洋环境场快速重构方法，其特征在于，预处理包括统一数据格式、深度校正、时空插值和质量控制。

9.根据权利要求8所述的基于分层联合神经网络的区域海洋环境场快速重构方法，其特征在于，深度学习样本集包括训练集、验证集和测试集。