深度學(xué)習(xí)在海洋信息探測中的應(yīng)用:現(xiàn)狀與展望

張雪薇, 韓 震, 2, 郭 鑫

深度學(xué)習(xí)在海洋信息探測中的應(yīng)用:現(xiàn)狀與展望

張雪薇1, 韓 震1, 2, 郭 鑫1

(1. 上海海洋大學(xué) 海洋科學(xué)學(xué)院, 上海 201306; 2. 上海河口海洋測繪工程技術(shù)研究中心, 上海 201306)

深度學(xué)習(xí)可以通過深度神經(jīng)網(wǎng)絡(luò), 使機器理解學(xué)習(xí)數(shù)據(jù), 從而提高數(shù)據(jù)分類效果和預(yù)測結(jié)果的準確性, 因此在海洋信息探測中應(yīng)用越來越受到重視。作者基于深度學(xué)習(xí)的基本原理, 闡述了海洋上常用的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型, 并結(jié)合海洋信息探測要素, 對溫度、鹽度、風場、有效波高和海冰等進行了海洋環(huán)境信息因子的預(yù)測分析; 同時, 對船舶、溢油和渦旋等進行了海洋目標識別與檢測。最后針對其現(xiàn)狀進行了探討, 總結(jié)了深度學(xué)習(xí)在海洋信息探測中發(fā)展所面臨的問題。

深度學(xué)習(xí); 海洋信息探測; 神經(jīng)網(wǎng)絡(luò); 預(yù)測; 識別檢測

深度學(xué)習(xí)通過對原始信號進行逐層特征變換, 將樣本在原空間的特征表示變換到新的特征空間[1], 深度學(xué)習(xí)是在淺層機器學(xué)習(xí)基礎(chǔ)上發(fā)展起來的, 通過模仿人腦的信息處理神經(jīng)結(jié)構(gòu), 對外部輸入的數(shù)據(jù)進行特征提取, 使得機器理解學(xué)習(xí)數(shù)據(jù)并獲得信息。

深度學(xué)習(xí)作為機器學(xué)習(xí)的重要組分, 推動了人工智能的前進(圖1)。20世紀70年代和80年代是深度學(xué)習(xí)的萌芽期, 1989年, LECUN[2]第一次提出了卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)。1997年, 長短時記憶網(wǎng)絡(luò)(Long Short-Term Memory Network, LSTM)被提出[3]。1999年, JONES等[4]利用人工神經(jīng)網(wǎng)絡(luò)(Artificial Convolutional Neural Networks, ANN)進行海面溫度分析。2006年, HINTON等[5]提出的“深度學(xué)習(xí)”概念標志著深度學(xué)習(xí)進入發(fā)展期。2014年, 門控循環(huán)神經(jīng)單元網(wǎng)絡(luò)(Gate Recurrent Unit Network, GRU)被提出[6], 作為LSTM的變體, 其本質(zhì)是基于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks, RNN)的。2012年, Hinton團隊在Imagenet競賽中開發(fā)的Alexnet網(wǎng)絡(luò)模型取得了巨大的成功, 深度學(xué)習(xí)進入了爆發(fā)階段。從2006年至今, 隨著深度學(xué)習(xí)的發(fā)展, 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)逐漸運用到海洋現(xiàn)象探測中[7], 例如: 溫度[8-9]、鹽度、風場、有效波高和海冰[10]的預(yù)測, 以及船舶[11-13]識別和溢油[14-15]、渦旋檢測[16]等。本文主要從海洋信息探測中的應(yīng)用角度, 討論深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型的研究進展。

圖 1 人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)關(guān)系

1 深度學(xué)習(xí)的原理

深度學(xué)習(xí)主要通過深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network, DNN)將底層的特征映射到高層, 并且通過高層將特征抽象出來[17]。深度學(xué)習(xí)采用了神經(jīng)網(wǎng)絡(luò)類似的分層結(jié)構(gòu), 多層網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱藏層、輸出層組成, 在神經(jīng)元之間的每個連接都有一定的權(quán)重(圖2)。深度學(xué)習(xí)模型構(gòu)建了復(fù)雜的多層網(wǎng)絡(luò), 下一層的輸入為上一層的輸出, 通過多層非線性運算將提取到的樣本底層特征組合成更加抽象的高級特征來達到高層特征的可視化。深度網(wǎng)絡(luò)包含多層非線性映射且具有多個隱藏層, 每一層可以提取出相應(yīng)的特征, 模型經(jīng)過提取和結(jié)合來獲得利于分類的高級特征。其特點可以概括為深層次、非線性和逐層特征提取[18]。

圖2 深度學(xué)習(xí)原理圖

2 海洋上常用的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型

2.1 卷積神經(jīng)網(wǎng)絡(luò)CNN

卷積神經(jīng)網(wǎng)絡(luò)CNN作為一種帶有卷積結(jié)構(gòu)的多層前饋神經(jīng)網(wǎng)絡(luò), 是海洋目標識別與檢測常用的深度學(xué)習(xí)模型。CNN由多層神經(jīng)網(wǎng)絡(luò)組成, 且每層神經(jīng)網(wǎng)絡(luò)由多個二維平面組成, 在每個平面中擁有多個獨立神經(jīng)元。CNN由輸入層、卷積層、池化層、全連接層及輸出層構(gòu)成。卷積層利用卷積核對輸入數(shù)據(jù)進行特征學(xué)習(xí), 卷積核的大小和數(shù)量通過人為設(shè)定, 卷積核內(nèi)權(quán)重共享; 池化層將對來自卷積層的數(shù)據(jù)進行下采樣處理, 這種方式的好處是使感受野變得更大、數(shù)據(jù)量被不斷壓縮、參數(shù)量明顯降低; 全連接層的主要作用是將數(shù)據(jù)特征進行連接, 將數(shù)據(jù)以需要的維度形式輸出(圖3)。

圖3 CNN基本結(jié)構(gòu)

2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)RNN

循環(huán)神經(jīng)網(wǎng)絡(luò)RNN是海洋環(huán)境信息因子預(yù)測常用的深度學(xué)習(xí)模型, 其通過事件發(fā)生的先后關(guān)系來挖掘時間維度的特征。RNN通過引入定向循環(huán)來使得隱藏節(jié)點定向連接成環(huán), 從而更有利于信息傳遞, 其將同層間不同的神經(jīng)元進行連接并且在同一時間上的網(wǎng)絡(luò)層可共享權(quán)值參數(shù), RNN的輸入是向量序列, 輸出也是, 從而體現(xiàn)出數(shù)據(jù)的時間序列性(圖4)。輸入數(shù)據(jù)經(jīng)過線性運算后連接包含權(quán)重和偏置項的隱藏層, 經(jīng)過線性運算后輸出值。其中為隱藏層的權(quán)重, 隱藏層之間通過節(jié)點相連接, 并在序列數(shù)據(jù)中共享權(quán)重。權(quán)重會在每個小時()時刻后更新, 挖掘出序列變化的特征, 最終的輸出會受到前面多個輸入層的影響。RNN的具體計算公式如下:

h=f(x+xh–l+b), (1)

其中,為從輸入層到隱層的連接矩陣;為隱層相鄰時刻之間的連接矩陣;為隱層到輸出層的連接矩陣;h為時刻, RNN隱層的狀態(tài)向量;b為偏置向量;f為非線性激活函數(shù); 在RNN中,f通常為sigmoid或tanh函數(shù)。通過h計算o的過程為:

o=f(h+b), (2)

其中,b為輸出層的偏置向量;f為非線性激活函數(shù)。

RNN中的門控算法有可以分為LSTM和GRU。

圖4 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3 海洋環(huán)境信息因子預(yù)測

3.1 海洋環(huán)境信息因子預(yù)測深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型

3.1.1 長短時記憶網(wǎng)絡(luò)LSTM

2001年, Felix將LSTM理論引入RNN, LSTM在RNN的基礎(chǔ)上增加了門結(jié)構(gòu)和細胞狀態(tài), 其中門結(jié)構(gòu)用來控制之前時刻的信息保留量, 而細胞狀態(tài)用來記錄時間序列特征。其采用了門函數(shù)對神經(jīng)元中的信息進行輸入輸出控制, 克服了RNN難以訓(xùn)練和梯度消失等問題。

ConvLSTM(Convolutional Long Short-Term, ConvLSTM)本質(zhì)和 LSTM 是一致的, 其區(qū)別在于網(wǎng)絡(luò)層之間的信息傳遞方式的差異。ConvLSTM 采用LSTM 門結(jié)構(gòu)方式進行信息流動控制。LSTM 與 ConvLSTM 的差異主要是各個門結(jié)構(gòu)中的信息輸入由點積改為卷積, 細胞狀態(tài)更新點積保持不變。

, (12)

其中,i為輸入門,c為細胞狀態(tài),f為遺忘門,o為輸出門,h為隱含層輸出,為 sigmoid 函數(shù)。

3.1.2 門控循環(huán)神經(jīng)單元網(wǎng)絡(luò)GRU

門控循環(huán)神經(jīng)單元網(wǎng)絡(luò)GRU在2014年提出, GRU有2個門: 1個更新門, 1個重置門。與LSTM 3個門相比, GRU所需的參數(shù)少且簡單, 但能保持與LSTM相當?shù)男阅? 而且訓(xùn)練收斂時間更快[19-20]。GRU模型是基于卷積的空間模型, 公式如下:

ConvGRU(Convolutional Gate Recurrent Unit network, ConvGRU)模型是GRU的擴展算法。ConvGRU的本質(zhì)是在矩陣運算基礎(chǔ)上加上了卷積運算, 這樣 ConvGRU 結(jié)構(gòu)不僅能夠計算其時序特征, 還可以提取空間特征。ConvGRU模型采用門結(jié)構(gòu)控制信息流動, 權(quán)重分別放到了卷積核和循環(huán)層的循環(huán)核內(nèi)。

ConvGRU模型是基于卷積的空間模型, 公式如下:

3.1.3 海洋環(huán)境信息因子預(yù)測

將深度學(xué)習(xí)模型和海洋現(xiàn)象預(yù)測相結(jié)合, 開展基于深度學(xué)習(xí)的海洋環(huán)境因子預(yù)測研究, 對于拓展人工智能在海洋領(lǐng)域的應(yīng)用具有重要的意義。海洋環(huán)境信息因子的預(yù)測模型主要有LSTM和GRU以及其兩者與卷積模型的結(jié)合和擴展模型, 如ConvGRU、ConvLSTM、M-convLSTM、M-LCNN和BiLSTM等, 再以溫度、鹽度、有效波高、風場和海冰等海洋環(huán)境要素為研究對象, 結(jié)合數(shù)據(jù)特征來進行相關(guān)的預(yù)測分析, 圖5為海洋環(huán)境信息因子預(yù)測模型的結(jié)構(gòu)示意圖。

圖5 海洋環(huán)境信息因子的預(yù)測模型

3.2 海洋環(huán)境信息因子的預(yù)測分析

3.2.1 溫度

海溫預(yù)測的方法可歸納為數(shù)值方法、數(shù)據(jù)驅(qū)動方法和兩者結(jié)合3種。數(shù)值方法是基于物理、化學(xué)和生物參數(shù)以及他們之間復(fù)雜的相互作用而建立的, 數(shù)值方法通常比較復(fù)雜, 在海洋甚至全球尺度上預(yù)測海表溫度的分辨率相對較低。數(shù)據(jù)驅(qū)動方法以數(shù)據(jù)為中心, 通過觀測數(shù)據(jù)發(fā)現(xiàn)海表溫度預(yù)測模式和關(guān)系式, 數(shù)據(jù)驅(qū)動的方法需要比較少的海洋和大氣領(lǐng)域的知識, 不像數(shù)值方法那么復(fù)雜, 因而適用于較小尺度下的高分辨率海溫預(yù)測, 這類方法包含統(tǒng)計方法和深度學(xué)習(xí)方法等。2007年, ELISA等[21]利用ANN較好地預(yù)測了地中海西部海表面溫度的季節(jié)和年際變化。2017年, QIN等[22]采用LSTM對中國沿海海域的海表溫度進行預(yù)測并驗證了該方法的有效性, 預(yù)測平均準確度為0.98。2017年, JIANG等[23]分析了溫度、鹽度和地理位置特征對溫躍層的影響, 并提出了一種改進的基于熵值法的躍層選擇模型來預(yù)測溫度變化。2019年, BRONIBEDAIKO等[24]提出了一種利用LSTM氣候網(wǎng)絡(luò)來提取網(wǎng)絡(luò)指標, 從而預(yù)測ENSO現(xiàn)象的方法。2019年, XIAO等[25]提出了一種能夠分析海表溫度時空相關(guān)性的時空深度學(xué)習(xí)模型, 對短期和中期海表溫度場的預(yù)測具有較高的準確性。2020年, ZHANG等[26]提出一個多層回旋的長期和短期記憶(M-convLSTM)預(yù)測三維海洋溫度模型, 并利用ARGO數(shù)據(jù)進行全球三維海洋溫度預(yù)測。XU等[27]提出了M-LCNN(Multi-Long Short-Term Memory Convolution Neural Network)預(yù)測模型, 并利用小波變換對時間序列進行了分解和重構(gòu)并在多個時間尺度上預(yù)測了海表溫度序列的變化。2020年, WEI等[28]基于LSTM的深度神經(jīng)網(wǎng)絡(luò)對2015—2018年0.05 ℃空間分辨率的海表溫度進行預(yù)測, 發(fā)現(xiàn)中國海域東南部的預(yù)測精度最高。利用LSTM和GRU等模型的變體, 海溫預(yù)測模型可以將一系列孤立的時間點相結(jié)合來建立起大范圍的海溫場, 在不同的區(qū)域建立特征模型, 甚至可以通過建立三維預(yù)測模型來預(yù)測海面到深層的水平和垂直的溫度變化。

3.2.2 鹽度

海水鹽度的傳統(tǒng)預(yù)測方法使用傳感器實測數(shù)據(jù), 采用不同的算法來估算鹽度的值, 而基于深度學(xué)習(xí)的海水鹽度預(yù)測模型在處理大數(shù)據(jù)時, 優(yōu)勢明顯。2019年, SONG 等[29]提出了雙路徑GRU網(wǎng)絡(luò)(DPG), 對南海海表面鹽度數(shù)據(jù)集進行預(yù)測, 準確率在96.85%以上。同年, MEDINA-LOPEZ等[30]建立了一個深度神經(jīng)網(wǎng)絡(luò), 將傳感器數(shù)據(jù)與來自世界各地不同浮標、船只和其他平臺的現(xiàn)場數(shù)據(jù)聯(lián)系起來, 試驗結(jié)果表明鹽度和溫度的相關(guān)系數(shù)分別為82%和84%。2020年, RAJABI-KIASARI等[31]利用人工神經(jīng)網(wǎng)絡(luò)等機器學(xué)習(xí)方法, 在波斯灣地區(qū)基于SMAP衛(wèi)星對海表面鹽度進行建模。通過鹽度的預(yù)測模型, 有效減少了傳統(tǒng)方法中出現(xiàn)的預(yù)測誤差, 從而獲得了更加準確的預(yù)測結(jié)果。鹽度的預(yù)測模型需要進一步和觀測數(shù)據(jù)相結(jié)合, 注重原始數(shù)據(jù)的質(zhì)量, 才能有效地提高鹽度的預(yù)測效果。

3.2.3 風場

深度學(xué)習(xí)預(yù)測模型可以從大量變量數(shù)據(jù)集中提取隱藏特征, 提高泛化能力且在處理大量順序時間數(shù)據(jù)集時效率更高, 因而可以更加有效地預(yù)測風場各項參數(shù)。2020年, 王國松等[32]利用LSTM模型進行了海面風場短時預(yù)報的研究, 發(fā)現(xiàn)該模型可以大幅降低風速預(yù)報誤差。2020年, 李蓉蓉等[33]提出了一種基于LSTM以及時間序列分析法的預(yù)測算法, 并有效提高了短期風速序列預(yù)測精度, ARIMA+LSTM的MAE(平均絕對誤差)為0.755。2020年, PANDIT等[34]提出LSTM和Markov兩種數(shù)據(jù)驅(qū)動的方法預(yù)報風速。2020年, WEI等[35]使用了LSTM等機器學(xué)習(xí)技術(shù), 在臺灣東北部構(gòu)建了風速預(yù)測模型, 發(fā)現(xiàn)LSTM比沒有記憶容量的模型網(wǎng)絡(luò)更準確。2020年, LIAN[36]提出了一種基于自動編碼器(AE)和門控循環(huán)單元(GRU)模型的數(shù)據(jù)驅(qū)動方法, 利用歷史熱帶氣旋路徑和各種氣象屬性預(yù)測熱帶氣旋登陸位置。2021年, LI等[37]提出了一種基于OWTs狀態(tài)評估(CA)的超短期海上風電功率預(yù)測(WPP)方法, 通過引入LSTM來處理海上風力發(fā)動機各種監(jiān)測數(shù)據(jù)與海洋動態(tài)環(huán)境之間的復(fù)雜交互作用。基于深度學(xué)習(xí)的風速預(yù)測模型不但可以提高短期風速預(yù)報結(jié)果不理想的問題, 還可以用來預(yù)測超短期海上風電功率, 為海上風力發(fā)電提供了一定的保障。隨著深度學(xué)習(xí)的發(fā)展, 風速預(yù)測模型越來越注重以數(shù)據(jù)為驅(qū)動, 但是對多個相互作用的多尺度過程, 如臺風等預(yù)報, 如何進行高精度的風速預(yù)報還是需要進一步探索。

3.2.4 有效波高

傳統(tǒng)預(yù)測有效波高的方法有經(jīng)驗?zāi)Ｐ汀?shù)值模型和機器學(xué)習(xí)方法, 經(jīng)驗?zāi)Ｐ驮跀?shù)據(jù)序列的穩(wěn)定性和線性方面有著缺陷, 而數(shù)值模型的投入成本較高。深度學(xué)習(xí)模型作為機器模型的發(fā)展模型, 可以利用統(tǒng)計學(xué)來獲得隱藏在歷史時間序列中的空間和時間聯(lián)系, 對短期和極端事件有著較好的預(yù)測能力。2020年, 朱曉雯等[38]發(fā)現(xiàn)SRCNN2一種高分辨率處理方法, 在整體效果、局部細節(jié)和計算效率方面比較優(yōu)秀。2021年, WANG等[39]采用GRU深度學(xué)習(xí)方法, 進行了臺灣海峽及其附近海域的有效波高預(yù)報, 發(fā)現(xiàn)GRU的總體性能令人滿意, 預(yù)報速度快、波動小、適應(yīng)性好, 以某浮標站為例, 在超前時間為3、6、12和24 h時, GRU預(yù)測的均方根誤差分別為0.234、0.299、0.371和0.479。利用有效波高預(yù)測模型, 可以有效地減少沿海的災(zāi)害風險從而達到防災(zāi)減災(zāi)的效果, 從而更好地預(yù)測海況, 進行海浪精細化預(yù)報。單一變量的預(yù)測會導(dǎo)致有效波高的精度不高, 加入風向和波浪方向等特征變量可以在一定程度上提高有效波高的預(yù)測精度。

3.2.5 海冰

準確預(yù)測海冰可以保障船舶安全航行, 由于觀測資料的局限性和海冰高度非線性的動態(tài)變化, 傳統(tǒng)的統(tǒng)計算法只能建立逐點的模型, 忽略了相鄰點之間的相互作用, 基于海冰的深度學(xué)習(xí)預(yù)測模型可以引入時間維信息和空間信息從而提高模型的預(yù)測效果。2019年, PETROU等[40]提出了一種基于卷積長短時記憶單元的編解碼器網(wǎng)絡(luò)的方法預(yù)測海冰運動, 發(fā)現(xiàn)該方法能夠有效地預(yù)測未來10 d內(nèi)的海冰運動狀況。2020年, 焦艷等[41]利用長短時記憶神經(jīng)網(wǎng)絡(luò)建立了遼東灣海冰延伸期預(yù)報模型, 預(yù)報的平均絕對誤差為4.1 nmile～5.7 nmile, 均方根誤差為5.4 nmile～7.5 nmile。2021年, LIU等[42]提出了一種基于ConvLSTM算法的海冰密集度日預(yù)測模型,將ConvLSTM模型和CNNs模型的時空尺度進行比較, 發(fā)現(xiàn)ConvLSTM的預(yù)測效果優(yōu)于CNNs。海冰預(yù)測模型的關(guān)鍵是如何利用預(yù)測模型來更好地描述其物理過程, 并與大氣和海洋模型耦合, 深度學(xué)習(xí)預(yù)測模型在一定程度上彌補傳統(tǒng)模型的不足。

在海洋的預(yù)測中, 海洋數(shù)據(jù)呈現(xiàn)出體量大、類型雜、時效強、難以辨識和高價值等明顯的大數(shù)據(jù)特征。然而, 與數(shù)據(jù)獲取能力形成鮮明對比的是數(shù)據(jù)處理能力亟需提高。海洋數(shù)據(jù)的處理目前大部分仍然停留在“數(shù)據(jù)到數(shù)據(jù)”的階段, 在實現(xiàn)從數(shù)據(jù)到知識的轉(zhuǎn)化上明顯不足, 對海量的海洋數(shù)據(jù)利用率低。海量的數(shù)據(jù)從多粒度、多時相、多方位和多層次反映了各種海洋環(huán)境狀態(tài)。溫度、鹽度、風場、有效波高和海冰等海洋要素是重要的海洋環(huán)境因子。其預(yù)測主要基于卷積神經(jīng)網(wǎng)絡(luò)模型和循環(huán)神經(jīng)網(wǎng)絡(luò)模型來實現(xiàn), 卷積神經(jīng)網(wǎng)絡(luò)模型可以對海洋要素中的空間特征進行提取, 循環(huán)神經(jīng)網(wǎng)絡(luò)模型可以對海洋要素中的時間特征進行提取。模型輸入層參數(shù)一般由數(shù)據(jù)的特征向量維數(shù)決定, 輸出層由預(yù)測的參數(shù)類別決定。如何有效地挖掘其信息, 并對其時序關(guān)系和空間特征進行提取, 增加預(yù)測模型的適用性, 需要建立多因素驅(qū)動的預(yù)報模型來獲得更準確的預(yù)報結(jié)果。

4 海洋目標識別與檢測

4.1 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型

傳統(tǒng)特征提取方法[43]準確度差且泛化能力低, 隨著卷積神經(jīng)網(wǎng)絡(luò)的出現(xiàn), 深度學(xué)習(xí)在特征提取[44]中越來越受到重視, 主要的目標檢測模型包括基于候選區(qū)域的網(wǎng)絡(luò)模型和基于回歸方法的網(wǎng)絡(luò)模型?；诤蜻x區(qū)域的目標檢測模型是通過Selective Search和Edge Boxes等候選區(qū)域提取方法在待測圖像中預(yù)先找出目標可能存在的位置, 并通過結(jié)合卷積擴展模型在候選區(qū)域中提取相應(yīng)特征, 基于候選區(qū)域的目標檢測主要模型有: R-CNN[45], Fast R-CNN[46], Faster-R-CNN[47]和R-FCN[48](表1)?；诨貧w方法的目標檢測模型是基于待測圖像快速選取多個位置, 計算出對應(yīng)的目標邊框和種類, 模型本質(zhì)是目標檢測和回歸求解問題之間的轉(zhuǎn)換, 也就是根據(jù)目標檢測的輸出值, 使用權(quán)重參數(shù)將其分類, 并與目標框預(yù)測建立關(guān)聯(lián), 然后進行計算。此時, 模型可以直接利用CNN 提取圖像特征, 并輸出待預(yù)測的特征向量, 直接得到目標檢測結(jié)果, 其主要模型有YOLO(You Only Look Once, YOLO)系列[49-50]的檢測模型和SSD(Single Shot Multib ox Detector, SSD)系列[51]的檢測模型。

表1 基于候選區(qū)域的目標檢測主要模型

將深度學(xué)習(xí)應(yīng)用于海洋目標識別與檢測的研究, 是將卷積神經(jīng)網(wǎng)絡(luò)和其他神經(jīng)網(wǎng)絡(luò)模型相結(jié)合, 再以船舶識別、溢油和渦旋等海洋目標為研究對象, 結(jié)合其特征來進行相關(guān)的識別與檢測分析, 圖6為海洋目標識別與檢測深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)示意圖。

圖6 海洋目標識別的檢測模型

4.2 海洋目標識別和檢測

4.2.1 船舶識別

船舶識別對航運業(yè)的蓬勃發(fā)展起著重要的作用, 傳統(tǒng)的船舶識別方法普遍存在精度低、易受到復(fù)雜海面干擾等問題?；谏疃葘W(xué)習(xí)的船舶識別技術(shù)可以提高其準確性和識別速度, 對于提高海事管理水平具有重要意義。2019年, HE等[52]提出了一種基于單點多盒檢測器SSD深度學(xué)習(xí)的艦船目標識別方法實現(xiàn)了目標特征的自適應(yīng)提取與識別。同年, ZHOU等[53]利用聲納圖像有效地識別了不同深度的目標, 并利用一種基于共享潛在稀疏特征和深度信念網(wǎng)絡(luò)的復(fù)合卷積神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)聲納圖像, 其準確率最高可達93.34%。2020年, HUANG等[54]提出了ship-YOLOv3方法, 該方法可以減少部分卷積操作,增加跳躍連接機制, 從而減少特征冗余使得船舶識別的精度提高了12.5%, 召回率提高了11.5%。2021年, JIN等[55]提出了一種基于改進SSD的船舶遙感圖像目標檢測算法, 通過在淺層特征層中加入特征融合模塊來提高小目標的特征提取能力, 與傳統(tǒng)的SSD等算法相比, 改進后的算法檢測精度更高。2021年, LIU等[56]在改進基于Faster區(qū)域的卷積網(wǎng)絡(luò)(R-CNN)的基礎(chǔ)上, 提出了一種檢測任意方向艦船的方法, 在開放數(shù)據(jù)集和一些大尺度、真實的圖像上進行了測試, 實驗結(jié)果表明該方法具有較好的性能。船舶識別的深度學(xué)習(xí)模型在海上救援、船只出入境監(jiān)控、海外貿(mào)易統(tǒng)計和漁船監(jiān)控等方面起著重要的作用。船舶的識別精度在復(fù)雜場景下易受到影響, 且采用的數(shù)據(jù)集的質(zhì)量、其船舶行為也會影響其識別結(jié)果。

4.2.2 溢油

溢油檢測傳統(tǒng)方法的特征提取和基于像素的分類會受到散斑、以及溢油和相似物相互重疊的影響。而基于深度學(xué)習(xí)的分類方法可以利用空間信息來抑制上述問題, 從而提高分類的精度。2020年, YEKEEN等[57]基于掩膜區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)來進行溢油檢測, 發(fā)現(xiàn)船舶檢測和分割性能較好, 其總體準確率為98.3%。SONG等[58]提出了一種利用CNN多層深度特征提取的海洋溢油識別方法, 該方法可以提高溢油檢測的準確性, 降低誤報率, 有效區(qū)分溢油和生物浮油。張?zhí)忑圼59]使用Faster-RCNN模型, 建立了基于Faster-RCNN的溢油檢測方法, 發(fā)現(xiàn)Faster-RCNN的溢油檢測率、溢油虛警率和樣本識別率分別為73.4%, 27.30%和76.90%。HUANG等[60]采用Faster R-CNN進行單光譜成像的HNS (Hazardous and Noxious Substances, HNS)識別, 發(fā)現(xiàn)365 nm單光譜紫外成像結(jié)合Faster R-CNN對漂浮在水面的透明HNS具有較好的識別能力。金韻[61]基于 YOLOv3溢油識別模型與輪廓提取算法, 實現(xiàn)了溢油的識別和邊緣檢測。在利用深度學(xué)習(xí)模型進行溢油檢測中, 船舶、島嶼等溢油以外的特征會影響溢油的識別, 因此, 還需要進一步解決在復(fù)雜場景中溢油和其相似物的識別和分割問題。

4.2.3 渦旋

傳統(tǒng)的渦旋檢測方法主要基于人工檢測, 對閾值的控制和其檢測結(jié)果不直觀, 在一定程度上影響著檢測的效果, 而基于深度學(xué)習(xí)的渦旋檢測可以很好地解決這些問題。2020年, 張盟等[62]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的多渦旋檢測模型, 用數(shù)據(jù)集SCSE-Eddy進行模型訓(xùn)練和評估, 解決了渦旋檢測的問題。同年, 謝鵬飛等[63]提出EddyYolo模型, 并利用該模型進行中尺度渦的中心和水平尺度的多目標檢測, 發(fā)現(xiàn)其準確率達到94%。通過高質(zhì)量的渦旋數(shù)據(jù)集的建立, 基于深度學(xué)習(xí)的渦旋檢測模型可以較好地實現(xiàn)基于物理特征的中尺度渦檢測。

在海洋目標識別和檢測中, 主要基于卷積神經(jīng)網(wǎng)絡(luò)模型的擴展模型來實現(xiàn), 卷積神經(jīng)網(wǎng)絡(luò)模型在特征提取和分類過程中對圖像的局部特征有著準確的識別能力, 且與其他圖像識別算法相比, 卷積神經(jīng)網(wǎng)絡(luò)模型預(yù)處理時間少, 縮短了學(xué)習(xí)時間, 減少了學(xué)習(xí)參數(shù)的數(shù)據(jù)量, 與傳統(tǒng)檢測模型相比, 性能有很大改善。雖然檢測速度與精度大幅度提高, 但是基于深度學(xué)習(xí)的顯著性目標識別和檢測模型也還存在不足, 如復(fù)雜背景下的顯著性目標識別和檢測性能有待進一步提升, 識別和檢測的實時性有待提高, 模型復(fù)雜度需要降低等, 其中采用的數(shù)據(jù)集的質(zhì)量是提高目標識別和檢測質(zhì)量的重中之重。

5 總結(jié)與展望

深度學(xué)習(xí)算法的本質(zhì)是通過提取訓(xùn)練數(shù)據(jù)中的統(tǒng)計特征來達到內(nèi)在模式的進化。通過建立對信號自底向上的高層語義映射關(guān)系使得網(wǎng)絡(luò)初始化, 然后自頂向下通過監(jiān)督學(xué)習(xí)進行優(yōu)化迭代計算來實現(xiàn)網(wǎng)絡(luò)的整體調(diào)優(yōu), 即分層級的特征提取過程, 其特征提取得越多、越準確。若過分依賴訓(xùn)練數(shù)據(jù), 則會出現(xiàn)過擬合現(xiàn)象; 反之若特征提取得少, 則容易出現(xiàn)欠擬合。

目前深度學(xué)習(xí)在海洋信息探測中的應(yīng)用現(xiàn)狀存在兩個方面的問題: 一是原創(chuàng)性的海洋信息探測深度學(xué)習(xí)算法研究還在初級階段, 急需加快海洋信息探測深度學(xué)習(xí)算法開發(fā), 提升深度學(xué)習(xí)在海洋探測領(lǐng)域使用廣度和深度, 加強海洋信息探測深度學(xué)習(xí)算法創(chuàng)新能力建設(shè)。二是海洋信息探測深度學(xué)習(xí)算法標準很多還沒有制定, 為實現(xiàn)深度學(xué)習(xí)算法服務(wù)由標準化服務(wù)向定制服務(wù)轉(zhuǎn)變, 實現(xiàn)海洋信息探測深度學(xué)習(xí)算法標準化生產(chǎn), 必須加快海洋信息探測深度學(xué)習(xí)算法標準制定和修訂步伐。

針對深度學(xué)習(xí)在海洋信息探測中的應(yīng)用現(xiàn)狀, 我們主要有以下幾點展望:

(1) 堅持目標導(dǎo)向、問題導(dǎo)向和效果導(dǎo)向, 開展海洋信息探測深度學(xué)習(xí)算法創(chuàng)新能力建設(shè)。

(2) 在現(xiàn)有的海洋信息探測深度學(xué)習(xí)算法基礎(chǔ)上, 面對海洋環(huán)境信息大數(shù)據(jù)特征, 建立海洋環(huán)境信息樣本庫和建立適應(yīng)高維度、多尺度、非平穩(wěn)特征的海洋環(huán)境信息神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

(3) 利用海洋信息探測的海量數(shù)據(jù)來訓(xùn)練模型參數(shù), 提高模型的訓(xùn)練速度和訓(xùn)練精度, 有效地結(jié)合傳統(tǒng)方法的優(yōu)點和物理參數(shù)的本身性質(zhì), 并在此基礎(chǔ)上加入其他氣象要素和海洋要素信息來提高深度學(xué)習(xí)的預(yù)測準確度, 挖掘其信息來對其時序關(guān)系和空間特征增加預(yù)測模型的適用性。

(4) 改進在復(fù)雜背景下深度學(xué)習(xí)的顯著性目標識別和檢測方法, 提高實時性, 提高模型的區(qū)域性效果和整體適用性效果, 使得其識別和檢測結(jié)果達到較高的準確度。

(5) 開展海洋信息探測深度學(xué)習(xí)算法技術(shù)標準研究與制定, 探索建立基于深度學(xué)習(xí)的海洋信息探測體系。

(6) 開展深度學(xué)習(xí)在海洋信息探測中的應(yīng)用示范, 服務(wù)海洋工程的實施和生態(tài)效益評價。

[1] 尹寶才, 王文通, 王立春.深度學(xué)習(xí)研究綜述[J]. 北京工業(yè)大學(xué)學(xué)報, 2015, 41(1): 48-59.

YIN Baocai, WANG Wentong, WANG Lichun. Review of deep learning[J]. Journal Of Beijing University of Technology, 2015, 41(1): 48-59.

[2] LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient- based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.

[3] HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.

[4] JONES C, PETERSON P, GAUTIER C, et al. A new me-thod for deriving ocean surface specific humidity and air temperature: an artificial neural network approach[J]. Journal of Applied Meteorology, 1999, 38(8): 1229-1245.

[5] HINTON G E, OSINDERO S, TEH Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2014, 18(7): 1527-1554.

[6] CHO K, MERRI?NBOER V B, GULCEHRE C, et al. Learning phrase representations using RNN encoder- decoder for statistical machine translation[J]. Computer Science, 2014, 1406: 1078.

[7] HUANG A, VEGA-WESTHOFF B, SRIVER R L. Ana-ly-zing El Nio-southern oscillation predictability using long-short-term-memory models[J]. Earth and Space Ence, 2019, 6(2): 212-221.

[8] KIM M, YANG H, KIM J. Sea surface temperature and high water temperature occurrence prediction using a long short-term memory model[J]. Remote Sensing, 2020, 12(21): 3654.

[9] YANG Y T, DONG J Y, SUN X, et al. A CFCC-LSTM model for sea surface temperature prediction[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(2): 207-211.

[10] MOZAFFARI A, SCOTT K A, AZAD N L, et al.A hierarchical selective ensemble randomized neural network hybridized with heuristic feature selection for estimation of sea-ice thickness[J]. Applied Intelligence, 2017, 46(1): 16-33.

[11] NIETO-HIDALGO M, GALLEGO A J, GIL P, et al. Two-stage convolutional neural network for ship and spill detection using SLAR images[J]. IEEE Transactions on Geoscience & Remote Sensing, 2018, 56(9): 5217-5230.

[12] WANG Z, Y ZHOU, WANG F, et al. SDGH-Net: Ship detection in optical remote sensing images based on gaussian teatmap regression[J]. Remote Sensing, 2021, 13(3): 499.

[13] SHI J W, JIANG Z G, ZHANG H P. Few-shot ship classification in optical remote sensing images using nearest neighbor prototype representation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 3581-3590.

[14] WANG B, SHAO Q, SONG D, et al. A spectral-spatial features integrated network for hyperspectral detection of marine oil spill[J]. Remote Sensing, 2021, 13(8): 1568.

[15] ZHANG J, FENG H, LUO Q, et al. Oil spill detection in quad-polarimetric SAR images using an advanced convolutional neural network based on superpixel model[J]. Remote Sensing, 2020, 12(6): 944.

[16] GEORGE T M, MANUCHARYAN G E, THOMPSON A F. Deep learning to infer eddy heat fluxes from sea surface height patterns of mesoscale turbulence[J]. Nature Communications, 2021, 12(1): 800.

[17] 石志國, 楊志勇.深度學(xué)習(xí)降維過程中的信息損失度量研究[J]. 小型微型計算機系統(tǒng), 2017, 38(7): 1590- 1594.

SHI Zhiguo, YANG Zhiyong. Research on the measurement of information loss in the dimension reduction of deep learning[J]. Journal of Chinese Computer Systems, 2017, 38(7): 1590-1594.

[18] 喬風娟, 郭紅利, 李偉, 等. 基于SVM的深度學(xué)習(xí)分類研究綜述[J]. 齊魯工業(yè)大學(xué)學(xué)報, 2018, 32(5): 39-44.

QIAO Fengjuan, GUO Hongli, LI Wei, et al. Research on deep learning classification based on SVM: A Review[J]. Journal of Qilu University of Technology, 2018, 32(5): 39-44.

[19] KE B, ZHENG H, CHEN L, et al. Multi-object tracking by joint detection and identification learning[J]. Neural Processing Letters, 2019, 50(1): 283-296.

[20] KONG B, WANG X, BAI J, et al. Learning tree-structured representation for 3D coronary artery segmentation[J]. Computerized Medical Imaging and Graphics, 2019, 80: 101688.

[21] ELISA G G, JOAN G S. Prediction of sea surface temperatures in the western mediterranean sea by neural networks using satellite observations[J]. Geophysical Research Letters, 2007, 34(11): L11603.

[22] QIN Z, HUI W, DONG J, et al. Prediction of sea surface temperature using long short-term memory[J]. IEEE Geoence and Remote Sensing Letters, 2017, 14(10): 1745-1749.

[23] JIANG Y, GOU Y, ZHANG T, et al. A machine learning approach to argo data.analysis in a thermocline[J]. Sen-sors, 2017, 17(10): 2225.

[24] BRONIBEDAIKO C, KATSRIKU F, UNEMI T, et al. El Ni?o-southern oscillation forecasting using complex networks analysis of LSTM neural networks[J]. Artificial Life and Robotics, 2019, 24(4): 445-451.

[25] XIAO C, CHEN N, HU C, et al.A spatiotemporal deep learning model for sea surface temperature field prediction using time-series satellite data[J]. Environmental Modelling & Software, 2019, 120: 104502.

[26] ZHANG K, GENG X, YAN X H. Prediction of 3-D ocean temperature by multilayer convolutional LSTM[J]. IEEE Geoence and Remote Sensing Letters, 2020, 17(8): 1303-1307.

[27] XU L Y, LI Y F, YU J, et al. Prediction of sea surface temperature using a multiscale deep combination neural network[J]. Remote Sensing Letters, 2020, 11(7): 611- 619.

[28] WEI L, GUAN L, QU L, et al. Prediction of sea surface temperature in the China seas based on long short-term memory neural networks[J]. Remote Sensing, 2020, 12(17): 2697.

[29] SONG T, WANG Z, XIE P, et al. A novel dual path gated recurrent unit model for sea surface salinity prediction[J]. Journal of Atmospheric and Oceanic Technology, 2019, 37(2): 317-325.

[30] MEDINA-LOPEZ E, UREA-FUENTES L. High-resolution sea surface temperature and salinity in the global ocean from raw satellite data[J]. Remote Sensing, 2019, 11(19): 2191.

[31] RAJABI-KIASARI S, HASANLOU M. An efficient model for the prediction of SMAP sea surface salinity using machine learning approaches in the Persian Gulf[J]. International Journal of Remote Sensing, 2020, 41(8): 3221-3242.

[32] 王國松, 王喜冬, 侯敏, 等. 基于觀測和再分析數(shù)據(jù)的LSTM深度神經(jīng)網(wǎng)絡(luò)沿海風速預(yù)報應(yīng)用研究[J]. 海洋學(xué)報, 2020, 42(1): 67-77.

WANG Guosong, WANG Xidong, HOU Min, et al. Research on application of LSTM deep neural network on historical observation data and reanalysis data for sea surface wind speed forecasting[J]. Haiyang Xuebao, 2020, 42(1): 67-77.

[33] 李蓉蓉, 戴永. 基于LSTM和時間序列分析法的短期風速預(yù)測[J].計算機仿真, 2020, 37(3): 393-398.

LI Rongrong, DAI Yong. Short-term wind speed prediction based on short and longtime memory network and time series analysis method[J]. Computer Integrated Manufacturing Systems, 2020, 37(3): 393-398.

[34] PANDIT R K, KOLIOS A J, INFIELD D.Data-Driven weather forecasting models performance comparison for improving offshore wind turbine availability and maintenance[J]. IET Renewable Power Generation, 2020, 14(13): 2386-2394.

[35] WEI C C. Development of stacked long short-term me-mory neural networks with numerical solutions for wind velocity predictions[J]. Advances in Meteorology, 2020, 2: 1-18.

[36] LIAN J, DONG P P, ZHANG Y P, et al. A novel deep learning approach for tropical cyclone track prediction based on auto-encoder and gated recurrent unit networks[J]. Applied Sciences, 2020, 10(11): 3965.

[37] LI S, HUANG L L, LIU Y, et al. Modeling of ultra- short term offshore wind power prediction based on condition-assessment of wind turbines[J]. Energies, 2021, 14(4): 891.

[38] 朱曉雯, 侯宇, 劉玉海, 等. 深度學(xué)習(xí)方法在海浪有效波高數(shù)據(jù)高分辨率處理中的應(yīng)用[J]. 中國海洋大學(xué)學(xué)報(自然科學(xué)版), 2020, 50(11): 22-29.

ZHU Xiaowen, HOU Yu, LIU Yuhai, et al. Application of deep learning method in high resolution processing of significant wave height[J]. Periodical of Ocean University of China, 2020, 50(11): 22-29.

[39] WANG J C, WANG Y, YANG J G. Forecasting of significant wave height based on gated recurrent unitn-Network in the Taiwan Strait and its adjacent waters[J]. Water, 2021, 13(1): 86.

[40] PETROU Z I, TIAN Y. Prediction of sea ice motion with convolutional long short-term memory networks[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(9): 6865-6875.

[41] 焦艷, 黃菲, 高松, 等. 基于長短時記憶神經(jīng)網(wǎng)絡(luò)的遼東灣海冰延伸期預(yù)報方法研究[J]. 中國海洋大學(xué)學(xué)報(自然科學(xué)版), 2020, 50(6): 1-11.

JIAO Yan, HUANG Fei, GAO Song, et al. Research on extended-range forecast model of sea ice in the Liadong Bay based on long short term memory network[J]. Periodical of Ocean University of China, 2020, 50(6): 1-11.

[42] LIU Q, ZHANG R, WANG Y, et al. Daily prediction of the Arctic Sea ice concentration using reanalysis data based on a convolutional LSTM network[J]. Journal of Marine Science and Engineering, 2021, 9(3): 330.

[43] 張財廣, 熊博蒞, 匡綱要.光學(xué)衛(wèi)星遙感圖像艦船目標檢測綜述[J]. 電波科學(xué)學(xué)報, 2020, 35(5): 637-647.

ZHANG Caiguang, XIONG Boli, KUANG Gangyao. A survey of ship detection in optical satellite remote sensing images[J]. Chinese Journal of Radio Science, 2020, 35(5): 637-647.

[44] 李開端, 趙友庚, 蔣定定, 等.利用小波變換進行海上目標識別研究[J]. 光學(xué)技術(shù), 2003, 2: 153-155.

LI Kaiduan, ZHAO Yougeng, JIANG Dingding, et al. Sea target recognition by wavelet transform[J]. Optical Technique, 2003, 2: 153-155.

[45] GIRSHICK R, DONAHUE J, DARRELL T, et al.Rich feature hierarchies for accurate object detection and semantic segmentation[C]// Proceedings of 2014 IEEE Conference on Computer Vision and Pattern Recognition. Columbus: OH, 2014: 580-587.

[46] GIRSHICK R. Fast R-CNN[C]// Proceedings of 2015 IEEE international conference on computer vision. San-tiago: CHILE, 2015: 1440-1448.

[47] REN S, HE K, GIRSHICK R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2017, 39(6): 1137-1149.

[48] DAI J F, LI Y, HE K M, et al. R-FCN: Object detection via region-based fully convolutional networks[C]// Pro-ceedings of the 30th international conference on neural information processing systems. Barcelona: Curran Associates Inc, 2016: 379-387.

[49] REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: Unified, real-time object detection[J]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR), IEEE, 2016: 779-788.

[50] REDMON J FARHADI A. YOLO9000: better, faster, stronger[C]//Proceedings of 30th IEEE conference on computer vision and pattern recognition, Honolulu: 30th IEEE conference on computer vision and pattern recognition (CVPR 2017), 2017: 7263-7271.

[51] LIU W, ANGUELOV D, ERHAN D, et al. SSD: Single shot multibox detector[J]. EOCV 2016: Computer Vision, 2016: 21-37.

[52] HE W, XIE S, LIU X, et al. A novel image recognition algorithm of target identification for unmanned surface vehicles based on deep learning[J]. Journal of Intelligent and Fuzzy Systems, 2019, 37(4): 4437-4447.

[53] ZHOU X Y, YANG K D, DUAN R. Deep learning based on striation images for underwater and surface target classification[J]. IEEE Signal Processing Letters, 2019, 26(9): 1378-1382.

[54] HUANG H, SUN D, WANG R, et al. Ship target detection based on improved YOLO network[J]. Mathematical Problems in Engineering, 2020: 1-10.

[55] JIN L, LIU G D. An approach on image processing of deep learning based on improved SSD[J]. Symmetry- Basel, 2021, 13(3): 495.

[56] LIU Q W, XIANG X Q, YANG Z, et al. Arbitrary direction ship detection in remote-sensing images based on multitask learning and multiregion feature fusion[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(2): 1553-1564.

[57] YEKEEN S T, BALOGUN A L, YUSOF K B W. A novel deep learning instance segmentation model for automated marine oil spill detection[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 167: 190-200.

[58] SONG D, ZHEN Z, WANG B, et al. A novel marine oil spillage identification scheme based on convolution neural network feature extraction from fully polarimetric SAR imagery[J]. IEEE Access, 2020, 8: 59801- 59820.

[59] 張?zhí)忑? 基于深度學(xué)習(xí)和決策層信息融合的SAR圖像溢油檢測研究[D]. 北京: 中國科學(xué)院大學(xué), 2020.

ZHANG Tianlong. Study on oil spill detection in SAR images based on deep learning and decision level information fusion[D]. Beijing: University of Chinese Academy of Sciences, 2020.

[60] HUANG H, WANG C, LIU S C, et al. Single spectral imagery and faster R-CNN to identify hazardous and noxious substances spills[J]. Environmental Pollution, 2020, 258: 113688.

[61] 金韻. 基于深度學(xué)習(xí)的港口溢油識別與定位系統(tǒng)開發(fā)[D].舟山: 浙江海洋大學(xué), 2020: 15-38.

JIN Yun. Development of port oil spill identification and location system based on deep learning[D]. Zhoushan: Zhejiang Ocean University, 2020: 15-38.

[62] 張盟, 楊玉婷, 孫鑫, 等.基于深度卷積網(wǎng)絡(luò)的海洋渦旋檢測模型[J]. 南京航空航天大學(xué)學(xué)報, 2020, 52(5): 708-713.

ZHANG Meng, YANG Yuting, SUN Xin, et al. Ocean eddy detection model based on deep convolution neural network[J]. Journal of Nanjing University of Aeronautics & Astronautics, 2020, 52(5): 708-713.

[63] 謝鵬飛, 宋弢, 徐丹亞, 等.基于深度學(xué)習(xí)的中尺度渦檢測技術(shù)及其在聲場中的應(yīng)用[J]. 海洋信息, 2020, 35(1): 18-26.

XIE Pengfei, SONG Tao, XU Danya, et al. Mesoscale eddy detection technology based on deep learning and its application in acoustic field[J]. Marine Information, 2020, 35(1): 18-26.

Research progress in the application of deep learning to ocean information detection: status and prospect

ZHANG Xue-wei1, HAN Zhen1, 2, GUO Xin1

(1. College of Marine Sciences, Shanghai Ocean University, Shanghai 201306, China; 2. Shanghai Engineering Research Center of Estuarine and Oceanographic Mapping, Shanghai 201306, China)

Deep learning can enable machines to understand the learning data through deep neural networks to improve the data classification effect and the accuracy of prediction results. Therefore, its application in ocean information detection has received more attention. Based on the basic principles of deep learning, this paper describes a deep learning neural network model commonly used in the ocean. Marine environmental information factors such as temperature, salinity, wind field, effective wave height, and sea ice are predicted and analyzed with ocean information detection elements. At the same time, marine target identification and detection are carried out for ships, oil spills, and eddies. Finally, the status of deep learning in ocean information exploration is discussed, and problems faced by the development of deep learning in ocean information exploration are summarized.

deep learning; ocean information exploration; neural network; prediction; identify testing

Jul. 16, 2021

P71

A

1000-3096(2022)02-0145-11

10.11759/hykx20210716002

2021-07-16:

2021-08-08

上海市科委科研計劃項目(18DZ2253900); 教育部產(chǎn)學(xué)合作協(xié)同育人項目(202102245031)

[Scientific Research Program of Shanghai Science and Techno-lo-gy Commission, No. 18DZ2253900; University-Industry Colaborative Education Program Initiated by the Ministry of Education, No. 202102245031]

張雪薇(1992—), 女, 江蘇江陰人, 博士研究生, 主要從事海洋遙感方面研究, E-mail: 546682382@qq.com; 韓震(1969—),通信作者, E-mail: zhhan@shou.edu.cn

(本文編輯: 譚雪靜)