1.本发明涉及海洋涡旋叶绿素环识别领域，特别是涉及一种基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法。
背景技术：
2.海洋涡旋是一种普遍存在的海洋特征，在全球能源和物质运输中发挥着至关重要的作用，已有相关研究表明，中尺度涡旋的动能占全球海洋总动能的80%，涡旋引起的海水运动速度是海洋平均流速的几倍甚至数十倍。无处不在的高能量、强穿透性的海洋涡旋对海洋环流、全球气候变化、海洋生物化学过程和海洋环境变迁中都起着非常大的作用。海洋中的叶绿素是浮游植物和初级生产力的重要表征，对指示海洋生态系统及其变化发挥着重要的作用。中尺度涡旋边缘的亚中尺度过程会产生垂向输运，这会将海洋底层丰富的营养物质输送至海洋表层，浮游植物借此进行光合作用并因此使得涡旋边缘的叶绿素浓度升高，进而产生“叶绿素环状结构”。对叶绿素环的研究将有助于了解和掌握海洋浮游植物和营养盐的分布和变化特征，为渔业生产和远洋捕捞提供科学指导。
3.现有叶绿素环识别主要根据叶绿素环状结构的特征进行识别，然而该方法存在时间成本消耗高以及准确率低的问题。
技术实现要素：
4.针对现有技术中的上述不足，本发明提供的基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法解决了现有叶绿素环识别方法消耗时间成本高以及识别准确率低的问题。
5.为了达到上述发明目的，本发明采用的技术方案为：一种基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法，包括以下步骤：s1：获取叶绿素浓度数据和海洋涡旋数据并进行数据匹配，从中识别出叶绿素环结构和非叶绿素环结构，并将叶绿素浓度与海洋涡旋匹配数据以海洋涡旋中心为中心，划分多个网格体数据；s2：基于划分一定数量的网格体数据，对叶绿素环结构和非叶绿素环结构数据进行左右翻转和上下翻转，获得扩充的叶绿素环训练集样本，并匹配相同数量的非叶绿素环训练集样本，同时获得扩充的叶绿素浓度与海洋涡旋匹配数据并作为验证集样本；s3：将叶绿素环训练集样本和非叶绿素环训练集样本输入卷积神经网络中进行模型训练；s4：将验证集样本输入训练好的模型中，获得基于卷积神经网络识别出的叶绿素环和非叶绿素环，完成海洋涡旋边缘叶绿素环的识别。
6.上述方案的有益效果是：本发明通过将卷积神经网络运用到叶绿素环的识别问题中，该方法可以准确高效地识别出叶绿素环，解决了现有叶绿素环识别方法消耗时间成本高以及识别准确率低的问题。
7.进一步地，s2中验证集样本标记有对应叶绿素环的经纬度信息和极性信息。
8.上述进一步方案的有益效果是：通过对样本数据标记对应叶绿素环的经纬度和极性信息，在识别完成后同时能够获取相应的地理位置信息。
9.进一步地，s3中模型训练包括以下分步骤：s3-1：将叶绿素环训练集样本和非叶绿素环训练集样本经卷积神经网络的输入层后，依次进入第一cnn子模块、第二cnn子模块和第三cnn子模块进行数据处理；s3-2：将处理后的数据输入至卷积神经网络的全连接层；s3-3：将经全连接层后的数据输入至卷积神经网络的softmax层进行回归分类；s3-4：将经softmax层的数据输入至卷积神经网络的分类层进行分类输出，完成模型训练。
10.上述进一步方案的有益效果是：通过上述技术方案，将样本输入至卷积神经网络中的输入层、第一cnn子模块、第二cnn子模块、第三cnn子模块、全连接层、softmax层、分类层以及输出层，完成模型的训练。
11.进一步地，s3-1中数据处理包括：利用卷积层进行卷积处理、提取样本特征、利用批标准化层提高卷积神经网络模型的训练速度、利用relu激活层增加卷积神经网络模型的非线性以及利用最大池化层对卷积神经网络模型进行降维处理。
12.上述进一步方案的有益效果是：通过对样本数据进行上述处理，从而获得高效且准确度较高的网络模型。
13.进一步地，提取样本特征公式为：其中，表示输出的第层中第个特征图，表示激活函数，表示特征图，表示第层中第个特征图的第个元素，表示第层中第个特征图与第层中第个特征图相连的卷积核的第个元素，表示第层中第个特征图对应的偏置值，表示卷积核包含的元素数量。
14.上述进一步方案的有益效果是：通过上述公式，利用卷积层通过卷积操作提取输入图像的不同特征，底层卷积层提取低级图像特征，如边缘、线条、角落等，更高级卷积层则提取更高级的特征。
15.进一步地，s3-2中全连接层公式为：其中，表示下一层第个神经元的值，表示当前层第个神经元与下一层第个神经元之间的权重，表示当前层第个神经元的值，表示下一层第个神经元的偏置值，表示当前层神经元的个数。
16.上述进一步方案的有益效果是：通过上述公式，通过全连接层将每个神经元与前一层的所有神经元进行全连接，将学到的不同属性特征展开为一维向量，综合考虑不同属
性特征对目标任务的影响。
附图说明
17.图1为一种基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法流程图。
18.图2为卷积神经网络结构示意图。
19.其中：1、第一cnn子模块；2、第二cnn子模块；3、第三cnn子模块。
具体实施方式
20.下面结合附图和具体实施例对本发明做进一步说明。
21.如图1所示，一种基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法，包括以下步骤：s1：获取叶绿素浓度数据和海洋涡旋数据并进行数据匹配，从中识别出叶绿素环结构和非叶绿素环结构，并将叶绿素浓度与海洋涡旋匹配数据以海洋涡旋中心为中心，划分多个网格体数据；s2：基于划分一定数量的网格体数据，对叶绿素环结构和非叶绿素环结构数据进行左右翻转和上下翻转，获得扩充的叶绿素环训练集样本，并匹配相同数量的非叶绿素环训练集样本，同时获得扩充的叶绿素浓度与海洋涡旋匹配数据并作为验证集样本；s3：将叶绿素环训练集样本和非叶绿素环训练集样本输入卷积神经网络中进行模型训练；s4：将验证集样本输入训练好的模型中，获得基于卷积神经网络识别出的叶绿素环和非叶绿素环，完成海洋涡旋边缘叶绿素环的识别。
22.s2中验证集样本标记有对应叶绿素环的经纬度信息和极性信息。
23.在本发明的一个实施例中，s3中卷积神经网络结构如图2所示，该网络结构包括1个输入层子模块、3个cnn子模块和1个全连接输出层子模块，cnn子模块包括卷积层、批标准化层、relu激活层和最大池化层，卷积层通过卷积操作提取输入图像的不同特征，底层卷积层提取低级图像特征如边缘、线条、角落，更高层卷积层则提取更高级的特征；批标准化层用于提高训练速度，能让损失函数更平滑，更有利于梯度下降，不会出现梯度过大或过小；relu激活层用于减少梯度消失现象，若输入大于0，则输出与输入相等，否则输出为0；池化层通过减少卷积层间的连接数量，即通过池化操作使神经元数量减少，降低了网络模型的计算量，旨在通过降低特征面的分辨率来获得具有空间不变形的特征，对数据进行降维处理，减少计算量以提高效率。全连接输出层子模块包括全连接层、softmax层、分类层和输出层，softmax层采用softmax逻辑回归进行分类。本实施例中，输入层大小为101*101，输入数据经输入层处理后获得一个四维数据（数据量*101*101*通道数），卷积层大小为14*14，最大池化层大小为2*2。
24.s3中模型训练包括以下分步骤：s3-1：将叶绿素环训练集样本和非叶绿素环训练集样本经卷积神经网络的输入层后，依次进入第一cnn子模块1、第二cnn子模块2和第三cnn子模块3进行数据处理；s3-2：将处理后的数据输入至卷积神经网络的全连接层；s3-3：将经全连接层后的数据输入至卷积神经网络的softmax层进行回归分类；
s3-4：将经softmax层的数据输入至卷积神经网络的分类层进行分类输出，完成模型训练。
25.s3-1中数据处理包括：利用卷积层进行卷积处理、提取样本特征、利用批标准化层提高卷积神经网络模型的训练速度、利用relu激活层增加卷积神经网络模型的非线性以及利用最大池化层对卷积神经网络模型进行降维处理。
26.提取样本特征公式为：其中，表示输出的第层中第个特征图，表示激活函数，表示特征图，表示第层中第个特征图的第个元素，表示第层中第个特征图与第层中第个特征图相连的卷积核的第个元素，表示第层中第个特征图对应的偏置值，表示卷积核包含的元素数量。
27.s3-2中全连接层公式为：其中，表示下一层第个神经元的值，表示当前层第个神经元与下一层第个神经元之间的权重，表示当前层第个神经元的值，表示下一层第个神经元的偏置值，表示当前层神经元的个数。
28.在本发明的一个实施例中，首先，将1997-2019年叶绿素浓度数据与海洋涡旋数据进行匹配，从中识别出叶绿素环和非叶绿素环结构。将涡旋与叶绿素浓度匹配数据以涡旋的中心为中心，单独划分101网格*101网格的网格体数据。其次，将1997-2019年的左右叶绿素环数据作为训练数据，为了扩大训练样本，对叶绿素环数据进行左右、上下翻转处理，最终获得13584个叶绿素环的训练集样本，并匹配相当数量的非叶绿素环数据作为非叶绿素环样本。同时以2005年所有涡旋与叶绿素浓度匹配数据为验证集样本（共37287个样本）。除了叶绿素浓度数据外，样本中还标记了对应叶绿素环的经纬度以及极性的信息，在识别完后也能获取相应的地理位置信息。最后，将输入样本输入至模型中训练，将验证数据集应用于训练好的模型中得到2005年基于卷积神经网络识别出的叶绿素环。结果发现模型从1895个人工挑选的叶绿素环验证集中识别出1808个叶绿素环，识别精度达到95.41%；同时以将人工漏检的7959个叶绿素环识别出来，本方案大大提高了叶绿素环的识别数量，能够节省人工挑选叶绿素环的时间成本，并且能够更完整地刻画叶绿素环在海表的分布情况。
29.本发明通过利用卷积神经网络识别由海洋涡旋边缘的的叶绿素环状结构，该方法可以准确、高效地识别出叶绿素环，进而可以更好地了解叶绿素环的分布情况，并为渔业生产和远洋捕捞提供一定的科学指导。
30.本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各
种具体变形和组合，这些变形和组合仍然在发明的保护范围内。