融合深度学习的自动化海洋锋精细识别

传统的海洋锋识别方法依赖于梯度阈值,其将梯度值大于设定阈值的海域视为存在海洋锋,但梯度阈值法存在阈值依赖人为设定且标准不统一,以及复杂多样的海洋锋无法用单一阈值进行准确识别的问题。为此,提出一种融合深度学习的自适应梯度阈值判别方法。对海温梯度图进行标注,通过Mask R-CNN训练得到海洋锋像素级识别模型,统计每一类锋特有的梯度值分布作为该类锋的基准梯度阈值,并基于该阈值对像素级的锋面识别结果做精细化调整,对锋面识别结果精度进行量化,以提高自适应锋面调整过程的可靠性。实验结果表明,与传统梯度阈值法及单一的深度学习结果相比,该方法可以实现精细的海洋锋识别,且具有良好的独立性和完整性。