本发明涉及卫星波谱数据的自动分析和处理领域，更具体的说是涉及一种基于物理先验知识的卫星海浪二维谱分割方法。
背景技术：
1、海洋波谱的分析对于理解和预测海洋动力学至关重要，特别是在海上航行安全和波能利用等领域。传统上，海浪谱的分析依赖于经验方法和物理模型，这些方法在处理复杂和动态变化的海洋环境时存在局限性。特别是在高频数据和多源波浪系统的情境下，传统方法难以提供快速且准确的分析。随着遥感技术的发展，尤其是中法海洋卫星(cfosat)的投入使用，获得了前所未有的海洋波谱数据。cfosat搭载的先进设备，如扇形波束扫描微波散射计和海浪波谱仪，为海洋波谱的研究提供了丰富的数据资源。然而，这些数据的高复杂性和巨大体量带来了新的挑战，尤其是在波谱的自动分割和特征提取方面。
2、现有的波谱分割方法，如一维谱和二维谱分割技术，虽然为海浪系统的分类提供了基础，但它们依赖于人为设定的参数和阈值，缺乏足够的灵活性和适应性，以cfosat自带的swim分割产品(基于分水岭方法)为例，会出现360°波向的无意义分割以及过度分割等情况。此外，这些方法在处理复杂海洋环境时的准确性和泛化能力受限。
3、因此，存在一种迫切的需求，即开发一种新的方法，能够有效地处理和分析卫星波谱数据，同时克服现有技术的限制。特别是一种能够自动、准确地分割波谱数据，并结合深度学习和物理先验知识以提高分析的准确性和鲁棒性的方法。
技术实现思路
1、有鉴于此，本发明提供了一种基于物理先验知识的卫星海浪二维谱分割方法，该方法采用先进的深度学习技术，结合物理先验知识，用于精确分割和分析卫星波谱数据，特别是针对复杂的海洋环境。
2、为了实现上述目的，本发明采用如下技术方案：
3、一种基于物理先验知识的卫星海浪二维谱分割方法，包括以下步骤：
4、将预处理后的二维谱数据进行数据增强；
5、将预处理后的二维谱数据与数据增强的谱数据输入到机器学习模型中进行对比训练；
6、将经过对比训练的机器学习模型以cfosat自带的基于分水岭算法的粗略分割结果作为软标签并加入物理先验的损失函数指导模型进行二维谱分割任务；
7、根据分割结果提取波系特征，将其输入参数方程进行谱重构；
8、将重构谱与原始二维谱进行对比，以此来评价分割效果，并将评价结果返回模型，从而进一步优化分割模型。
9、可选的，机器学习模型包含vision transformer模型和生成对抗网络模型，vision transformer模型用于初步特征提取和波谱分割；生成对抗网络模型包括一个生成器和一个基于波谱重构模型的判别器，用于对vit模型的输出进行进一步优化和重建。
10、可选的，判别器接收来自生成器的分割结果和原始的二维波浪谱数据，并利用该数据重建理论频谱。
11、可选的，判别器使用参数化模型结合jonswap频谱和cos2s方向分布函数对分割结果进行重建。
12、可选的，判别器包括一个卷积网络，用于比较原始谱图和重建谱图，并输出损失评分，以评估生成器输出的质量和真实性。
13、可选的，对方向谱数据进行预处理包括数据增强，数据增强包括谱旋转、全局和局部噪声添加。
14、可选的，数据增强的对比训练模型通过nt-xent损失来训练，损失函数的公式如下；
15、
16、式中，xi和xj是一个正样本对；f(x)是一个深度神经网络，将原始数据空间映射到特征空间；sim(a,b)定义特征空间中两个向量的相似度，τ是一个温度参数，用于控制样本对之间相似度的缩放程度，进而影响分配给不同样本对的权重；n是在一个mini-batch中样本的总数量，1[k≠i]是一个指示函数，当k≠i时取值为1，否则为0。
17、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于物理先验知识的卫星海浪二维谱分割方法，具有以下有益效果：
18、1.本发明通过结合vit和生成对抗网络(gan)，本发明能够提供比传统方法更精确的波谱分析和分割。特别是在处理复杂的海洋环境数据时，这种方法展现出更高的准确性和效率。
19、2.本发明利用数据增强和对比学习预训练策略，本发明的vit模型能够在面对噪声和数据变化时展现出更强的鲁棒性。这使得模型在实际应用中更为可靠。
20、3.本发明通过将物理先验知识融入学习过程，本发明提高了模型的物理可解释性，确保了分析结果符合实际海洋波浪的物理特性。
1.一种基于物理先验知识的卫星海浪二维谱分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于物理先验知识的卫星海浪二维谱分割方法，其特征在于，机器学习模型包含vision transformer模型和生成对抗网络模型，visiontransformer模型用于初步特征提取和波谱分割；生成对抗网络模型包括一个生成器和一个基于波谱重构模型的判别器，用于对vit模型的输出进行进一步优化和重建。
3.根据权利要求2所述的一种基于物理先验知识的卫星海浪二维谱分割方法，其特征在于，判别器接收来自生成器的分割结果和原始的二维波浪谱数据，并利用该数据重建理论频谱。
4.根据权利要求2所述的一种基于物理先验知识的卫星海浪二维谱分割方法，其特征在于，判别器使用参数化模型结合jonswap频谱和cos2s方向分布函数对分割结果进行重建。
5.根据权利要求2所述的一种基于物理先验知识的卫星海浪二维谱分割方法，其特征在于，判别器包括一个卷积网络，用于比较原始谱图和重建谱图，并输出损失评分，以评估生成器输出的质量和真实性。
6.根据权利要求1所述的一种基于物理先验知识的卫星海浪二维谱分割方法，其特征在于，对方向谱数据进行预处理包括数据增强，数据增强包括全局和局部噪声添加。
7.根据权利要求1所述的一种基于物理先验知识的卫星海浪二维谱分割方法，其特征在于，数据增强的对比训练模型通过nt-xent损失来训练，损失函数的公式如下；
