本发明属于海洋中尺度涡识别，尤其涉及基于注意力机制的中尺度涡识别和特征分析方法及系统。
背景技术：
1、中尺度涡是一种海洋中普遍存在的中尺度过程，它作为一个独立封闭的水团在海洋表层会引起高度变化，与周围海水温盐流结构存在显著差异。中尺度涡特殊的温、盐结构及流场变化导致了水下声场和水面舰船尾迹的变化，因此实现海洋中尺度涡识别有助于研究海洋气候变化，同时还能有效对水面舰船目标特征探测和潜艇声纳探测具有重要研究意义。
2、目前主要基于卫星高度计数据进行涡旋识别，卫星高度计可以提供全球海表面高度和海洋环流数据，但卫星高度计不能提供高分辨率的识别数据，不能满足对小涡旋识别的需求。因此需要高分辨率识别数据进行涡旋识别。同时，现有的智能识别算法由于缺乏实测数据集作为训练，普遍使用基于物理识别方法识别的结果作为训练集来训练神经网络模型，而物理识别方法本身存在不足，使得训练得到的智能识别模型精度不高，无法实现中尺度涡的精准识别。因此需要准确的中尺度涡数据集来训练智能识别模型。
3、当前，已有发明专利《一种基于多任务学习的中尺度涡识别方法及系统》（公开号cn116895023a，公开日2023.10.17）通过中尺度涡语义分割和中尺度涡轮廓检测的多任务学习来实现中尺度涡智能识别，但该方法只能识别大尺度涡旋，没有对原始中尺度涡数据集进行优化，识别精度有限。
4、已有发明专利《一种基于深度学习的海洋中尺度涡检测方法》（公开号cn113592786b，公开日2023.12.05）通过u-net神经网络和注意力机制进行中尺度涡智能识别，但该方法没有对原始中尺度涡数据集进行优化，同时使用的海洋环境数据是开源数据，数据分辨率有限。
5、已有发明专利《基于深度学习和多源遥感数据的海洋异常中尺度涡识别方法》（公开号cn112102325b，公开日2021.11.09）通过改进u-net图像分割模型基于ssh和sst信息的融合特征数据进行中尺度涡特征识别，但该方法没有使用注意力机制对模型进行优化，同时识别结果没有进行特征分析，没有对识别结果进行充分利用和分析。
6、通过上述分析，现有技术存在的问题及缺陷为：在当前的中尺度涡识别研究中，已有通过深度学习的方法进行中尺度涡智能识别的相关研究，但多数研究重点放在模型本身的优化，模型训练所使用的海洋环境数据和中尺度涡数据集分别来自开源数据和物理识别方法得到的中尺度涡数据。一方面开源的海洋环境数据分辨率有限，无法满足小涡旋识别的需求，另一方面物理识别方法得到的中尺度涡数据精度有限，使得训练集本身就不能较好反映中尺度涡分布特征，造成基于智能识别模型识别的中尺度涡结果精度较低。
技术实现思路
1、为克服相关技术中存在的问题，本发明公开实施例提供了基于注意力机制的中尺度涡识别和特征分析方法及系统。
2、所述技术方案如下：基于注意力机制的中尺度涡识别和特征分析方法，包括：
3、s1，海洋环境数据集构建：基于roms海流模式计算方案及参数化方案，进行目标海域流场和海表面高度模拟，完成基于roms海流模式的高分辨率海洋环境数据构建；基于vg物理识别方法得到目标海域的中尺度涡样本集，将样本集与avsio数据集中的中尺度涡数据进行优化处理，与专家标记数据对比，选取准确率最高的参数化方案，得到高精度的中尺度涡样本集，完成基于vg物理识别方法和avsio数据集中的中尺度涡数据集构建；
4、s2，中尺度涡智能识别：基于注意力机制的改进danet模型构建中尺度涡智能识别模型，利用获取的高分辨率的海洋环境数据以及中尺度涡样本集对所述中尺度涡智能识别模型进行训练以及中尺度涡识别，使用损失函数、准确率评价指标对所述中尺度涡智能识别模型的精度进行验证；
5、s3，利用识别的中尺度涡结果进行后处理，计算涡旋半径、涡旋振幅、生命周期、涡旋数量、涡旋移动轨迹、移动速度、移动距离中尺度涡的时空统计特征，并进行可视化，同时基于中尺度涡的时空统计特征获取目标海域中尺度涡年际及月际变化特征。
6、在步骤s1中，所述基于roms海流模式计算方案，包括：基于roms海流模式建立目标海域的海流模拟模型，基于开源数据中提供的风场、地形数据制作网格文件、边界场、初始场、强迫场，求解偏微分方程以获取目标海域的海流和海表面高度信息；偏微分方程包括：连续方程、动量方程、热力学方程和生物过程方程，在roms中，海洋被划分为一系列网格单元，每个网格单元代表海洋的一个部分，每个网格单元的温度、盐度、流速物理属性被计算出来，并通过与周围网格的相互作用模拟海洋的流动和变化，通过已知的有限的离散数据，求解四维空间的连续数据。
7、在步骤s1中，所述高分辨率海洋环境数据基于多种参数化方案，利用vg物理识别方法得到目标海域的中尺度涡样本集，将样本集与avsio数据集中的中尺度涡数据进行优化处理，具体包括：
8、基于vg物理识别方法针对目标海域所使用的对应分辨率海洋环境数据，设置a、b两个参数的多组实验，将结果与专家标记数据的中尺度涡结果进行对比，采用sdr和edr两个指标来判断不同实验的结果，选取最优的参数化方案进行目标海域中尺度涡数据集构建，表达式为：
9、；
10、；
11、式中，为准确率，为错误率，为基于vg方法检测到的涡旋与真实结果重合的数量，为真实存在的涡旋数量，为基于vg方法检测到的涡旋数量与真实涡旋总数的差值。
12、在步骤s1中，所述得到高精度的中尺度涡样本集，包括：
13、基于专家标记数据的中尺度涡识别结果和设置的多组参数化实验结果，根据sdr和edr两个指标选取其中最优的参数化方案，以识别结果为基础，avsio数据集中的中尺度涡为参考，两者取交集并排除振幅小的涡旋，依次对目标海域该时间段内的中尺度涡识别结果进行筛选，具体筛选过程包括：
14、相同时间和地点下vg物理识别方法识别出来的涡旋和avsio数据集中的涡旋同时存在时，该涡旋为真实涡旋；相反，相同时间和地点下如果vg物理识别方法识别出涡旋，但avsio数据集中不存在涡旋，则该涡旋不存在，通过上述判断标准，对vg物理识别方法识别得到的中尺度涡数据进行优化筛选，筛选结束后，再将振幅小的涡旋排除，使最终得到的中尺度涡数据集中的结果符合物理特征，完成对中尺度涡智能识别。
15、在步骤s2中，所述基于注意力机制的改进danet模型构建中尺度涡智能识别模型，包括：基于构建的海洋环境数据集和注意力机制的改进danet模型进行建立，输入包括：
16、绝对海表面高度：
17、；
18、地转流流速：
19、；
20、；
21、标签集：
22、；
23、由上述四种数据构成训练集、验证集和测试集，训练集用来训练智能模型，使模型学习规律，验证集是模型一边训练一边检验模型的训练效果，测试集是用训练好的模型测试模型的效果，测试集结果就是最终结果；输出为含有涡旋信息的矩阵：
24、；
25、式中，分别表示经度方向的网格数、纬度方向的网格数、天数、物理信息，标签集和含有涡旋信息的矩阵里面包含0、1、2三个数字，0代表无涡旋，1代表反气旋涡旋，2代表气旋涡旋。
26、在步骤s2中，所述中尺度涡智能识别模型的骨干网是danet网格，去除下采样操作，在最后两个restnet中使用dilated卷积，具体包括：
27、数据a通过骨干网络和dilated卷积的处理，从而获得输入大小的1/8的特征映射b；将输出的特征图b提供给注意模块，从而得到空间注意图c；其中，注意模块分为空间注意力模块和通道注意力模块，空间注意力模块通过学习每个特征通道的重要性，通道关注确定特征通道之间的相互依赖关系，并为每个通道分配唯一的权重系数，为通道个数，为百分比；将a进行重塑与空间注意图c相乘，再乘以比例因子得到d，再次重塑为其原始形状e，最后与a相加，得到最终输出的特征图f；通道注意力模块采用相反的矩阵乘法得到的通道注意图；将两个通道关注模块的输出f和g进行基本求和得到h，完成特征融合，最后进行卷积生成预测图。
28、在步骤s3中，所述利用识别的中尺度涡结果进行后处理包括：
29、基于中尺度涡智能识别模型识别的中尺度涡结果，对其中0、1、2三种数据进行提取分析，0代表无涡旋，1代表反气旋涡旋，2代表气旋涡旋，得到反气旋涡和气旋涡的涡心位置、涡边界信息；基于上述信息对目标海域中尺度涡的涡旋半径、涡旋振幅、生命周期、涡旋数量、涡旋移动轨迹、移动速度、移动距离中尺度涡的时空统计特征进行分析。
30、在步骤s3中，所述计算涡旋半径包括：计算涡旋边界点位置与涡旋中心距离的平均值，处理不规则形状涡旋，表达式为：
31、；
32、其中，为边界上第个点到涡旋中心的距离，为边界点的个数，为涡旋半径；
33、计算涡旋振幅包括：涡旋边界海表面高度异常值减去涡旋中心海表高度异常值的绝对值，表达式为：
34、；
35、式中，为振幅，边界上第个点到涡旋中心的距离，为边界点的个数；
36、计算生命周期包括：涡旋从出现到消失的过程中经历的时间，将涡旋生命周期时间序列中的第一个认定为涡旋产生时间，最后一个认定为消亡时间；将涡旋生命周期时间序列中的第一个认定为涡旋产生时间，最后一个认定为消亡时间，表达式为：
37、；
38、式中，为生命周期，为涡旋生命周期时间序列中的最后一个值，为涡旋生命周期时间序列中的第一个值；
39、计算涡旋数量包括：通过涡旋跟踪将具有轨迹的涡旋轨迹记为一个涡旋，每一个涡旋中心的瞬时位置形成一条轨迹，则为一个有效涡旋。
40、在步骤s3中，所述计算涡旋半径、涡旋振幅、生命周期、涡旋数量、涡旋移动轨迹、移动速度、移动距离中尺度涡的时空统计特征,包括：
41、确定完中尺度涡的中心和边界之后，对中尺度涡的涡旋移动轨迹进行追踪，分析其移动的具体路线；完成中尺度涡中心位置识别后，基于连续时间范围涡旋中心位置的移动变化，实现对中尺度涡的涡旋移动轨迹追踪；通过中尺度涡中心位置的追踪信息得到其运动轨迹；
42、所述涡旋移动轨迹追踪具体包括：
43、（1）确定n×n网格大小的追踪区域，基于该网格区域大小进行目标涡旋移动后的涡旋搜寻；
44、（2）在n×n网格区域内，基于t时刻识别出的涡旋位置，在t+1时刻寻找与t时刻涡旋极性相同且距离t时刻识别涡旋中心距离最近的涡旋中心；
45、（3）如果没有找到同一极性的涡旋，则需要在t+2时刻将搜索区域变大，将搜索区域长度变为t+1时刻搜寻网格区域的3/2倍，继续搜寻涡旋；
46、（4）如果没有追踪到相同极性的涡旋，则该涡旋已经消亡，之后停止对该涡旋的追踪；
47、（5）在整个涡旋追踪过程中如果出现多个极性相同的涡旋中心，选择与上一个搜寻到的涡旋中心距离最近的涡旋为同一涡旋。
48、本发明的另一目的在于提供一种基于注意力机制的中尺度涡识别和特征分析系统，该系统实施所述基于注意力机制的中尺度涡识别和特征分析方法，该系统包括：
49、海洋环境数据集构建模块，基于roms海流模式计算方案及参数化方案，进行目标海域流场和海表面高度模拟，完成基于roms海流模式的高分辨率海洋环境数据构建；基于vg物理识别方法得到目标海域的中尺度涡样本集，将样本集与avsio数据集中的中尺度涡数据进行优化处理，与专家标记数据对比，选取准确率最高的参数化方案，得到高精度的中尺度涡样本集，完成基于vg物理识别方法和avsio数据集中的中尺度涡数据集构建；
50、中尺度涡智能识别模块，基于注意力机制的改进danet模型构建中尺度涡智能识别模型，利用获取的高分辨率的海洋环境数据以及中尺度涡样本集对所述中尺度涡智能识别模型进行训练以及中尺度涡识别，使用损失函数、准确率评价指标对所述中尺度涡智能识别模型的精度进行验证；
51、中尺度涡特征分析模块，利用识别的中尺度涡结果进行后处理，计算涡旋半径、涡旋振幅、生命周期、涡旋数量、涡旋移动轨迹、移动速度、移动距离中尺度涡的时空统计特征，并进行可视化，同时基于中尺度涡的时空统计特征获取目标海域中尺度涡年际及月际变化特征。
52、结合上述的所有技术方案，本发明所具备的有益效果为：本发明通过roms数值模式构建高分辨率海洋环境数据，基于vg物理识别方法和avsio数据集构建高精度中尺度涡数据集，进而基于空间注意力和通道注意力机制的改进danet模型实现中尺度涡智能识别，进而对目标海域的中尺度涡进行位置分析和特征分析研究，为海洋气候变化研究和水面舰船目标特征探测、潜艇声纳探测提供信息支撑。本发明可以掌握中尺度涡空间位置分布及半径等特征参数和温盐场信息，进而掌握声学探测装备在实海探测的真实效能，对实现水下目标高效、准确探测具有重要意义。
1.一种基于注意力机制的中尺度涡识别和特征分析方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于注意力机制的中尺度涡识别和特征分析方法，其特征在于，在步骤s1中，所述基于roms海流模式计算方案，包括：基于roms海流模式建立目标海域的海流模拟模型，基于开源数据中提供的风场、地形数据制作网格文件、边界场、初始场、强迫场，求解偏微分方程以获取目标海域的海流和海表面高度信息；偏微分方程包括：连续方程、动量方程、热力学方程和生物过程方程，在roms中，海洋被划分为一系列网格单元，每个网格单元代表海洋的一个部分，每个网格单元的温度、盐度、流速物理属性被计算出来，并通过与周围网格的相互作用模拟海洋的流动和变化，通过已知的有限的离散数据，求解四维空间的连续数据。
3.根据权利要求1所述的基于注意力机制的中尺度涡识别和特征分析方法，其特征在于，在步骤s1中，所述高分辨率海洋环境数据基于多种参数化方案，利用vg物理识别方法得到目标海域的中尺度涡样本集，将样本集与avsio数据集中的中尺度涡数据进行优化处理，具体包括：
4.根据权利要求1所述的基于注意力机制的中尺度涡识别和特征分析方法，其特征在于，在步骤s1中，所述得到高精度的中尺度涡样本集，包括：
5.根据权利要求1所述的基于注意力机制的中尺度涡识别和特征分析方法，其特征在于，在步骤s2中，所述基于注意力机制的改进danet模型构建中尺度涡智能识别模型，包括：基于构建的海洋环境数据集和注意力机制的改进danet模型进行建立，输入包括：
6.根据权利要求1所述的基于注意力机制的中尺度涡识别和特征分析方法，其特征在于，在步骤s2中，所述中尺度涡智能识别模型的骨干网是danet网格，去除下采样操作，在最后两个restnet中使用dilated卷积，具体包括：
7.根据权利要求1所述的基于注意力机制的中尺度涡识别和特征分析方法，其特征在于，在步骤s3中，所述利用识别的中尺度涡结果进行后处理包括：
8.根据权利要求1所述的基于注意力机制的中尺度涡识别和特征分析方法，其特征在于，在步骤s3中，所述计算涡旋半径包括：计算涡旋边界点位置与涡旋中心距离的平均值，处理不规则形状涡旋，表达式为：
9.根据权利要求1所述的基于注意力机制的中尺度涡识别和特征分析方法，其特征在于，在步骤s3中，所述计算涡旋半径、涡旋振幅、生命周期、涡旋数量、涡旋移动轨迹、移动速度、移动距离中尺度涡的时空统计特征,包括：
10.一种基于注意力机制的中尺度涡识别和特征分析系统，其特征在于，该系统实施如权利要求1-9任意一项所述基于注意力机制的中尺度涡识别和特征分析方法，该系统包括：
