基于机器学习的海洋中尺度涡检测识别研究综述*

张家灏，邓科峰，聂腾飞，任开军，宋君强

(1.国防科技大学计算机学院,湖南 长沙 410073;2.国防科技大学气象海洋学院,湖南 长沙 410073)

1 引言

海洋中尺度涡通常是指空间尺度在上百千米、时间尺度在数十天到数百天、最大垂直深度可达深海海底的涡旋。海洋中尺度涡是一种重要的海洋环境特征，在海洋能量和物质的运输、热量传递、水声传播等过程中有极其重要的作用，对大气环流、大规模的水质量分布和海洋生物多样性等的形成具有重要意义[1 -4]。因此，准确高效地检测与识别出海洋中尺度涡无论对于物理海洋认知还是海洋开发利用都有重要的研究价值。随着国家建设海洋强国战略的深入，海洋中尺度涡检测识别的重要性愈发凸显，成为物理海洋、军事和民事海洋应用等领域的研究热点。

中尺度涡检测识别的方法主要包括物理参数法、流场几何法和机器学习方法。其中，物理参数法是一类基于物理参数的中尺度涡探测方法，可以识别中尺度涡的核心区域和中心点。流场几何法是一类基于对中尺度涡的自定义设置的全局搜索算法。在检测识别中尺度涡的过程中，物理参数法过度依赖专家经验设置的阈值，而流场几何法需要持续的人工干预，两者均不能适应复杂海洋环境引起的海洋涡旋的动态变化。其原因在于，物理参数法和流场几何法分别需要预先设置阈值和将涡旋定义为符合某种约束条件的区域，但海洋涡旋在形态结构和运动状态上会经常发生巨大的变化，例如：不同区域的涡旋形状不尽相同；涡旋的规模从产生到消失过程中也会有所不同；在不同的风速下，涡旋反射的模式会发生变化。因此，在不同的海洋条件下，很难预先确定一个统一的检测阈值和固定的约束条件，设置阈值和约束条件的方法是基于专家的主观判断，而这些基于专业知识的方法常常存在遗漏、错误判断和缺乏通用性等问题。近年来，随着深度学习的快速发展，以深度学习为代表的机器学习方法由于自动快捷且不需要依赖单一阈值等优点，引起了越来越多研究者的注意，而将机器学习方法应用于海洋中尺度涡的检测识别也成为了一个新的研究方向。

海洋中尺度涡检测识别一般基于海洋遥感数据开展研究。目前应用于中尺度检测识别的遥感数据主要有：海表面高度SSH(Sea Surface Height)[5,6]、海面高度异常SLA(Sea Level Anomaly)[7 -9]、海面温度SST(Sea Surface Temperature)[10 -14]和流场数据[15]。合成孔径雷达SAR(Synthetic Aperture Radar)图像也是检测海洋涡旋的理想数据源[16-18]。现有大多数方法主要基于SSH或SLA数据实现涡旋的检测识别，例如，EddyNet[19]和OEDNet(Ocean Eddy Detection Net)[20]模型等。此外，SST和流场数据也是建立检测识别涡旋模型的数据来源，例如DEEP-SST-EDDIES(DEEP Sea Surface Temperature EDDIES)框架[21]和SP-RCNN(StreamPath-based Regions with Convolutional Neural Network features)[15]等。部分工作直接基于SAR图像进行监测识别，如DeepEddy[18]。本文从海洋中尺度涡探测数据源分类的角度，对现有基于机器学习的涡旋检测识别方法进行系统综述和分析总结，旨在为进一步发展智能高效的海洋中尺度涡检测识别技术提供参考依据。

2 海洋中尺度涡的观探测数据源

海洋遥感数据包含海面高度、温度等变化信息，是海洋中尺度涡观探测的主要途径。随着遥感技术的发展，卫星高度计数据和海表面温度数据越来越丰富，这些数据不仅分辨率高，而且可以实现长时间持续观测涡旋变化运动，克服了以往人工往返测量消耗人力大、无法长时间持续观测和准确度不够的问题，成为海洋中尺度涡检测识别工作的主要研究对象[14,22,23]。

(1)SSH和SLA数据。

中尺度涡的一个特征是所在之处海表面高度变化明显，所以中尺度涡在SSH和SLA遥感图像上特征较为明显，可作为中尺度涡观探测的数据来源。

SSH表示海表面(Sea Surface)相对于参考椭球面(Reference Ellipsoid)的距离，其计算公式如式(1)所示：

SSH=S-R=hd+hg+∑ei

(1)

其中，S是卫星到参考椭球面之间的距离，R是卫星到海表面之间的距离(Range)，hd是海表面到大地水准面的距离，hg是大地水准面起伏(Geoid Undulation)，ei是第i个原因产生的误差。由于S和R可由卫星高度计获得，因此SSH是一个容易获取的物理量。

SLA则被定义为海表面相对于平均海表面的偏差，它等于海表面高度与平均海表面高度的差，其计算公式如式(2)所示：

(2)

(2)SST数据。

中尺度涡的另一个特征是由于涡旋运动导致的涡旋内部水温和周围海水存在温差，因此SST也是中尺度涡观探测的重要数据来源。

在北半球，气旋式涡旋在科氏力作用下，其水流向外扩散，海表面高度为负异常。气旋式涡旋中心海水自下而上运动，将下层冷水带到上层较暖的水中，使涡旋内部的水温比周围海水低(一般中心海面高度比周围低)，因此气旋式涡旋又称为冷涡旋；对于反气旋式涡旋，其海表面处的水体则向涡旋内部辐聚，海表面高度为正异常，反气旋式涡旋中心海水自上而下运动，携带上层的暖水进入下层冷水中，涡旋内部水温比周围水温高(一般中心海面高度比周围高)，因此又称暖涡旋。考虑到中尺度涡的这一特征，SST数据也成为观探测中尺度涡的重要数据来源。

(3)流场数据。

流场数据是用欧拉法描述的流体质点运动情况的数据，描述的是流体运动的空间分布。流体力学认为流体具有质量和密度，具有压缩性和膨胀性，还具有粘滞性，因此流场数据中除了流体速度的矢量性记录以外，通常还包含流体密度、压强、温度和黏性等值的记录。中尺度涡所在之处会改变流体密度、压强和温度等，因此可用流场数据反演中尺度涡。

(4)SAR图像数据。

由于SAR的空间分辨率在几十米量级，可以显著降低测量噪声[16]，比传统的雷达高度计性能高出许多，近年来被越来越多地用于中尺度涡检测。值得一提的是，一些基于机器学习的方法已经成功地应用于SAR图像[18]。高分辨率SAR图像不受天气和光照的影响，为海洋涡旋研究提供了不可替代的数据源。

3 传统的涡旋检测识别方法

传统的海洋中尺度涡检测方法主要是以物理参数法和流场几何法为主，通过人工设置的统一阈值对海洋涡旋进行检测与识别。

3.1 物理参数法

物理参数法基于隐式涡定义以及流场的物理性质，在概念上易于解释，如“局部高涡”“局部低压”“涡度超过变形”等。物理参数法中应用最广泛的则是依赖Okubo-Weiss参数[24,25]来探测中尺度涡的算法(也叫OW法)。后来又根据物理参数设置的不同，出现了Q-判据[26]、Ω-判据[27]、Δ-判据[28]和λ2-判据[29]等物理参数法,这些方法都是基于隐式涡定义和流场物理性质来进行计算的。这类方法的共同点也正如其命名一样，都需要计算相应参数并设置有关阈值，以OW法为例，OW法引入一个W值来判断某一时刻流场的状态(变形和旋转)[30]，将计算得到的参数W与设定的阈值进行比较，满足约束条件的点在相应区域被认为是涡中心。

尽管OW法计算简便、应用广泛，但却存在着阈值难选、误判率较高以及探测到的涡旋半径偏小的问题。其他参数判据方法与OW法类似,只是参数的计算方法不同。例如λ2-判据是基于涡心位置应该存在一个压力最小值的假设，由此进行推算。

3.2 流场几何法

3.2.1 流场几何法的原理

流场几何法一般基于流场的全局拓扑性质。该类方法的特点是不依赖于参数设置，而是基于对中尺度涡的自定义设置的全局搜索算法。McWilliams[31]是研究该类算法的最早学者之一。算法基于中尺度涡的几何轮廓特征，它将中尺度涡直观地定义为一个符合某种约束条件的区域，在这个区域中速度矢量场若表现为一个旋转流，且中尺度涡的中心是速度的极值点，并且该点四周的速度矢量方向呈现对称结构，即该区域特点是速度矢量围绕一个中心顺时针或者逆时针旋转，此类结构就被定义为一个涡结构。该类算法经过多个学者不断改良，目前应用最为广泛的有WA(Winding-Angle)算法[7]和VG(Vector Geometry)算法[32,33]。在计算流体力学领域，除了上述方法的几何特征外，还有如绕流角[34]、椭圆目标欧拉相干结构OECS(Euler Coherent Structure Of Elliptical target)[35]、瞬时涡度偏差IVD(Instantaneous Vorticity Deviation)[36]等。

3.2.2 流场几何法的发展

随着遥感卫星技术的不断发展，丰富的数据带给流场几何法崭新的思路，越来越多的学者开始尝试使用遥感卫星数据进行海洋涡旋探测，包括数值模拟数据、卫星高度计数据、海洋表面温度数据和化学物质分布数据等，并且也取得了丰富的研究成果。例如，Chelton 等人[1]使用遥感卫星高度计的预处理产品寻找涡心，并通过闭合轮廓搜索找到涡旋的边界；Faghmous等人[37]又在其基础上作了进一步改进，构建了逐日海洋涡旋数据集。Wang等人[38]应用多年南海区域的海面高度异常(SLA)数据识别了该地区的的中尺度涡，并且估计了中尺度涡的寿命(从出现到消亡或者分裂)、有效半径和直线运动距离等。此外，由于中尺度涡运动对海表温度变化、各类化学物质运输等有重要影响，因此也有学者将高度计数据和其他海洋监测数据进行融合互补来进行中尺度涡识别。例如Rio等人[10]联合海表面温度和高度计数据识别了地中海西部Balearic海中的强反气旋涡，并描述了中尺度涡的形成条件、演化(分裂、合并等事件)和消失过程[39]；Paterson等人[11]也提出了新的思路，他们整合了SSH、SST和叶绿素a浓度等多类型数据，并且使用浮标测量数据进行数据矫正，识别并统计分析了东印度洋气旋涡与反气旋涡的物理和化学特征。

该类方法通过卫星数据和数值分析模型实现中尺度涡的自动识别，在这些方法中，海洋流场全局信息决定了涡旋识别的实际效果和真实效率。此方法是如今海洋领域中尺度涡研究中较为常用的方法，发展十分迅速。但是，该类方法对噪声十分敏感，在一些区域中，还可能因为背景流之间的交互作用发生错误。

4 基于机器学习的涡旋检测识别方法

机器学习方法是当前各学科应用的热门方法，而深度学习技术是当前机器学习的代表性技术，它通过建立模仿人脑的深层次神经网络，利用不断丰富的训练数据优化网络参数配置，具有克服传统方法不足、达到专家识别准确度的潜力。为此，不少学者提出了一些基于机器学习方法的海洋中尺度涡检测识别方法，通过将当前最新的深度学习技术引入到海洋中尺度涡检测识别中，并根据海洋中尺度涡识别的特点，对相应机器学习方法进行创新完善，达到提高海洋中尺度涡检测识别性能的目标。本节主要根据数据源的不同类别介绍现有用于海洋中尺度涡检测与识别的机器学习方法。

4.1 基于SSH/SLA数据的涡旋检测识别方法

郝莹洁[40]利用卷积神经网络(CNN)，并基于流场几何特征和海面高度异常SLA实现了涡旋的检测。其涡旋检测流程如图1[40]所示，首先对基于流场几何方法得到的海洋数值模拟场数据进行样本采集构建数据集，然后利用该数据集训练CNN模型，完成模型优化。其中，测试集的构成为基于海面高度异常数据得到的点集，该方式的优点在于排除非涡旋点，减小测试集，提高运行效率。实验结果显示，将CNN检测算法与传统的基于流场几何特征的涡旋检测算法和基于高度计数据的涡旋检测算法进行比较，基于CNN的检测方法正确率更高，检测更快，检测的数据量更大，更适合大数据条件下的检测[40]。

Figure 1 CNN-based mesoscale eddy detection process图1 基于CNN的中尺度涡检测流程

除了基于CNN的方法，Lguensat等人[19]还研究了基于深度学习的图像分割技术在海洋遥感问题中的应用，即从海面高度(SSH)图上进行涡旋检测和分类。为此Lguensat等人提出了EddyNet，这是一个用于从AVISO提供的海面高度(SSH)图中自动进行中尺度涡检测和分类的深度神经网络。EddyNet的思路来自广泛使用的图像分割体系结构，特别是U-Net等U形体系结构[41]。

EddyNet是基于U-Net的体系结构，它具有一个三级的编码，每级由2个3×3个卷积层组成，之后是线性单元激活函数(简称 EddyNet_S)或者通过经典的ReLU激活加上批处理规范化(简称EddyNet)，然后是1个2×2的最大池层，将输入的分辨率减半。解码路径使用转置卷积(也称为反卷积)恢复到原来的分辨率[42]。EddyNet的优势是从收缩路径跳过连接到扩展路径，以说明来自早期阶段的信息。对U-Net原始结构的初步实验表明，由于训练样本的数量与结构的容量相比较少，存在严重的过拟合问题。经过数次尝试和超参数调优使作者最终确定了一个3阶的全32位过滤器架构。与现在被广泛使用的体系结构相比，EddyNet的参数少，从而降低了内存消耗。EddyNet在每个最大池化层之前和每个转置卷积层之前添加了dropout层,dropout层提高了检验损失的性能，并且优化了过拟合问题。在损失度量上，对于深度学习中的多类分类问题，一般采用分类交叉熵代价函数进行训练。EddyNet采用基于Dice系数的损失函数，结果表明，与使用分类交叉熵损失相比，EddyNet在2个最相关的类(气旋和反气旋)中获得了更好的分类效果。

使用机器学习方法进行涡旋检测识别的另一大困难是数据集往往较少。为了克服采用机器学习方法中因样本数据集较少而导致的过拟合问题，Duo等人[20]也基于数据增强做出了有效的尝试并构建了一种基于对象检测网络的中尺度涡自动识别定位网络——OEDNet。该深度学习方法包括预处理阶段、网络阶段和涡旋提取阶段。算法的总体框架如图2[20]所示。首先，通过数据增强的方法扩展数据集，克服了因数据集过小导致的过拟合问题。将二维图像处理技术用于增强由海洋专家注释的少量精确涡旋样本数据，具体做法是根据二维图像的旋转平移不变等特性，使用多种仿射变化扩充数据集，获取满足深度学习需求的训练集。然后，设计基于目标检测网络的海洋中尺度涡自动识别定位模型，并基于南海区域的检测结果，加入时序关系，设计基于长短期记忆网络LSTM(Long Short-Term Memory)的海洋中尺度涡跟踪预测模型。摒弃线性卷积神经网络的设计思路，在模型结构设计中加入特征金字塔网络与全卷积网络，实现除涡旋分类以外的定位等复杂功能。最终完成海洋中尺度涡检测定位、识别与跟踪提取模型构建。

Figure 2 Deep learning-based eddy detection process图2 基于深度学习的中尺度涡检测流程

除了上述方法外，利用机器学习从海表面高度(SSH)数据中识别海洋涡旋的还有Zhao等人[43]提出的PSPNet，PSPNet将SSH数据处理为二维图像后，可以将机器学习应用于海洋涡旋的检测。根据涡旋检测的需要，利用SSH数据进行语义分割，以识别海洋涡旋。由于海洋涡旋分布、大小和形状的多样性，为了能够融合不同层次的语义和细节特征从而适用于海洋涡旋检测，PSPNet采用了金字塔场景解析网络作为涡旋检测方法的核心算法，可以更好地适应多尺度目标的识别，为了提高精度和学习能力，模型基于101层ResNet[44]。PSPNet结合了金字塔池模块和简化的卷积，可以充分利用全局场景捕捉不同类别标签之间的上下文信息的更多细节。基于PSPNet方法识别出的涡旋结果与从传统的基于矢量几何(VG)方法得到的涡旋结果进行了竞争性比较。与VG方法相比，基于PSPNet的方法检测到的海洋涡旋更多，特别是对于小规模涡旋检测效果更好。

4.2 基于SST数据的涡旋检测识别方法

在过去的十多年里，许多基于多卫星测高图的算法已经被开发出来[5,32]。这些算法利用海面高度场的几何特性和速度场的流线来检测和跟踪时间涡旋结构。然而，测高卫星产品在卫星轨道交叉的区域之间经历了大量的时空插值，产生了低分辨率的场，并且在没有充分采样的区域中存在不确定性。最近的研究表明，基于测高数据的方法可能导致许多海洋涡旋被遗漏或错误探测[45]。

另一方面，海洋表面温度(SST)、海洋颜色/叶绿素CHL(CHLorophyll)或合成孔径雷达(SAR)等可见光卫星图像中也存在明显的涡旋特征。即使可见光图像具有比测高高得多的分辨率，它也可能经常被云覆盖，并且在SST上开发的少数检测算法(例如文献[12])很难利用它们的复杂模式。深度学习在遥感[46]、气候和环境[47]等领域迅速普及。在以前的研究中，机器学习方法也被用于通过像素分类[19]或LSTM[48]以及速度场[49]来处理SSH场上的测高涡旋检测和跟踪。

到目前为止，已经通过卫星测高的物理方法实现了中尺度海洋涡旋的自动探测。然而，它们往往尚未充分利用卫星图像上有明显特征的海洋表面温度(SST)数据。针对这个问题，Moschos等人[21]介绍了一种新的方法，利用深度学习来检测这类输入上的涡旋特征，并将这种探测海洋表面温度图像中海洋涡旋的深度学习框架称为DEEP-SST-EDDIES。在这项研究中，Moschos等人结合深度学习使用包含高分辨率涡旋特征的可见光卫星SST图像，提出了一种新的基于测高检测的海温图像数据集获取方法。通过训练一个基于CNN的分类器，能够准确地检测定义明确的、手动选择案例的涡旋特征。该分类器在包含噪声标签的较大集合上进行了测试，在选择准确标记的图像和纠正错误标签方面具有潜力。该方法可用于验证SST测高涡旋探测的有效性。

4.3 基于流场数据的涡旋检测方法

当前流行的传统涡旋检测方法都是基于数值模拟数据和卫星图像，但图像中的小目标检测困难，涡旋难以识别，并且其精度受到手动阈值调整的影响很大。针对该问题，Bai等人[15]提出了一种基于深度神经网络的高精度涡旋检测新方法——基于流路的区域卷积神经网络(SP-RCNN)，以提高涡旋检测的准确性。首先，提出了一种将流场数据转换为基于流路的涡旋图像的流路方法，从洋流数据构建大规模的涡旋图像数据集，解决了没有基于流场数据的公开可用的涡旋图像数据集的问题，并将数据集应用于涡旋检测。其次，通过将神经网络中的多层特征与涡旋的特征相结合，获得了良好的实验结果，其性能优于以前的方法，并在小目标检测方面更具竞争力。最后，通过在涡旋域中放置更多的粒子来增强涡旋显示的可视化方法，解决了在稀疏流路区域很难检测到涡旋的问题，并且可以直接在图像上可视化检测结果，从而使人类无需专业知识即可检测出涡旋。增强的涡旋图像还可以扩展数据集，使其更加稳固，从而进一步提高涡旋检测的准确性。

该基于流路径的RCNN涡旋检测方法流程图如图3[15]所示。首先处理图3中(1)的流场数据，并将其可视化为流路径图像，以获得图3中(2)的初始训练数据集。通过SP-RCNN网络的卷积层提取涡旋图像的特征映射图，并将特征图发送到区域建议网络RPN(Region Proposal Network),以获得涡旋图像的候选区域建议。然后，使用边界框回归得到涡旋的确切位置，如图3中(4)所示。在阶段(5)中，使用图3中(4)的检测结果在涡旋区放置更多粒子以增强涡旋。将这些增强的涡旋图像反馈到数据集，使数据集更加健壮，提高了SP-RCNN的检测精度。

Figure 3 Flow chart of RCNN eddy detection method based on streampath图3 基于流路的RCNN涡旋检测方法流程图

4.4 基于SAR图像的涡旋检测识别方法

海洋环境的变化导致海洋涡旋具有多角度、多尺度和多方向的特征，为了更好地利用涡旋的特征，Du等人[50]尝试融合多种特征来自动识别海洋涡旋，提出了一种基于自适应加权多特征融合的SAR图像涡旋识别方法。为了更好地描述涡旋，首先分别使用全局灰度共生矩阵、傅立叶描述子和局部显著Harris特征提取涡旋的纹理、形状和角点特征。其次，为了解决提取的特征维数高、分布不均匀的问题，采用基于核的方法，能够有效地解决复杂的线性或非线性识别问题。考虑到不同特征对涡旋识别的重要性不同，他们还提出了一种基于多核学习的自适应加权特征融合方法，多核学习通过集成各种特征来应用于特征融合[51-54]，该方法考虑到特征之间的差异，根据不同核在涡旋检测中的性能，为每个特征分配一个合适的核。多核学习总能快速收敛并找到最优的核组合，利用多核学习训练的权值对3种类型的特征提取3种不同的组合核。最后，设计了一个结合核的支持向量机分类器来实现涡旋识别。

实验验证了该方法的有效性，得到了以下结论：

(1)多特征融合的识别精度明显优于单特征识别方法。

(2)与固定加权融合方法相比，自适应加权特征融合方法对SAR图像中的海洋涡旋识别更为有效。

虽然SAR图像是检测海洋涡旋的理想数据源[16]，但是SAR图像中的海洋涡旋不仅表现出各种空间尺度和螺旋结构(强度、直径和中心)，而且还表现出遥感卫星成像模式引起的几何变形，这给涡旋检测带来了难度。现有自动和远程检测涡旋方法根据物理参数、几何形状或其他手工特征来检测涡旋，存在准确性不够的问题。

针对以上问题，Du等人[55]提出了一种名为DeepEddy的基于深度学习的海洋涡旋检测方法，该方法能够分层学习海洋涡旋的高层不变特征，可以提供全自动和准确的涡旋检测。DeepEddy由一个分层的特征学习模型和一个简单的支持向量机SVM(Support Vector Machine)分类器构成。使用2个主成分分析PCA(Principal Component Analysis)卷积层进行分层学习，通过分层学习从训练数据集中获取不变的、高层次的海洋涡旋特征，然后通过二进制哈希层和逐块直方图对特征进行非线性转换。为了解决合成孔径雷达(SAR)图像上空间可变性的难题，引入了空间金字塔模型，以允许多尺度特征融合。最后，采用线性支持向量机(SVM)分类器识别出涡旋。

由于用于图像融合的金字塔表示可以提高分类精度[56]，DeepEddy在特征级融合中采用了空间金字塔池化SPP(Spatial Pyramid Pooling)。SPP通过融合多尺度特征，可以处理复杂的海洋涡旋结构和姿态，因此训练后的DeepEddy可以应用于不同尺度、不同SAR图像分辨率的不同几何形状的海洋涡旋检测。

DeepEddy的特点在于它使用了一种轻量级的学习策略，而不是典型的深度学习网络，后者拥有更复杂的结构，并训练了数百万个参数。DeepEddy的体系结构即使在相对较小的训练数据集上也能很好地执行，因此它能够很容易地扩展到使用其他遥感数据的其他检测任务。海洋涡旋探测结果表明，DeepEddy能够探测到不完整的海洋涡旋以及大尺度的涡旋，DeepEddy相比目视解译方法能够探测到更多的涡旋。

4.5 多源数据融合的涡旋检测方法

中尺度涡通常分为2种类型：气旋涡旋(北半球逆时针旋转)和反气旋涡旋(南半球逆时针旋转)。因此，中尺度涡检测可以看作是除了背景之外只有2个类的语义分割问题。目前，由于基于深度学习的中尺度涡检测方法很少，人们发现中尺度涡的有效模型也很少。近年来，有关中尺度涡检测的模型比较有代表性的包括前文提到的EddyNet[19]、DeepEddy[18]和金字塔场景解析网络(PSPNet)[43]。这些网络体系结构也有一些缺点，EddyNet和PSPNet都将中尺度涡检测认为是语义分割问题，这2种方法仅使用SSH作为检测变量，但还有其他因素影响中尺度涡检测。因此，仅使用一个变量进行检测难以保证中尺度涡检测的准确性。与这些方法不同，具有多尺度特征融合的DeepEddy使用多个变量进行检测。该方法是基于简单主成分分析网络(PCANet)的体系结构[57]。但是，这种方法只能执行简单的分类，无法检测海域中的多个中尺度涡。Xu等人[58]使用PSPNet进行中尺度涡检测，这是一种语义分割的体系结构。这种方法有2个缺点：该方法只有一个输入变量与前述方法的输入变量相同，并且网络上没有太多创新。

为了突破以上方法的局限性，Xu等人设计了一个对称网络结构，该网络通过横向连接合并了下采样路径的低级特征图和上采样路径的高级特征图。除此之外，还对网络体系结构应用了膨胀卷积，以增加感受野并在常量参数的情况下获得更多上下文信息。该结构的输入是多源融合数据，相比以前的方法具有更高的准确性。中尺度涡检测的主要困难之一是可使用的现有数据集非常少，并且收集和标记数据需要一定的时间和精力。因此，Xu等人建立了一个包含多个变量的多源融合数据集来克服这一困难。与EddyNet和PSPNet相比，该方法结合了多个变量，以提高检测精度。与DeepEddy相比，该方法可以在具有多个中尺度涡(包括气旋涡旋和反气旋涡旋)的海域中进行检测。

基于SAR图像的方法虽然利用了多尺度特征融合技术，但使用的数据仍然是单一的数据源，仍然不能有效发挥不同探测手段获取多变量数据的优势。为此，Fan等人[59]提出了一种基于多源融合数据的中尺度涡检测方法SymmetricNet。该方法不仅采用海表面高度(SSH)变量，而且还添加了2个变量：海面温度(SST)和流速，实现了多变量信息融合输入。设计了一种全新的对称网络，该网络通过横向连接合并了下采样路径的低级特征图和上采样路径的高级特征图。另外，还将膨胀卷积应用于网络结构，以增大感受野，并在常数参数的情况下获得了更多上下文信息。最后，证明了该方法在数据集上的有效性，达到了测试集训练出的模型的97.06%性能 ，大大提高了中尺度涡检测的性能。

4.6 基于机器学习的涡旋检测方法存在的问题及未来发展

基于机器学习的中尺度涡检测识别方法虽然可以有效提高并改善检测识别的效率和性能，但训练神经网络等步骤需要大量的计算资源和时间，对设备性能要求较高，采用此类方法难以达到快捷简便的要求。另外，为了避免过拟合，机器学习需要大量的数据进行模型训练，虽然现有卫星图像数据较为丰富，但仍需要通过人工标注来转换为相应的可以进行机器学习的数据集，而人工标注是一个耗时耗力的过程，这无疑又制约了机器学习方法在中尺度涡检测识别问题上的应用。

针对上述问题，基于机器学习的检测识别方法在未来的研究发展方向可以为：研究高效的神经网络以训练出更好的模型，充分利用计算资源减少模型训练需要的时间；在已有少量人工标注的数据集的情况下，通过多种数据增强方法来扩充数据集，以满足机器学习训练模型的需求。

目前深度学习在中尺度涡检测识别乃至预测方面的研究仍需要进一步深入。

5 结束语

本文首先介绍了中尺度涡的观探测途径——各种可用于检测的数据来源，随后介绍了传统的中尺度涡检测识别方法并指出其问题，然后介绍了基于机器学习方法的中尺度涡检测识别方法，并论述了其相对于传统方法的优势所在。全文给出的各种中尺度涡检测识别方法的对比分析如表1所示。

传统方法因其计算简便的优势而应用广泛，在中尺度涡的检测识别过程中发挥了重要作用，至今 仍是解决该科学问题的主要方法。但现如今，随着遥感技术的发展，我们能获得的卫星图像数据越来越丰富，传统方法在大数据背景下的中尺度涡检测识别乃至预测过程中出现的检测效率偏低、检测精度不高、误差较大等问题越来越凸显，越来越不能满足科研人员在检测效率和精度方面日益增长的需求。

在这种背景下，大数据时代下出现的深度学习等相关技术有效地利用了越来越丰富的卫星图像数据，在突破检测效率和准确度瓶颈、提高性能方面发挥了关键作用。采用基于深度学习的中尺度涡检测识别方法，可以有效提高并改善中尺度涡检测识别的效率和性能，如表1所示，采用了深度学习方法的DeepEddy在20 000个SAR图像样本的数据集上的基准测试达到了97.8±1%的准确率，明显高于中尺度大气现象自动分类方法中报告的80%。

Table 1 Comparative analysis of mesoscale eddy detection methods表1 中尺度涡检测识别方法对比分析