全文总字数：7408字

1. 研究目的与意义及国内外研究现状

海洋中涡旋无处不在，涡旋的运动会导致海水的不稳定，这对气候变化影响很大，对海洋渔业、海上运输业等众多方面也都有着非常重要的影响；涡旋的运动同时还会伴随着海水中营养物质的运动，所以还会影响海洋生物的分布情况。因此对海洋涡旋的研究刻不容缓，很多海洋学家都投入到对于涡旋的研究当中。但是涡旋存在时间长短不一，人工探测涡旋难度大，消耗的资源多，不确定性高，这给涡旋的研究带来了很大的困难。随着遥感技术的发展，给我们提供了海面高度异常场的数据，给涡旋研究工作提供了很大的帮助。同时在这个计算机与大数据技术迅猛发展的时代，利用先进的计算机技术和大数据技术进行海洋涡旋的自动检测也是十分有必要的。

目前卷积神经网络广泛应用于模式识别方面，并且取得了很好的效果。所以选择基于卷积网络的涡旋检测这个题目的目的就是想要利用目前先进的技术，将其运用到海洋涡旋的检测当中，实现对海洋涡旋进行自动检测，提高涡旋检测的效率和精度，对海洋涡旋的进一步分析与研究有很大的帮助，同时也有利于气象、海洋渔业、海上运输业等各个方面的发展。

国内外研究现状

dong等根据数据的不同类别将涡旋探测方法分为欧拉方法和拉格朗日方法。 nencioli等将欧拉方法划分为:基于物理参数的方法、基于流场几何特征的方法以及物理参数和几何特征混合法。okubo-weiss(ow)参数法是基于物理参数的方法中应用最为广泛的方法。nencioli等基于流场几何特征的方法，提出了一种海洋涡旋的自动探测和追踪方法，提出了4个约束条件，只有满足这4个约束条件的点才被定义为涡旋中心。涡旋会导致局部海表温度（sst）、高度和盐度的异常，遥感sst图像也被认为是海洋涡旋检测中的一种有效技术，zhang等就提出了一种基于准等高线追踪和sst数据集涡旋检测聚类的算法方案。该方法使得任何涡旋状结构都可以被检测为“可疑”涡旋，然后基于强度和空间/时间尺度标准的组合来识别“真实”涡旋。实验证明，该方法可以检测直径从几十到几百公里的海洋涡旋。daisuke matsuoka等使用机器学习方法对涡旋检测进行研究，提出了一种基于涡旋分类系统的涡旋探测、跟踪和事件可视化的新方法。该方法检测涡旋并分类，通过追踪被分类的涡旋如何随时间变化，检测诸如涡旋融合和分叉以及涡旋和洋流之间的相互作用等事件，并将其进行可视化。

2. 研究的基本内容

本设计中使用到的训练和测试数据是海面高度异常场和其对应的涡旋探测数据，根据数据的特性的分析并且结合卷积网络的特性，对数据进行训练前的预处理，使得数据满足网络的需求。同时分析卷积网络的结构原理，选择全卷积网络进行模型的设计。相较于传统的卷积网络（CNN），全卷积网络（FCN）能够接受任意大小图片的输入并且更加高效。同时分析模型能够进行图片识别的原理。从而设计基于全卷积网络的涡旋检测算法，利用数据进行训练，并对模型进行测试，最终实现涡旋的自动检测。同时依据模型的度量标准，分析各个参数对模型检测效果的影响，学习调节参数的技巧，积累调节参数的经验，不断优化参数和模型，训练得到最优的权重值，最终实现对涡旋的自动检测达到一个比较高的精度。

3. 实施方案、进度安排及预期效果

实施方案：

基于全卷积网络进行检测模型的初步设计，利用海面高度异常场和对应的涡旋探测数据进行模型的训练和测试，对检测结果依据度量标准进行评估，分析各参数对检测模型效果的影响，不断调整和优化参数，得到最优的检测模型，实现对涡旋较高精度的检测。

进度安排：

4. 参考文献

[1] 董昌明, 蒋星亮, 徐广珺,等. 海洋涡旋自动探测几何方法、涡旋数据库及其应用[j]. 海洋科学进展, 2017, 35(4):439-453.