摘要
海洋温跃层作为海洋中温度急剧变化的区域，对于理解海洋动力学和环境非常重要。然而，现有海洋内部的参数，比如经纬度以及深度的精度仍然不足，难以满足对海洋温度场高空间分辨率构建和温跃层精确分析的需求。为了实现对海洋温度场进行精确的插值以及从图像层面上对温跃层进行精准的检测分析，本文主要从两个方面进行研究: 第一，本文提出了一种基于改进门控机制和注意力的数据插值算法EGAIA，用于海洋温度场的高空间分辨率构建。在海洋温度场的插值任务中，不同位置的温度值往往存在复杂的空间相关性，传统的卷积网络难以有效捕捉这种关系。EGAIA模型运用了门控特征学习单元和Transformer编码器，通过引入改进门控机制来控制信息的流动，从而有效地捕捉和提炼数据中的关键特征，通过多个阶段的迭代学习，逐渐筛选出对插值任务最为重要的特征，同时抑制不相关或冗余的信息。在经过门控特征学习单元处理特征之后，进一步使用Transformer编码器计算不同位置之间的注意力权重，这样能够更好地理解数据的全局结构，从而提升模型对空间特征的捕捉能力。通过对西太平洋海域Argo数据集的广泛实验，实现了对海洋温度场精确预测和插值，相比于其他算法，EGAIA在均方误差和平均绝对误差指标上取得了显著的成绩，从而为海洋科学研究提供了更高精度的温度场数据，具体而言，在本文所选的第一个海域上，EGAIA的均方误差比第二名的GATE提高了61.04%，在本文所选的第二个海域上，EGAIA的均方误差比第二名的GANDALF提高了54%。 第二，本文提出了一种基于特征融合和多层感知机的图像分割模型CSUNeXt，用于海洋温跃层的精确分割。在真实的海洋环境下，背景噪声繁多，传统的图像分割技术还不足以有效地从这些杂乱信息中提取最关键的特征。CSUNeXt模型基于编码器-解码器U型结构，结合了通道注意力、空间注意力的特征融合机制和批处理通道归一化以及带有深度可分离卷积的标记化多层感知机模块。通道注意力和空间注意力的特征融合机制分别专注于对图像的通道维度和空间维度进行加权，从而突出重要的特征并抑制不相关的信息。这种特征融合机制使得CSUNeXt模型能够充分利用图像的通道和空间信息，提高分割的精度和效果。批处理通道归一化旨在同时考虑批处理和通道维度的统计特性，自适应地结合传统归一化技术的优势，通过对特征图进行适当的归一化处理，提高模型的训练稳定性和泛化能力。标记化多层感知机模块使得模型能够在保持性能的同时，大幅减少计算资源的消耗，适应于资源受限的环境。通过在西太平洋海域Argo数据集上的实验验证了CSUNeXt模型的高效性和准确性，尤其是在处理较为复杂的温跃层分布时，展现了不错的性能提升，特别是在本文所选的第二个海域上，CSUNeXt的表现要优于其他方法，具体而言，CSUNeXt的平均交并比相对于UNeXt-S提高了3.53%，Dice相似指数提高了1.9%，准确度提高了1.37%。最后，本文实现了从二维分割结果到三维点云数据的转换，为海洋温跃层的检测提供了新的视角。 本文提出的数据插值算法EGAIA可以有效地对海洋温度场进行精确的插值，提出的图像分割模型CSUNeXt可以对温跃层的二维热力图像进行准确的分割。
NETL