第七届青年地学论坛

中尺度涡旋在全球海洋中无处不在，在海洋动量、质量、热量、营养物质以及盐等海水化学元素的输运中发挥着重要作用。八十年代后期，随着一系列卫星陆续被送上太空，大覆盖、高时效、长时间序列的卫星遥感资料越来越多地应用到海洋中尺度现象的研究中，是进行涡旋研究的不可替代的数据源。已有涡旋识别方法大都基于单一的海洋遥感资料，识别结果受单一传感器的性能桎梏，在精确性和有效性上具有一定的局限性。要获得更加精细和有效的中尺度涡，除了采取高效准确的涡旋识别方法，还需要融合不同时间、空间、谱分辨率的多源遥感数据，充分利用多源遥感数据实现信息补充，从数据本身出发为提升涡旋探测的精度和有效性提供保障。在海洋遥感大数据爆炸式增长背景下，传统的数据挖掘方法难以从海量数据中快速精确地提取目标特征。以深度学习为代表的人工智能新技术是新一轮科技革命和产业变革的重要驱动力量。相对于统计和传统机器学习方法，深度学习具有强大的特征学习能力和复杂关系建模能力，为开展基于多源遥感数据的全球中尺度涡的智能分析挖掘带来新的思路。本研究旨在采用深度学习数据挖掘技术，建立多模态神经网络模型，融合SST和SSH遥感数据，有效发挥不同传感器的观测优势，充分利用多源遥感数据实现信息补充，拓宽模型输入数据所包含信息的覆盖范围，实现中尺度涡的精细化和高效准确的识别，建立全球中尺度涡数据库，为开展海洋中尺度涡的研究提供强有力的技术手段和数据支持。

多源遥感数据融合，深度学习，中尺度涡