SWOTnet把宽幅测高的分辨率带进传统测高:同一组权重多检出约三成涡旋
核心概要
海洋中尺度涡旋识别长期依赖硬编码阈值和一组并不唯一的物理约束,检测结果对输入场的小变化敏感。基于浅层U-Net的多模态、多任务模型同时分割涡旋并重建同位置海表温度异常,形成用传统窄幅测高训练的NADIRnet和经SWOT富集数据课程训练的SWOTnet两个版本。SWOTnet在传统窄幅测高上比动力算法多检出约30%的涡旋,且无需重新训练即可用于训练中未见过的测高产品和处理级别。
深度剖析
涡旋检测不再只靠一套硬编码的阈值和约束,而由一个同时输出涡旋掩膜和海表温度异常的多任务网络完成。 此前的动力检测方法依赖一组必要物理条件,这组条件并不唯一,且会把邻近的多个涡度结构合并成一个。 在验证集上,NADIRnet的像素级F1为0.81,SWOTnet为0.78;结构级严格F1分别为0.77至0.88和0.73至0.86,残余分歧主要来自边界位置而非漏检或虚检。
网络以海表高度、海表温度、地转速度分量和相位速度为输入,一次前向传播处理整张全球网格。 浅层U-Net编码器逐级下采样并加倍通道,解码器用转置卷积恢复分辨率,并通过跳跃连接保留细尺度细节。 训练使用1/10度全球网格,数据按80/20划分训练与验证;在笔记本CPU上完成单日完整检测流程不到一分钟。
海表温度回归分支不是附加输出,而是通过边界耦合项和梯度匹配项反过来约束涡旋边界的几何质量。 只用检测项训练时,边界可能不规则且噪声大,不能贴合海表高度异常的极值。 加入回归与边界耦合项后边界明显更平滑,再加入梯度项后轮廓更贴合海表高度梯度;这一递进在代表性涡旋的对比中给出。
启示与展望
展示范围是全球1/10度网格上的中尺度涡旋分割与海表温度异常重建,评估对象是动力算法给出的参考涡旋场而非真实涡旋场;模型权重与训练、评估代码公开。
验证集上选出的最优阈值不保证在分辨率、噪声或处理链不同的产品上仍最优,用于L3条带时采用了更高的阈值以避免条带边缘的噪声检测。
