基于深度學習的海洋中尺度渦識別與可視化①

蘆旭熠,單桂華,李 觀

1(中國科學院 計算機網絡信息中心,北京 100190)

2(中國科學院大學,北京 100049)

中尺度渦是指空間尺度約為幾十至幾百公里、時間尺度約為幾天至幾個月的海洋渦旋,攜帶著全球海洋的絕大多數能量,在海洋的動能運輸、熱鹽運輸、化學物質運輸以及營養物質運輸中起到重要作用[1],同時影響著全球氣候變化和漁業等商業活動[2],對人類活動和海洋科學都有著重要意義.

海洋物理上多利用衛星測高數據對中尺度渦進行檢測,但是對衛星數據的計算與處理通常依賴于由專家預定義或調整的參數[3-5],參數的選取直接影響著中尺度渦識別的精準度,且不同區域選取的參數不盡相同.由于中尺度渦具有復雜的動態變化的特征,對渦旋特征的檢測需要逐點掃描,再進行后續篩選,耗時較長.而海洋資料數量龐大,分辨率越來越高.通過逐點掃描和計算的方式要花費太多時間,影響了對渦旋的進一步分析.另外,渦旋研究信息涉及到許多維度和變量,以文字、圖表為主.對其進行對比和分析有相當多的工作量,且不能較好地對海洋渦旋的空間位置、每個渦旋自身特征進行可視化展示.渦旋檢測速度的提升和渦旋信息可視化系統的開發可以在很大程度上提高對渦旋研究工作的效率.

為此,本文提出了基于深度學習多目標檢測的中尺度渦識別算法,避免了閾值選取對渦旋檢測的影響,大大提升了渦旋檢測速度.同時設計可視化系統進行中尺度渦多維度展示,并對渦旋的統計信息、特征分布和屬性關聯進行了洞察、說明和相關性分析.

本文的主要貢獻如下:

(1)提出一種基于深度學習的海洋中尺度渦旋檢測算法,可較準確、全面的檢測中尺度渦,并大大提升了檢測速度;

(2)設計中尺度渦時空特征及海洋信息協同可視化系統,通過多視圖聯動及交互操作對中尺度渦信息進行多維展示;

(3)利用可視化系統在個數和尺度統計、特征分布、屬性關聯等方面對中尺度渦進行細節性分析.

1 國內外研究現狀

海洋物理中對中尺度渦的識別算法大致可分為兩類:一是基于物理參數的方法,其中Okubo-Weiss(OW)參數法[4,5]應用最為廣泛.但其需要引入閾值 W0,W0的選取直接影響著渦旋檢測的精準度;二是基于流場幾何特征的方法,此類方法需對海洋數據逐點掃描,找到可能的渦核點后,利用渦旋幾何特征作進一步篩選,耗時較長[6,7].

此外,Ashkezari 等[8]將機器學習與渦旋檢測結合,構建渦旋相位角特征矩陣,利用SVM算法進行分類訓練,最后使用固定大小的滑動窗格進行渦旋檢測.Franz 等[9]將卷積神經網絡引入渦旋檢測,但其使用OW 參數法提取渦旋特征構建訓練集,閾值選取的影響使其只能識別到特征非常明顯的渦旋,漏識別現象較嚴重.以上兩種方法均需先對渦旋類別學習,之后使用滑動窗格掃描全局數據才能獲取渦旋位置信息,渦旋的識別和定位需分步進行.

目標檢測是機器視覺中最常見的問題,其中基于深度學習的YOLOv3算法[9]表現突出,可以學習圖像的全局信息,直接輸出目標類別和相應的定位,并且大大提高了對小目標和緊湊密集或者高度重疊目標的檢測,非常適合在衛星高度計數據中有著小尺寸、高密度特點的中尺度渦的檢測.

本文首次利用深度學習多目標檢測網絡進行渦旋識別,避免了構建特征矩陣以及對全部數據掃描的工作,對渦旋的識別和定位實現一步到位,并且得到較好的檢測結果,大大提高了渦旋檢測速度.之后,利用渦旋檢測結果搭建中尺度渦時空特征及海洋信息協同可視化系統,對中尺度渦的特征分布、多維度統計信息、屬性關聯,以及對海洋屬性的影響進行交互可視化展示,可幫助用戶查看渦旋各個維度下的信息及時空變化規律,對比分析渦旋的特征和影響,滿足對渦旋和海洋信息進行直觀性說明的需求,大大減少研究人員對繁雜數據的對比、分析、統計工作.

2 海洋中尺度渦識別算法

2.1 算法概述

海洋物理中對中尺度渦的檢測通常需要設定閾值以分離中尺度渦渦核與海洋背景場,閾值的設置直接影響著中尺度渦檢測的準確度,且不同區域的閾值不盡相同;也可利用幾何特征進行渦旋檢測,需要逐點掃描衛星高度計數據,對疑似渦核點再作進一步判斷,但是隨著衛星高度計數據量的增長、數據空間和時間精度的提高,掃描任務的數據量成倍增加,渦旋檢測速度太慢會影響下一步對渦旋特征和影響的研究,渦旋檢測耗時太長也成為了亟待解決的問題.

本文算法首先將海面高度異常融合數據制作為單通道圖像,利用海面高度異常閉合等值線法對研究區域進行渦旋檢測,完成原始樣本集的制作.其次,調整YOLOv3 網絡參數,通過K-Means 對樣本標注框維度聚類得到先驗框,使得YOLOv3 更適合對本文樣本集特征的學習,利用YOLOv3 訓練結果完成對測試集的渦旋檢測并對檢測結果進行處理和精準定位.本文算法對渦旋檢測有較高的準確率和召回率,大大提高了渦旋檢測速度,并擺脫了閾值選取對渦旋檢測的影響.

2.2 樣本集的制作

樣本集包括圖片集和標簽集,其中圖片集為包含了渦旋特征的SLA 圖片,作為YOLOv3 的輸入來源;標簽集為每張圖片所包含的渦旋位置信息和類別信息.

2.2.1 樣本集圖片

SLA 數據覆蓋全球,包含海洋和陸地兩部分,其中陸地部分的數值設為-2147 483 647,為了便于SLA 數據與圖片的轉換,本文首先將陸地部分的數值均設為0;由于SLA 數據的精度為0.0001,數據范圍為(-9.9999,9.9999),若直接轉換為圖片會造成嚴重的精度損失,因此本文通過式(1),將SLA 數據轉為正整數;最后,將處理后的SLA 數據轉換為16 位單通道的tiff 格式圖片.圖1 為生成的SLA 灰度圖像,其中灰度為0 的部分為陸地,其余部分為海洋,海洋部分不同程度的灰度變化即為海面高度的起伏.

圖1 海面高度異常灰度示意圖

2.2.2 樣本集標簽

本文利用海面高度異常閉合等值線法對中尺度渦進行檢測以制作樣本集標簽.中尺度渦最直觀的表現為閉合的海面高度異常等值線,本文利用該特征具體使用的特征提取方法如下:

(1)在氣旋渦(反氣旋渦)區域內有一個SLA 局部最小(大)值.

(2)渦旋外圍要有閉合的SLA 等值線.

(3)氣旋渦(反氣旋渦)內所有網格點的SLA 值都比邊界SLA 值要小(大).

(4)渦旋振幅不小于3 cm.

由于SLA 數據的分辨率為0.25°(約為27.75 km),因此本文舍棄半徑小于27 km 的渦旋.針對位于研究區域邊緣的渦旋,如果該渦旋所占區域超出研究區域邊界,則舍棄.通過上述渦旋檢測方法識別出的渦旋將根據渦核位置及半徑信息,通過式(2)至式(5)計算渦旋(xmin,ymin),( xmax,ymax)坐標.

2.3 渦旋檢測結果的處理

2.3.1 異常識別結果處理

由于渦旋特征尺度小,分布密集,且有不同參數的強弱劃分,將YOLOv3 這種適用于自然圖像的目標檢測模型直接應用會存在以下問題:

(1)在樣本集標簽制作中,設定渦旋特征閾值va,只提取特征值大于va 的渦旋,在訓練中發現YOLOv3還會識別出某些特征值小于va 的強度較弱的渦旋.

(2)部分漏識別渦旋聚集于樣本區域的邊緣處.

針對以上問題,本文對YOLOv3 初次檢測結果進行以下處理:

(1)篩選出YOLOv3 識別的弱渦旋,不作為本文對識別結果評判的計算.

(2)針對圖片邊緣渦旋的漏識別,本文將研究區域在東、西、南、北四個方向分別平移至與樣本區域重合度為70%處,得到4 個新區域,位于樣本區域邊緣的渦旋在新區域中將位于中央位置.使用YOLOv3 訓練結果分別對4 個新區域進行渦旋檢測,并將識別結果重新偏移到原樣本區域,與初次識別結果疊加,完成再識別.

2.3.2 識別結果處理

由于再識別過程對同一局部區域有多次檢測,將會出現許多重復識別結果.此外,YOLOv3 的渦旋檢測結果可以大體定位渦旋位置范圍,但是會存在位置和半徑的偏差.為了實現中尺度渦的精準定位以及相關屬性的計算,并且提高計算速度,本文首先利用式(6)計算預測框的 I OU ,若I OU大于等于0.6,則認為兩個預測框重復,僅保留面積較大的預測框.去重完成后,利用2.2.2 節所述海面高度異常閉合等值線法對保留下來的預測框區域進行渦旋檢測和半徑、振幅等屬性的計算,得到更精準的中尺度渦檢測結果.

其中,a reaoverlap為兩個預測框的重復區域面積,areamin為較小的預測框面積.

2.4 評判指標

本文使用目標檢測中常用的評價指標:精確率(precision),召回率(recall)對訓練結果進行測評.各評價指標的計算公式如式(7)、式(8)所示.

其中,tp為正樣本被正確識別為正樣本的個數(標注的渦旋被識別為渦旋),f p為負樣本被錯誤識別為正樣本的個數(非渦旋結構被識別為渦旋),fn為正樣本被錯誤識別為負樣本的個數(標注的渦旋沒有被識別出來,被認為是非渦旋結構),n為識別出的樣本總個數.

3 海洋中尺度渦可視化

3.1 可視化系統簡介

本文提出的中尺度渦時空特征及海洋信息協同可視化系統,通過多個版塊的關聯,對中尺度渦的位置分布、直觀特征、多維度統計信息、屬性關聯,以及對海洋屬性的影響進行交互可視化展示,展示信息豐富,交互操作多樣,可以使用戶從時間、空間不同角度直觀地分析渦旋分布特點、各屬性特征,以及與海洋環境的聯系,實現對渦旋及海洋特征的直觀說明,大大減少了渦旋研究者對各類渦旋及海洋數據對比分析的工作量.本系統主要滿足的需求如下:

(1)查看任意一天渦旋相關信息;

(2)對(反)氣旋渦以及渦旋總體情況分類查看;

(3)查看渦旋個數統計、尺度統計和分布信息;

(4)查看渦旋自身特征及分布信息;

(5)查看渦旋各個屬性信息查看及屬性間的聯系.

3.2 可視化數據及屬性介紹

本文可視化的相關屬性定義如下:

(1)渦旋半徑R

中尺度渦形狀不規則,本文取渦旋中心與8 個鄰域方向最外圍的地理距離的平均值作為中尺度渦的半徑R,如式(9)所示.

(2)振幅A

中尺度渦的振幅定義為渦核與渦旋最外圍等值線的SLA 差值的絕對值,如式(10)所示.

(3)渦度ζ,渦度均方根ζrms

渦度為速度場的旋度,渦度值的大小代表著中尺度渦的強弱,計算公式如式(11)所示.v′

其中,和 分別表示地轉流異常的水平和垂直分量:

f g和 分別為科氏參數和重力加速度.進一步定義渦度均方根:

N表示渦旋所占格點個數.

(4)海洋動能EKE (Eddy Kinetic Energy)

中尺度渦活動較強的海洋區域一般具有較大的動能,在地轉假設條件下的計算如式(15)所示.

另外,系統使用的逐日海表面溫度(Sea Surface Temperature,SST)數據由California 地球衛星微波遙感科研機構Remote Sensing Systems (RSS)提供,分辨率為0.25°×0.25°.

3.3 可視化系統設計

本文設計的中尺度渦時空特征及海洋信息協同可視化系統共包含渦旋特征統計、等值面特征、屬性關聯分析3 類視圖,共5 個版塊.各個版塊通過時間選擇聯動變換,展示同一天內不同維度下海洋與渦旋的不同信息.

3.3.1 渦旋特征統計視圖

渦旋特征統計視圖對渦旋個數按時間進行統計,對渦旋半徑、振幅按尺度進行統計,共分為2 個版塊.

(1)渦旋個數統計圖

如圖2 所示,在時間上以天和月為單位分別統計了渦旋個數,用戶可點選按鈕分別查看;在類別上以氣旋渦、反氣旋渦和全部渦旋統計個數,由于反氣旋渦對應SLA 正異常,氣旋渦對應SLA 負異常,因此將反氣旋渦、氣旋渦個數的y 坐標軸分別設計為正、負兩個方向進行顯示,全部渦旋個數以折線形式展示.用戶通過選擇日期可顯示當前日期及之后30 天的渦旋個數信息,也可通過范圍選擇器同時查看更多日期的渦旋個數.在渦旋個數月統計圖中,用戶點擊條形圖可使系統界面顯示當月第一天的渦旋信息.通過鼠標交互,用戶可得到具體的渦旋數量,增強了圖表的可讀性;通過橫向比較柱狀圖高度變化可得到渦旋數量的極值月份和變化趨勢.

圖2 渦旋個數統計圖

(2)渦旋尺度折線圖

如圖3 所示,根據渦旋的半徑和振幅尺度進行統計,由于SLA 數據的分辨率為0.25°×0.25°,對于渦旋半徑的計算只能精確到約27.75 km.因此,將半徑以26 km 為刻度單位進行均分,振幅以1 cm 為刻度單位進行均分.折線圖中標出不同尺度下分布最多的渦旋個數,方便查看渦旋的主要尺度范圍.

3.3.2 等值面特征視圖

如圖4 所示,等值面特征視圖中使用專業氣象數據處理語言NCL (NCAR Command Language)將海平面高度異常數據、海洋渦度值、海洋動能值繪制等值面圖,并將中尺度渦識別結果根據半徑尺寸和極性在等值面圖上進行標注,紅色圓圈為反氣旋渦,藍色圓圈為氣旋渦.用戶可點選按鈕查看不同類別的等值面圖,可清晰地看到每日的渦旋特征分布,同時對渦旋與海洋渦度、海洋動能的聯系有形象的認識.

圖3 渦旋尺度折線圖

圖4 等值面特征圖

3.3.3 屬性關聯分析視圖

屬性關聯分析視圖利用相關屬性制作平行坐標系,由于海洋和渦旋的屬性在不同緯度上具有明顯差異,本視圖還以緯度為單位對渦旋屬性進行統計,并繪制熱力圖分析海洋屬性的空間差異.共分為2 個版塊.

(1)渦旋海洋關聯屬性平行坐標系

如圖5 所示,根據渦旋半徑、振幅、渦度均方根、渦動能以及渦旋中心海表溫度5 個屬性構建平行坐標系,按顏色劃分渦旋極性.用戶可得到當日渦旋各屬性的尺度范圍,并可通過框選查看某范圍下任意屬性的特點,滑動選擇框,可以看到某一屬性的變化對其它屬性的影響或屬性間存在的聯系,從而進一步分析渦旋對海洋的影響.

(2)渦旋屬性空間統計與海洋動能熱力圖

如圖6 所示,將研究區域的海洋動能以經緯度1°×1°的分辨率進行統計,繪制熱力圖;同時,以1°緯度為單位對渦旋半徑、振幅、出現頻率進行統計繪制折線圖,二者共用同一y 軸.通過點選不同的屬性并選擇不同時間段進行查看,可明顯對比得出渦旋尺度、出現頻率在不同緯度下的差異,以及海洋動能的強弱分布規律,渦旋的不同屬性對海洋動能的影響也一目了然.

圖5 渦旋海洋關聯屬性平行坐標系

圖6 渦旋屬性空間統計與海洋動能熱力圖

4 實驗

4.1 數據

本文使用的衛星高度計資料是法國國家空間研究中心衛星海洋學存檔數據中心AVISO 分發的最新版本的多源高度計海面高度異常融合數據,其空間分辨率為0.25°,時間分辨率為1 d,數據格式為NetCDF(Network Common Data Form)網絡通用數據格式.本文選取其區域范圍為17°N-42°N,147°W-172°W,時間范圍為1993年1月1日至2017年12月31日,長達24年的數據作為研究數據.根據研究區域尺度可制作為100×100 分辨率的樣本集,其中,1993-2016年的樣本集將作為訓練集輸入YOLOv3 網絡進行訓練,2017年的樣本集將作為測試集檢驗訓練結果的檢測效率.

4.2 深度學習神經網絡結構

本文采用了YOLOv3 基本的網絡結構,以Darknet-53[10]網絡提取圖像特征.相比YOLOv2 中的Darknet-19 網絡,Darknet-53 添加了殘差單元,使用連續的3×3 和1×1 卷積層,并將其擴充為53 層,其中包含53 個卷積層以及5 個最大池化層,同時,在每一個卷積層后增加了批量歸一化操作和去除隨機失活操作,防止出現過擬合現象.

另外,YOLOv3 采用了3 個不同尺度的特征圖來進行對象檢測,3 個尺度分別是32 倍降采樣,16 倍降采樣和8 倍降采樣.多尺度融合方式可以使網絡同時學習到淺層特征和深層特征,表達效果更好,有效解決了YOLO 和YOLOv2 小目標漏檢率高的問題.本文的渦旋目標尺寸為4×4 至6×6 不等,尺寸較小,YOLOv3可以達到更高的召回率.

由于YOLOv3 原網絡結構中的9 個先驗框尺寸是基于COCO 數據集且網絡輸入圖像分辨率為416×416,而渦旋檢測中待檢測目標標注框尺寸如圖7 所示,樣本圖像分辨率為100×100,因此使用YOLOv3算法中原有的先驗框維度很難得到精確的目標標注框信息.因此使用YOLOv3算法中原有的先驗框維度很難得到精確的目標標注框信息,需要重新計算先驗框以獲得更好的檢測效率.

圖7 樣本目標標注框尺寸

K-Means 聚類的目的是使先驗框和臨近的真實數據中的標注目標有更大的IOU 值,所以采用K-Means算法時選用標注框與聚類中心標注框之間的IOU 值作為距離指標,使用公式:

進行距離計算.

在K-Means 聚類算法中,將所有標注框中心點的x,y 坐標都置為0,使得所有標注框都處在相同的位置上,方便計算標注框之間的相似度.另外,標注框的寬高為相對于整張圖片的比例.YOLOv3 網絡在檢測時會進行3 次尺度變換,以便學習和檢測不同尺寸的目標,而在渦旋檢測中,標注的渦旋目標尺寸均屬于小尺寸特征圖,尺寸差別不大.經過多次測試,僅使用尺寸小的3 個先驗框維度便可得到較好的識別結果,并可加快訓練速度.因此在K-Means 聚類時,設置聚簇個數為3,最終得到的3 組先驗框維度中心分別為:(20.48,17.92),(15.36,12.8),(10.24,10.24).

根據本文樣本集類別數量以及樣本標注框小尺寸的特點,對網絡中3 個YOLO 層、YOLO 層前的卷積層以及部分upsample、route 層的參數進行調整,并使用公式:

重新計算卷積核個數,其中 c lasses為每個格點的預測框個數,n um為樣本集目標類別數.

4.3 模型訓練

本文在YOLOv3 網絡結構的基礎上對訓練參數做出微調.根據本文樣本集圖片分辨率,調整網絡輸入圖像的寬高均為128.由于顯存限制,將batch 設為64,subdivisions 設為16,初始學習率為0.001.為了得到充分的訓練結果,設置迭代次數為70 200 次,每迭代2000 次保存一次訓練結果.本文實驗的訓練與測試環境采用搭載了2 塊GTX 1080 Ti 顯卡的CentOS 7.5.1804 系統.

4.4 中尺度渦檢測結果

本文選取迭代第62 000 次的權重結果對2017年研究區域測試集進行渦旋檢測.對初次識別結果進行再識別并且過濾較弱的渦旋后,precision 約為0.93,recall 約為0.95.Ashkezari 等[8]曾構建渦旋特征矩陣,利用SVM 進行分類訓練,表1 為本文實驗與Ashkezari等人進行的渦旋檢測實驗的相關內容對比.

由表1 可知,Ashkezari 等檢測結果的precision 約為0.92,recall 約為0.99.檢測時需要利用滑動窗格掃描研究區域所有數據進行特征計算,再進行類別判斷,速度較慢.本文實驗結果較之precision 值有所上升,recall 值有所下降,但是本文所選研究區域更廣,包含的中尺度渦數量遠多于Ashkezari 的研究區域,并且檢測速度大大提升,對研究區域某一天的渦旋檢測只需約0.01 s.之后對渦旋進行準確定位及屬性計算時只需對預測框中的SLA 數據進行掃描和計算,大大減少了掃描數據量,節省了計算時間.

表1 Ashkezari 與本文算法性能對比

4.5 中尺度渦可視化分析

基于本文提出中尺度渦時空特征及海洋信息協同可視化系統,對2017年研究區域所識別出的中尺度渦在個數統計、特征分布、尺度統計與分布、屬性關聯等方面進行分析.

4.5.1 渦旋個數與尺度統計信息

圖8(a)顯示以天位單位觀察渦旋個數的變化規律,氣旋渦、反氣旋渦均呈現波浪式變化.圖8(b)為渦旋個數月變化,氣旋渦、反氣旋渦分別在4月和1月出現次數最多,在9月和6月出現次數最少.2017年大多數月份氣旋渦數量多于反氣旋渦數量,在第三季度中出現反氣旋渦多于氣旋渦的情況.該區域中尺度渦的產生有明顯的季節變化,春季是高發季節,而秋季產生數量最少.氣旋渦數量的變化基本對應于全部渦旋數量的變化.

圖9 顯示了渦旋尺度統計信息,不論是氣旋渦還是反氣旋渦,渦旋數量極大值都會出現在半徑51-155 km 范圍內,以及振幅4-20 cm 范圍內;但是反氣旋渦的半徑和振幅的尺度范圍更廣.

4.5.2 渦旋特征分布信息

在等值面特征視圖中可看出,渦旋出現的區域有明顯的一系列閉合的海面高度異常等值線,(反)氣旋渦對應海面高度(正)負異常,一般異常絕對值越大,產生的渦旋半徑尺度越大.渦度較強的區域一般出現在渦核部分,并且渦度較強處的渦旋半徑尺度不會很大,說明渦旋半徑并不是決定渦度強弱的因素.渦度較強區域均有渦旋的分布,然而也有部分中等強度渦度區并沒有渦旋出現,同時在渦度極弱的區域不會出現渦旋,說明渦旋與渦度有很大程度的關聯,但并不是決定因素.此外,海洋高動能區域往往出現在渦旋外圍,尤其是多個相鄰渦旋之間.

圖8 渦旋個數統計圖

4.5.3 渦旋與海洋屬性的關聯性分析

為了研究屬性間的關系,通過框選某一尺度范圍的屬性,拖動選擇框觀察其它屬性隨選中屬性的變化趨勢.以2017年6月3日的反氣旋渦為例,如圖10(a)至圖10(c)所示,首先框選出0-10 cm 的振幅,可以看到振幅較小的渦旋,其半徑、渦度、渦動能也都處于較低尺度.隨著振幅不斷增加,3 種屬性尺度也隨之上升;該日氣旋渦與反氣旋渦的變化規律大體一致,如圖10(d)至圖10(f)所示.由此可知,渦旋振幅與其它屬性存在著一定的正相關關系,振幅較大的渦旋往往渦度較大,攜帶著較大能量,影響著海洋動能的傳播.

渦旋屬性空間統計與海洋動能熱力圖以緯度為單位在空間上對海洋動能和渦旋屬性進行統計,如圖11 所示.顯而易見,在25°N-27°N 區域,渦旋半徑、振幅、出現頻率都出現了最高值,同時該區域海洋動能也是最強烈的;其次,在18°N-25°N 和27°N-29°N 區域分布著較大尺度半徑和振幅的渦旋,渦旋的出現頻率也較多,同時該區域海洋動能也較高;在29°N-35°N 出現了許多渦旋且半徑也較大,但是由于振幅太小,并沒有對該區域海洋動能產生過多影響.可以看出渦旋半徑、振幅、出現頻率均對海洋動能有正影響,其中振幅的影響更為主要,與平行坐標系的分析結論一致.

圖9 渦旋半徑、振幅尺度分布統計圖

圖10 不同振幅范圍下的渦旋各屬性尺度分布

圖11 渦旋各屬性與海洋動能分布圖

5 結語

本文將以深度學習為基礎的YOLOv3 目標檢測網絡與海洋物理中提取中尺度渦特征的方法相結合,利用1993-2016年的AVISO 衛星高度計融合數據,針對17°N-42°N,147°W-172°W 的研究區域,制作深度學習樣本集,調整YOLOv3 目標檢測模型相關參數并進行訓練,利用訓練結果檢測該區域2017年的中尺度渦旋,得到了較好的檢測結果,避免海洋物理中閾值選取對渦旋檢測的影響,大大提高了渦旋檢測速度.之后,根據渦旋檢測結果搭建中尺度渦時空特征及海洋信息協同可視化系統,對中尺度渦不同維度信息進行交互可視化展示,并通過各版塊聯動及交互操作在中尺度渦個數統計、特征分布、尺度分布、屬性關聯等方面進行分析,驗證了該系統可很好地滿足對渦旋和海洋信息進行直觀性說明和分析的需求,大大減少研究人員對繁雜數據的對比分析工作.