基于人工智能的海面风场融合领域
背景技术：
1、海面风场是海洋灾害监测的重要因子，为研究海气相互作用、热带环流、海洋环流、大气对流、天气预报以及气候监测提供了大量有用信息，同时也满足了全天候监测的需要。海面风场对海洋航运、海上捕鱼作业以及海洋工程等活动的安全进行，也有很重要的影响。在中国近海区域，海洋灾害绝大部分都与海面风场密切相关，因此，对我国近海海面风场的深入研究，不仅对台风等海洋天气形势的分析预报具有重要意义，而且可以为近海区域开展研究提供背景信息。
2、传统的海面风场测量主要是通过一些测风传感器实地测量得到，包括船舶、海上浮标、沿岸海洋观测站等手段来实现。一方面，传统的测量方法有其不可替代的优势，即实地测量时间间隔短，数据精度高，最接近真实值，可以将其获得的常规观测数据作为相对真值对其他风场产品进行验证检验等工作。另一方面，该类现场观测成本高昂，而且海洋面积广阔，现场获取的海面风场资料有限，无法实现大规模海面风场的观测在时间和空间上的连续性。此外，由于海洋环境恶劣，仪器耗费高等原因，我国海洋资料监测点多设置于沿海一带，且数量有限，分布较为稀疏，所以传统监测方法很难对海洋进行长时间、大面积的实时监测，甚至很多海洋数据都根本无法被监测到，以至于满足不了日常生活和研究中对海洋数据的需求。
3、随着卫星遥感技术的迅速发展，使得广阔海域的风场观测成为可能。与传统观测手段相比，卫星遥感具有大面积、准同步、全天候和全天时的观测能力，卫星遥感技术以其宏观大尺度、快速、同步和高频动态观测等优点，为海面风场监测提供了一个崭新的技术手段。但卫星资料由于其采样特点，其产生的海面风场数据存在数据空白区和无法提供时间、空间上连续等缺点。在卫星数据产品中，为最大限度地保存观测数据的信息，并节省存储空间，数据产品采用沿轨存储的方式，即沿卫星轨道方向存储风场、海面温度等海洋参数，并同时记录对应的观测时间等信息。
4、为了解决常规观测数据和卫星风场数据存在的问题，海面风场数据融合被认为是非常有效的手段之一。通过数据融合可以优化遥感信息资源利用，实现多源数据的优势互补。在中国近海区域内，通过融合方法把多源数据结合起来，形成覆盖近海区域的高分辨率的时间空间连续的风场数据集，这将对近海区域研究以及海洋预报都有着重要的意义。
技术实现思路
1、本发明解决的技术问题是：提供一种基于预训练的稀疏标签海上风场融合方法，并且采用以全监督进行预训练，之后以部分监督进行网络微调的训练方式。
2、本发明技术解决方案的特点在于包括下列步骤：
3、1.一种基于预训练的稀疏标签海上风场融合方法；并且采用以全监督进行预训练，之后以部分监督进行网络微调的训练方式，其包括下列步骤：
4、1)降低u-net网络的训练深度，从而减少模型产生的权重数量，使较少的训练标签能够对网络模型的权重更新起到的作用；因此我们将网络的训练深度改为2，并将其命名为ud2-net网络；
5、2)采用全监督的方式去进行网络模型的预训练，使网络模型能够更快的收敛；基于浮标船舶数据和grapes_1km模式数据构造伪标签，以便进行全监督预训练；
6、3)ud2-net模型通过少量站点对整个区域进行订正，即再使用仅有的浮标和船舶数据真值标签采用部分监督对网络模型进行微调；
7、2.采用以全监督进行预训练，之后以部分监督进行网络微调的训练方式，所述步骤2)中制作伪标签的方法：
8、基于浮标船舶数据和grapes_1km模式数据为所有的输出数据按照一定逻辑构造出相对合理的标签的“真值”，方便进行全监督训练。其损失函数定义如下：
9、
10、其中，nms和nfb分别代表grapes_1km模式数据和浮标船舶数据的总数量，yi代表网络的输出值，xi代表标签真值；
11、3.采用以全监督进行预训练，之后以部分监督进行网络微调的训练方式，所述步骤3)基于ud2-net模型采用部分监督的方式进行网络模型的微调，即将浮标和船舶数据作为训练标签；损失函数定义如下：
12、
13、其中，n代表部分监督标签的总数量，yi代表网络输出的值，xi代表浮标和船舶数据的真值。
1.一种基于预训练的稀疏标签海上风场融合方法；并且采用以全监督进行预训练，之后以部分监督进行网络微调的训练方式，其特征在于包括下列步骤：
2.根据权利要求1所述的一种基于ud2-net网络的单层模式数据订正方法，并且采用以全监督进行预训练，之后以部分监督进行网络微调的训练方式，其特征在于所述步骤2)中制作伪标签的方法：
3.根据权利要求1所述的一种基于ud2-net网络的单层模式数据订正方法，并且采用以全监督进行预训练，之后以部分监督进行网络微调的训练方式，其特征在于所述步骤3)基于ud2-net模型采用部分监督的方式进行网络模型的微调，即将浮标和船舶数据作为训练标签；损失函数定义如下：
