.png){kind=icon}
返回
High-resolution sea surface height reconstruction method based on deep learning gradient constraint embedding method
.png){kind=icon}
PRE
AI
DOI：10.1016/j.oceaneng.2025.120671.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
海表高度（SSH）数据被广泛用于研究海洋现象。高分辨率SSH数据有助于探索更精细尺度的海洋现象，以响应海洋工程领域的诸多应用，例如船舶航线规划、搜救、石油泄漏或海上平台选址。从低分辨率SSH数据产品中准确重建高分辨率SSH数据，并着重于梯度信息的重建（海洋现象信息），已成为海洋工程领域的一个关键挑战。本研究提出了一种基于生成对抗网络（GAN）的模型，该模型结合了多级残差网络与密集连接和梯度块（MRDG-GAN），将SSH数据的空間分辨率从1/4度提升至1/12度。模型中提出的梯度块和梯度损失函数用于确保生成具有更高精度和更高分辨率的海表，并包含更多梯度信息。对比实验表明，MRDG-GAN比目前最先进的GAN模型能重建出更真实、更准确的高分辨率SSH数据。对比实验和超参数实验的结果表明，MRDG-GAN的超参数已达到最优水平，能够准确提升SSH数据的分辨率。
Keyword:
Sea surface height
Reconstruction
Deep learning
High resolution
Artificial intelligence
期刊
IF:
5.5
论文数:
7.2K
被引数:
7.6W
机构
引用论文
A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications生成对抗网络研究综述: 算法、理论与应用
OAAI
OAAI分享收藏Data-attention-YOLO (DAY): A comprehensive framework for mesoscale eddy identification.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏An Information Flow-Based Sea Surface Height Reconstruction Through Machine Learning基于信息流的机器学习海面高度重建
PREAI
分享收藏An improved sparrow search algorithm and CNN-BiLSTM neural network for predicting sea level heightSCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容