一种基于多任务学习的海面风场空间降尺度方法及系统

1.本发明涉及数据处理技术领域，尤其涉及一种基于多任务学习的海面风场空间降尺度方法及系统。


背景技术：

2.海面风场是海洋动量的主要来源之一，是各种海洋、气象研究的关键参数。准确及时的海面风场观测对于数值天气预报、海洋环境监测和运输、海上灾害搜救及风能评估等应用具有重要意义。
3.海面风场可以从船舶、浮标和监测站现场观测获得。这些测量被认为是准确的，但空间覆盖范围有限，空间采样稀疏，分布不均匀，并且很容易受到台风等恶劣天气条件的影响。散射计、辐射计、高度计和星载合成孔径雷达等遥感观测具有大规模、高频、动态的优势，被广泛应用于气象学和海洋学领域当中。此外，还有一些研究使用数值模式和再分析数据的海面风场产品。然而，大多数现有海面风场数据产品的空间分辨率有限，难以满足精细化研究和应用需求。


技术实现要素：

4.为了解决上述问题，本发明提供了一种基于多任务学习的海面风场空间降尺度方法及系统，其中的方法包括以下步骤：
5.s1、获取海面风场数据，并对数据进行预处理，将预处理后的数据划分为训练数据集和验证数据集；
6.s2、构建生成对抗网络，所述生成对抗网络包含生成器网络和判别器网络两部分，生成器网络用于低分辨率海面风场数据的降尺度；
7.s3、构建降采样网络，用于将s2中生成器网络生成的高分辨率数据退化为低分辨率数据，所述降采样网络实现生成器网络降尺度任务的回归任务，将生成器网络任务和降采样网络任务组成一对对偶任务，将s2中的生成器网络和所述降采样网络组合成对偶学习网络；通过s2和s3构建了海面风场空间降尺度任务的网络；
8.s4、将海面风场以外的额外变量的空间降尺度任务作为辅助任务，构建辅助任务网络，利用桥接网络将所述辅助任务网络与s2中的生成器网络连接，构成多任务学习的海面风场空间降尺度网络，并使用pytorch框架实现多任务学习的海面风场空间降尺度网络；
9.s5、将额外变量的数据按照s1的步骤处理，得到额外变量的训练数据集和验证数据集，将两个任务的训练数据集和验证数据集汇总，得到多任务训练数据集和多任务验证数据集；
10.s6、利用多任务训练数据集对多任务学习的海面风场空间降尺度网络进行训练优化，使用多任务验证数据集对训练好的多任务学习的海面风场空间降尺度网络进行测试，并利用浮标数据对降尺度结果进行验证。
11.本发明还提出一种基于多任务学习的海面风场空间降尺度系统，包括：
12.数据集获取模块，用于获取海面风场数据，并对数据进行预处理，将预处理后的数据划分为训练数据集和验证数据集；
13.生成对抗网络构建模块，用于构建生成对抗网络，所述生成对抗网络包含生成器网络和判别器网络两部分；
14.对偶学习网络构建模块，用于构建对偶学习网络，首先构建降采样网络，所述降采样网络实现生成器网络任务的回归任务，将生成器网络任务和降采样网络任务组成一对对偶任务，将生成对抗网络中的生成器网络和所述降采样网络组合成对偶学习网络；
15.海面风场空间降尺度任务的网络构建模块，用于通过生成对抗网络和对偶学习网络构建海面风场空间降尺度任务的网络；
16.辅助任务网络构建模块，用于将海面风场以外的额外变量的空间降尺度任务作为辅助任务，构建辅助任务网络；
17.多任务学习的海面风场空间降尺度网络构建模块，用于利用桥接网络将所述辅助任务网络与生成对抗网络中的生成器网络连接，构建多任务学习的海面风场空间降尺度网络；
18.数据汇总模块，用于将额外变量的数据划分为辅助任务的训练数据集和验证数据集，将两个任务的训练数据集和验证数据集汇总，得到多任务训练数据集和多任务验证数据集；
19.训练测试模块，用于利用多任务训练数据集对多任务学习的海面风场空间降尺度网络进行训练优化，使用多任务验证数据集对训练好的多任务学习的海面风场空间降尺度网络进行测试，并利用浮标数据对降尺度结果进行验证。
20.本发明提供的技术方案带来的有益效果是：
21.本发明首先通过构建一种基于生成对抗网络的海面风场空间降尺度网络，该网络由生成器和判别器组成，其中生成器用于实施空间降尺度，由低分辨率海面风场数据生成高分辨率海面风场数据，判别器则用于对生成的海面风场数据进行评判，以使生成的海面风场数据具有更多纹理细节；然后利用对偶学习的策略，针对生成器的降尺度任务构建与之相反的降采样任务，形成一个闭环的对偶学习回路，将该学习回路应用于生成更高分辨率的数据，从而在缺失高分辨率训练数据情况下生成高分辨率海面风场数据；最后，利用多任务学习的方法，将与海面风场相关的辅助气象数据作为额外变量，将额外变量的空间降尺度作为辅助任务，与海面风场空间降尺度任务构成多任务学习，为之设计了一套参数共享机制，从而为海面风场降尺度提供额外信息，获取高精度、高分辨率的海面风场数据。
附图说明
22.图1是本发明实施例一种基于多任务学习的海面风场空间降尺度方法的流程图；
23.图2是本发明实施例数据边缘填充示意图；
24.图3是本发明实施例生成器网络结构示意图；
25.图4是本发明实施例生成对抗网络的海面风场降尺度网络结构图；
26.图5是本发明实施例对偶学习的海面风场降尺度流程图；
27.图6是本发明实施例多任务学习的海面风场降尺度网络结构图。
具体实施方式
28.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
29.本发明中相关术语：
30.降尺度：降尺度是将大尺度、低分辨率的信息转化为小尺度、高分辨率的信息。
31.生成对抗网络是一种深度学习模型，模型包含两个模块：生成模型和判别模型的互相博弈学习产生相当好的输出。本发明中，利用生成模型实施低分辨率海面风场数据的降尺度，将原始低分辨率海面风场数据生成高分辨率风场数据，判别器网络的任务是对原始风场数据和生成高分辨率风场数据进行判别。
32.本实施例的一种基于多任务学习的海面风场空间降尺度方法的流程图如图1，包括以下步骤：
33.s1、获取海面风场数据，并对数据进行预处理，将预处理后的数据划分为训练数据集和验证数据集。
34.本实施例以windsat海面风场降尺度为例，下载windsat海面风场产品，空间分辨率为0.25
°
，时间区间为2017-2019年。
35.s11、提取海面风场数据，将风速和风向处理为u、v分量，即纬向风和经向风，公式如下：
36.u＝w sinθ
37.v＝w cosθ
38.其中，w为风速，θ为风向与正北方向顺时针夹角，将风场数据处理为纬向和经向风后，u、v的取值范围为-50到50，对u、v进行归一化处理，使其取值范围为0-1。
39.s12、缺失数据点标记，将缺失数据的点进行标记，并记录为mark数组，0为缺失点，1为有效点。
40.s13、边界值填充，利用边界值对缺失数据进行填充，优先横向填充，数据填充示意图如图2所示。
41.s14、将以上步骤处理后的数据划分80％数据作为训练数据集，20％数据作为验证数据集。
42.s2、构建生成对抗网络，生成对抗网络包含生成器网络和判别器网络两部分。
43.生成器网络采用编码器-解码器结构，由降采样模块(down)和上采模样模块(up)构成。
44.图4是本发明实施例生成对抗网络的海面风场降尺度网络结构图，参考图4中的生成器网络部分，生成器网络包括一个bicubic插值算法模块，三个降采样模块、三个上采模样模块、两个卷积层，生成器网络的输入首先通过bicubic插值算法模块进行插值，再依次通过生成器网络的第一个卷积层、第一个降采样模块、第二个降采样模块、第三个降采样模块、第一个上采模样模块、第二个上采模样模块、第三个上采模样模块、第二个卷积层后输出。
45.本实施例中的卷积层包含一个步长为2的3
×
3的卷积和一个步长为1的3
×
3的卷积。
46.生成器网络采用了跳跃连接，即将底层特征连接融合到高层网络之中，使得底层
信息被充分利用，避免网络的梯度消失和退化问题。将第n个down模块之前的输入连接到倒数第n个up模块之后，生成器网络增加跳跃连接后的生成网络结构如图3所示。将生成器网络的第一个卷积层之后、第一个降采样模块之前的输入连接到第三个上采样模块之后、第二个卷积层之前；将第二个降采样模块之前、第一个降采样模块之后的输入连接到第二个上采样模块之后、第三个上采样模块之前；将第三个降采样模块之前、第二个降采样模块之后的输入连接到第一个上采样模块之后、第二个上采样模块之前。
47.通道注意力能够区别对待每个通道的特征，对每个通道乘以一个权重，以使网络更加专注于信息量更大的特征。
48.使用深度学习框架pytorch实现生成器网络模型，以实施低分辨率海面风场数据的降尺度，生成高分辨率的海面风场数据。
49.判别器模型由卷积层、leakyrelu激活函数、批量标准化层、自适应平均池化层、sigmoid函数组成。其中，卷积层、leakyrelu激活函数、批量标准化层组成4组通道数由少到多、特征大小逐渐降低的特征提取层。通过最后一个卷积层，将通道数降为1，所有特征被融合到一个通道中。
50.图4是本发明实施例生成对抗网络的海面风场降尺度网络结构图，参考图4中的判别器网络部分，判别器网络由九个卷积层、八个leakyrelu激活函数、六个批量标准化层、一个自适应平均池化层、一个sigmoid函数组成；
51.其中，判别器网络的第一个卷积层、第一个leakyrelu激活函数、第二个卷积层、第一个批量标准化层、第二个leakyrelu激活函数依次相连构成第一特征提取层；
52.判别器网络的第三个卷积层、第二个批量标准化层、第三个leakyrelu激活函数、第四个卷积层、第三个批量标准化层、第四个leakyrelu激活函数依次相连构成第二特征提取层；
53.判别器网络的第五个卷积层、第四个批量标准化层、第五个leakyrelu激活函数、第六个卷积层、第五个批量标准化层、第六个leakyrelu激活函数依次相连构成第三特征提取层；
54.判别器网络的第七个卷积层、第七个leakyrelu激活函数、第八个卷积层、第六个批量标准化层、第八个leakyrelu激活函数依次相连构成第四特征提取层；
55.判别器网络的输入依次通过判别器网络的第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层、第九个卷积层、自适应平均池化层、sigmoid函数后输出。
56.经过一个自适应平均池化层对这个通道的特征求均值，得到唯一值，以适应任意大小的输入。通过simgoid函数得到一个0到1之间的判别真假的值，0表示假，1表示真。判别器以真实原始海面风场数据y和生成器生成的海面风场数据作为输入。当输入为y时，判别器被期望输出1，当输入为判别器被期望输出为0。
57.将生成器和判别器进行组合，得到基于生成对抗网络的海面风场降尺度网络，其结构图如图4所示。利用对抗学习使生成的高分辨率海面风场数据具有更多的纹理细节。
58.s3、构建降采样网络，并使用pytorch深度学习框架进行实现，用于将降尺度结果退化为低分辨率数据。降采样网络实现生成器网络降尺度任务的回归任务，将生成器网络任务和降采样网络任务组成一对对偶任务，将s2中的生成器网络和降采样网络组合成对偶
学习网络；通过s2和s3构建了海面风场空间降尺度任务的网络。
59.降采样网络包含多个与生成器中相同的降采样模块。利用降采样网络将生成器生成的高分辨率海面风场数据退化为低分辨率海面风场数据，构成降尺度任务的回归任务。
60.利用训练数据训练对偶学习网络，得到监督训练下的对偶学习网络，将训练后的对偶学习网络应用到生成更高分辨率的任务当中，生成带有约束的高分辨率海面风场数据，流程图如图5所示，图5是本发明实施例对偶学习的海面风场降尺度流程图。
61.s4、将海面风场以外的额外变量的空间降尺度任务作为辅助任务，构建辅助任务网络，利用桥接网络将辅助任务网络与s2中的生成器网络连接，构成多任务学习的海面风场空间降尺度网络，并使用pytorch框架实现多任务学习的海面风场空间降尺度网络。
62.辅助任务包含与海面风场空间降尺度任务中生成器网络相同的网络，其网络结构示意图如图3所示。
63.本实施例中，利用海面风与海面温度、湿度等变量之间存在的相关性，将海面温度和水汽作为额外变量。
64.由于增加额外变量，因此网络模型的输入为4通道，分别为：
65.channel_1＝(u+50)/100
66.channel_2＝(v+50)/100
67.channel_3＝(sst+10)/50
68.channel_4＝vapor/75
69.其中，u、v为纬向风和经向风，sst为海面温度，vapor为水汽，通过上式将4个变量进行归一化后作为网络的输入。
70.设计一种软共享方式，通过桥接网络将辅助任务与海面风场降尺度主任务中的特征进行共享。
71.桥接网络包含4个桥模块(bridge)，每个bridge由16个残差通道注意力模块rcab堆叠而成，用于对共享特征进行转换和过滤，以使得网络可以自适应地共享不同任务之间的特征和参数。利用桥接网络将辅助任务网络与用于海面风场空间降尺度的生成器网络连接，构成基于多任务学习的海面风场空间降尺度网络，网络结构图如图6所示。
72.进一步的实施例中，辅助任务网络的第2个上采样模块和第3个上采样模块之间通过第1个bridge连接到海面风场空间降尺度任务网络的生成器网络的第1个降采样模块和第2个降采样模块之间；辅助任务网络的第1个降采样模块和第2个降采样模块之间通过第2个bridge连接到海面风场空间降尺度任务网络的生成器网络的第2个上采样模块和第3个上采样模块之间；辅助任务网络的第1个上采样模块和第2个上采样模块之间通过第3个bridge连接到海面风场空间降尺度任务网络的生成器网络的第2个降采样模块和第3个降采样模块之间；辅助任务网络的第2个降采样模块和第3个降采样模块之间通过第4个bridge连接到海面风场空间降尺度任务网络的生成器网络的第1个上采样模块和第2个上采样模块之间。
73.两个任务的生成器网络的总内容损失为
[0074][0075]
其中，x为基于多任务学习的海面风场降尺度网络的输入，y为原始高分辨率数据，yw
为原始高分辨率海面风场数据，ys为原始高分辨率辅助数据，y由yw和ys组成；gw表示海面风场降尺度任务生成器网络，表示辅助任务共享的信息，s表示额外变量的降尺度结果，gs表示辅助降尺度任务生成器网络，表示主任务共享的信息。λ3为辅助任务损失的权重，用来调节两个任务在网络进行优化时的速度和平衡，权重越大相应的网络优化速度越快，在优化时也更加偏向于对应的分支。
[0076]
基于多任务学习的海面风场降尺度网络的总损失函数设计为：
[0077][0078][0079][0080][0081]
该损失函数分为两个部分，xw为低分辨率海面风场数据。其中，s
p
(x)为指示函数，当网络输入为低分辨率数据时，s
p
(x)为1；当网络输入为高分辨率数据时，s
p
(x)为0。
[0082]
为对抗损失，表示判别器对生成的高分辨率海面风y'的真实性评估。为回归任务的损失，即从生成模型生成的较高分辨率结果降采样到与输入同分辨率的数据，与输入之间的差异，其同样由像素级l2距离衡量。当网络的输入为高分辨率数据时，网络的前半部分损失为0，后半损失为
[0083]
为判别器的损失，以衡量判别器鉴别原始海面风场数据yw和生成数据y'的误差损失，其被期望对真实的原始数据yw输出1，对生成器网络的数据y'输出0，使用交叉熵损失函数。公式中的系数被用来平衡其组成部分的权重，其中，λ1默认设定为1，λ2默认设定为0.1。
[0084]
s5、将额外变量的数据按照s1的步骤处理，得到额外变量的训练数据集和验证数据集，将两个任务的训练数据集和验证数据集汇总，得到多任务训练数据集和多任务验证数据集。
[0085]
s6、利用多任务训练数据集对多学习的海面风场空间降尺度网络进行训练优化，直至模型收敛，使用多任务验证数据集对训练好的多任务学习的海面风场空间降尺度网络进行测试，下载ndbc和rama浮标数据，并整理出研究区域中的浮标数据，并利用浮标数据对降尺度结果进行验证。利用coare 4.0算法，将ndbc和rama的浮标测量风场校准为标准的10米参考高度下的中性等效风。其中辅助任务的数据输入到辅助任务网络中，主任务数据输入到s2、s3构建的网络中，两个任务通过桥接网络交换参数。
[0086]
实施例中还包括一种基于多任务学习的海面风场空间降尺度系统，用于实现一种基于多任务学习的海面风场空间降尺度方法，包括：
[0087]
数据集获取模块，用于获取海面风场数据，并对数据进行预处理，将预处理后的数据划分为训练数据集和验证数据集；
[0088]
生成对抗网络构建模块，用于构建生成对抗网络，所述生成对抗网络包含生成器网络和判别器网络两部分；
[0089]
对偶学习网络构建模块，用于构建对偶学习网络，首先构建降采样网络，所述降采样网络实现生成器网络任务的回归任务，将生成器网络任务和降采样网络任务组成一对对偶任务，将生成对抗网络中的生成器网络和所述降采样网络组合成对偶学习网络；
[0090]
海面风场空间降尺度任务的网络构建模块，用于通过生成对抗网络和对偶学习网络构建海面风场空间降尺度任务的网络；
[0091]
辅助任务网络构建模块，用于将海面风场以外的额外变量的空间降尺度任务作为辅助任务，构建辅助任务网络；
[0092]
多任务学习的海面风场空间降尺度网络构建模块，用于利用桥接网络将所述辅助任务网络与生成对抗网络中的生成器网络连接，构建多任务学习的海面风场空间降尺度网络；
[0093]
数据汇总模块，用于将额外变量的数据划分为辅助任务的训练数据集和验证数据集，将两个任务的训练数据集和验证数据集汇总，得到多任务训练数据集和多任务验证数据集；
[0094]
训练测试模块，用于利用多任务训练数据集对多任务学习的海面风场空间降尺度网络进行训练优化，使用多任务验证数据集对训练好的多任务学习的海面风场空间降尺度网络进行测试，并利用浮标数据对降尺度结果进行验证。
[0095]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种基于多任务学习的海面风场空间降尺度方法，其特征在于，包括以下步骤：s1、获取海面风场数据，并对数据进行预处理，将预处理后的数据划分为训练数据集和验证数据集；s2、构建生成对抗网络，所述生成对抗网络包含生成器网络和判别器网络两部分，生成器网络用于低分辨率海面风场数据的降尺度；s3、构建降采样网络，用于将s2中生成器网络生成的高分辨率数据退化为低分辨率数据，所述降采样网络实现生成器网络降尺度任务的回归任务，将生成器网络任务和降采样网络任务组成一对对偶任务，将s2中的生成器网络和所述降采样网络组合成对偶学习网络；通过s2和s3构建了海面风场空间降尺度任务的网络；s4、将海面风场以外的额外变量的空间降尺度任务作为辅助任务，构建辅助任务网络，利用桥接网络将所述辅助任务网络与s2中的生成器网络连接，构成多任务学习的海面风场空间降尺度网络，并使用pytorch框架实现多任务学习的海面风场空间降尺度网络；s5、将额外变量的数据按照s1的步骤处理，得到额外变量的训练数据集和验证数据集，将两个任务的训练数据集和验证数据集汇总，得到多任务训练数据集和多任务验证数据集；s6、利用多任务训练数据集对多任务学习的海面风场空间降尺度网络进行训练优化，使用多任务验证数据集对训练好的多任务学习的海面风场空间降尺度网络进行测试，并利用浮标数据对降尺度结果进行验证。2.根据权利要求1所述的一种基于多任务学习的海面风场空间降尺度方法，其特征在于，步骤s1具体为：s11、提取海面风场数据，将风速和风向处理为u、v分量，公式如下：u＝w sinθv＝w cosθ其中，w为风速，θ为风向与正北方向顺时针夹角，并对u、v进行归一化处理；s12、将缺失数据的点进行标记；s13、利用边界值对缺失数据进行填充；s14、将以上步骤处理后的数据划分为训练数据集和验证数据集。3.根据权利要求1所述的一种基于多任务学习的海面风场空间降尺度方法，其特征在于，步骤s2中，生成器网络采用编码器-解码器结构，包括一个bicubic插值算法模块，三个降采样模块、三个上采模样模块、两个卷积层，生成器网络的输入依次通过生成器网络的bicubic插值算法模块、第一个卷积层、第一个降采样模块、第二个降采样模块、第三个降采样模块、第一个上采模样模块、第二个上采模样模块、第三个上采模样模块、第二个卷积层后输出；生成器网络采用跳跃连接，将生成器网络的第一个卷积层之后、第一个降采样模块之前的输入连接到第三个上采样模块之后、第二个卷积层之前；将第二个降采样模块之前、第一个降采样模块之后的输入连接到第二个上采样模块之后、第三个上采样模块之前；将第三个降采样模块之前、第二个降采样模块之后的输入连接到第一个上采样模块之后、第二个上采样模块之前。4.根据权利要求1所述的一种基于多任务学习的海面风场空间降尺度方法，其特征在
于，判别器网络由九个卷积层、八个leakyrelu激活函数、六个批量标准化层、一个自适应平均池化层、一个sigmoid函数组成；其中，判别器网络的第一个卷积层、第一个leakyrelu激活函数、第二个卷积层、第一个批量标准化层、第二个leakyrelu激活函数依次相连构成第一特征提取层；判别器网络的第三个卷积层、第二个批量标准化层、第三个leakyrelu激活函数、第四个卷积层、第三个批量标准化层、第四个leakyrelu激活函数依次相连构成第二特征提取层；判别器网络的第五个卷积层、第四个批量标准化层、第五个leakyrelu激活函数、第六个卷积层、第五个批量标准化层、第六个leakyrelu激活函数依次相连构成第三特征提取层；判别器网络的第七个卷积层、第七个leakyrelu激活函数、第八个卷积层、第六个批量标准化层、第八个leakyrelu激活函数依次相连构成第四特征提取层；判别器网络的输入依次通过判别器网络的第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层、第九个卷积层、自适应平均池化层、sigmoid函数后输出。5.根据权利要求3所述的一种基于多任务学习的海面风场空间降尺度方法，其特征在于，降采样网络包含3个与生成器中相同的降采样模块。6.根据权利要求3所述的一种基于多任务学习的海面风场空间降尺度方法，其特征在于，辅助任务网络包含与海面风场空间降尺度任务网络中生成器网络相同的网络。7.根据权利要求6所述的一种基于多任务学习的海面风场空间降尺度方法，其特征在于，构建桥接网络将辅助任务与海面风场空间降尺度任务中的特征进行共享，桥接网络模块包含4个桥模块，每个桥模块由16个残差通道注意力模块rcab堆叠而成，利用桥接网络将辅助任务网络与海面风场空间降尺度的生成器网络连接，构成基于多任务学习的海面风场降尺度网络，辅助任务网络的第2个上采样模块和第3个上采样模块之间通过第1个桥模块连接到海面风场空间降尺度任务网络的生成器网络的第1个降采样模块和第2个降采样模块之间；辅助任务网络的第1个降采样模块和第2个降采样模块之间通过第2个桥模块连接到海面风场空间降尺度任务网络的生成器网络的第2个上采样模块和第3个上采样模块之间；辅助任务网络的第1个上采样模块和第2个上采样模块之间通过第3个桥模块连接到海面风场空间降尺度任务网络的生成器网络的第2个降采样模块和第3个降采样模块之间；辅助任务网络的第2个降采样模块和第3个降采样模块之间通过第4个桥模块连接到海面风场空间降尺度任务网络的生成器网络的第1个上采样模块和第2个上采样模块之间。8.根据权利要求1所述的一种基于多任务学习的海面风场空间降尺度方法，其特征在于，海面风场空间降尺度任务与辅助任务的生成器网络的总内容损失为于，海面风场空间降尺度任务与辅助任务的生成器网络的总内容损失为其中，x为基于多任务学习的海面风场降尺度网络的输入，y为原始高分辨率数据，y
w
为原始高分辨率海面风场数据，y
s
为原始高分辨率辅助数据，g
w
表示海面风场降尺度任务生成器网络，表示辅助任务共享的信息，s表示额外变量的降尺度结果，g
s
表示辅助任务生成器网络，表示海面风场空间降尺度任务共享的信息，λ3为辅助任务损失的权重，||.||
l2
表示l2范数；
多任务学习的海面风场降尺度网络的总损失函数设计为：多任务学习的海面风场降尺度网络的总损失函数设计为：多任务学习的海面风场降尺度网络的总损失函数设计为：多任务学习的海面风场降尺度网络的总损失函数设计为：x
w
为低分辨率海面风场数据，其中，s
p
(x)为指示函数，当网络输入为低分辨率数据时，s
p
(x)为1；当网络输入为高分辨率数据时，s
p
(x)为0，ln()为自然对数；为对抗损失，表示判别器对生成器网络生成的高分辨率海面风y'的真实性评估，x
w
为输入的低分辨率风场数据，为回归任务的损失，表示从生成器网络生成的较高分辨率结果降采样到与生成器网络输入同分辨率的数据，与生成器网络输入之间的差异，由像素级l2距离衡量，当网络的输入为高分辨率数据时，网络的前半部分损失为0，后半损失为时，网络的前半部分损失为0，后半损失为为判别器的损失，衡量判别器鉴别原始海面风场数据y
w
和生成数据y'的误差损失，其被期望对真实的原始数据y
w
输出1，对生成器网络的数据y'输出0，使用交叉熵损失函数，公式中的系数被用来平衡其组成部分的权重，其中，λ1和λ2为权重。9.一种基于多任务学习的海面风场空间降尺度系统，其特征在于，包括：数据集获取模块，用于获取海面风场数据，并对数据进行预处理，将预处理后的数据划分为训练数据集和验证数据集；生成对抗网络构建模块，用于构建生成对抗网络，所述生成对抗网络包含生成器网络和判别器网络两部分；对偶学习网络构建模块，用于构建对偶学习网络，首先构建降采样网络，所述降采样网络实现生成器网络任务的回归任务，将生成器网络任务和降采样网络任务组成一对对偶任务，将生成对抗网络中的生成器网络和所述降采样网络组合成对偶学习网络；海面风场空间降尺度任务的网络构建模块，用于通过生成对抗网络和对偶学习网络构建海面风场空间降尺度任务的网络；辅助任务网络构建模块，用于将海面风场以外的额外变量的空间降尺度任务作为辅助任务，构建辅助任务网络；多任务学习的海面风场空间降尺度网络构建模块，用于利用桥接网络将所述辅助任务网络与生成对抗网络中的生成器网络连接，构建多任务学习的海面风场空间降尺度网络；数据汇总模块，用于将额外变量的数据划分为辅助任务的训练数据集和验证数据集，将两个任务的训练数据集和验证数据集汇总，得到多任务训练数据集和多任务验证数据集；训练测试模块，用于利用多任务训练数据集对多任务学习的海面风场空间降尺度网络进行训练优化，使用多任务验证数据集对训练好的多任务学习的海面风场空间降尺度网络进行测试，并利用浮标数据对降尺度结果进行验证。

技术总结
本发明公开了一种基于多任务学习的海面风场空间降尺度方法，包括以下步骤：获取海面风场数据的训练数据集和验证数据集；构建包含生成器网络和判别器网络两部分的生成对抗网络；构建降采样网络，降采样网络实现生成器网络任务的回归任务，将两个任务组成一对对偶任务，并组合成对偶学习网络；构建辅助任务网络，将辅助任务网络与海面风场空间降尺度的生成器网络连接，构成多任务学习的海面风场空间降尺度网络，并利用训练数据集进行训练优化，使用验证数据集对训练好的网络进行测试。通过以上方法，获取高精度、高分辨率的海面风场数据。高分辨率的海面风场数据。高分辨率的海面风场数据。


技术研发人员：孙永健 刘佳 邓重九 金永军 熊奇
受保护的技术使用者：中国地质大学（武汉）
技术研发日：2023.05.11
技术公布日：2023/8/16