一种卫星沿轨海平面高度异常数据融合方法及系统与流程

1.本技术涉及物理海洋学领域，具体而言，涉及一种卫星沿轨海平面高度异常数据融合方法及系统。


背景技术：

2.海水的流动是影响海洋能量等相关海洋物理要素分布最为重要的因素之一。根据流体力学物理规律，海流能够引起海平面高度的变化，在这其中，海平面高度与平均海平面高度之间的差异被称之海平面高度异常(sea level anomaly，sla)。由此可见，sla中包含有海流的信息，这就使得海流的情况可以通过对sla的测量结果加以描述，从而使得其成为海洋数值模式中同化的重要参数。
3.目前，测量全球sla时通常会使用卫星雷达高度计加以观测。然而，该种方式仅能够得到卫星星下点sla，从而使得获得的sla数据呈一维的星下点轨迹的形态。该类数据被称为卫星沿轨sla数据，具有空间覆盖率不够高的局限性。
4.但是，海洋数值模式需要使用网格化数据进行计算，因此技术人员提出了将一段时间内的卫星沿轨sla数据进行融合，以此生成网格化的二维sla数据的方法。
5.其中，上述的卫星沿轨sla融合方法通常采用最优插值融合法，但是最优插值融合法包含时空相关半径等大量人为设定的参数，从而使得其具有一定的主观性；同时，该方法的计算量较大，耗时相对较长；另外，该方法针对不同海域通常使用相同的参数，这使得卫星在不同海域的观测特性难以自适应调整。
6.可见，虽然最优插值融合法是目前最为主流的sla融合方法，但是在计算效率与自适应性方面仍具有一定的局限性。


技术实现要素：

7.本技术实施例的目的在于提供一种卫星沿轨海平面高度异常数据融合方法及系统，能够更快速、更全面、更准确地获取到与不同海域、不同卫星相匹配的格点化融合数据；同时，还能够避免使用欧洲哥白尼海洋服务生产的格点化融合数据，解决海洋预报关键数据的“卡脖子”问题。
8.本技术实施例第一方面提供了一种卫星沿轨海平面高度异常数据融合方法，包括：
9.获取待处理的卫星沿轨海平面高度异常数据；
10.根据所述卫星沿轨海平面高度异常数据，生成卫星沿轨掩膜数据；
11.根据所述卫星沿轨海平面高度异常数据生成目标海域稀疏二维sla矩阵，以及根据所述卫星沿轨掩膜数据生成掩膜二维矩阵；
12.通过预先构建的海平面高度异常数据融合模型对所述目标海域稀疏二维sla矩阵和所述掩膜二维矩阵进行融合处理，得到格点化融合数据。
13.进一步地，所述方法还包括：
14.构建原始融合模型，并获取用于训练所述原始融合模型的sla数据样本集；其中，所述sla数据样本集包括多个历史卫星沿轨海平面高度异常数据；
15.获取与所述sla数据样本集对应的卫星沿轨掩膜数据样本集；
16.生成所述sla数据样本集对应的二维矩阵样本和所述卫星沿轨掩膜数据样本集对应的掩膜二维矩阵样本；
17.通过最优插值方法对所述二维矩阵样本进行融合处理，得到格点化融合场数据集；
18.通过所述二维矩阵样本、所述掩膜二维矩阵样本以及所述格点化融合场数据集对所述原始融合模型进行训练处理，得到训练好的海平面高度异常数据融合模型。
19.进一步地，所述获取与所述sla数据样本集对应的卫星沿轨掩膜数据样本集，包括：
20.获取所述sla数据样本集中所有的有效数据，得到有效数据集，并根据所述有效数据集和所述sla数据样本集，确定其他数据集；
21.将所述有效数据集中的每个数据对应卫星沿轨掩膜数据的值确定为第一预设取值，并将所述其他数据集中的每个数据对应卫星沿轨掩膜数据的值确定为第二预设取值；
22.根据所述第一预设取值和所述第二预设取值，确定与所述sla数据样本集对应的卫星沿轨掩膜数据样本集。
23.进一步地，生成所述sla数据样本集对应的二维矩阵样本和所述卫星沿轨掩膜数据样本集对应的掩膜二维矩阵样本，包括：
24.根据预设目标空间区域生成等经纬度的第一初始矩阵和第二初始矩阵；
25.依照所述预设目标空间区域将所述sla数据样本集与所述第一初始矩阵进行空间匹配赋值，得到二维矩阵样本；
26.依照所述预设目标空间区域将所述卫星沿轨掩膜数据样本集与所述第二初始矩阵进行空间匹配赋值，得到掩膜二维矩阵样本。
27.进一步地，所述二维矩阵样本和所述掩膜二维矩阵样本为训练所述原始融合模型的训练输入数据，所述格点化融合场数据集为训练所述原始融合模型的训练真值。
28.本技术实施例第二方面提供了一种卫星沿轨海平面高度异常数据融合系统，所述卫星沿轨海平面高度异常数据融合系统包括：
29.第一获取单元，用于获取待处理的卫星沿轨海平面高度异常数据；
30.第一生成单元，用于根据所述卫星沿轨海平面高度异常数据，生成卫星沿轨掩膜数据；
31.第二生成单元，用于根据所述卫星沿轨海平面高度异常数据生成目标海域稀疏二维sla矩阵，以及根据所述卫星沿轨掩膜数据生成掩膜二维矩阵；
32.融合单元，用于通过预先构建的海平面高度异常数据融合模型对所述目标海域稀疏二维sla矩阵和所述掩膜二维矩阵进行融合处理，得到格点化融合数据。
33.进一步地，卫星沿轨海平面高度异常数据融合系统还包括：
34.构建单元，用于构建原始融合模型；
35.所述第一获取单元，还用于获取用于训练所述原始融合模型的sla数据样本集；其中，所述sla数据样本集包括多个历史卫星沿轨海平面高度异常数据；
36.第二获取单元，用于获取与所述sla数据样本集对应的卫星沿轨掩膜数据样本集；
37.第三生成单元，用于生成所述sla数据样本集对应的二维矩阵样本和所述卫星沿轨掩膜数据样本集对应的掩膜二维矩阵样本；
38.插值融合单元，用于通过最优插值方法对所述二维矩阵样本进行融合处理，得到格点化融合场数据集；
39.训练单元，用于通过所述二维矩阵样本、所述掩膜二维矩阵样本以及所述格点化融合场数据集对所述原始融合模型进行训练处理，得到训练好的海平面高度异常数据融合模型。
40.进一步地，所述第二获取单元具体用于获取所述sla数据样本集中所有的有效数据，得到有效数据集，并根据所述有效数据集和所述sla数据样本集，确定其他数据集；还用于将所述有效数据集中的每个数据对应卫星沿轨掩膜数据的值确定为第一预设取值，并将所述其他数据集中的每个数据对应卫星沿轨掩膜数据的值确定为第二预设取值；还用于根据所述第一预设取值和所述第二预设取值，确定与所述sla数据样本集对应的卫星沿轨掩膜数据样本集。
41.本技术实施例第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本技术实施例第一方面中任一项所述的卫星沿轨海平面高度异常数据融合方法。
42.本技术实施例第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本技术实施例第一方面中任一项所述的卫星沿轨海平面高度异常数据融合方法。
附图说明
43.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
44.图1为本技术实施例提供的一种卫星沿轨海平面高度异常数据融合方法的流程示意图；
45.图2为本技术实施例提供的一种卫星沿轨海平面高度异常数据融合系统的结构示意图；
46.图3为本技术实施例提供的一种深度学习sla融合模型的结构示意图；
47.图4为本技术实施例提供的一种黑潮延申体海域sla对比示意图；
48.图5为本技术实施例提供的另一种卫星沿轨海平面高度异常数据融合系统的结构示意图。
具体实施方式
49.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。
50.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本技术的
描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
51.实施例1
52.请参看图1，图1为本技术实施例提供了一种卫星沿轨海平面高度异常数据融合方法的流程示意图。其中，该卫星沿轨海平面高度异常数据融合方法包括：
53.s101、构建原始融合模型，并获取用于训练原始融合模型的sla数据样本集；其中，sla数据样本集包括多个历史卫星沿轨海平面高度异常数据。
54.本实施例中，sla数据样本集为历史多源卫星沿轨sla数据集。
55.在本实施例中，历史多源卫星沿轨sla数据集包括上述的多个历史卫星沿轨海平面高度异常数据。
56.本实施例中，历史多源卫星沿轨sla数据集可以包括多个历史多源卫星沿轨sla二维矩阵数据集以及对应的掩膜二维矩阵数据集。
57.s102、获取sla数据样本集中所有的有效数据，得到有效数据集，并根据有效数据集和sla数据样本集，确定其他数据集。
58.s103、将有效数据集中的每个数据对应卫星沿轨掩膜数据的值确定为第一预设取值，并将其他数据集中的每个数据对应卫星沿轨掩膜数据的值确定为第二预设取值。
59.本实施例中，其他数据集中的每个数据用于指代无效数据。
60.s104、根据第一预设取值和第二预设取值，确定与sla数据样本集对应的卫星沿轨掩膜数据样本集。
61.本实施例中，该方法在获取历史多源卫星沿轨sla数据后，判断卫星沿轨sla数据是否为有效数据，当卫星沿轨sla数据为有效数据时对其取值为1，其他情况对其取值为0。
62.本实施例中，实施上述步骤s102～步骤s104，能够获取与sla数据样本集对应的卫星沿轨掩膜数据样本集。
63.本实施例中，该方法可以根据历史多源卫星沿轨sla数据计算与之一一对应的历史多源卫星沿轨sla掩膜数据。
64.s105、根据预设目标空间区域生成等经纬度的第一初始矩阵和第二初始矩阵。
65.s106、依照预设目标空间区域将sla数据样本集与第一初始矩阵进行空间匹配赋值，得到二维矩阵样本。
66.s107、依照预设目标空间区域将卫星沿轨掩膜数据样本集与第二初始矩阵进行空间匹配赋值，得到掩膜二维矩阵样本。
67.本实施例中，该方法在获取到上述数据集之后，还可以基于多源卫星沿轨sla数据集，生成多源卫星沿轨sla二维矩阵数据集以及对应的掩膜二维矩阵数据集。
68.举例来说，该方法首先根据选取的海域，以选定的空间分辨率生成基础矩阵，那么针对西北太平洋海域(0～45
°
n，100～160
°
e)，该矩阵的大小为180元素*240元素，每个元素默认值为-10，每个矩阵元素事实上是代表0.25
°
*0.25
°
的空间范围。按照上述规则，建立2个基础矩阵a和矩阵b，分别用来生成沿轨sla二维矩阵以及对应的掩膜二维矩阵。
69.在上述内容的基础上，该方法可以在空间上对历史卫星沿轨sla观测数据与矩阵a进行匹配，匹配的过程如下：
70.获取与上述的每个历史卫星沿轨sla数据对应的观测时间和经纬度，并舍去超出西北太平洋海域的观测点；
71.根据经纬度找到落入距离最近的0.25
°
*0.25
°
矩阵的格点，并将该矩阵的元素数值改写为该sla数值；其中，若落入该矩阵格点的卫星sla数值超过1个，则取均值改写。
72.按照上述操作，该方法可以将所有卫星在24小时之内的sla数据均填补进入矩阵a，最后得到多源卫星沿轨sla二维矩阵。可以理解的，由于该矩阵填入的多源卫星数据是以24小时为时间段划分的，那么，对于一年365日，则对应有365个该矩阵。
73.此后，该方法根据矩阵a生成矩阵b。由于矩阵a，b维度相同，针对每一个矩阵a，当矩阵a元素是有效的sla时，矩阵b对应位置的元素数值改为1，相反改为0。那么矩阵b即掩膜二维矩阵建立完毕。同样的，对于一年365(366)个矩阵a，同样有对应的365(366)个矩阵b。
74.而考虑到本举例中采用的sla融合场的空间分辨率为0.25
°
，因此限定与第一经纬度的空间匹配距离小于0.25
°
；在时间匹配方面，匹配阈值为每日0～24时。但是需要注意，该时空匹配规则与本实施例选取的作为真值的sla融合场的空间分辨率直接相关，若在其他实施过程中采用了不同的分辨率，则应当对时空匹配原则进行相应的修改以得到合理的时空匹配数据。
75.本实施例中，实施上述步骤s105～步骤s107，能够生成sla数据样本集对应的二维矩阵样本和卫星沿轨掩膜数据样本集对应的掩膜二维矩阵样本。
76.本实施例中，该方法可以根据历史多源卫星沿轨sla数据集与对应sla掩膜数据集生成sla二维矩阵数据集与掩膜二维矩阵集。
77.举例来说，该方法可以根据所需计算的空间区域生成等经纬度的初始矩阵1与矩阵2，该矩阵的元素全部取为-1；此时将多源卫星沿轨sla数据依照经纬度与上述矩阵进行空间匹配，当卫星沿轨sla数据为有效数据时，将与该数据空间匹配的矩阵元素赋值为该sla数据，并重复上述操作，直至将全部参与融合的多源卫星沿轨sla数据处理完；其中，矩阵1即为多源卫星沿轨sla二维矩阵，针对多个时间的不同的矩阵1形成历史多源卫星沿轨sla二维矩阵数据集；类似的，将相应的历史多源卫星沿轨sla掩膜数据与矩阵2进行空间匹配，当掩膜数据为1时，将矩阵2中空间匹配的元素数值改为1，其他情况保持矩阵2元素不变，重复上述操作，形成历史多源卫星沿轨sla掩膜二维矩阵数据集。
78.s108、通过最优插值方法对二维矩阵样本进行融合处理，得到格点化融合场数据集。
79.本实施例中，该方法可以使用最优插值方法生成格点化融合场数据集。
80.本实施例中，格点化融合场数据集即为格点化sla融合场数据集。
81.s109、通过二维矩阵样本、掩膜二维矩阵样本以及格点化融合场数据集对原始融合模型进行训练处理，得到训练好的海平面高度异常数据融合模型。
82.本实施例中，该方法可以使用历史多源卫星沿轨sla二维矩阵数据集、历史多源卫星沿轨sla掩膜二维矩阵集作为输入数据，并以最优插值融合法生成格点化sla融合场数据集作为输出数据，来完成基于深度学习模型的sla融合模型的训练。
83.本实施例中，二维矩阵样本和掩膜二维矩阵样本为训练原始融合模型的训练输入数据，使用最优插值获得的格点化融合场数据集为训练原始融合模型的训练真值。
84.本实施例中，用于训练上述训练真值的历史多源卫星融合sla数据集可以是来自于哥白尼海洋服务(copernicus marine service，cmems)2019～2021年格点化sla融合数据。该数据是目前国际公认的精度与权威性最高的sla数据集之一。该数据集时间分辨率为
24小时，空间分辨率0.25
°
；该数据集即使用传统最优插值方法生成。本实施例中选取的卫星沿轨sla观测数据可以来自于自然资源部国家卫星海洋应用中心hy2b卫星、以及欧洲航天局(european space agency，esa)哥白尼观测计划(copernicus programme)的jason2/3、altika/saral、cryosat、哨兵3a/b卫星雷达高度计观测。本实施例选取的海域为西北太平洋海域(0～45
°
n，100～160
°
e)；当然，对于本技术所提供方法中的历史多源卫星沿轨sla数据集和使用最优插值方法生成的历史格点化sla融合场数据集，本技术对其来源并不作限定，例如历史多源卫星沿轨sla可以是其他能够观测沿轨sla的卫星；作为训练真值的历史格点化sla融合场数据集可以来源于其他任何方法或海洋数值模式。
85.举例来说，该方法在训练sla融合模型的过程中可以先将历史多源卫星沿轨sla数据二维矩阵以及对应的掩膜二维矩阵作为训练输入数据、将获取的使用最优插值方法生成的格点化sla融合场数据集作为训练真值，并采用预设的损失函数对预先建立的深度学习模型进行训练，得到训练后的深度学习sla融合模型，即深度学习sla融合模型。
86.本实施例中，该方法在完成多源卫星沿轨sla二维矩阵数据集以及对应的掩膜二维矩阵数据集构建后，还可建立深度学习sla融合模型并开展训练，具体步骤如下：
87.将历史多源卫星沿轨sla二维矩阵数据集以及对应的掩膜二维矩阵数据集作为训练输入数据、将历史多源卫星格点化sla融合数据作为真值，并基于深度学习模型框架建立的sla融合模型并进行训练，得到深度学习sla融合模型。
88.本实施例中，可以基于卷积神经网络(convolutional neural networks,cnn)的方式构建深度学习sla融合模型，结构图如图3所示。该模型输入为多源卫星sla二维矩阵数据以及对应的掩膜二维矩阵数据，在本实施例中，采用前后共19天(当前日期及前面9日、后面9日)的矩阵数据进行融合，输出即为当前日期的sla融合数据。在训练过程中，将cmems的历史格点化sla融合场数据集作为真值；可以采用平均绝对误差(mean absolute error，mae)作为该深度学习sla融合模型的损失函数，完成对该深度学习sla融合模型进行训练，即可得到训练后的深度学习sla融合模型。其中，模型优化方法为自适应矩估计(adam)。
89.本实施例中，下面内容将结合该实验数据对上述方法实施例的有益效果作进一步解释。
90.具体的，该方法使用2019年～2020年(含)的多源卫星sal沿轨观测数据与对应时间的cmems逐日的多源sal融合场数据进行训练(即训练集)；另外2021年(1～11月)的对应数据作为验证数据集，从而能够独立与全面的验证sla融合场的精度。下面给出的涉及精度评估与改善的结论，均是基于验证数据集的独立检验数据得到的。
91.在独立检验数据上得到的订正前后的具体的精度评估如图4所示。从整体上可以看到，根据基于我国业务海浪观测浮标观测的检验，该基于深度学习的sla融合模型sla数值与cmems的sla的散点分布图。即使在黑潮延申体这种sla分布最为复杂的海域之一，系统偏差(bias)为4mm、均方根误差(root mean square error，rmse)为8.9cm。因此根据该独立检验结果表明基于深度学习的sla融合模型能够在极大地缩短运算时间的前提下获得了较高的融合精度，从而能够为我国海洋预报业务提供有效的sla融合数据。
92.在本实施例中，该方法以历史cmems格点化sla融合场数据为真值，使用多源卫星sla沿轨数据生成的卫星sla二维矩阵与对应的掩膜矩阵数据集对基于卷积神经网络的深度学习sla融合模型进行训练，得到深度学习sla融合模型。完成模型训练后，将多源卫星沿
轨sla数据输入该订正模型后即可获得格点化的sla融合场，从而完成沿轨卫星sla融合过程。更重要的是，本实施例实现了一种卫星沿轨sla融合新方法。
93.s110、获取待处理的卫星沿轨海平面高度异常数据。
94.s111、根据卫星沿轨海平面高度异常数据，生成卫星沿轨掩膜数据。
95.s112、根据卫星沿轨海平面高度异常数据生成目标海域稀疏二维sla矩阵，以及根据卫星沿轨掩膜数据生成掩膜二维矩阵。
96.s113、通过预先构建的海平面高度异常数据融合模型对目标海域稀疏二维sla矩阵和掩膜二维矩阵进行融合处理，得到格点化融合数据。
97.本实施例中，该方法可以优先训练基于深度学习的sla融合模型；然后获取多源卫星沿轨sla数据；并根据多源卫星沿轨sla数据生成对应的掩膜数据；再根据卫星沿轨sla数据与掩膜数据生成sla二维矩阵与掩膜二维矩阵；此时，将多源卫星沿轨sla数据二维矩阵及其对应掩膜二维矩阵输入训练好的深度学习sla融合模型，得到格点化的sla二维数据场；其中，深度学习sla融合模型是基于历史多源卫星沿轨sla数据以及预先使用最优插值方法生成的格点化sla融合场数据，通过深度学习方法进行训练获得。
98.在上述实现过程中，以cmems历史格点化sla融合场数据为真值，使用经过匹配的历史多源卫星沿轨sla二维矩阵数据集以及对应的掩膜二维矩阵数据集对深度学习sla融合模型进行训练，得到深度学习sla融合模型。将多源卫星沿轨sla数据输入该融合模型后即可获得格点化的sla要素场，从而完成卫星沿轨sla融合过程，以极短的运算时间代价获得理想的sla融合精度，同时大大降低了sla融合对于软硬件条件的限制。
99.本实施例中，该方法的执行主体可以为计算机、服务器等计算系统，对此本实施例中不作任何限定。
100.可见，实施本实施例所描述的卫星沿轨海平面高度异常数据融合方法，能够通过显著低于传统最优插值融合算法的运算时间获得准确的二维网格化sla融合数据，有效降低卫星沿轨sla融合计算对于硬件的要求；同时，由于深度学习sla融合模型是通过训练学习得到的，使得其能够具有自适应不同海域、不同卫星的数据特点，从而形成高度自适应的融合算法，进而形成我国自主sla融合算法，解决这一海洋预报关键数据“卡脖子”问题，为我国业务sla融合提供有效的支撑。
101.实施例2
102.请参看图2，图2为本技术实施例提供的一种卫星沿轨海平面高度异常数据融合系统的结构示意图。如图2所示，该卫星沿轨海平面高度异常数据融合系统包括：
103.第一获取单元210，用于获取待处理的卫星沿轨海平面高度异常数据；
104.第一生成单元220，用于根据卫星沿轨海平面高度异常数据，生成卫星沿轨掩膜数据；
105.第二生成单元230，用于根据卫星沿轨海平面高度异常数据生成目标海域稀疏二维sla矩阵，以及根据卫星沿轨掩膜数据生成掩膜二维矩阵；
106.融合单元240，用于通过预先构建的海平面高度异常数据融合模型对目标海域稀疏二维sla矩阵和掩膜二维矩阵进行融合处理，得到格点化融合数据。
107.数据获取模块，用于获取多源卫星沿轨sla数据；
108.数据处理模块，用于基于多源卫星沿轨sla数据生成多源卫星沿轨掩膜数据，进而
生成对应的多源卫星沿轨sla二维矩阵数据以及掩膜二维矩阵数据；
109.模型训练模块，用于训练深度学习sla融合模型；
110.sla融合模块，将获取的多源卫星沿轨sla数据输入训练好的深度学习sla融合模型，得到二维网格化sla融合数据；
111.其中，深度学习sla融合模型是基于历史多源卫星沿轨sla数据集以及获取的使用最优插值方法生成的历史格点化sla融合场数据集通过深度学习方法进行训练获得。
112.在上述实现过程中，以历史格点化sla融合场数据为真值，使用多源卫星沿轨sla二维矩阵数据以及掩膜二维矩阵数据对深度学习sla融合模型进行训练，得到深度学习sla融合模型。将多源卫星沿轨sla数据输入该深度学习sla融合模型后即可获得二维网格化sla融合场。
113.作为一种可选的实施方式，该卫星沿轨海平面高度异常数据融合系统还包括：
114.构建单元250，用于构建原始融合模型；
115.第一获取单元210，还用于获取用于训练原始融合模型的sla数据样本集；其中，sla数据样本集包括多个历史卫星沿轨海平面高度异常数据；
116.第二获取单元260，用于获取与sla数据样本集对应的卫星沿轨掩膜数据样本集；
117.第三生成单元270，用于生成sla数据样本集对应的二维矩阵样本和卫星沿轨掩膜数据样本集对应的掩膜二维矩阵样本；
118.插值融合单元280，用于通过最优插值方法对二维矩阵样本进行融合处理，得到格点化融合场数据集；
119.训练单元290，用于通过二维矩阵样本、掩膜二维矩阵样本以及格点化融合场数据集对原始融合模型进行训练处理，得到训练好的海平面高度异常数据融合模型。
120.作为一种可选的实施方式，第二获取单元260具体用于获取sla数据样本集中所有的有效数据，得到有效数据集，并根据有效数据集和sla数据样本集，确定其他数据集；还用于将有效数据集中的每个数据对应卫星沿轨掩膜数据的值确定为第一预设取值，并将其他数据集中的每个数据对应卫星沿轨掩膜数据的值确定为第二预设取值；还用于根据第一预设取值和第二预设取值，确定与sla数据样本集对应的卫星沿轨掩膜数据样本集。
121.作为一种可选的实施方式，第三生成单元270包括：
122.生成子单元271，用于根据预设目标空间区域生成等经纬度的第一初始矩阵和第二初始矩阵；
123.赋值子单元272，用于依照预设目标空间区域将sla数据样本集与第一初始矩阵进行空间匹配赋值，得到二维矩阵样本；以及依照预设目标空间区域将卫星沿轨掩膜数据样本集与第二初始矩阵进行空间匹配赋值，得到掩膜二维矩阵样本。
124.本实施例中，二维矩阵样本和掩膜二维矩阵样本为训练原始融合模型的训练输入数据，格点化融合场数据集为训练原始融合模型的训练真值。
125.为了执行上述实施例1对应的方法，本实施例中还提供一种深度学习的sla要素融合系统。
126.请参阅图5，图5示出了一种卫星沿轨海平面高度异常数据融合系统的结构示意图。其中，模型训练模块，用于训练深度学习sla融合模型；数据处理模块，用于获取多源卫星沿轨sla数据，并根据该数据生成多源卫星sla二维矩阵数据以及对应的掩膜二维矩阵数
据；sla融合模块，将数据处理模块获取的多源卫星sla二维矩阵数据以及对应的掩膜二维矩阵数据输入到训练完成的深度学习sla融合模型中，得到二维网格化sla融合数据；其中，深度学习sla融合模型是基于历史多源卫星沿轨sla二维矩阵数据集以及对应的掩膜二维矩阵数据集以及使用最优插值方法生成的历史格点化sla融合场数据集通过深度学习方法进行训练获得。
127.进一步地，模型训练模块包括：
128.历史数据获取单元，用于获取历史多源卫星沿轨sla数据集、使用最优插值方法生成的历史格点化sla融合场数据集；
129.数据处理单元，用于将历史多源卫星沿轨sla数据集生成历史多源卫星sla二维矩阵数据集以及对应的掩膜二维矩阵数据集。
130.sla融合模型训练单元，用于历史多源卫星sla二维矩阵数据集以及对应的掩膜二维矩阵数据集作为训练输入数据、将历史格点化sla融合场数据作为真值，并采用预设的损失函数对预先建立的深度学习sla融合模型进行训练，得到训练后的深度学习sla融合模型。
131.本实施例中，对于卫星沿轨海平面高度异常数据融合系统的解释说明可以参照实施例1中的描述，对此本实施例中不再多加赘述。
132.可见，实施本实施例所描述的卫星沿轨海平面高度异常数据融合系统，能够更快速、更灵活地自适应获取到与不同海域、不同卫星相匹配的格点化融合数据；同时，还能够全链条全自主的生成sla格点化融合数据，解决海洋预报关键数据的“卡脖子”问题。
133.本技术实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本技术实施例1中的卫星沿轨海平面高度异常数据融合方法。
134.本技术实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本技术实施例1中的卫星沿轨海平面高度异常数据融合方法。
135.在本技术所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
136.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
137.所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本技术的技术方案本质上或者说对
现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
138.以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
139.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。
140.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。