一种海水透明度融合数据的生成方法及生成装置与流程

1.本技术涉及海洋探测技术领域，尤其是涉及一种海水透明度融合数据的生成方法及生成装置。


背景技术：

2.海水透明度是指透明度盘铅直沉入海水中的最大可见深度，与海水的物理性质、化学成分、海水中的悬浮物以及海洋动力状态密切相关。获取全覆盖、高时空分辨率、高精度的海水透明度对于海水理化特性研究、海洋生态监测、海洋渔业生产和海上军事活动保障具有重要意义。
3.目前，现有技术中往往通过卫星遥感和数据插值的处理技术，获取海水透明度数据。然而由于云遮挡、太阳耀斑污染和卫星轨道间隙等因素影响，通过这种方式获取的海水透明度数据在空间覆盖度和细节特征等方面存在不足，导致数据质量不佳。


技术实现要素：

4.有鉴于此，本技术的目的在于提供一种海水透明度融合数据的生成方法及生成装置，通过将目标区域前m天的历史海水透明度融合数据和第m 1天的卫星遥感海水透明度数据输入预先训练好的预估数据生成对抗网络，得到预估数据生成器生成的第m 1天的预估海水透明度融合数据；再将第m 1天的卫星遥感海水透明度数据和第m 1天的预估海水透明度融合数据输入预先训练好的融合数据生成对抗网络，得到融合数据生成器生成的目标区域第m 1天的目标海水透明度融合数据。这样，能够通过预估数据生成对抗网络挖掘海水透明度的时空变化规律，生成预估海水透明度融合数据，实现缺失数据重构；进而通过融合数据生成对抗网络实现海水透明度融合数据和高精度的卫星遥感海水透明度的融合，最终生成全覆盖、高精度的单日海水透明度融合数据。
5.本技术实施例提供了一种海水透明度融合数据的生成方法，所述生成方法包括：
6.获取目标区域前m天的历史海水透明度融合数据和所述目标区域第m 1天的卫星遥感海水透明度数据；m为正整数；
7.将所述历史海水透明度融合数据输入预先训练好的预估数据生成对抗网络中的预估数据生成器，得到所述目标区域第m 1天的预估海水透明度融合数据；所述预估数据生成对抗网络包括所述预估数据生成器和预估数据判别器，所述预估数据生成对抗网络由所述预估数据生成器和所述预估数据判别器相互对抗训练得到；
8.将第m 1天的卫星遥感海水透明度数据和第m 1天的预估海水透明度融合数据输入预先训练好的融合数据生成对抗网络中的融合数据生成器，得到所述目标区域第m 1天的目标海水透明度融合数据；所述融合数据生成对抗网络包括所述融合数据生成器、全局数据判别器和卫星数据判别器；所述融合数据生成对抗网络由所述融合数据生成器和所述全局数据判别器相互对抗以及所述融合数据生成器和所述卫星数据判别器相互对抗训练得到。
9.进一步的，所述预估数据生成对抗网络和所述融合数据生成对抗网络通过以下方式被训练得到：
10.将所述目标区域的历史海水透明度数据输入初始预估数据生成对抗网络中的初始预估数据生成器，得到所述初始预估数据生成器预估的第一历史预估海水透明度数据；
11.将所述第一历史预估海水透明度数据和所述历史海水透明度数据输入初始预估数据生成对抗网络中的初始预估数据判别器，得到所述初始预估数据判别器对所述第一历史预估海水透明度数据的第一判别结果；
12.基于所述历史海水透明度数据、所述第一历史预估海水透明度数据和所述第一判别结果，对所述初始预估数据生成对抗网络进行预训练，得到预训练完成的预估数据生成对抗网络和预训练完成时所述初始预估数据生成器预估的第二历史预估海水透明度数据；
13.将所述第二历史预估海水透明度数据和所述目标区域的历史卫星遥感海水透明度数据输入初始融合数据生成对抗网络中的初始融合数据生成器，得到所述初始融合数据生成器生成的第一历史海水透明度融合数据；
14.将所述历史卫星遥感海水透明度数据和所述第二历史预估海水透明度数据进行泊松融合，得到历史海水透明度泊松融合数据；
15.将所述历史海水透明度泊松融合数据和所述第一历史海水透明度融合数据输入初始融合数据生成对抗网络中的初始全局数据判别器，得到所述初始全局数据判别器对所述第一历史海水透明度融合数据的第二判别结果；
16.将所述历史卫星遥感海水透明度数据和所述第一历史海水透明度融合数据输入初始融合数据生成对抗网络中的初始卫星数据判别器，得到所述初始卫星数据判别器对所述第一历史海水透明度融合数据的第三判别结果；
17.基于所述历史海水透明度泊松融合数据、所述历史卫星遥感海水透明度数据、所述第一历史海水透明度融合数据、所述第二判别结果和所述第三判别结果，对所述初始融合数据生成对抗网络进行预训练，得到预训练完成的融合数据生成对抗网络和预训练完成时所述初始融合数据生成器生成的第二历史海水透明度融合数据；
18.将所述第二历史海水透明度融合数据和所述历史卫星遥感海水透明度数据分别重新输入预训练完成的预估数据生成对抗网络和预训练完成的融合数据生成对抗网络，再次对预训练完成的预估数据生成对抗网络和预训练完成的融合数据生成对抗网络进行微调训练，得到训练好的预估数据生成对抗网络和训练好的融合数据生成对抗网络。
19.进一步的，所述获取目标区域前m天的历史海水透明度融合数据，包括：
20.获取所述训练好的融合数据生成对抗网络在微调训练完成时，所述初始融合数据生成器生成的第三历史海水透明度融合数据；
21.从所述第三历史海水透明度融合数据中筛选出前m天的历史海水透明度融合数据。
22.进一步的，在将所述第二历史海水透明度融合数据重新输入预训练完成的预估数据生成对抗网络，再次对预训练完成的预估数据生成对抗网络和进行微调训练，得到训练好的预估数据生成对抗网络时，所述预估数据生成对抗网络中预估数据判别器的第一损失函数包括：
23.24.式中，d表示预估数据判别器；g1表示预估数据生成器；ld表示预估数据判别器的第一损失函数；x表示历史海水透明度融合数据；表示历史预估海水透明度数据；p
data
表示历史海水透明度融合数据的分布，表示历史预估海水透明度数据的分布；
25.所述预估数据生成对抗网络中预估数据生成器的第二损失函数包括：
[0026][0027]
式中，表示预估数据生成器的第二损失函数；m
land
表示陆地掩模，用于表征所述目标区域的陆地分布；m
ocean
表示海洋掩模，用于表征所述目标区域的海洋分布；
⊙
表示相应元素相乘；‖
…
‖1表示l1距离；λ和μ为常数。
[0028]
进一步的，在将所述历史卫星遥感海水透明度数据重新输入预训练完成的融合数据生成对抗网络，再次对预训练完成的融合数据生成对抗网络进行微调训练，得到训练好的融合数据生成对抗网络时，所述融合数据生成对抗网络中全局数据判别器的第三损失函数表示为：
[0029][0030]
式中，da表示全局数据判别器；g2表示融合数据生成器，表示全局数据判别器的第三损失函数；x表示历史海水透明度融合数据；x
′
表示历史海水透明度泊松融合数据；p
data1
表示历史海水透明度泊松融合数据的分布；表示历史海水透明度融合数据的分布；
[0031]
所述融合数据生成对抗网络中卫星数据判别器的第四损失函数表示为：
[0032][0033]
式中，ds表示卫星数据判别器；表示卫星数据判别器的第四损失函数；表示历史卫星遥感海水透明度数据；p
data2
表示历史卫星遥感海水透明度数据的分布；
[0034]
所述融合数据生成对抗网络中融合数据生成器的第五损失函数表示为：
[0035][0036]
式中，表示融合数据生成器的第五损失函数；‖
…
‖1表示l1距离；‖
…
‖2表示l2距离；m
sat
表示所述目标区域中的卫星观测区域；表示梯度运算符；表示结构相似性，μ
x
表示x的平均值，表示的平均值，表示x的方差，表示的方差，
表示x和的协方差，c1和c2为常数；δ、α、β和γ为常数。
[0037]
进一步的，所述预估数据生成器包括n层网络结构的预估编码器和n层网络结构的预估解码器；所述预估编码器中包括m条编码路径；第一条编码路径中包括空间维数缩减单元和n个依次相连的第一残差结构；其余每条编码路径中包括空间维数缩减单元、第一残差结构、n个卷积门控循环单元和n-1个第二残差结构；所述空间维数缩减单元连接所述第一残差结构，每层的卷积门控循环单元连接所述第一残差结构或通过第二残差结构连接上一层的卷积门控循环单元；前一条编码路径中每层的卷积门控循环单元连接后一条编码路径中相应层的卷积门控循环单元；所述预估解码器包括n个第三残差结构和输出块；第m条编码路径中的每层的卷积门控循环单元连接到所述预估解码器中相应层的第三残差结构；所述m条编码路径与前m天的历史海水透明度融合数据一一对应；
[0038]
所述将所述历史海水透明度融合数据输入预先训练好的预估数据生成对抗网络中的预估数据生成器，得到所述目标区域第m 1天的预估海水透明度融合数据，包括：
[0039]
将前m天的所述历史海水透明度融合数据对应输入所述预估编码器中的m条编码路径中，得到最后一条编码路径中每层卷积门控循环单元输出的海水透明度融合数据；
[0040]
将每层卷积门控循环单元输出的海水透明度融合数据输入所述预估解码器中对应层的第二残差结构，得到所述预估解码器的输出块输出的第m 1天的预估海水透明度融合数据。
[0041]
进一步的，所述融合数据生成器包括p层网络结构的融合编码器和p层网络结构的融合解码器；所述融合编码器包括空间维数缩减单元和p个第二残差结构；所述融合解码器包括p个第三残差结构和输出块；所述融合编码器中每层的第二残差结构连接到所述融合解码器中对应层的第三残差结构；
[0042]
所述将第m 1天的卫星遥感海水透明度数据和第m 1天的预估海水透明度融合数据输入预先训练好的融合数据生成对抗网络中的融合数据生成器，得到所述目标区域第m 1天的目标海水透明度融合数据，包括：
[0043]
将第m 1天的卫星遥感海水透明度数据和第m 1天的预估海水透明度融合数据输入所述融合编码器，得到所述融合编码器中每层的第二残差结构输出的海水透明度融合数据；
[0044]
将所述融合编码器中每层的第二残差结构输出的海水透明度融合数据输入所述融合解码器中对应层的第三残差结构，得到所述融合解码器的输出块输出的第m 1天的目标海水透明度融合数据。
[0045]
本技术实施例还提供了一种海水透明度融合数据的生成装置，所述生成装置包括：
[0046]
获取模块，用于获取目标区域前m天的历史海水透明度融合数据和所述目标区域第m 1天的卫星遥感海水透明度数据；m为正整数；
[0047]
第一确定模块，用于将所述历史海水透明度融合数据输入预先训练好的预估数据生成对抗网络中的预估数据生成器，得到所述目标区域第m 1天的预估海水透明度融合数据；所述预估数据生成对抗网络包括所述预估数据生成器和预估数据判别器，所述预估数据生成对抗网络由所述预估数据生成器和所述预估数据判别器相互对抗训练得到；
[0048]
第二确定模块，用于将第m 1天的卫星遥感海水透明度数据和第m 1天的预估海水
透明度融合数据输入预先训练好的融合数据生成对抗网络中的融合数据生成器，得到所述目标区域第m 1天的目标海水透明度融合数据；所述融合数据生成对抗网络包括所述融合数据生成器、全局数据判别器和卫星数据判别器；所述融合数据生成对抗网络由所述融合数据生成器和所述全局数据判别器相互对抗以及所述融合数据生成器和所述卫星数据判别器相互对抗训练得到。
[0049]
本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的一种海水透明度融合数据的生成方法的步骤。
[0050]
本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的一种海水透明度融合数据的生成方法的步骤。
[0051]
本技术实施例提供的一种海水透明度融合数据的生成方法及生成装置，通过将目标区域前m天的历史海水透明度融合数据和第m 1天的卫星遥感海水透明度数据输入预先训练好的预估数据生成对抗网络，得到预估数据生成器生成的第m 1天的预估海水透明度融合数据；再将第m 1天的卫星遥感海水透明度数据和第m 1天的预估海水透明度融合数据输入预先训练好的融合数据生成对抗网络，得到融合数据生成器生成的目标区域m 1天的目标海水透明度融合数据。这样，能够通过预估数据生成对抗网络挖掘海水透明度的时空变化规律，生成预估海水透明度融合数据，实现缺失数据重构；进而通过融合数据生成对抗网络实现海水透明度融合数据和高精度的卫星遥感海水透明度的融合，最终生成全覆盖、高精度的单日海水透明度融合数据。
[0052]
为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0053]
为了更清楚地说明本技术实施例的技术方案，下面将对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。
[0054]
图1示出了本技术实施例所提供的一种海水透明度融合数据的生成方法的流程图；
[0055]
图2示出了本技术实施例所提供的一种预估数据生成对抗网络和融合数据生成对抗网络的结构示意图；
[0056]
图3示出了本技术实施例所提供的一种预估数据生成器的网络结构示意图之一；
[0057]
图4(a)～(c)示出了本技术实施例所提供的一种预估数据生成器的网络结构示意图之二；
[0058]
图5示出了本技术实施例所提供的一种预估数据判别器的网络结构示意图；
[0059]
图6示出了本技术实施例所提供的一种融合数据生成器的网络结构示意图；
[0060]
图7示出了本技术实施例所提供的一种卫星数据判别器的网络结构示意图；
[0061]
图8示出了本技术实施例所提供的一种海水透明度融合数据的生成装置的结构示意图；
[0062]
图9示出了本技术实施例所提供的一种电子设备的结构示意图。
具体实施方式
[0063]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本技术保护的范围。
[0064]
经研究发现，海水透明度是指透明度盘铅直沉入海水中的最大可见深度，与海水的物理性质、化学成分、海水中的悬浮物以及海洋动力状态密切相关。获取全覆盖、高时空分辨率、高精度的海水透明度对于海水理化特性研究、海洋生态监测、海洋渔业生产和海上军事活动保障具有重要意义。
[0065]
目前，现有技术中往往通过卫星遥感和数据插值的处理技术，获取海水透明度数据。然而由于云遮挡、太阳耀斑污染和卫星轨道间隙等因素影响，通过这种方式获取的海水透明度数据在空间覆盖度和细节特征等方面存在不足，导致数据质量不佳。
[0066]
基于此，本技术实施例提供了一种海水透明度融合数据的生成方法及生成装置，通过预估数据生成对抗网络挖掘海水透明度的时空变化规律，生成预估海水透明度融合数据，实现缺失数据重构；进而通过融合数据生成对抗网络实现海水透明度融合数据和高精度的卫星遥感海水透明度的融合，最终生成全覆盖、高精度的单日海水透明度融合数据。
[0067]
请参阅图1，图1为本技术实施例所提供的一种海水透明度融合数据的生成方法的流程图。如图1中所示，本技术实施例提供的生成方法，包括：
[0068]
s101、获取目标区域前m天的历史海水透明度融合数据和所述目标区域第m 1天的卫星遥感海水透明度数据。m为正整数。
[0069]
在具体实施时，可选取103.0～124.5
°
e、2.5～24.0
°
n的范围作为目标区域。该区域海岸线复杂、岛屿众多、水深变化大，沿海海域有众多河流汇入，海水透明度的空间分布特征复杂、季节变化明显，适合用于海水透明度融合模型(由预估数据生成对抗网络和融合数据生成对抗网络组成)的研发和实验验证。
[0070]
s102、将所述历史海水透明度融合数据输入预先训练好的预估数据生成对抗网络中的预估数据生成器，得到所述目标区域第m 1天的预估海水透明度融合数据。
[0071]
其中，所述预估数据生成对抗网络包括所述预估数据生成器和预估数据判别器，所述预估数据生成对抗网络由所述预估数据生成器和所述预估数据判别器相互对抗训练得到。所述预估数据判别器用于对第m 1天的预估海水透明度融合数据的数据真实性进行判别。
[0072]
s103、将第m 1天的卫星遥感海水透明度数据和第m 1天的预估海水透明度融合数据输入预先训练好的融合数据生成对抗网络中的融合数据生成器，得到所述目标区域第m
1天的目标海水透明度融合数据。
[0073]
其中，所述融合数据生成对抗网络包括所述融合数据生成器、全局数据判别器和卫星数据判别器；所述融合数据生成对抗网络由所述融合数据生成器和所述全局数据判别器相互对抗以及所述融合数据生成器和所述卫星数据判别器相互对抗训练得到。所述全局数据判别器用于对第m 1天的目标海水透明度融合数据中卫星遥感的观测区域与未观测区域之间的数据一致性、连续性进行判别；所述卫星数据判别器用于对第m 1天的目标海水透明度融合数据中卫星遥感的观测区域数据真实性进行判别。
[0074]
请参阅图2，图2为本技术实施例提供的一种预估数据生成对抗网络和融合数据生成对抗网络的结构示意图。下面将结合图2详细说明所述预估数据生成对抗网络和所述融合数据生成对抗网络的训练过程。
[0075]
在一种可能的实施方式中，所述预估数据生成对抗网络和所述融合数据生成对抗网络通过以下方式被训练得到：
[0076]
在具体实施时，由于长时序的历史海水透明度融合数据尚未生成，可先基于历史海水透明度数据对初始预估数据生成对抗网络和初始融合数据生成对抗网络进行预训练；再根据预训练生成的海水透明度融合数据对预训练完成的初始预估数据生成对抗网络和初始融合数据生成对抗网络进行微调训练，以完成对初始预估数据生成对抗网络和初始融合数据生成对抗网络的训练。具体的，训练步骤包括：
[0077]
s201、将所述目标区域的历史海水透明度数据输入初始预估数据生成对抗网络中的初始预估数据生成器，得到所述初始预估数据生成器预估的第一历史预估海水透明度数据。
[0078]
该步骤中，可使用cmems全球海洋水色产品的oceancolour_glo_optics_l4_rep_observations_009_081日海水透明度数据集作为历史海水透明度数据，进行模型的预训练。具体的，如图2所示，将前p天的(t-p～t日，t、p为正整数)历史海水透明度数据输入初始预估数据生成对抗网络中的初始预估数据生成器，得到所述初始预估数据生成器预估的第一历史预估海水透明度数据，即t 1日预估海水透明度数据。
[0079]
s202、将所述第一历史预估海水透明度数据和所述历史海水透明度数据输入初始预估数据生成对抗网络中的初始预估数据判别器，得到所述初始预估数据判别器对所述第一历史预估海水透明度数据的第一判别结果。
[0080]
该步骤中，将t 1日预估海水透明度数据和t 1日历史海水透明度数据输入初始预估数据生成对抗网络中的初始预估数据判别器，预估数据判别器提取空间特征，通过t 1日预估海水透明度数据和t 1日历史海水透明度数据之间的特征差异判别出t 1日预估海水透明度数据的真假。
[0081]
s203、基于所述历史海水透明度数据、所述第一历史预估海水透明度数据和所述第一判别结果，对所述初始预估数据生成对抗网络进行预训练，得到预训练完成的预估数据生成对抗网络和预训练完成时所述初始预估数据生成器预估的第二历史预估海水透明度数据。
[0082]
这里，预估数据判别器对所述第一历史预估海水透明度数据的第一判别结果会反馈给预估数据生成器，从而使得预估海水透明度数据进一步改善。改善后的预估海水透明度数据输出的t 1日预估数据相比前一次的t 1日预估海水透明度数据更符合实际情况，从
而使得预估数据判别器进一步提高判别能力。反复这一过程，预估数据生成器与预估数据判别器相互对抗，最终二者之间达到平衡，完成对预估数据生成对抗网络的预训练。
[0083]
s204、将所述第二历史预估海水透明度数据和所述目标区域的历史卫星遥感海水透明度数据输入初始融合数据生成对抗网络中的初始融合数据生成器，得到所述初始融合数据生成器生成的第一历史海水透明度融合数据。
[0084]
在一种可能的实施方式中，可选择seawifs/orbview-2、meris/envisat、modis/aqua、viirs/npp、viirs/jpss1、olci/sentinel-3a和olci/sentinel-3b等卫星遥感海水透明度数据进行模型的研发和实验验证。数据来源于欧空局globcolour项目(http://www.globcolour.info/)，空间分辨率为4km，时间分辨率为24小时需要说明的是，由于云遮档、太阳耀斑污染和卫星轨道间隙等因素影响，卫星遥感海水透明度数据的空间覆盖度较低，以2022年5月1日为例，modis/aqua、viirs/npp、viirs/jpss1、olci/sentinel-3a、olci/sentinel-3b海水透明度的日空间覆盖度为10.1％、10.4％、6.97％、25.1％和28.3％，即使将这些卫星遥感海水透明度数据进行联合得到多源卫星遥感海水透明度数据，联合的日空间覆盖度也仅为56.3％。这里，为构建高精度的海水透明度融合模型，可选取联合得到的多源卫星遥感海水透明度数据作为历史卫星遥感海水透明度数据。
[0085]
该步骤中，如图2所示，可将所述第二历史预估海水透明度数据(预训练完成时，初始预估数据生成器预估的t 1日预估海水透明度数据)和t 1日历史卫星遥感海水透明度数据输入初始融合数据生成对抗网络中的初始融合数据生成器，得到所述初始融合数据生成器生成的第一历史海水透明度融合数据——t 1日历史海水透明度融合数据。
[0086]
s205、将所述历史卫星遥感海水透明度数据和所述第二历史预估海水透明度数据进行泊松融合，得到历史海水透明度泊松融合数据。
[0087]
该步骤中，将t 1日的历史卫星遥感海水透明度数据和第二历史预估海水透明度数据通过泊松方程进行泊松融合，得到历史海水透明度泊松融合数据——t 1日历史海水透明度泊松融合数据。
[0088]
s206、将所述历史海水透明度泊松融合数据和所述第一历史海水透明度融合数据输入初始融合数据生成对抗网络中的初始全局数据判别器，得到所述初始全局数据判别器对所述第一历史海水透明度融合数据的第二判别结果。
[0089]
s207、将所述历史卫星遥感海水透明度数据和所述第一历史海水透明度融合数据输入初始融合数据生成对抗网络中的初始卫星数据判别器，得到所述初始卫星数据判别器对所述第一历史海水透明度融合数据的第三判别结果。
[0090]
s208、基于所述历史海水透明度泊松融合数据、所述历史卫星遥感海水透明度数据、所述第一历史海水透明度融合数据、所述第二判别结果和所述第三判别结果，对所述初始融合数据生成对抗网络进行预训练，得到预训练完成的融合数据生成对抗网络和预训练完成时所述初始融合数据生成器生成的第二历史海水透明度融合数据。
[0091]
这里，全局数据判别器通过t 1日历史海水透明度融合数据与t 1日历史海水透明度泊松融合数据之间的空间特征差异判别出真伪，卫星数据判别器通过t 1日历史海水透明度融合数据与t 1日历史卫星遥感海水透明度数据之间的空间特征差异判别出真伪，二者连接后的反馈给融合数据生成器，从而使得融合数据生成器进一步改善。改善后的融合数据生成器输出的t 1日海水透明度融合数据相比前一次海水透明度融合数据更符合实际
情况，从而使得全局数据判别器和卫星数据判别器进一步提高判别能力。反复这一过程，融合数据生成器与全局数据判别器和卫星数据判别器相互对抗，最终达到平衡，这时t 1日历史海水透明度融合数据具有较好的全局一致性、连续性以及卫星观测真实性。由于每日卫星遥感海水透明度数据的空间覆盖具有随机性，通过大量样本的训练，可实现覆盖全目标区域真实性判别。
[0092]
s209、将所述第二历史海水透明度融合数据和所述历史卫星遥感海水透明度数据分别重新输入预训练完成的预估数据生成对抗网络和预训练完成的融合数据生成对抗网络，再次对预训练完成的预估数据生成对抗网络和预训练完成的融合数据生成对抗网络进行微调训练，得到训练好的预估数据生成对抗网络和训练好的融合数据生成对抗网络。
[0093]
在具体实施时，在预训练完成后，将预训练完成时生成的第二历史海水透明度融合数据和历史卫星遥感海水透明度数据作为训练数据重新输入海水透明度融合模型进行微调训练，使得海水透明度融合模型适应海水透明度融合数据。微调训练与预训练的过程类似，网络结构相同，但用于训练的输入数据发生了变化；具体的，步骤s209可包括：
[0094]
s2091、将所述第二历史海水透明度融合数据重新输入预训练完成的预估数据生成对抗网络，得到所述初始预估数据生成器预估的第三历史预估海水透明度数据和所述初始预估数据判别器对所述第三历史预估海水透明度数据的第四判别结果。
[0095]
s2092、基于所述第二历史海水透明度融合数据、所述第三历史预估海水透明度数据和所述第四判别结果确定所述初始预估数据判别器的第一损失函数和所述初始预估数据生成器的第二损失函数。
[0096]
其中，预估数据生成对抗网络的损失函数包括对抗损失和内容损失。对抗损失约束了预估数据生成器和预估数据判别器间的联合训练方向，分别将t日海水透明度融合数据与t日预估数据作为真假样本输入判别器，并进行生成器与判别器间的博弈，迫使生成器尽可能生成欺骗判别器的t日预估数据，而判别器需尽量将t日的预估数据与t日海水透明度融合数据区分开来。为了最小化生成器的损失、最大化判别器的损失，将对抗损失表示为：
[0097][0098]
式中，g1表示预估数据生成器，d表示预估数据判别器，x表示海水透明度融合数据，表示海水透明度预估数据，p
data
表示海水透明度融合数据的分布，表示预估数据的分布，e表示期望。
[0099]
而内容损失用来衡量t日海水透明度融合数据和t日预估数据之间的差别，这里采用l1距离，把t日海水透明度融合数据与t日预估数据的绝对差值的总和最小化。本技术实施例的研究区域覆盖海洋和陆地，海陆交界附近海水透明度梯度很大，在计算内容损失时若不区分海洋和陆地，海陆交界附近海水透明度的误差较大。因此，内容损失按照海洋和陆地分开计算：
[0100]
l
content
＝l
land
μl
ocean
[0101][0102]
[0103]
式中，μ为常数，在具体实施时可取6；m
ocean
表示海洋掩模，m
land
表示陆地掩模；‖
…
‖1表示l1距离；
⊙
表示相应元素相乘；其中，海洋掩模用于描述目标区域的海洋分布，具体的，海洋掩模可以表示为一个矩阵；矩阵对应目标区域，矩阵中的每个元素对应目标区域中的一个网格区域；若某目标区域中某一网格区域属于海洋，则海洋掩模中该网格区域对应的元素值为1；若某目标区域中某一网格区域属于陆地，则海洋掩模中该网格区域对应的元素值为0；相应地，陆地掩模用于描述目标区域的陆地分布，具体的，陆地掩模也可以表示为一个矩阵；若某目标区域中某一网格区域属于海洋，则陆地掩模中该网格区域对应的元素值为0；若某目标区域中某一网格区域属于陆地，则陆地掩模中该网格区域对应的元素值为1。
[0104]
综上所述，本技术中设计预估数据判别器的第一损失函数可表示为：
[0105][0106]
式中，d表示预估数据判别器；g1表示预估数据生成器；ld表示预估数据判别器的第一损失函数；x表示历史海水透明度融合数据；表示历史预估海水透明度数据；p
data
表示历史海水透明度融合数据的分布，表示历史预估海水透明度数据的分布；
[0107]
预估数据生成器的第二损失函数包括对抗损失和内容损失，公式可表示为：
[0108][0109]
式中，表示预估数据生成器的第二损失函数；m
land
表示陆地掩模，用于表征所述目标区域的陆地分布；m
ocean
表示海洋掩模，用于表征所述目标区域的海洋分布；
⊙
表示相应元素相乘；‖
…
‖1表示l1距离；λ和μ为常数。
[0110]
s2093、基于所述第一损失函数调整所述初始预估数据判别器的网络参数，以及基于所述第二损失函数调整所述初始预估数据生成器的网络参数，以对预训练完成的预估数据生成对抗网络进行微调训练，直至所述初始预估数据判别器和所述初始预估数据生成器之间的对抗训练达到平衡时，得到训练好的预估数据生成对抗网络。
[0111]
s2094、获取所述训练好的预估数据生成对抗网络在微调训练完成时，所述预估数据生成器预估的第四历史预估海水透明度数据。
[0112]
s2095、将所述第四历史预估海水透明度数据和所述历史卫星遥感海水透明度数据输入预训练完成的融合数据生成对抗网络，得到所述初始融合数据生成器生成的第三历史海水透明度融合数据、所述初始全局数据判别器对所述第三历史海水透明度融合数据的第五判别结果以及所述初始卫星数据判别器对所述第一历史海水透明度融合数据的第六判别结果。
[0113]
s2096、基于所述第四历史预估海水透明度数据、所述第三历史海水透明度融合数据和所述第五判别结果，确定所述初始全局数据判别器的第三损失函数；以及基于所述第三历史预估海水透明度数据和所述第六判别结果，确定所述初始卫星数据判别器的第四损失函数；以及基于所述第三历史预估海水透明度数据、所述第五判别结果和所述第六判别结果，确定所述初始融合数据生成器的第五损失函数。
[0114]
同样的，融合数据生成对抗网络的损失函数包括对抗损失和内容损失。对抗损失包括两个部分：融合数据生成器和全局数据判别器的对抗损失以及融合数据生成器和卫星数据判别器的对抗损失；公式可表示为：
[0115][0116]
式中，l
adv
(g2)表示融合数据生成器的对抗损失，g2表示融合数据生成器，da表示全局数据判别器，ds表示卫星数据判别器，表示海水透明度融合数据的分布，x表示海水透明度融合数据。
[0117]
内容损失用来衡量t 1日历史海水透明度融合数据与t 1日历史海水透明度泊松融合数据之间的差别，还用来衡量在卫星观测区域，t 1日历史海水透明度融合数据与t 1日历史卫星遥感海水透明度数据之间的差别。当衡量前两者之间的差别时，为了保证全局一致性和连续性，采用l2距离和梯度计算数据差异。当衡量后两者之间的差别时，采用l1距离和结构相似性计算数据差异。内容损失表示为：
[0118][0119]
式中，x
′
表示预估数据泊松融合数据；表示多源卫星遥感海水透明度数据；α、β、γ为常数，在具体实施时可分别取4、2、80；表示梯度运算符；‖
…
‖1表示l1距离；‖
…
‖2表示l2距离；m
sat
表示卫星观测区域，同样的，m
sat
也可表示为一个矩阵；矩阵对应目标区域，矩阵中的每个元素对应目标区域中的一个网格区域，若某目标区域中某一网格区域属于卫星遥感观测到的区域，则m
sat
中该网格区域对应的元素值为1；若某目标区域中某一网格区域不属于卫星遥感观测到的区域，则m
sat
中该网格区域对应的元素值为1；表示结构相似性，μ
x
表示x的平均值，表示的平均值，表示x的方差，表示的方差，表示x和的协方差，c1和c2为常数，在具体实施时可分别取0.0004和0.0036。
[0120]
综上所述，本技术中设计全局数据判别器的第三损失函数可表示为：
[0121][0122]
式中，da表示全局数据判别器；g2表示融合数据生成器，表示全局数据判别器的第三损失函数；x表示历史海水透明度融合数据；x
′
表示历史海水透明度泊松融合数据；p
data1
表示历史海水透明度泊松融合数据的分布；表示历史海水透明度融合数据的分布。
[0123]
所述融合数据生成对抗网络中卫星数据判别器的第四损失函数表示为：
[0124][0125]
式中，ds表示卫星数据判别器；表示卫星数据判别器的第四损失函数；表示
历史卫星遥感海水透明度数据；p
data2
表示历史卫星遥感海水透明度数据的分布。
[0126]
所述融合数据生成对抗网络中融合数据生成器的第五损失函数表示为：
[0127]
式中，表示融合数据生成器的第五损失函数；‖
…
‖1表示l1距离；‖
…
‖2表示l2距离；m
sat
表示所述目标区域中的卫星观测区域；表示梯度运算符；表示结构相似性，μ
x
表示x的平均值，表示的平均值，表示x的方差，表示的方差，表示x和的协方差，c1和c2为常数；δ、α、β和γ为常数。
[0128]
s2097、基于所述第三损失函数调整所述初始全局数据判别器的网络参数，以及基于所述第四损失函数调整所述初始卫星数据判别器的网络参数，以及基于所述第五损失函数调整所述初始融合数据生成器的网络参数，以对预训练完成的融合数据生成对抗网络和进行微调训练，直至所述初始全局数据判别器和所述初始融合数据生成器之间的对抗训练以及所述初始卫星数据判别器和所述初始融合数据生成器之间的对抗训练达到平衡时，得到训练好的融合数据生成对抗网络。
[0129]
需要说明的是，因为微调训练与预训练的过程类似，网络结构相同，因此微调训练与预训练的过程中所使用的各损失函数的表达式也相同，只是训练的输入数据变化导致了输入各损失函数的数据也发生了变化。因此，预训练过程的损失函数可参照微调训练过程的损失函数设计，并能达到相同的技术效果，对此不做赘述。
[0130]
进一步的，在得到训练好的预估数据生成对抗网络之后，步骤s101、获取目标区域前m天的历史海水透明度融合数据，包括：
[0131]
s1011、获取所述训练好的融合数据生成对抗网络在微调训练完成时，所述初始融合数据生成器生成的第三历史海水透明度融合数据；
[0132]
s1012、从所述第三历史海水透明度融合数据中筛选出前m天的历史海水透明度融合数据。
[0133]
下面请参阅图3和图4(a)～(c)，图3为本技术实施例提供的一种预估数据生成器的网络结构示意图之一；图4(a)～(c)为本技术实施例提供的一种预估数据生成器的网络结构示意图之二。如图3中所示，本技术实施例提供的预估数据生成器，包括：n层网络结构的预估编码器和n层网络结构的预估解码器；所述预估编码器中包括m条编码路径；第一条编码路径中包括空间维数缩减单元(spacetodepth)和n个依次相连的第一残差结构(resblock i
↓
)；其余每条编码路径中包括空间维数缩减单元(spacetodepth)、第一残差结构(resblock i
↓
)、n个卷积门控循环单元(convgru)和n-1个第二残差结构(resblock ii
resblock ii
↓
)；所述空间维数缩减单元连接所述第一残差结构，每层的卷积门控循环单元连接所述第一残差结构或通过第二残差结构连接上一层的卷积门控循环单元；前一条编码路径中每层的卷积门控循环单元连接后一条编码路径中相应层的卷积门控循环单元；所述预估解码器包括n个第三残差结构(resblock ii
↑
)和输出块(outputblock)；第m条编码路径中的每层的卷积门控循环单元连接到所述预估解码器中相应层的第三残差结构；所述m条编码路径与前m天的历史海水透明度融合数据一一对应。
[0134]
如图4(a)～(c)所示，图4(a)为一种第一残差结构(resblock i
↓
)的结构示意图；第一残差结构由整流线性单元(relu)、卷积和降采样单元组成，用于实现海水透明度输入数据的降采样以及convgru单元记忆状态的初始化；图4(b)为一种可配置残差结构(resblock ii)的结构示意图，可配置残差结构由组归一化、relu激活函数、卷积单元组成，可配置为升采样、降采样和空；具体的，当resblock ii中的sample单元被配置为空时，可配置残差结构不对数据进行升降采样；当resblock ii中的sample单元被配置为平均池化单元时，可配置残差结构(即，resblock ii
↓
)用于实现数据的降采样；当resblock ii中的sample单元被配置为双线性插值单元时，可配置残差结构(即，第三残差结构resblock ii
↑
)用于实现数据的升采样。图4(c)为一种输出块的结构示意图。
[0135]
示例性的，如图3中所示，预估数据生成器由具有编码功能的编码器和解码功能的解码器组成。编码器和解码器相连构成一个深度为5层的网络结构，编码器的缩小路径中包括空间维数缩减单元、卷积门控循环单元(convgru)、第一残差结构和第二残差结构，由于每一层处理的数据尺寸减小，使得网络的训练速度以及模型的处理速度加快。空间维数缩减单元将空间数据维度重新排列到深度维度，实现降采样。convgru单元将门控循环单元中信息传递时的全连接计算改为卷积计算，实现海水透明度数据在时间和空间维度的特征信息提取。为了缓解增加网络深度带来的梯度消失问题，在预估数据生成器中设计了第一残差结构和第二残差结构，第一残差结构由整流线性单元(relu)、卷积和降采样单元组成，用于实现海水透明度输入数据的降采样以及convgru单元记忆状态的初始化；第二残差结构由组归一化、relu激活函数、卷积单元组成，可配置升采样、降采样单元。在缩小路径中，第二残差结构用于实现不同层级convgru单元之间的连接，可配置平均池化单元实现数据的降采样。
[0136]
解码器的放大路径包括第三残差结构(resblock ii
↑
)和输出块，第三残差结构配置了双线性插值单元，用于实现对数据尺寸的逐层复原，输出块由组归一化、relu激活函数、卷积和双曲正切单元激活函数组成，对数据尺寸和通道的进一步复原，输出预估数据。每一层放大路径上的第二残差结构与位于同一层缩小路径上的convgru进行跳跃连接，有效地将缩小路径上的浅层特征与放大路径上的深层特征相融合，使预估数据生成器获得更好的特征提取能力，并减少放大路径在解码时产生的损失。
[0137]
在具体实施时，步骤s102可包括：
[0138]
s1021、将前m天的所述历史海水透明度融合数据对应输入所述预估编码器中的m条编码路径中，得到最后一条编码路径中每层卷积门控循环单元输出的海水透明度融合数据。
[0139]
s1022、将每层卷积门控循环单元输出的海水透明度融合数据输入所述预估解码器中对应层的第二残差结构，得到所述预估解码器的输出块输出的第m 1天的预估海水透
明度融合数据。
[0140]
下面请参阅图5，图5为本技术实施例提供的一种预估数据判别器的网络结构示意图。如图5所示，示例性的，预估数据判别器中包括6层的卷积神经网络，除最后一层卷积层外，每层卷积后使用leakyrelu激活函数，该判别器通过把输入数据分割成n
×
n大小的矩阵，对所有的patch分别进行判别，得到每个patch的判别结果，最后根据全部patch的判别结果平均值输出真或假。
[0141]
下面请参阅图6，图6为本技术实施例提供的一种融合数据生成器的网络结构示意图。如图6中所示，所述融合数据生成器包括p层网络结构的融合编码器和p层网络结构的融合解码器；所述融合编码器包括空间维数缩减单元和p个第二残差结构；所述融合解码器包括p个第三残差结构和输出块；所述融合编码器中每层的第二残差结构连接到所述融合解码器中对应层的第三残差结构；
[0142]
如图6中所示，示例性的，融合数据生成器由5层网络结构的融合编码器和融合解码器组成，如图6所示，融合编码器包括空间维数缩减单元(spacetodepth)、第二残差结构(resblock ii resblock ii
↓
)；融合解码器包括第三残差结构(resblock ii
↑
)和输出块(outputblock)。第二残差结构主要用于将模型中浅层与深层的网络相连接，从而解决梯度在反向传播过程中难以流动到浅层网络而造成梯度消失的问题。融合编码器采用配置了平均池化单元的resblock ii
↓
实现数据尺寸减小，加快网络的训练速度和模型的处理速度。融合解码器采用配置了平均双线性插值的第三残差结构实现数据尺寸的复原。相同层级的融合编码器和融合解码器之间采用了跳跃连接，将缩小路径上的浅层特征与放大路径上的深层特征相融合，使融合数据生成器获得更好的特征提取能力，并减少放大路径在解码时产生的损失。
[0143]
在一种可能的实施方式中，全局数据判别器的作用是区分t 1日海水透明度融合数据与t 1日海水透明度泊松融合数据；全局数据判别器的网络结构与图5中预估数据判别器的网络结构相似，并且能达到相同的技术效果，对此不做赘述。
[0144]
下面请参阅图7，图7为本技术实施例提供的一种卫星数据判别器的网络结构示意图。如图7中所示，卫星数据判别器采用6层卷积神经网络，并在第2、4层增加空间注意力模块spatialattention。空间注意力模块spatialattention中采最大池化单元maxpooling和随机池化单元stochasticpooling，以增强模型的泛化能力。
[0145]
在实验验证中，本技术实施例所采用的实验硬件平台cpu为intel xeon silver 4212r、gpu为nvidia tesla v100s，配置了cuda并行框架和cudnn加速库。训练所用的深度学习框架为pytorch，批大小为64，epoch为1000次。预估数据生成对抗网络和融合数据生成对抗网络均使用adam优化器，生成模型的学习率为0.0002，判别模型的学习率为0.0002，二者交替优化。
[0146]
训练数据集的时间从2002年1月1日至2017年12月31日，验证数据集的时间从2018年1月1日至2019年12月31日，测试数据集的时间从2020年1月1日至2020年12月31日。预估数据生成对抗网络先采用cmems海水透明度进行预训练，待海水透明度融合数据生成之后进行微调，使预估数据模型适应海水透明度融合数据。融合数据生成对抗网络模型采用多源卫星遥感海水透明度数据和预估海水透明度融合数据进行训练，生成海水透明度融合数据。
[0147]
实验使用均方根误差(rmse)、平均绝对误差(mae)和平均相对误差(are)等指标评价海水透明度融合的效果。融合数据源为seawifs/orbview-2、meris/envisat、modis/aqua、viirs/npp、olci/sentinel-3a和olci/sentinel-3b等卫星遥感海水透明度数据，检验数据源为viirs/jpss1卫星遥感海水透明度。
[0148]
实验证明，本技术实施例所生成的海水透明度融合数据的空间覆盖度为100％，能够实现缺失数据的重构；同时，本技术实施例所生成的海水透明度融合数据的误差小于通过取平均值、克里格插值等方式生成的海水透明度融合数据，表明本技术实施例所生成的海水透明度融合数据具有较高的精度。
[0149]
本技术实施例提供的一种海水透明度融合数据的生成方法，通过将目标区域前m天的历史海水透明度融合数据和第m 1天的卫星遥感海水透明度数据输入预先训练好的预估数据生成对抗网络，得到预估数据生成器生成的第m 1天的预估海水透明度融合数据；再将第m 1天的卫星遥感海水透明度数据和第m 1天的预估海水透明度融合数据输入预先训练好的融合数据生成对抗网络，得到融合数据生成器生成的目标区域m 1天的目标海水透明度融合数据。这样，能够通过预估数据生成对抗网络挖掘海水透明度的时空变化规律，生成预估海水透明度融合数据，实现缺失数据重构；进而通过融合数据生成对抗网络实现海水透明度融合数据和高精度的卫星遥感海水透明度的融合，最终生成全覆盖、高精度的单日海水透明度融合数据。
[0150]
请参阅图8，图8为本技术实施例所提供的一种海水透明度融合数据的生成装置的结构示意图。如图8中所示，所述生成装置800包括：
[0151]
获取模块810，用于获取目标区域前m天的历史海水透明度融合数据和所述目标区域第m 1天的卫星遥感海水透明度数据；m为正整数；
[0152]
第一确定模块820，用于将所述历史海水透明度融合数据输入预先训练好的预估数据生成对抗网络中的预估数据生成器，得到所述目标区域第m 1天的预估海水透明度融合数据；所述预估数据生成对抗网络包括所述预估数据生成器和预估数据判别器，所述预估数据生成对抗网络由所述预估数据生成器和所述预估数据判别器相互对抗训练得到；
[0153]
第二确定模块830，用于将第m 1天的卫星遥感海水透明度数据和第m 1天的预估海水透明度融合数据输入预先训练好的融合数据生成对抗网络中的融合数据生成器，得到所述目标区域第m 1天的目标海水透明度融合数据；所述融合数据生成对抗网络包括所述融合数据生成器、全局数据判别器和卫星数据判别器；所述融合数据生成对抗网络由所述融合数据生成器和所述全局数据判别器相互对抗以及所述融合数据生成器和所述卫星数据判别器相互对抗训练得到。
[0154]
进一步的，所述生成装置800还包括训练模块；所述训练模块用于通过以下方式训练得到所述预估数据生成对抗网络和所述融合数据生成对抗网络：
[0155]
将所述目标区域的历史海水透明度数据输入初始预估数据生成对抗网络中的初始预估数据生成器，得到所述初始预估数据生成器预估的第一历史预估海水透明度数据；
[0156]
将所述第一历史预估海水透明度数据和所述历史海水透明度数据输入初始预估数据生成对抗网络中的初始预估数据判别器，得到所述初始预估数据判别器对所述第一历史预估海水透明度数据的第一判别结果；
[0157]
基于所述历史海水透明度数据、所述第一历史预估海水透明度数据和所述第一判
别结果，对所述初始预估数据生成对抗网络进行预训练，得到预训练完成的预估数据生成对抗网络和预训练完成时所述初始预估数据生成器预估的第二历史预估海水透明度数据；
[0158]
将所述第二历史预估海水透明度数据和所述目标区域的历史卫星遥感海水透明度数据输入初始融合数据生成对抗网络中的初始融合数据生成器，得到所述初始融合数据生成器生成的第一历史海水透明度融合数据；
[0159]
将所述历史卫星遥感海水透明度数据和所述第二历史预估海水透明度数据进行泊松融合，得到历史海水透明度泊松融合数据；
[0160]
将所述历史海水透明度泊松融合数据和所述第一历史海水透明度融合数据输入初始融合数据生成对抗网络中的初始全局数据判别器，得到所述初始全局数据判别器对所述第一历史海水透明度融合数据的第二判别结果；
[0161]
将所述历史卫星遥感海水透明度数据和所述第一历史海水透明度融合数据输入初始融合数据生成对抗网络中的初始卫星数据判别器，得到所述初始卫星数据判别器对所述第一历史海水透明度融合数据的第三判别结果；
[0162]
基于所述历史海水透明度泊松融合数据、所述历史卫星遥感海水透明度数据、所述第一历史海水透明度融合数据、所述第二判别结果和所述第三判别结果，对所述初始融合数据生成对抗网络进行预训练，得到预训练完成的融合数据生成对抗网络和预训练完成时所述初始融合数据生成器生成的第二历史海水透明度融合数据；
[0163]
将所述第二历史海水透明度融合数据和所述历史卫星遥感海水透明度数据分别重新输入预训练完成的预估数据生成对抗网络和预训练完成的融合数据生成对抗网络，再次对预训练完成的预估数据生成对抗网络和预训练完成的融合数据生成对抗网络进行微调训练，得到训练好的预估数据生成对抗网络和训练好的融合数据生成对抗网络。
[0164]
进一步的，所述获取模块810在用于获取目标区域前m天的历史海水透明度融合数据时，所述获取模块810用于：
[0165]
获取所述训练好的融合数据生成对抗网络在微调训练完成时，所述初始融合数据生成器生成的第三历史海水透明度融合数据；
[0166]
从所述第三历史海水透明度融合数据中筛选出前m天的历史海水透明度融合数据。
[0167]
进一步的，所述训练模块在用于将所述第二历史海水透明度融合数据重新输入预训练完成的预估数据生成对抗网络，再次对预训练完成的预估数据生成对抗网络和进行微调训练，得到训练好的预估数据生成对抗网络时，所述预估数据生成对抗网络中预估数据判别器的第一损失函数包括：
[0168][0169]
式中，d表示预估数据判别器；g1表示预估数据生成器；ld表示预估数据判别器的第一损失函数；x表示历史海水透明度融合数据；表示历史预估海水透明度数据；p
data
表示历史海水透明度融合数据的分布，表示历史预估海水透明度数据的分布；
[0170]
所述预估数据生成对抗网络中预估数据生成器的第二损失函数包括：
[0171][0172]
式中，表示预估数据生成器的第二损失函数；m
land
表示陆地掩模，用于表征所述目标区域的陆地分布；m
ocean
表示海洋掩模，用于表征所述目标区域的海洋分布；
⊙
表示相应元素相乘；‖
…
‖1表示l1距离；λ和μ为常数。
[0173]
进一步的，所述训练模块在用于将所述历史卫星遥感海水透明度数据重新输入预训练完成的融合数据生成对抗网络，再次对预训练完成的融合数据生成对抗网络进行微调训练，得到训练好的融合数据生成对抗网络时，所述融合数据生成对抗网络中全局数据判别器的第三损失函数表示为：
[0174][0175]
式中，da表示全局数据判别器；g2表示融合数据生成器，表示全局数据判别器的第三损失函数；x表示历史海水透明度融合数据；x
′
表示历史海水透明度泊松融合数据；p
data1
表示历史海水透明度泊松融合数据的分布；表示历史海水透明度融合数据的分布；
[0176]
所述融合数据生成对抗网络中卫星数据判别器的第四损失函数表示为：
[0177][0178]
式中，ds表示卫星数据判别器；表示卫星数据判别器的第四损失函数；表示历史卫星遥感海水透明度数据；p
data2
表示历史卫星遥感海水透明度数据的分布；
[0179]
所述融合数据生成对抗网络中融合数据生成器的第五损失函数表示为：
[0180][0181]
式中，表示融合数据生成器的第五损失函数；‖
…
‖1表示l1距离；‖
…
‖2表示l2距离；m
sat
表示所述目标区域中的卫星观测区域；表示梯度运算符；表示结构相似性，μ
x
表示x的平均值，表示的平均值，表示x的方差，表示的方差，表示x和的协方差，c1和c2为常数；δ、α、β和γ为常数。
[0182]
进一步的，所述预估数据生成器包括n层网络结构的预估编码器和n层网络结构的预估解码器；所述预估编码器中包括m条编码路径；第一条编码路径中包括空间维数缩减单元和n个依次相连的第一残差结构；其余每条编码路径中包括空间维数缩减单元、第一残差结构、n个卷积门控循环单元和n-1个第二残差结构；所述空间维数缩减单元连接所述第一
残差结构，每层的卷积门控循环单元连接所述第一残差结构或通过第二残差结构连接上一层的卷积门控循环单元；前一条编码路径中每层的卷积门控循环单元连接后一条编码路径中相应层的卷积门控循环单元；所述预估解码器包括n个第三残差结构和输出块；第m条编码路径中的每层的卷积门控循环单元连接到所述预估解码器中相应层的第三残差结构；所述m条编码路径与前m天的历史海水透明度融合数据一一对应；
[0183]
进一步的，所述第一确定模块820在用于将所述历史海水透明度融合数据输入预先训练好的预估数据生成对抗网络中的预估数据生成器，得到所述目标区域第m 1天的预估海水透明度融合数据时，所述第一确定模块820用于：
[0184]
将前m天的所述历史海水透明度融合数据对应输入所述预估编码器中的m条编码路径中，得到最后一条编码路径中每层卷积门控循环单元输出的海水透明度融合数据；
[0185]
将每层卷积门控循环单元输出的海水透明度融合数据输入所述预估解码器中对应层的第二残差结构，得到所述预估解码器的输出块输出的第m 1天的预估海水透明度融合数据。
[0186]
进一步的，所述融合数据生成器包括p层网络结构的融合编码器和p层网络结构的融合解码器；所述融合编码器包括空间维数缩减单元和p个第二残差结构；所述融合解码器包括p个第三残差结构和输出块；所述融合编码器中每层的第二残差结构连接到所述融合解码器中对应层的第三残差结构；
[0187]
所述第二确定模块830在用于将第m 1天的卫星遥感海水透明度数据和第m 1天的预估海水透明度融合数据输入预先训练好的融合数据生成对抗网络中的融合数据生成器，得到所述目标区域第m 1天的目标海水透明度融合数据时，所述第二确定模块830用于：
[0188]
将第m 1天的卫星遥感海水透明度数据和第m 1天的预估海水透明度融合数据输入所述融合编码器，得到所述融合编码器中每层的第二残差结构输出的海水透明度融合数据；
[0189]
将所述融合编码器中每层的第二残差结构输出的海水透明度融合数据输入所述融合解码器中对应层的第三残差结构，得到所述融合解码器的输出块输出的第m 1天的目标海水透明度融合数据。
[0190]
请参阅图9，图9为本技术实施例所提供的一种电子设备的结构示意图。如图9中所示，所述电子设备900包括处理器910、存储器920和总线930。
[0191]
所述存储器920存储有所述处理器910可执行的机器可读指令，当电子设备900运行时，所述处理器910与所述存储器920之间通过总线930通信，所述机器可读指令被所述处理器910执行时，可以执行如上述图1至图7所示方法实施例中的一种海水透明度融合数据的生成方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
[0192]
本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1至图7所示方法实施例中的一种海水透明度融合数据的生成方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
[0193]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0194]
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、装置和方法，可以
通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0195]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0196]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0197]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。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(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0198]
最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围，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以权利要求的保护范围为准。