一種海洋中尺度渦的識別方法和裝置與流程

2023-10-11 16:45:24 2

本申請涉及海洋遙感領域，更具體地說，涉及一種海洋中尺度渦的識別方法和裝置。

背景技術：

中尺度渦，是海洋中的一種渦流，各大洋中都有這種渦流的存在。它們與海洋中大而穩定的環流相比，是尺度較小的海水運動，並不顯著，但中尺度渦對全球海洋水量分配、能量與熱量的傳輸有重要作用，對颱風路徑及其強度的變化乃至全球氣候變化都有重大影響，因而對中尺度渦的高效識別已成為當務之急。

現有的效率較高的中尺度渦識別主要採用基於海平面高度異常數據矩陣的閉合等值線法，在傳統方法中由於沒有深入挖掘海平面高度異常數據矩陣中各個像元之間的相關性，因而後續的閉合等值線的劃分和篩選過程比較繁瑣且容易出現誤判，造成中尺度渦的識別精度低。

技術實現要素：

有鑑於此，本申請提供一種海洋中尺度渦的識別方法和裝置，以提高中尺度渦的識別精度。

為了實現上述目的，現提出的方案如下：

一種海洋中尺度渦識別方法，包括：

建立海平面高度異常數據和變差場的原始數據矩陣；

依次將所述原始數據矩陣中各個像元作為預先建立的滑動窗口的中心點；

計算所述滑動窗口內最大像元和最小像元的差的絕對值；

當所述絕對值在預設變差閾值範圍內時，將第一賦值賦予所述中心點對應的所述變差場數據矩陣的像元，當所述絕對值不在所述預設變差閾值範圍內時，將第二賦值賦予所述中心點對應的所述變差場數據矩陣的像元，為海平面高度異常數據的變差場數據矩陣(空矩陣)賦值；

其中，所述預設變差閾值和所述第一賦值根據所述原始數據矩陣確定；

所述第二賦值的計算公式為：

表示第二賦值，DNi表示所述中心點對應的所述原始數據矩陣的像元，表示距離所述中心點像元滯後h0個像元的像元，像元滯後距離h0為預設值；

基於趨勢面分析法，確定所述變差場數據矩陣的趨勢分量和剩餘分量；

對所述剩餘分量進行簡單克裡金插值處理，並將經過簡單克裡金插值處理後的剩餘分量與所述趨勢分量相加，得到經泛克裡金插值的中尺度渦識別矩陣；

按照預設識別方法，基於所述中尺度渦識別矩陣對中尺度渦進行識別。

優選的，所述建立海平面高度異常數據的原始數據矩陣，包括：

獲取海平面高度異常數據；

對所述海平面高度異常數據進行中值濾波處理以及對所述海平面高度異常數據中的空值進行替換處理；

利用處理後的所述海平面高度異常數據構建所述原始數據矩陣。

優選的，所述滑動窗口的建立過程包括：

在預設採樣周期內，獲取多組海平面高度異常數據；

建立每組海平面高度異常數據各自對應的原始數據矩陣；

確定各個所述原始數據矩陣對應的實驗變差函數；

所述實驗變差函數的計算公式為：

其中，所述γ(h)為實驗變差函數值，N(h)表示所述海平面高度異常數據的原始數據矩陣中相距h個像元的像元的對數，DN(i,j)表示海平面高度異常數據的原始數據矩陣中第i行第j列的像元的像元值，和DN(i+h,j+h)表示海平面高度異常數據原始數據矩陣中第i+h行第j+h列的像元的像元值；

分別對所有所述原始數據矩陣對應的實驗變差函數進行求導計算，確定每個原始數據矩陣實驗變差函數之導數的最小零點處h值；

計算所有最小零點處h值的平均值，將所述平均值作為所述像元滯後距離h0；

基於所述像元滯後距離h0建立所述滑動窗口，其中所述滑動窗口的邊長為2h0。

優選的，所述預設變差閾值為[μ-σ,μ+σ]；

所述第一賦值為：(μ-4σ)；

其中，μ為所述原始數據矩陣平均值，σ為所述原始數據矩陣的標準差。

優選的，所述對所述剩餘分量進行簡單克裡金插值處理，並將經過簡單克裡金插值處理後的剩餘分量與所述趨勢分量相加，得到經泛克裡金插值的中尺度渦識別矩陣，包括：

確定所述變差場數據矩陣的實驗變差函數；

所述實驗變差函數的計算公式為：

其中，所述γ(h)為實驗變差函數值，N(h)表示所述變差場數據矩陣中相距h個像元的像元的對數，DN(i,j)表示變差場數據矩陣中第i行第j列的像元的像元值，和DN(i+h,j+h)表示變差場數據矩陣中第i+h行第j+h列的像元的像元值；

基於預設算法對所述實驗變差函數進行計算，確定所述實驗變差函數的塊金、變程以及偏基臺值；

將所述實驗變差函數的塊金、變程以及偏基臺值代入理論變差函數模型中，以實現實驗變差函數與理論變差函數模型的擬合；

按照簡單克裡金插值算法，利用擬合後的理論變差函數模型對所述剩餘分量進行插值，再將經過插值的剩餘分量與趨勢分量相加，實現完整的泛克裡金算法。

一種海洋中尺度渦識別裝置，包括：

原始數據矩陣建立單元，用於建立海平面高度異常數據的原始數據矩陣；

變差場數據矩陣建立單元，用於建立與海平面高度異常數據原始數據矩陣同行同列數的變差場數據矩陣，通過對海平面高度異常數據原始數據矩陣的變差計算，為變差場數據矩陣賦值。

本單元包括：

依次將所述原始數據矩陣中各個像元作為預先建立的滑動窗口的中心點；

計算所述滑動窗口內最大像元和最小像元的差的絕對值；

當所述絕對值在預設變差閾值範圍內時，將第一賦值賦予所述中心點對應的所述變差場數據矩陣的像元，當所述絕對值不在所述預設變差閾值範圍內時，將第二賦值賦予所述中心點對應的所述變差場數據矩陣的像元，為海平面高度異常數據的變差場數據矩陣(空矩陣)賦值；

其中，所述預設變差閾值和所述第一賦值根據所述原始數據矩陣確定；

所述第二賦值的計算公式為：

表示第二賦值，DNi表示所述中心點對應的所述原始數據矩陣的像元，表示距離所述中心點的像元滯後h0個像元的像元，像元滯後距離h0為預設值；

泛克裡金插值處理單元，用於在趨勢面分析法的基礎上，確定所述變差場數據矩陣的趨勢分量和剩餘分量；對所述剩餘分量進行簡單克裡金插值處理，並將經過簡單克裡金插值處理後的剩餘分量與所述趨勢分量相加，得到經泛克裡金插值的中尺度渦識別矩陣；

中尺度渦識別單元，用於按照預設識別方法，基於所述中尺度渦識別矩陣對中尺度渦進行識別。

優選的，所述原始數據矩陣建立單元包括：

數據採集模塊，獲取海平面高度異常數據；

數據處理模塊，用於對所述海平面高度異常數據進行中值濾波處理以及對所述海平面高度異常數據中的空值進行替換處理，並利用處理後的所述海平面高度異常數據構建所述原始數據矩陣。

優選的，所述變差場數據矩陣建立單元包括：

滑動窗口建立模塊，用於在預設採樣周期內，獲取多組海平面高度異常數據，建立每組海平面高度異常數據各自對應的原始數據矩陣，確定各個所述原始數據矩陣對應的實驗變差函數；

所述實驗變差函數的計算公式為：

其中，所述γ(h)為實驗變差函數值，N(h)表示所述海平面高度異常數據的原始數據矩陣中相距h個像元的像元的對數，DN(i,j)表示海平面高度異常數據的原始數據矩陣中第i行第j列的像元的像元值，和DN(i+h,j+h)表示海平面高度異常數據原始數據矩陣中第i+h行第j+h列的像元的像元值；

分別對所有所述原始數據矩陣對應的實驗變差函數進行求導計算，確定每個原始數據矩陣實驗變差函數之導數的最小零點處h值；

計算所有最小零點處h值的平均值，將所述平均值作為所述像元滯後距離h0；

基於所述像元滯後距離h0建立所述滑動窗口，其中所述滑動窗口的邊長為2h0；

變差計算模塊，用於依次將所述原始數據矩陣中各個像元作為預先建立的滑動窗口的中心點；

計算所述滑動窗口內最大像元和最小像元的差的絕對值；

當所述絕對值在預設變差閾值範圍內時，將第一賦值賦予所述中心點對應的所述變差場數據矩陣的像元，當所述絕對值不在所述預設變差閾值範圍內時，將第二賦值賦予所述中心點對應的所述變差場數據矩陣的像元，為海平面高度異常數據的變差場數據矩陣(空矩陣)賦值。

優選的，所述預設變差閾值為[μ-σ,μ+σ]；

所述第一賦值為：(μ-4σ)；

其中，μ為所述原始數據矩陣平均值，σ為所述原始數據矩陣的標準差。

優選的，所述泛克裡金插值處理單元包括：

趨勢面分析模塊，用於基於趨勢面分析法，確定所述變差場數據矩陣的趨勢分量和剩餘分量；

泛克裡金插值計算模塊，用於確定所述變差場數據矩陣剩餘分量的實驗變差函數，進而將實驗變差函數擬合為理論變差函數，使用理論變差函數對變差場數據矩陣的剩餘分量進行簡單克裡金插值；

本模塊包括：

所述實驗變差函數的計算公式為：

其中，所述γ(h)為實驗變差函數值，N(h)表示所述變差場數據矩陣中相距h個像元的像元的對數，DN(i,j)表示變差場數據矩陣中第i行第j列的像元的像元值，和DN(i+h,j+h)表示變差場數據矩陣中第i+h行第j+h列的像元的像元值；

基於預設算法對所述實驗變差函數進行計算，確定所述實驗變差函數的塊金、變程以及偏基臺值；

將所述實驗變差函數的塊金、變程以及偏基臺值代入理論變差函數模型中，以實現實驗變差函數與理論變差函數模型的擬合；

按照簡單克裡金插值算法，利用擬合後的理論變差函數模型對所述剩餘分量進行插值，再將經過插值的剩餘分量與趨勢分量相加，實現完整的泛克裡金算法。

經由上述技術方案可知，本申請公開了一種海洋中尺度渦識別方法和裝置。首先建立海平面高度異常數據的原始數據矩陣，進而對該原始數據矩陣進行處理以獲得該原始數據矩陣對應的變差場數據矩陣。進一步，利用趨勢面分析法對該變差場數據矩陣進行分析，以進行泛克裡金插值計算，從而建立可高度識別中尺度渦的中尺度渦識別矩陣。與現有技術相比，本發明基於海平面高度異常數據矩陣中各個像元之間的相關性，建立了海平面高度異常數據的變差場數據矩陣，並對該變差場數據矩陣進行泛克裡金插值處理，因而提高了中尺度渦的識別精度。

附圖說明

為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據提供的附圖獲得其他的附圖。

圖1示出了本發明一個實施例公開的一種海洋中尺度渦識別方法的流程示意圖；

圖2可知，本申請另一個實施例公開一種滑動窗口的創建方法的流程示意圖；

圖3示出了本發明另一個實施例公開的一種泛克裡金插值算法的流程示意圖；

圖4示出了本發明另一個實施例公開的一種海洋中尺度渦識別裝置的結構示意圖。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。

圖1示出了本發明一個實施例公開的一種海洋中尺度渦識別方法的流程示意圖。

由圖1可知，在本實施例中，該方法包括：

S101：建立海平面高度異常數據的原始數據矩陣和與原始數據矩陣同行同列的空矩陣。

具體包括：

獲取海平面高度異常數據，進而為了避免後續的變差運算放大數據中原有噪聲，需要對該海平面高度異常數據集進行中值濾波處理。

需要說明的是，在實際應用中由於海洋中存在陸地、島嶼等區域，上述海平面高度異常數據中存在空值，因而在數據處理時，計算全部有效海平面高度異常數據的均值，將其賦給陸地、島嶼、0-200m深度淺海區域的像元，作為空值的替代值，避免後續程序在運算時發生數值錯誤。

S102：依次將所述原始數據矩陣中各個像元作為預先建立的滑動窗口的中心點，計算所述滑動窗口內最大像元和最小像元的差的絕對值。

利用預先建立的滑動窗口遍歷原始數據矩陣中各個像元。具體的，依次將各個像元作為該滑動窗口的中心點。進而，計算滑動窗口中最大像元和最小像元的差的絕對值。

S103：當所述絕對值在預設變差閾值範圍內時，將第一賦值賦予所述中心點對應的空矩陣的像元，當所述絕對值不在所述預設變差閾值範圍內時，將第二賦值賦予所述中心點對應的所述空矩陣的像元，以建立海平面高度異常數據的變差場數據矩陣。

其中，該預設變差閾值以及第一賦值可由原始數據矩陣確定。具體的，[μ-σ,μ+σ]；

所述第一賦值為：(μ-4σ)；

其中，μ為所述原始數據矩陣平均值，σ為所述原始數據矩陣的標準差。

所述第二賦值的計算公式為：

表示第二賦值，DNi表示所述中心點對應的所述原始數據矩陣的像元，表示距離所述中心點的像元滯後h0個像元的像元，像元滯後距離h0為預設值。

S104：基於趨勢面分析法，確定所述變差場數據矩陣的趨勢分量和剩餘分量。

趨勢面是一種基於空間坐標的低階多項式，它是一種光滑的數學曲面，能集中地反映空間數據在大範圍內的變化趨勢。該曲面與實際的空間數據曲面不同，它只是實際曲面的一個近似值。因此實際曲面應包括趨勢面和剩餘曲面兩部分，即

實際曲面＝趨勢面+剩餘曲面

趨勢面反映了區域性的變化規律，它受大範圍的系統性因素所控制；剩餘曲面則反映了局部變化特點，它受局部因素和隨機因素所制約。由此可見，這兩部分具有不同性質，趨勢面對應於一個確定性函數，而剩餘曲面則對應於一個隨機函數，即

數據場中各點的真實值＝確定性函數值+隨機函數值＝趨勢分量+剩餘分量

依據上述分析，海平面高度異常數據的變差場數據矩陣可被分解為趨勢分量與剩餘分量兩部分，也就是

Z(Pi)＝Trend(Pi)+R(Pi)(i＝1,2,...,n)。

其中，Trend(Pi)表示趨勢分量，R(Pi)為剩餘分量。

S105：對所述剩餘分量進行簡單克裡金插值處理，並將經過簡單克裡金插值處理後的剩餘分量與所述趨勢分量相加，得到經泛克裡金插值的中尺度渦識別矩陣。

S106：按照預設識別方法，基於所述中尺度渦識別矩陣對中尺度渦進行識別。

由以上實施例可知，本申請公開了一種海洋中尺度渦識別方法。首先建立海平面高度異常數據的原始數據矩陣，進而對該原始數據矩陣進行處理以獲得該原始數據矩陣對應的變差場數據矩陣。進一步，利用趨勢面分析法對該變差場數據矩陣進行分析，以進行泛克裡金插值計算，從而建立可高度識別中尺度渦的中尺度渦識別矩陣。與現有技術相比，本發明利用海平面高度異常數據矩陣中各個像元之間的相關性，建立了海平面高度異常數據的變差場數據矩陣，並對該變差場數據矩陣進行泛克裡金插值處理，因而提高了中尺度渦的識別精度和效率。

參見圖2可知，本申請另一個實施例公開一種滑動窗口的創建方法的流程示意圖。

在本實施例中，滑動窗口的建立過程具體包括以下步驟：

S201：在預設採樣周期內，獲取多組海平面高度異常數據，建立每組海平面高度異常數據各自對應的原始數據矩陣。

在一段採樣周期內，獲取多組海平面高度異常數據。基於上述多組海平面高度異常數據矩陣建立各自對應的原始數據矩陣。

S202：確定各個所述原始數據矩陣對應的實驗變差函數。

所述實驗變差函數的計算公式為：

其中，所述γ(h)為實驗變差函數值，N(h)表示所述海平面高度異常數據的原始數據矩陣中相距h個像元的像元的對數，DN(i,j)表示海平面高度異常數據的原始數據矩陣中第i行第j列的像元的像元值，和DN(i+h,j+h)表示海平面高度異常數據原始數據矩陣中第i+h行第j+h列的像元的像元值；

S203：分別對所有所述原始數據矩陣對應的實驗變差函數進行求導計算，確定每個原始數據矩陣實驗變差函數之導數的最小零點處h值。

對任意實驗變差函數而言，該實驗變差函數包括多個導數為零的點，取每個實驗變差函數的最小零點處h值。

S204：計算所有最小零點處h值的平均值，將所述平均值作為所述像元滯後距離h0；

S205：基於所述像元滯後距離h0建立所述滑動窗口，其中所述滑動窗口的邊長為2h0。

參見圖3示出了本發明另一個實施例公開的一種泛克裡金插值算法的流程示意圖。

由圖3可知，該方法包括：

S301：確定所述原始數據矩陣的實驗變差函數。

所述實驗變差函數的計算公式為：

其中，所述γ(h)為實驗變差函數值，N(h)表示所述變差場數據矩陣中相距h個像元的像元的對數，DN(i,j)表示變差場數據矩陣中第i行第j列的像元的像元值，和DN(i+h,j+h)表示變差場數據矩陣中第i+h行第j+h列的像元的像元值；

S302：基於預設算法對所述實驗變差函數進行計算，確定所述實驗變差函數的塊金、變程以及偏基臺值。

計算h＝0時，實驗變差函數γ(h)的值，其中塊金C0＝γ(0)；

進一步對於實驗變差函數求導，得到得到函數γ』(h)，設令γ』(h)＝0的h中最小的為ha，則變程a＝ha；

設令γ』(h)＝0的h中最大的為hC，則偏基臺值C＝γ(hC)-C0；

至此C0，a，C均已求出。

S303：將所述實驗變差函數的塊金、變程以及偏基臺值代入理論變差函數模型中，以實現實驗變差函數與理論變差函數模型的擬合。

本發明中，分別依據球狀、指數、高斯和穩定4種模型來擬合變差函數。

A.球狀模型

B.指數模型

C.高斯模型

D.穩定模型

S304：按照簡單克裡金插值算法，利用擬合後的理論變差函數模型對所述剩餘分量進行插值，再將經過插值的剩餘分量與趨勢分量相加，實現完整的泛克裡金算法。

分別使用高斯、指數、球狀和穩定4種模型對變差場數據矩陣剩餘值進行插值，插值過程如下：

視變差場數據矩陣為區域化變量，n個已知數據點Pi的DN值分別為Z(Pi)(i＝1,2,…n)。趨勢面分析可知，變差場數據矩陣由Trend(Pi)和R(Pi)兩部分組成，而R(Pi)＝Z(Pi)-Trend(Pi)，故在此步驟中實際執行插值的是R(Pi)。待插值點R*(P0)值的估計結果如下，

如同其他的空間插值方法一樣，普通克裡金插值法的根本出發點也是計算代表第i個點Pi的待定權重的Wi，只是其求取權重的手段與其他插值方法有所不同。克裡金插值法採用權重方程組求解權重。權重方程組形如

式中γ(Pi,Pk)表示相距h的點Pi與Pk之間的變差函數值γ(h)，γ(h)即4種理論變差函數模型其一，c表示已知常數。

對R(Pi)進行上述的簡單克裡金插值得到R』(Pi)，再與趨勢分量Trend(Pi)重新相加即獲取最終插值結果：

Z'(Pi)＝Trend(Pi)+R'(Pi) (i＝1,2,...,n)

其中Z』(Pi)表示泛克裡金插值的輸出結果。

S305：對泛克裡金插值結果進行交叉驗證。

需進行交叉驗證以確定插值精度是否符合要求。

交叉驗證是這樣實現的：首先移除變差場數據矩陣插值結果中的一個數據點，用剩餘的所有點去插值(仍然使用上述4種模型其一)，得到這個被移除點位置的值，將此預測值與其真實值比較，依此類推，當此方法在所有的點上實施之後，變差場數據矩陣插值結果中每個數據點都具有一個預測值和一個真實值，如此，即可使用下面5個指標來計算交叉驗證結果(表1)。

表1交叉驗證參數計算式

(Z*(Pi)表示Pi點估計值，Z(Pi)表示Pi點觀察值，σk2(Pi)表示Pi位置處克裡金方差)

在本發明中，首先從變差場數據矩陣插值結果的全部已知數據點中取出一個用來比較的數據子集和用來插值的數據子集(兩子集不可有交集)，方法是先將變差場數據矩陣插值結果進行降低解析度的重採樣，如對於m×n(m行n列)的變差場數據矩陣插值結果而言，可將行數和列數均縮減為原始值的1/4實現重採樣，即將其變為的點陣，作為用來比較的數據子集，而把原始變差場數據矩陣插值結果數據點用作進行插值的數據子集，如此，在使用後者完成插值後，就可以將插值結果與用來比較的數據子集進行比較，得到所需的各種交叉驗證參數(ME、MSE、RMSE、ASE和RMSSE)。

若交叉驗證參數值符合以下標準(表2)，則認為選取的理論變差函數模型符合要求，從而進一步在4種模型中按照此標準挑選1個最佳模型作為最終的插值模型，完成泛克裡金插值。

表2交叉驗證得數評價表

參見圖4示出了本發明另一個實施例公開的一種海洋中尺度渦識別裝置的結構示意圖。

由圖4可知，在本實施例中，該裝置包括：原始數據矩陣建立單元1、變差場數據矩陣建立單元2、泛克裡金插值處理單元3以及中尺度渦識別單元4。

其中，

原始數據矩陣建立單元1用於建立海平面高度異常數據的原始數據矩陣。

具體的，該所述原始數據矩陣建立單元1包括：數據採集模塊11以及數據處理模塊12。

數據採集模塊11用於獲取海平面高度異常數據，並將採集到的海平面高度異常數據發送至數據處理模塊12中。

數據處理模塊12對所述海平面高度異常數據進行中值濾波處理以及對所述海平面高度異常數據中的空值進行替換處理，並利用處理後的所述海平面高度異常數據構建所述原始數據矩陣。

變差場數據矩陣建立單元2用於基於所述原始數據矩陣建立與其同行同列數的海洋高度異常數據的變差場數據矩陣。

具體的，所述變差場數據矩陣建立單元2包括：滑動窗口建立模塊21和數據計算模塊22。

其中，滑動窗口建立模塊21具體用於在預設採樣周期內，獲取多組海平面高度異常數據，建立每組海平面高度異常數據各自對應的原始數據矩陣，確定各個所述原始數據矩陣對應的實驗變差函數；

進而，分別對所有所述原始數據矩陣對應的實驗變差函數進行求導計算，確定每個原始數據矩陣實驗變差函數之導數的最小零點處h值；

計算所有最小零點處h值的平均值，將所述平均值作為所述像元滯後距離h0；並將2h0作為滑動窗口的邊長以建立滑動窗口。

數據計算模塊用於首先建立一個與原始數據矩陣同行同列的空矩陣，進而依次將所述原始數據矩陣中各個像元作為滑動窗口的中心點，計算所述滑動窗口內最大像元和最小像元的差的絕對值。

當所述絕對值在預設變差閾值範圍內時，將第一賦值賦予所述中心點對應的所述空矩陣的像元，當所述絕對值不在所述預設變差閾值範圍內時，將第二賦值賦予所述中心點對應的所述空矩陣的像元以建立海平面高度異常數據的變差場數據矩陣(。

其中，預設變差閾值為[μ-σ,μ+σ]；所述第一賦值為：(μ-4σ)；

μ為所述原始數據矩陣平均值，σ為所述原始數據矩陣的標準差

所述第二賦值的計算公式為：

表示第二賦值，DNi表示所述中心點對應的所述原始數據矩陣的像元，表示距離所述中心點滯後h0個像元的像元，像元滯後距離h0為預設值。

泛克裡金插值處理單元3包括：趨勢面分析模塊31和泛克裡金插值計算模塊32。

趨勢面分析模塊，用於以趨勢面分析法為基礎，確定所述變差場數據矩陣的趨勢分量和剩餘分量。

泛克裡金插值計算模塊，用於確定所述變差場數據矩陣剩餘分量的實驗變差函數；

基於預設算法對所述實驗變差函數進行計算，確定所述實驗變差函數的塊金、變程以及偏基臺值；

將所述實驗變差函數的塊金、變程以及偏基臺值代入理論變差函數模型中，以實現實驗變差函數與理論變差函數模型的擬合；

進而，使用簡單克裡金插值算法，利用擬合後的理論變差函數模型對所述剩餘分量進行插值，再將經過插值的剩餘分量與趨勢分量相加，實現完整的泛克裡金算法並得到經泛克裡金插值的中尺度渦識別矩陣。

中尺度渦識別單元4，用於按照預設識別方法，基於所述中尺度渦識別矩陣對中尺度渦進行識別。

需要說明的是該裝置實施例與方法實施例相對應，其執行過程和執行原理相同，在此不作贅述。

最後，還需要說明的是，在本文中，諸如第一和第二等之類的關係術語僅僅用來將一個實體或者操作與另一個實體或操作區分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關係或者順序。而且，術語「包括」、「包含」或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句「包括一個……」限定的要素，並不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。

本說明書中各個實施例採用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。

對所公開的實施例的上述說明，使本領域專業技術人員能夠實現或使用本發明。對這些實施例的多種修改對本領域的專業技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發明的精神或範圍的情況下，在其它實施例中實現。因此，本發明將不會被限制於本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的範圍。