基于VGGNet的卫星测高海底地形校正方法及系统技术方案

本发明专利技术公开了一种基于VGGNet的卫星测高海底地形校正方法及系统，涉及深度学习技术领域，包括：采集船测多波束声呐海底地形数据和卫星测高海底地形数据，作为原始数据；对所述原始数据进行预处理，获得训练数据集；基于卷积神经网络构建海底地形校正模型，并将所述训练数据集输入所述海底地形校正模型中进行模型训练，直至损失函数收敛，得到最优的海底地形校正模型；利用所述最优的海底地形校正模型对卫星测高测深地形数据进行水深校正，获得修正后的卫星测高水深数据。本发明专利技术使用深度学习的方法来对卫星测高水深数据进行基于多波束声呐水深数据的校正，为高精度、高实时性的全球海域的海底地形测量提供新的技术手段可能性。性。性。

【技术实现步骤摘要】
基于VGGNet的卫星测高海底地形校正方法及系统


[0001]本专利技术涉及深度学习
，更具体的说是涉及一种基于VGGNet的卫星测高海底地形校正方法及系统。

技术介绍

[0002]海底地形测量是一项基本的海洋测绘工作，目的是获取海底地形点的三维坐标，包括测量位置、水深、水位、声速、姿态方位等信息，其核心是水深测量。船载探测是检测海底地形地貌最直接和最原始的方法，水深测量是船载地形地貌检测的核心工作，由早期的测深杆、锤子、绳索等原始方法发展到现在的声、光、电等探测方法。由于光波和电磁波在水中衰减很快，而声波在水中可以传播很远的距离，所以，目前船载声学探测仍然是海底地形地貌探测的主要方法之一，船载水深测量在探测方式方面经历了从单波束到多波束的迭代进化。
[0003]多波束测深方法具有高精度、高效率、自动化、数字化等的特性，使得水下测深模式实现了从点到线、从线到面的高质量飞跃，但其缺点是效率低下、探测成本高昂、消耗的人力较多，并且所需的测量时间较长，很难进行大范围海域的海底地形测量。目前积累的全球范围内的海洋测深数据，船测海深的覆盖面依然很稀疏，早期测深数据的精度不高，根据船测水深构建的海底地形模型无论精度还是分辨率都较低，难以满足科学研究所需要的数据条件。
[0004]卫星测高是以人造卫星为载体，使用雷达、激光等测距技术量测卫星至地球表面的高度，从而获取地球表面地形的空间测量技术，而通过测高数据可以构建出海洋的重力场模型，其中的重力异常和大地水准面扰动的分布，则反映了海山、洋脊和海沟等海底地形。卫星测高技术的出现，使得海底地形测量不再仅限于传统的船载声呐，为大范围、高实时性的全球海域的海底地形测量提供了新的技术手段可能性。从现有的卫星测高反演的地形模型分析，尽管其空间分辨率和精度已大幅提升，但相较起多波束测深模式仍无法满足现实需求，如何进一步提高海底地形的分辨率和精度，实现全球海底地形精细建模是当前亟需解决的难题。
[0005]近年来，深度学习已逐渐成为各领域的重要科学计算工具，与传统浅层机器学习算法相比，深度学习采用逐层抽象的方法，高效而准确地实现了底层属性到高层属性的提取，在自然语言处理、图像和语音识别领域做出了巨大的贡献。神经风格迁移是一种基于深度学习的图像优化技术，用于获取三幅图像(内容图像、风格参考图像和要设置样式的输入图像)，通过反向传播最小化内容和样式距离(损失)来转换基本输入图像，创建与内容图像的内容和样式图像的样式相匹配的图像。与海底地形参数估计的算法开发或模型制定相关的主要问题是所涉及的物理过程的复杂性以及与之相关的不确定性。在这种情况下，模糊逻辑、遗传算法、人工神经网络和分形等先进的基于计算机的方法可以用于从已知的影响参数中导出所需的参数。目前，由于图像识别和人工智能的兴起，深度学习的研究主要集中在分类、识别等方面，但回归领域的研究还相对较少，回归问题涉及到社会生产和日常生活
的各个方面，对回归问题的研究有着重要的经济价值和社会意义，尝试将深度学习更好地应用到回归估测领域是一项有意义且可行的研究。
[0006]综上，目前亟需利用多源信息与方法建立全球海底地形模型，海底地形精细建模需要突破精细建模理论、变化特征及其机制研究的诸多关键理论与技术难题，探索其相互联系、空间分布和变化规律以提升建模的精度和分辨率，充分利用船测海深数据并联合船测海深及卫星测高资料进行精细海底地形反演，探讨在全球气候变化、地球圈层物质交换、海底板块构造等方面的作用与影响，为大地测量学、海洋学、海底板块构造等研究提供重要基础保障。
[0007]因此，如何使用深度学习的方法来对卫星测高水深数据进行基于多波束声呐水深数据的校正，为高精度、高实时性的全球海域的海底地形测量提供新的技术手段可能性是本领域技术人员亟需解决的技术问题。

技术实现思路

[0008]有鉴于此，本专利技术提供了一种基于VGGNet的卫星测高海底地形校正方法及系统，使用深度学习的方法来对卫星测高水深数据进行基于多波束声呐水深数据的校正，能够实现多波束数据的空间分辨率和卫星测高数据的时间分辨率的统一，为高精度、高实时性的全球海域的海底地形测量提供新的技术手段可能性。
[0009]为了实现上述目的，本专利技术提供如下技术方案：
[0010]一种基于VGGNet的卫星测高海底地形校正方法，包括以下步骤：
[0011]采集船测多波束声呐海底地形数据和卫星测高海底地形数据，作为原始数据；
[0012]对所述原始数据进行预处理，获得训练数据集；
[0013]基于卷积神经网络构建海底地形校正模型，并将所述训练数据集输入所述海底地形校正模型中进行模型训练，直至损失函数收敛，得到最优的海底地形校正模型；
[0014]利用所述最优的海底地形校正模型对卫星测高测深地形数据进行水深校正，获得修正后的卫星测高水深数据。
[0015]上述技术方案达到的技术效果为：结合卫星测高和多波束声呐测深的优点，应用在数字图像自动化领域强大的深度学习方法，对卫星测高测深数据进行基于多波束声呐的水深校正，为海底地形的精确建模提供了一种新的可能性。
[0016]可选的，对所述原始数据进行预处理，具体包括以下步骤：
[0017]对所述船测多波束声呐海底地形数据进行插值预处理，输出网格化数字高程模型数据；
[0018]获取与所述船测多波束声呐海底地形数据范围相同的卫星测高海底地形数据，并根据对应船测多波束声呐海底地形数据的分辨率对所述卫星测高海底地形数据进行网格重采样，以统一各对的分辨率。
[0019]上述技术方案达到的技术效果为：卫星高度计因大范围、实时观测的优势被广泛应用于水深测量，但精度有改进的余地；多波束回声测深数据具有高精度，但通常仅限于较小的覆盖范围；而本技术可结合卫星测高和多波束声呐测深的优点，实现多波束数据的空间分辨率和卫星测高数据的时间分辨率的统一，为高精度、高实时性的全球海域的海底地形测量提供了新的技术手段可能性。
[0020]可选的，所述基于卷积神经网络构建海底地形校正模型，具体为：
[0021]选用VGG
‑
19模型作为卷积神经网络的基础架构，所述VGG
‑
19模型包括16个卷积层和3个全连接层；
[0022]整个网络架构选用相同大小的卷积核和最大池化核，并选用ReLU作为激活函数，获得海底地形校正模型；其中，通过所述卷积核扩大通道数，利用所述最大池化核减小宽度和高度。
[0023]上述技术方案达到的技术效果为：公开了海底地形校正模型的主要架构，能够提取更抽象和更深层次的图像特征，减少参数量，同时仍然保留相同的感受野，可提高图像计算的效率和准确性。
[0024]可选的，所述得到最优的海底地形校正模型，具体包括以下步骤：
[0025]定义一个距离函数，描述两个输入图像的差异程度，将覆盖同一区域的船测多波束声呐海底地形数据和卫星测高海底地形数据输入至所述海底地形校正模型，然后返回所述海底地形校正模型的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于VGGNet的卫星测高海底地形校正方法，其特征在于，包括以下步骤：采集船测多波束声呐海底地形数据和卫星测高海底地形数据，作为原始数据；对所述原始数据进行预处理，获得训练数据集；基于卷积神经网络构建海底地形校正模型，并将所述训练数据集输入所述海底地形校正模型中进行模型训练，直至损失函数收敛，得到最优的海底地形校正模型；利用所述最优的海底地形校正模型对卫星测高测深地形数据进行水深校正，获得修正后的卫星测高水深数据。2.根据权利要求1所述的一种基于VGGNet的卫星测高海底地形校正方法，其特征在于，对所述原始数据进行预处理，具体包括以下步骤：对所述船测多波束声呐海底地形数据进行插值预处理，输出网格化数字高程模型数据；获取与所述船测多波束声呐海底地形数据范围相同的卫星测高海底地形数据，并根据对应船测多波束声呐海底地形数据的分辨率对所述卫星测高海底地形数据进行网格重采样，以统一各对的分辨率。3.根据权利要求1所述的一种基于VGGNet的卫星测高海底地形校正方法，其特征在于，所述基于卷积神经网络构建海底地形校正模型，具体为：选用VGG
‑
19模型作为卷积神经网络的基础架构，所述VGG
‑
19模型包括16个卷积层和3个全连接层；整个网络架构选用相同大小的卷积核和最大池化核，并选用ReLU作为激活函数，获得海底地形校正模型；其中，通过所述卷积核扩大通道数，利用所述最大池化核减小宽度和高度。4.根据权利要求1所述的一种基于VGGNet的卫星测高海底地形校正方法，其特征在于，所述得到最优的海底地形校正模型，具体包括以下步骤：定义一个距离函数，描述两个输入图像的差异程度，将覆盖同一区域的船测多波束声呐海底地形数据和卫星测高海底地形数据输入至所述海底地形校正模型，然后返回所述海底地形校正模型的中间层，最后输出改进的卫星测高水深数据的结果；其中，使用的距离函数L表示为：其中，x表示多波束声呐水深图像，p表示卫星测高水深图像，i、j表示输入图像的像素点的序列号；令V
nn
为预训练的VGG
‑
19网络，X为任意图像，则V
nn

【专利技术属性】
技术研发人员：罗孝文，陈小伦，吴自银，秦晓铭，尚继宏，王明伟，万黉扬，赵荻能，李守军，
申请(专利权)人：自然资源部第二海洋研究所，
类型：发明
国别省市：