基于神经网络-重力信息小波分解提高水深反演精度方法技术

本发明专利技术公开了一种基于神经网络

【技术实现步骤摘要】
基于神经网络
‑
重力信息小波分解提高水深反演精度方法


[0001]本专利技术属于水下导航学、海洋测绘学等交叉
，尤其涉及一种基于神经网络
‑
重力信息小波分解提高水深反演精度方法。

技术介绍

[0002]高精度水深模型为海上航行安全与海洋资源开发提供保障，为研究海洋环流以及海啸预测模型构建提供了基础数据。传统深度测量方法根据搭载平台分为船载、机载及星载测深技术。其中，船载测深技术包括单波束声纳、多波束声纳、侧扫声纳等，其测量精度高、效率低。机载激光雷达测深技术，虽然其测深效率相比船载测深有所提升但是其适用于清澈的浅水海域。星载测深技术利用光学遥感卫星图像反演水深，该方法虽然可以实现大范围深度测量，但是仅适用于浅于30m且水质较好区域。若采用传统船载测深技术完成全球范围测量至少需要200年时间。为了实现全球大范围、快速的水深测量，亟需新的测深手段。1983年，Dixon证明了海底地形与重力异常之间存在一定的相关性，为利用重力信息反演水深提供了理论基础。因此，对于大范围深水区域的水深探测，基于卫星测高反演的重力信息不失为有效的技术手段。
[0003]随着卫星测高技术的发展，众多学者提出多种利用重力信息开展海深反演的方法，包括统计方法(如最小二乘配置法)、物理学方法(如GGM法与SAS法)、智能算法(如人工神经网络、模拟退火法(SA))等。其中，最小二乘配置法需要构建深度与重力异常之间的协方差矩阵，计算量较大、效率低。Hwang通过傅里叶变换导出了频率域内的最小二乘配置法，提高了水深反演的效率，但是并未考虑重力异常对水深反演的非线性影响。GGM法基于布格板公式将重力异常分解成区域与剩余重力异常两部分，然后建立深度与剩余重力异常之间的关系，方法简便、计算效率高。但是，受到海水与地壳的密度差参数以及区域重力场插值构建的影响。Kim等利用迭代法确定了最优密度差，降低了密度差参数对反演深度的影响。但是，公式中的密度差参数已经失去了原本的物理意义且运算量较大。孙永进等针对区域重力场构建精度较低的问题，在插值过程中引入地形因子，提出地形约束因子权重优化方法并提高了水深反演精度。SAS方法在反演过程中需要考虑密度参数及反演波段以及Parker公式中高阶项的影响。Sandwell等通过滤波处理与相关性分析方法反演了南大洋海底地形。范雕等利用抗差估计方法优化了地形与重力异常之间的线性比例因子，得到了较好的反演效果。但是，上述两种方法均未考虑非线性项对反演结果的影响。随着智能算法的不断发展，2012年，Jane等提出利用径向基函数神经网络反演水深的方法，并成功探测到阿拉伯海域两座未被观测的海底山。但是，仅以重力异常数据为输入并未将垂向重力梯度异常与坐标信息考虑在内。垂向重力梯度异常数据更能够反映地形的细节变化，Wang详细推导了垂向重力梯度异常与海底地形在空间域中的关系，并利用最小二乘配置法进行了水深的解算。胡敏章等基于Parker理论推导了海底地形与垂向重力梯度异常的关系，通过设计滤波器采用线性回归技术反演了全球海底地形模型。杨军军等提出利用SA方法通过不断调整完善函数参数，基于航空重力梯度数据解算了全局最优的水深模型。但是上述方法均以
单一的重力信息为输入源，并没有考虑重力异常与垂向重力梯度异常的联合应用。随后，范雕等利用多元线性回归技术，联合重力与重力梯度数据提高了印度洋区域的海底地形精度，体现了应用多源重力数据在海底地形反演中的重要性。本专利技术在考虑多源重力数据与非线性因素共同影响的基础上，试图提出更加综合的反演方法。
[0004]近年来，人工神经网络作为一种高度非线性模型，能够通过不断调整神经元数目和神经网络层数拟合输入与输出之间的函数关系，被广泛应用于水文学、地球物理学等众多领域。根据神经元是否同时将自身的输出信号作为输入信号反馈给其他神经元分为反馈与前馈神经网络两种。其中，多层前馈神经网络因其能够较好地联合多源数据，建立多输入单输出的关系模型，被广泛应用于遥感水深反演和GNSS
‑
R海面高度预测。此外，由于地壳的均衡效应和密度差参数等的影响，重力信息与水深之间存在非线性关系，若直接应用神经网络反演水深势必导致反演模型的稳定性降低。

技术实现思路

[0005]本专利技术的技术解决问题：克服现有技术的不足，提供一种基于神经网络
‑
重力信息小波分解提高水深反演精度方法，对利用多源重力数据进行大区域范围内水深模型构建提供了有益参考。
[0006]为了解决上述技术问题，本专利技术公开了一种基于神经网络
‑
重力信息小波分解提高水深反演精度方法，包括：
[0007]选取研究区域ETOPO1水深模型、重力异常和垂向重力梯度异常，及船载测深数据，并对船载测深数据进行异常值剔除，得到船载测深控制点深度Z；同时，利用Parker算法分别正演ETOPO1水深模型的重力异常Δg
f
(x,y)和垂向重力梯度异常Δg
fv
(x,y)，得到ETOPO1水深模型正演的重力信息Δg
f
；
[0008]获取通过卫星测高反演得到的重力异常Δg(x,y)和垂向重力梯度异常Δg
v
(x,y)，分别对Δg(x,y)和Δg
v
(x,y)进行小波分解，得到小波分解后的重力信息Δg；通过相关性分析比较小波分解后得到的重力信息Δg与ETOPO1水深模型正演的重力信息Δg
f
和船载测深控制点深度Z，得到相关性系数结果；根据相关性系数结果确定小波分解的最佳阶次i、j；
[0009]构建与训练网络模型：采用双线性内插获取船载测深控制点位置处的小波分解结果的重力信息Δg和对应的坐标信息，并进行归一化处理，将归一化处理后的结果G作为网络模型的输入；将船载测深控制点深度Z作为网络模型的输出；通过误差反向传播调整网络模型的权值与偏置参数，直到求取满足设定值或迭代步骤，完成训练；
[0010]基于训练得到的最终的权值与偏置参数，构建水深反演模型；将小波分解后的格网化的重力信息与对应的坐标信息输入至水深反演模型，从而反演得到研究区域内1
′×1′
的水深模型。
[0011]在上述基于神经网络
‑
重力信息小波分解提高水深反演精度方法中，利用Parker算法分别正演ETOPO1水深模型的重力异常Δg
f
(x,y)和垂向重力梯度异常Δg
fv
(x,y)，得到ETOPO1水深模型正演的重力信息Δg
f
，包括：
[0012]通过如下公式(1.4)和公式(1.5)分别正演ETOPO1水深模型的重力异常Δg
f
(x,y)和垂向重力梯度异常Δg
fv
(x,y)：
[0013][0014][0015]其中，F表示傅里叶变换，γ表示万有引力常数，ρ
c
和ρ
w
分别表示洋壳和海水平均密度，k表示径向频率，d表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络
‑
重力信息小波分解提高水深反演精度方法，其特征在于，包括：选取研究区域ETOPO1水深模型、重力异常和垂向重力梯度异常，及船载测深数据，并对船载测深数据进行异常值剔除，得到船载测深控制点深度Z；同时，利用Parker算法分别正演ETOPO1水深模型的重力异常Δg
f
(x,y)和垂向重力梯度异常Δg
fv
(x,y)，得到ETOPO1水深模型正演的重力信息Δg
f
；获取通过卫星测高反演得到的重力异常Δg(x,y)和垂向重力梯度异常Δg
v
(x,y)，分别对Δg(x,y)和Δg
v
(x,y)进行小波分解，得到小波分解后的重力信息Δg；通过相关性分析比较小波分解后得到的重力信息Δg与ETOPO1水深模型正演的重力信息Δg
f
和船载测深控制点深度Z，得到相关性系数结果；根据相关性系数结果确定小波分解的最佳阶次i、j；构建与训练网络模型：采用双线性内插获取船载测深控制点位置处的小波分解结果的重力信息Δg和对应的坐标信息，并进行归一化处理，将归一化处理后的结果G作为网络模型的输入；将船载测深控制点深度Z作为网络模型的输出；通过误差反向传播调整网络模型的权值与偏置参数，直到求取满足设定值或迭代步骤，完成训练；基于训练得到的最终的权值与偏置参数，构建水深反演模型；将小波分解后的格网化的重力信息与对应的坐标信息输入至水深反演模型，从而反演得到研究区域内1
′×1′
的水深模型。2.根据权利要求1所述的基于神经网络
‑
重力信息小波分解提高水深反演精度方法，其特征在于，利用Parker算法分别正演ETOPO1水深模型的重力异常Δg
f
(x,y)和垂向重力梯度异常Δg
fv
(x,y)，得到ETOPO1水深模型正演的重力信息Δg
f
，包括：通过如下公式(1.4)和公式(1.5)分别正演ETOPO1水深模型的重力异常Δg
f
(x,y)和垂向重力梯度异常Δg
fv
(x,y)：(x,y)：其中，F表示傅里叶变换，γ表示万有引力常数，ρ
c
和ρ
w
分别表示洋壳和海水平均密度，k表示径向频率，d表示平均水深，h
n
(x,y)表示相对于平均水深的地形起伏，n表示求和的阶次；将通过公式(1.4)和公式(1.5)分别计算得到Δg
f
(x,y)和Δg
fv
(x,y)作为ETOPO1水深模型正演的重力信息Δg
f
。3.根据权利要求1所述的基于神经网络
‑
重力信息小波分解提高水深反演精度方法，其特征在于，分别对Δg(x,y)和Δg
v
(x,y)进行小波分解，得到小波分解后的重力信息Δg，包括：通过如下公式(1.2)和公式(1.3)分别对Δg(x,y)和Δg
v
(x,y)进行小波分解：
其中，A
I
G表示第I阶的小波分解的逼近部分，D
i
G表示经过i次小波分解的重力异常细节部分，i＝1,2,...,I；表示第J阶小波分解的逼近部分，D
jv
G
v
表示经过j次小波分解的细节部分，j＝1,2,...,J；将得到的A
I
G、D
i
G、和作为小波分解后的重力信息Δg。4.根据权利要求3所述的基于神经网络
‑
重力信息小波分解提高水深反演精度方法，其特征在于，通过相关性分析比较小波分解后得到的重力信息Δg与ETOPO1...

【专利技术属性】
技术研发人员：郑伟，李钊伟，孙永进，
申请(专利权)人：中国航天科技创新研究院，
类型：发明
国别省市：