一种基于机器学习融合海底地形数据的重力异常反演方法技术

本发明专利技术提供了一种基于机器学习融合海底地形数据的重力异常反演方法，属于海底地形起伏以及地质构造反演技术领域

【技术实现步骤摘要】
一种基于机器学习融合海底地形数据的重力异常反演方法


[0001]本专利技术涉及一种基于机器学习融合海底地形数据的重力异常反演方法，属于海底地形起伏以及地质构造反演

。

技术介绍

[0002]随着卫星测高技术的发展，测高数据成为了海洋重力反演的主要数据来源，利用测高卫星得到的海面高数据推算大地水准面高数据或者沿轨垂线偏差数据，进而反演海洋重力异常，常用反演重力的方法主要包括：基于大地水准面数据的逆
Stokes
公式方法
、
基于沿轨垂线偏差的逆
VeningMeinesz
方法以及基于沿轨垂线偏差的
Laplace
方法
。
[0003]由于沿轨垂线偏差数据可以利用测高数据得到的大地水准面高数据一阶差分获得，可以有效地减弱卫星轨道误差
、
大气传播误差和动态海面地形误差等长波误差的影响
。
因此，目前国际公开发布的全球海洋重力模型大多由逆
Vening Meinesz
方法和
Laplace
方法获得
。
[0004]但是，上述方法仅考虑了大地水准面高
、
垂线偏差和重力异常之间的物理关系，为了计算方便进行了近似处理，引入了部分误差
。
同时，海底地形与重力异常之间存在相关性，在重力反演的过程中引入海底地形数据可有效提高重力精度，然而，这些传统方法无法引入海底地形数据
。

技术实现思路

[0005]本专利技术目的是提供了一种基于机器学习融合海底地形数据的重力异常反演方法，在重力反演中引入海底地形，能够大幅提高重力反演精度
。
[0006]本专利技术为实现上述目的，通过以下技术方案实现：步骤1：获取反演区域的海底地形数据
、
船载重力数据
、
卫星测高数据和经度纬度数据；步骤2：采用二次多项式公式，对船载重力数据预处理，得到平差后的船载重力异常数据；步骤3：基于测高数据，计算反演区域格网剩余垂线偏差的南北分量和东西分量；步骤4：根据经度纬度数据计算计算点与距离其最近的某一方向格网点的经度差值和纬度差值；步骤5：构建多通道卷积神经网络模型，将待计算点周边格网点处的剩余垂线偏差南北分量
、
剩余垂线偏差东西分量和海底地形作为输入层的三个通道，经过卷积
、
池化和展开处理，得到一维数据；将这些一维数据
、
计算点的经度数据和纬度数据
、
计算点与距离其最近的某一方向格网点的经度差值和纬度差值经过全连接层处理得到输出结果；输出值为计算点处的剩余重力异常；步骤6：建立训练集和验证集，选取数据组建数据集，包括计算点周边的海底地形数据
、
卫星测高数据和经度纬度数据，还包括计算点经过步骤2得到的船载重力异常数据；
从该数据集中选取一部分作为训练集，另一部分作为验证集；步骤7：将训练集数据预处理后输入多通道卷积神经网络模型，根据训练集和验证集中对应数据的损失值变化确定学习率，对模型进行训练，得到多通道卷积神经网络模型的参数，获取训练完成的多通道卷积神经网络模型步骤8：重新获取测试集数据，包括测试点周边的海底地形数据
、
卫星测高数据和经度纬度数据，将测试集数据预处理后输入到训练完成的多通道卷积神经网络模型，获取测试点处的重力异常数据
。
[0007]优选的，所述对船载重力数据预处理具体方式如下：根据船的航向将船的测线分为多个测段；对每一个测段数据单独处理，选择任意全球重力场模型作为参考场，计算船载数据与参考场之间的差值，并计算标准差，剔除与参考场差值大于三倍标准差的船载重力数据；通过二次多项式对船载数据进行平差，得到高精度的船载重力异常数据；所述二次多项式如下：，其中，表示参考重力场在观测点处重力异常与船载重力异常的差值，即船载重力异常的改正量；表示船载重力测段编号，
、
和为改正参数，所述改正参数可使用最小二乘拟合法获得，表示观测时刻与测段起始点观测时刻的差值
。
[0008]优选的，所述计算点周边格网剩余垂线偏差计算具体方式如下：对卫星测高数据进行预处理得到的高精度海面高数据，所述预处理包括误差改正
、
大地测量任务数据的高斯滤波
、
重复周期任务的共线平差以及基于参考场的粗差剔除；根据得到的高精度海面高数据和海面地形数据，通过移去
‑
恢复方法，计算沿轨剩余垂线偏差：其中
P
，
Q
为沿轨两个相邻观测点，为两观测点对应星下点间的距离，为参考场计算的沿轨垂线偏差
。
[0009]利用最小二乘配置方法计算规则计算点周边格网点处的剩余垂线偏差：式中，
、
分别表示格网点上剩余垂线偏差的子午圈方向分量和卯酉圈方向分量；为剩余垂线偏差子午圈分量
‑
剩余沿轨垂线偏差的协方差阵；为剩余垂线偏差卯酉圈分量
‑
剩余沿轨垂线偏差的协方差阵；为剩余沿轨垂线偏差的方差协方差阵；为沿轨垂线偏差噪声方差阵
。
[0010]优选的，所述卷积神经网络模型包括输入层
、
第一卷积层
、
第一池化层
、
第二卷积层
、
第二池化层
、
展开层
、
全连接层和输出层
。
[0011]优选的，所述输入层包含三个通道，分别输入计算点周边格网点处的剩余垂线偏
差南北分量
、
剩余垂线偏差东西分量和海底地形；并分别经过第一卷积层
、
第一池化层
、
第二卷积层
、
第二池化层和展开层处理得到一维数据；将得到的一维数据
、
计算点的经度数据和纬度数据
、
计算点与距离其最近的某一方向格网点的经度差值和纬度差值经过全连接层处理，经过输出层输出结果；所述全连接层包括加权和求和计算，具体公式如下：，其中，表示神经元中输入量，表示神经元中输出量，和为神经网络参数，分别为权重参数和偏移参数，为激活函数
。
[0012]优选的，当输出为隐藏层节点时，使用的激活函数为
tanh
；当输出为最终输出层的节点时，不使用激活函数
。
[0013]优选的，模型进行训练时，当连续5次训练的训练集输出值与真值差值的均方误差减少量均小于
0.02
时，截止迭代，从而确定学习循环迭代次数，得到多通道卷积神经网络模型的参数，获取训练完成的多通道卷积神经网络模型
。
[0014]本专利技术的优点在于：本专利技术基于多通道卷积神经网络，输入项中包括卫星测高数据和海底地形数据，输出项为反演的重力异常数据，从而在重力反演中引入海底地形，能够大幅提高重力反演精度
。
附图说明本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器学习融合海底地形数据的重力异常反演方法，其特征在于，包括以下步骤：步骤1：获取反演区域的海底地形数据
、
船载重力数据
、
卫星测高数据和经度纬度数据；步骤2：采用二次多项式公式，对船载重力数据预处理，得到平差后的船载重力异常数据；步骤3：基于测高数据，计算反演区域格网剩余垂线偏差的南北分量和东西分量；步骤4：根据经度纬度数据计算计算点与距离其最近的某一方向格网点的经度差值和纬度差值；步骤5：构建多通道卷积神经网络模型，将待计算点周边格网点处的剩余垂线偏差南北分量
、
剩余垂线偏差东西分量和海底地形作为输入层的三个通道，经过卷积
、
池化和展开处理，得到一维数据；将这些一维数据
、
计算点的经度数据和纬度数据
、
计算点与距离其最近的某一方向格网点的经度差值和纬度差值经过全连接层处理得到输出结果；输出值为计算点处的剩余重力异常；步骤6：建立训练集和验证集，选取数据组建数据集，包括计算点周边的海底地形数据
、
卫星测高数据和经度纬度数据，还包括计算点经过步骤2得到的船载重力异常数据；从该数据集中选取一部分作为训练集，另一部分作为验证集；步骤7：将训练集数据预处理后输入多通道卷积神经网络模型，根据训练集和验证集中对应数据的损失值变化确定学习率，对模型进行训练，得到多通道卷积神经网络模型的参数，获取训练完成的多通道卷积神经网络模型步骤8：重新获取测试集数据，包括测试点周边的海底地形数据
、
卫星测高数据和经度纬度数据，将测试集数据预处理后输入到训练完成的多通道卷积神经网络模型，获取测试点处的重力异常数据
。2.
根据权利要求1中所述的基于机器学习融合海底地形数据的重力异常反演方法，其特征在于，所述对船载重力数据预处理具体方式如下：根据船的航向将船的测线分为多个测段；对每一个测段数据单独处理，选择任意全球重力场模型作为参考场，计算船载数据与参考场之间的差值，并计算标准差，剔除与参考场差值大于三倍标准差的船载重力数据；通过二次多项式对船载数据进行平差，得到高精度的船载重力异常数据；所述二次多项式如下：，其中，表示参考重力场在观测点处重力异常与船载重力异常的差值，即船载重力异常的改正量；表示船载重力测段编号，
、
和为改正参数，所述改正参数可使用最小二乘拟合法获得，表示观测时刻与测段起始点观测时刻的差值
。3.
根据权利要求1中所述的基于机器学习融合海底地形数据的重力异常反演方法，其特征在于，所述计算点周边格网剩余垂线偏差计算具体方式如下：对卫星测高数据进行预处理得到的高精度海面高数据，所述预处理包括误差改正
、
大地测量任务数据的高斯滤波
、
重复周期任务的共线平差以及基于参考场的粗差剔除；根据得到的高精度海面高数据和海面地形数据，通过移去
‑
恢复方法，计算
沿轨剩余垂线偏差：其中
P
...

【专利技术属性】
技术研发人员：祝程程，李婉秋，毕京学，孙文潇，王芳，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：