CN113191087A - 联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法 - Google Patents

Abstract

本发明提供一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，属于海洋测绘技术领域。包括：输入航渡式测深海区的历史水温、盐度及压力数据，计算声速剖面数据；标准化声速剖面的垂向分层；对标准化后的历史声速剖面群进行EOF分析，获取重构系数范围与特征向量；构建遗传算法优化神经网络模型，选择适应度函数；输入历史声速剖面数据，训练模型；将实测表层声速、位置信息、深度及特征向量输入训练完成的模型，反演声速剖面；采用常梯度声线跟踪对航渡式测深数据进行声速改正。本发明克服了当前航渡式水深数据后处理阶段缺少较高精度声速剖面进行声速改正的不足，削弱了声速误差的影响，提高了航渡式测深数据的精度。

Description

联合历史剖面声速与实测表层声速的航渡式测深数据剖面声 速改正方法

技术领域

本发明属于海洋测绘技术领域，涉及一种航渡式水深数据的声速改正方法。

背景技术

航渡式水深数据，是指测量船利用随船携带的测深设备与定位装置，所采集、获取的船舶航迹区域内的水深数据。为推动航渡式水深数据应用于实践生产，需要对数据进行一系列的后处理工作，包括：潮汐、吃水、姿态和声速等改正，以提高航渡式水深数据的精度。而针对航渡式水深数据中的声速改正问题，国外众多学者开展了一系列相关的研究工作。

Thornton通过分析测深工作中的各种误差及相应处理方法，指出了航渡式水深数据进行声速改正的必要性；但受价格昂贵的走航式声速设备以及非专业测量船工作性质的制约，船舶航迹海域内的实测声速数据难以满足要求，从而严重影响了航渡式水深数据的精度。Calder发现当航渡式测深工作中缺少测量区域的声速剖面(Sound VelocityProfile，SVP)时，可以利用测深设备的嵌入式温度传感器与假定盐度值粗略预估声速，并提出了利用历史海洋温盐度数据进行声速改正的设想；Arfeen尝试在没有实测声速剖面情况下，使用历史温盐度数据对北极地区的水深数据进行声速改正。然而，海洋的温盐特性以一定规律随时间而变化，若直接使用历史海洋温度、盐度数据会受到数据集时间分辨率或空间分辨率等问题的制约，难免产生SVP代表性偏差，导致改正后的海底出现“哭脸”或“笑脸”的现象。因此，在以往的专业测深工作中，当缺少声速剖面时通常可考虑采用声速剖面反演法，来获取所需站点的声速剖面，并完成测深数据的声速改正。但是，目前声速剖面反演法改正测深数据主要是针对平坦海底地形，以地形畸变量作为反演迭代条件反演声速剖面，再对测深数据进行声速改正。若直接在航渡式测深工作中以历史声速剖面群为基础使用该方法进行声速剖面反演，获得的只是该海域过去或平均意义上的声速剖面，尤其是在反演复杂地形海域的声速剖面时，受限于该方法的反演迭代条件，数据精度难以满足实时测深工作与测量规范的要求。

发明内容

为了克服当前航渡式水深数据后处理阶段缺少较高精度声速剖面进行声速改正的不足，本发明提出一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，已有实验表明，本发明所述方法能够削弱声速误差的影响，提高航渡式测深数据的精度。

本发明为实现上述目的所采用的技术方案是：

一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，包括以下步骤：

步骤S1：选取测船航迹周围一定海域内的历史水温、盐度及压力数据，采用声速经验公式计算得到相应的历史声速剖面；

步骤S2：采用Akima插值方式标准化历史声速剖面群的垂向分层；

步骤S3：对步骤S2中标准化历史声速剖面群进行正交经验函数分析，获得重构系数范围与表征海区声速主要变化特征的特征向量；

步骤S4：初始化遗传算法、搭建神经网络模型，来构建遗传算法优化神经网络模型；

步骤S5：利用历史声速场信息：表层声速、位置信息、深度及特征向量数据，训练步骤S4构建的模型；

步骤S6：向步骤S5中完成训练作业的模型中输入实测表层声速、位置信息、深度及所选海区特征向量，获取反演声速剖面；

步骤S7：利用反演声速剖面，采用声速改正中常用的常梯度声线跟踪方式对水深数据进行声速改正，得到改正后的航渡式水深数据。

所述步骤S1中，依据航渡式测量工作中记录的位置信息，并按照行业规范要求或作业人员需要，选取需要进行声速剖面反演的站点，同时获取该站点周围2海里范围内的历史温度、盐度及压力信息，将这些信息采用Chen-Millero声速经验公式转换为声速数据；所述Chen-Millero声速经验公式：

v＝C_W(t,p)+A(t,p)S+B(t,p)S³²+D(t,p)S²

C_w(t,p)＝(C₀₀+C₀₁t+C₀₂t²+C₀₃t³+C₀₄t⁴+C₀₅t⁵)+(C₁₀+C₁₁t+C₁₂t²+C₁₃t³+C₁₄t⁴)p+

(C₂₀+C₂₁t+C₂₂t²+C₂₃t³+C₂₄t⁴)p²+(C₃₀+C₃₁t+C₃₂t²)p³

A(t,p)＝(A₀₀+A₀₁t+A₀₂t²+A₀₃t³+A₀₄t⁴)+(A₁₀+A₁₁t+A₁₂t²+A₁₃t³+A₁₄t⁴)p+

(A₂₀+A₂₁t+A₂₂t²+A₂₃t³)p²+(A₃₀+A₃₁t+A₃₂t²)p³

B(t,p)＝B₀₀+B₀₁t+(B₁₀t²+B₁₁t³)p

D(t,p)＝D₀₀+D₁₀p

其中，t表示温度(℃)，S表示盐度，v表示声速剖面中的各层声速值(m/s)，p为压力(bar)，通常适用于t∈[0,35],S∈[5,40],p∈[0,1000]的海域。

所述步骤S3中，对标准化的历史声速剖面群进行EOF分析，提取出能表征该海区声速主要变化特征的前k阶特征向量Eof_k＝{e₁,e₂,e₃,…,e_k}(前k阶特征向量所表示声速剖面起伏的能量百分比须高于95％)，并获得重构系数范围

其中

表示第k阶重构系数的最小值与最大值。

所述步骤S4中，遗传算法优化神经网络模型构建包括神经网络模型与遗传算法模型的构建。其中，

所述神经网络模型包括输入表层声速、位置信息、深度与前k阶特征向量的输入层(节点数为4)、调节权值与阈值的隐含层(节点数为2k)和输出反演声速剖面的输出层(节点数为1)。

所述遗传算法模型依据神经网络的总节点数、前k阶重构系数的范围(采用浮点数的编码方式)、确定种群个数和遗传代数来进行初始化，并通过每代中适应度值最高的个体替代上代中适应度值最低的个体，来加快寻找最优参数个体过程。其中，构造的适应度函数为：

其中，v_ij表示第i个站点样本的第j个声速值，v_i′_j表示相应位置处的反演声速值。

所述步骤S5中，将步骤S3得到的前k阶特征向量Eof_k、所选历史声速剖面群的表层声速数据、声速剖面位置数据、深度数据输入步骤S4中构建的模型中，调整模型中的权值与阈值，进行训练，得到最优的神经网络权值与阈值。

所述步骤S6中，依据船舶航行时测得的表层声速或间接通过遥感卫星得到的表层声速，结合各站点的位置信息、所选海域平均深度和步骤S3得到的前k阶特征向量，输入步骤S5中已训练完成的模型中，然后获取反演得到的声速剖面。

本发明的有益效果：本发明提出的声速改正方法，克服了当前航渡式水深数据后处理阶段缺少较高精度声速剖面进行声速改正的不足。已有实验表明，本发明所述方法能够削弱声速误差的影响，提高了航渡式测深数据的精度。

附图说明

图1是本发明所述测深数据剖面声速改正方法的总流程图。

图2是本发明构建神经网络的示意图。

图3是本发明反演声速剖面站点及声速剖面结果的示意图；其中，(a)为反演声速剖面站点示意图，(b)为声速剖面结果的示意图。

图4是本发明测深数据声速改正结果的示意图。

具体实施方式

下面将结合具体实例和附图对本发明的技术方案进行进一步的说明。

本发明提出了一种航渡式水深数据声速改正方法，实现过程是实测表层声速联合历史剖面声速数据进行声速剖面反演进而实现水深数据的声速改正；设现需获取A站点声速剖面数据进行水深数据的声速改正，采用本发明所述方法进行声速改正，包括以下步骤(如图1所示)：

步骤S1：选取A站点周围2海里内的历史水温、盐度及压力数据，采用Chen-Millero声速经验公式转换计算获得历史声速剖面群V＝{V₁,V₂,V₃,…,V_n}，V_n为第n个历史声速剖面；所述的Chen-Millero声速经验公式：

v＝C_W(t,p)+A(t,p)S+B(t,p)S³²+D(t,p)S²

C_w(t,p)＝(C₀₀+C₀₁t+C₀₂t²+C₀₃t³+C₀₄t⁴+C₀₅t⁵)+(C₁₀+C₁₁t+C₁₂t²+C₁₃t³+C₁₄t⁴)p+

(C₂₀+C₂₁t+C₂₂t²+C₂₃t³+C₂₄t⁴)p²+(C₃₀+C₃₁t+C₃₂t²)p³

A(t,p)＝(A₀₀+A₀₁t+A₀₂t²+A₀₃t³+A₀₄t⁴)+(A₁₀+A₁₁t+A₁₂t²+A₁₃t³+A₁₄t⁴)p+

(A₂₀+A₂₁t+A₂₂t²+A₂₃t³)p²+(A₃₀+A₃₁t+A₃₂t²)p³

B(t,p)＝B₀₀+B₀₁t+(B₁₀t²+B₁₁t³)p

D(t,p)＝D₀₀+D₁₀p

其中，t表示温度(℃)，S表示盐度，v表示声速剖面中的各层声速值(m/s)，p为压力(bar)，适用于t∈[0,35],S∈[5,40],p∈[0,1000]的海域。

表1Chen-Millero声速经验公式系数表

步骤S2：针对各声速剖面分层不一致的情况，采用Akima插值方式标准化历史声速剖面群的垂向分层V_i＝{v₁,v₂,v₃,…,v_n}，其中i＝{1,2,3,…,n}。

步骤S3：对步骤S2中标准化的历史声速剖面群进行EOF分析，提取出能表征该海区声速主要变化特征的前k阶特征向量Eof_k＝{e₁,e₂,e₃,…,e_k}(前k阶特征向量所表示声速剖面起伏的能量百分比须高于95％)，并获得重构系数范围

其中

表示第k阶重构系数的最小值与最大值。

步骤S4：遗传算法优化神经网络模型构建，包括神经网络模型与遗传算法模型的构建。

其中，神经网络模型包括输入表层声速、位置信息、深度与前k阶特征向量的输入层(节点数为4)、调节权值与阈值的隐含层(节点数为2k)和输出反演声速剖面的输出层(节点数为1)；遗传算法模型依据神经网络的总节点数、前k阶重构系数的范围(采用浮点数的编码方式)、确定种群个数和遗传代数来进行初始化，通过每代中适应度值最高的个体替代上代中适应度值最低的个体，来加快寻找最优参数个体过程，并且选择适应度函数

v_ij为第i个站点样本V_i的第j个声速值，v_i′_j表示相应位置处的反演声速值。

步骤S5：将步骤S3得到的前k阶特征向量Eof_k、所选历史声速剖面群的表层声速数据v₁、声速剖面位置数据、深度数据输入步骤S4中构建的模型中，调整模型中的权值与阈值，训练结束，得到最优的神经网络权值与阈值。

步骤S6：依据船舶航行时测得的表层声速或间接通过遥感卫星得到的表层声速f₁，结合各站点的位置信息、所选海域平均深度和步骤S3得到的前k阶特征向量，输入步骤S5中已训练完成的模型中，然后获取反演得到的声速剖面F＝[f₁,f₂,f₃,...,f_n]。

步骤S7：利用反演声速剖面F＝[f₁,f₂,f₃,...,f_n]，采用常梯度声线跟踪方式对水深数据进行声速改正，得到改正后的航渡式水深数据。

由图3(b)可以看出本发明反演的声速剖面与实测声速剖面具有较高吻合度，在细节表现上，可以利用反演声速剖面对海域的声速变化特征进行分析。由图4可知，利用反演声速剖面进行水深数据的声速改正后，改正水深值所反映的海底与仿真海底偏差较小，吻合程度较高，说明本发明弥补了缺少较高精度声速剖面进行声速改正的不足。

本发明是通过实施例进行描述的，本领域技术人员知悉，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明的保护范围。

Claims (10)

1.一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，其特征在于，该方法包括以下步骤：

步骤S1：选取测船航迹周围一定海域内的历史水温、盐度及压力数据，采用声速经验公式计算得到相应的历史声速剖面V＝{V₁,V₂,V₃,…,V_n}，V_n为第n个历史声速剖面；

步骤S2：采用Akima插值方式标准化历史声速剖面群的垂向分层V_i＝{v₁,v₂,v₃,…,v_n}，其中i＝{1,2,3,…,n}；

步骤S3：对步骤S2中标准化历史声速剖面群进行正交经验函数分析，获得重构系数范围与表征海区声速主要变化特征的特征向量；

步骤S4：初始化遗传算法、搭建神经网络模型，来构建遗传算法优化神经网络模型；

步骤S5：利用历史声速场信息：表层声速、位置信息、深度及特征向量数据，训练步骤S4构建的模型；

步骤S6：向步骤S5中完成训练作业的模型中输入实测表层声速、位置信息、深度及所选海区特征向量，获取反演声速剖面；

步骤S7：利用反演声速剖面，采用常梯度声线跟踪方式对水深数据进行声速改正，得到改正后的航渡式水深数据。

2.根据权利要求1所述的一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，其特征在于，所述步骤S1中，依据航渡式测量工作中记录的位置信息，并按照行业规范要求或作业人员需要，选取需要进行声速剖面反演的站点，同时获取该站点周围2海里范围内的历史温度、盐度及压力信息，将这些信息采用Chen-Millero声速经验公式转换计算获得历史声速剖面群V＝{V₁,V₂,V₃,…,V_n}，V_n为第n个历史声速剖面；所述Chen-Millero声速经验公式：

v＝C_W(t,p)+A(t,p)S+B(t,p)S^3/2+D(t,p)S²

C_w(t,p)＝(C₀₀+C₀₁t+C₀₂t²+C₀₃t³+C₀₄t⁴+C₀₅t⁵)+(C₁₀+C₁₁t+C₁₂t²+C₁₃t³+C₁₄t⁴)p+(C₂₀+C₂₁t+C₂₂t²+C₂₃t³+C₂₄t⁴)p²+(C₃₀+C₃₁t+C₃₂t²)p³

A(t,p)＝(A₀₀+A₀₁t+A₀₂t²+A₀₃t³+A₀₄t⁴)+(A₁₀+A₁₁t+A₁₂t²+A₁₃t³+A₁₄t⁴)p+(A₂₀+A₂₁t+A₂₂t²+A₂₃t³)p²+(A₃₀+A₃₁t+A₃₂t²)p³

B(t,p)＝B₀₀+B₀₁t+(B₁₀t²+B₁₁t³)p

D(t,p)＝D₀₀+D₁₀p

其中，t表示温度，℃；S表示盐度；v表示声速剖面中的各层声速值，m/s；p为压力，bar；适用于t∈[0,35],S∈[5,40],p∈[0,1000]的海域。

3.根据权利要求1或2所述的一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，其特征在于，所述步骤S3中，对标准化的历史声速剖面群进行EOF分析，提取出能表征该海区声速主要变化特征的前k阶特征向量Eof_k＝{e₁,e₂,e₃,…,e_k}，其中，前k阶特征向量所表示声速剖面起伏的能量百分比高于95％；并获得重构系数范围

其中

表示第k阶重构系数的最小值与最大值。

4.根据权利要求1或2所述的一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，其特征在于，所述步骤S4中，遗传算法优化神经网络模型构建包括神经网络模型与遗传算法模型的构建：

所述神经网络模型包括输入表层声速、位置信息、深度与前k阶特征向量的输入层、调节权值与阈值的隐含层和输出反演声速剖面的输出层；

所述遗传算法模型依据神经网络的总节点数、前k阶重构系数的范围、确定种群个数和遗传代数来进行初始化，并通过每代中适应度值最高的个体替代上代中适应度值最低的个体，来加快寻找最优参数个体过程；其中，构造的适应度函数为：

其中，v_ij表示第i个站点样本的第j个声速值，v′_ij表示相应位置处的反演声速值。

5.根据权利要求3所述的一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，其特征在于，所述步骤S4中，遗传算法优化神经网络模型构建包括神经网络模型与遗传算法模型的构建：

所述神经网络模型包括输入表层声速、位置信息、深度与前k阶特征向量的输入层、调节权值与阈值的隐含层和输出反演声速剖面的输出层；

所述遗传算法模型依据神经网络的总节点数、前k阶重构系数的范围、确定种群个数和遗传代数来进行初始化，并通过每代中适应度值最高的个体替代上代中适应度值最低的个体，来加快寻找最优参数个体过程；其中，构造的适应度函数为：

其中，v_ij表示第i个站点样本的第j个声速值，v′_ij表示相应位置处的反演声速值。

6.根据权利要求1、2或5所述的一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，其特征在于，所述步骤S5中，将步骤S3得到的前k阶特征向量Eof_k、所选历史声速剖面群的表层声速数据、声速剖面位置数据、深度数据输入步骤S4中构建的模型中，调整模型中的权值与阈值，进行训练，得到最优的神经网络权值与阈值。

7.根据权利要求3所述的一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，其特征在于，所述步骤S5中，将步骤S3得到的前k阶特征向量Eof_k、所选历史声速剖面群的表层声速数据、声速剖面位置数据、深度数据输入步骤S4中构建的模型中，调整模型中的权值与阈值，进行训练，得到最优的神经网络权值与阈值。

8.根据权利要求4所述的一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，其特征在于，所述步骤S5中，将步骤S3得到的前k阶特征向量Eof_k、所选历史声速剖面群的表层声速数据、声速剖面位置数据、深度数据输入步骤S4中构建的模型中，调整模型中的权值与阈值，进行训练，得到最优的神经网络权值与阈值。

9.根据权利要求1、2、5、7或8所述的一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，其特征在于，所述步骤S6中，依据船舶航行时测得的表层声速或间接通过遥感卫星得到的表层声速f₁，结合各站点的位置信息、所选海域平均深度和步骤S3得到的前k阶特征向量，输入步骤S5中已训练完成的模型中，然后获取反演得到的声速剖面F＝[f₁,f₂,f₃,...,f_n]。

10.根据权利要求6所述的一种联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法，其特征在于，所述步骤S6中，依据船舶航行时测得的表层声速或间接通过遥感卫星得到的表层声速f₁，结合各站点的位置信息、所选海域平均深度和步骤S3得到的前k阶特征向量，输入步骤S5中已训练完成的模型中，然后获取反演得到的声速剖面F＝[f₁,f₂,f₃,...,f_n]。

Images