CN114137624B - 一种基于卫星高度计反演海底地形的方法和系统 - Google Patents
一种基于卫星高度计反演海底地形的方法和系统 Download PDFInfo
- Publication number
- CN114137624B CN114137624B CN202111254407.3A CN202111254407A CN114137624B CN 114137624 B CN114137624 B CN 114137624B CN 202111254407 A CN202111254407 A CN 202111254407A CN 114137624 B CN114137624 B CN 114137624B
- Authority
- CN
- China
- Prior art keywords
- data
- gravity anomaly
- model
- submarine topography
- sea
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012876 topography Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000005484 gravity Effects 0.000 claims abstract description 121
- 238000005259 measurement Methods 0.000 claims abstract description 81
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 239000013535 sea water Substances 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 33
- 238000013135 deep learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000001174 ascending effect Effects 0.000 description 2
- 239000005433 ionosphere Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000005436 troposphere Substances 0.000 description 2
- 101100423891 Caenorhabditis elegans qars-1 gene Proteins 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003490 calendering Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V7/00—Measuring gravitational fields or waves; Gravimetric prospecting or detecting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V7/00—Measuring gravitational fields or waves; Gravimetric prospecting or detecting
- G01V7/02—Details
- G01V7/06—Analysis or interpretation of gravimetric records
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于卫星高度计反演海底地形的方法，包括：根据卫星测高数据，获取大地水准面信息和垂线偏差信息；根据海洋重力异常测量数据、观测海域的卫星测高数据，以及所述大地水准面信息和垂线偏差信息，构建基于神经网络的海洋重力异常模型；通过所述海洋重力异常模型，获取相应海域的海洋重力异常数据；将所述海洋重力异常数据、相应海域的平均水深、最大水深、地壳和海水的密度差异数据作为输入数据，构建基于深度神经网络的海底地形反演模型；通过所述海底地形反演模型，提取输入数据中的海底地形相关特征，反演相应海域的海底地形。解决海底地形反演的空间分辨率较低与最优密度差异常数确定困难的问题。
Description
技术领域
本申请涉及海底地形反演技术领域，具体涉及一种基于卫星高度计反演海底地形的方法和系统。
背景技术
海底形状的详细描述对人类来说至关重要的意义，海底地形或水深测量为航行安全、海洋工程建设以及海洋科研工作等许多应用提供基本数据。传统上，海底地形的测绘是由船载回声测深测量，由于项目花费大、测量周期长、测量数据稀疏等技术条件的限制，使得目前大面积海域存在数据空白的问题，卫星雷达高度计的出现凭借其覆盖面积大、检测能力强、获取信息量大、快速地观测海洋变化的优势，使得精确估计测深数据成为可能。目前，基于卫星高度计的海底地形反演主要采用物理公式和数学模型，由于计算量大且所获得的有效信息和规则不够全面，无法拟合非线性关系。因此，高精度、高分辨率的海底地形地貌反演技术亟待改进。基于重力地质法利用卫星测高数据开展高精度、高分辨率地形地貌反演研究，主要研究内容包括两方面:一是基于卫星测高反演海洋重力模型研究。二是基于海洋重力异常反演海底地形研究。
联合现有多源卫星和海洋现场观测数据进一步提高海洋地理信息产品的精度和分辨率也是未来发展的重要方向之一，以满足日益增加的海洋工程和全球资源建设的需求。科学家也证实了重力梯度更能敏感海底地形的短波部分，而关于利用重力梯度数据来反演海底地形的成果则不多见。基于卫星数据的海底地形反演大体可分为两类，一类是基于遥感影像的反演方法，另一类是基于卫星测高重力场数据的反演方法，空间重力异常与海底地形在一定波段内存在相关性，使得卫星重力异常可用于海底地形数据的反演。
目前的研究主要采用的是重力异常来反演海底地形，而重力异常仅在20～200km波段内与海底地形之间的相关系数较高，为了提升海底地形反演的空间分辨率以及最优密度差异常数的确定问题，为此提出一种基于卫星测高的海底地形反演方法。
发明内容
针对现有技术的以上缺陷与改进需求，本申请的目的是提供一种基于卫星高度计反演海底地形的方法和系统，以解决海底地形反演的空间分辨率较低与最优密度差异常数确定困难的问题，进而解决高精度、高分辨率的海底地形反演存在的技术局限问题。
本申请提供的一种基于卫星高度计反演海底地形的方法，包括：
根据卫星测高数据，获取大地水准面信息和垂线偏差信息；
根据海洋重力异常测量数据、观测海域的卫星测高数据，以及所述大地水准面信息和垂线偏差信息，构建基于神经网络的海洋重力异常模型；
通过所述海洋重力异常模型，获取相应海域的海洋重力异常数据；将所述海洋重力异常数据、相应海域的平均水深、最大水深、地壳和海水的密度差异数据作为输入数据，构建基于深度神经网络的海底地形反演模型；
通过所述海底地形反演模型，提取输入数据中的海底地形相关特征，反演相应海域的海底地形。
优选的，根据卫星测高数据，获取大地水准面信息和垂线偏差信息，包括：
对卫星测高数据进行预处理，所述预处理包括误差改正和滤除噪声数据；
将预处理后的卫星测高数据通过共线处理和交叉点平差处理，得到大地水准面信息和垂线偏差信息。
优选的，在构建基于神经网络的海洋重力异常模型的步骤之后，还包括：
将海洋重力异常测量数据、观测海域的卫星测高数据，以及所述大地水准面信息和垂线偏差信息，作为输入数据对所述海洋重力异常模型进行训练；
在前向传播过程中对损失函数进行损失计算，通过反向传播进行参数学习，通过多次迭代优化参数模型，得到所述海洋重力异常模型的最优性能的权重参数。
优选的，在构建基于深度神经网络的海底地形反演模型的步骤之后，还包括：
将所述海洋重力异常数据、相应海域的平均水深h、最大水深H、地壳和海水的密度差异数据△ρ作为输入数据，对所述海底地形反演模型进行训练；
提取相应的海底地形特征，以及对卫星数据计算获得的海深数据与实际的船测海深数据进行损失计算，通过多次迭代优化参数模型，得到海底地形反演模型的最优性能的权重参数。
优选的，所述损失计算，通过卫星数据计算获得的海深数据与实际的船测海深数据进行差值计算，通过实际的船测海深数据对所述卫星数据计算获得的海深数据进行校准。
优选的，通过所述海底地形反演模型，提取输入数据中的海底地形相关特征，反演相应海域的海底地形，包括：
将输入数据中的海洋重力异常数据划分为长波参考场和短波残差场；
通过所述短波残差场与海深之间存在的线性关系反演水深数据，通过所述水深数据获取海底地形相关特征，反演相应海域的海底地形。
优选的，通过所述短波残差场与海深之间存在的线性关系反演水深数据，包括：
j1、j2、…、jn是海洋表面的船测水深探测点，对应的船测海深数据用d1、d2、…、dn来表示，d为参考海深，取船测任务中最深点的测量数值，p'是探测点对应的海底最深点，其中重力异常数据和参考海深数据为已知数据；
将重力异常数据分解为两个分量的公式表示，Δg＝Δglong+Δgshort，其中，△glong是由底壳下层物质的质量产生的长波参考场，△gshort是由海底地形变化引起的短波残差场，利用jn点的水深数据计算短波残差场分量，公式为其中，G为引力常数，通常取常数6.672*10-8cm3/(g·s2)，△ρ为海水和地壳之间的密度差异常数。
本申请同时提供一种基于卫星高度计反演海底地形的系统，包括：
信息获取模块，用于根据卫星测高数据，获取大地水准面信息和垂线偏差信息；
海洋重力异常模型构建模块，用于根据海洋重力异常测量数据、观测海域的卫星测高数据，以及所述大地水准面信息和垂线偏差信息，构建基于神经网络的海洋重力异常模型；
海底地形反演模型构建模块，用于通过所述海洋重力异常模型，获取相应海域的海洋重力异常数据；将所述海洋重力异常数据、相应海域的平均水深、最大水深、地壳和海水的密度差异数据作为输入数据，构建基于深度神经网络的海底地形反演模型；
海底地形反演模块，用于通过所述海底地形反演模型，提取输入数据中的海底地形相关特征，反演相应海域的海底地形。
优选的，信息获取模块，包括：
预处理子模块，用于对卫星测高数据进行预处理，所述预处理包括误差改正和滤除噪声数据；
共线和平差处理子模块，用于将预处理后的卫星测高数据通过共线处理和交叉点平差处理，得到大地水准面信息和垂线偏差信息。
优选的，海洋重力异常模型构建模块，包括：
训练子模块，将海洋重力异常测量数据、观测海域的卫星测高数据，以及所述大地水准面信息和垂线偏差信息，作为输入数据对所述海洋重力异常模型进行训练；
最优性能权重参数获取子模块，在前向传播过程中对损失函数进行损失计算，通过反向传播进行参数学习，通过多次迭代优化参数模型，得到所述海洋重力异常模型的最优性能的权重参数。
附图说明
图1是本申请实施例提供的一种基于卫星高度计反演海底地形的方法的流程示意图；
图2是本申请实施例涉及的基于深度学习的卫星测高数据反演海底地形模型总体流程示意图；
图3是本申请实施例涉及的卫星测高数据处理基本流程示意图；
图4是本申请实施例涉及的海洋垂线偏差和重力异常计算流程示意图；
图5是本申请实施例涉及的利用重力异常短波残差场与海深之间存在的线性关系来反演水深数据的原理图；
图6是本申请实施例涉及的一种基于卫星高度计反演海底地形的系统的结构示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
本申请通过大量海洋重力数据信息与海底地形数据的分析可知，海底地形地貌的变化在一定程度上引起海面重力的变化，两者之间具有某种对应的关系，因此可以通过这种关系，利用海洋重力信息反演海底地形，特别是在到目前人类还没有完全探测到的深海地区，这种方式可以有效地填全球海陆数据库(The General Bathymetric Chart of theOceans)海底地形探测中的数据空白。
卫星测高的基本原理是雷达天线收集雷达高度计发射的射频信号的反射信息，通过脉冲的发射和接收时间差，以及电磁波在真空中的传播速度，通过数学方式计算瞬时海面到雷达相位中心的相对垂直距离。根据数据分析的“垃圾进，垃圾出(Garbage in,garbage out)”的原理，为了使卫星测高数据对海底地形的反演取得预期效果，达到数据决策的目标，就要求卫星测高系统提供的数据是可靠的、可用的，使其能够准确反应海底地形这一客观事实。目前，基于深度学习的卫星测高反演海洋重力的研究常用的方法是：利用卫星测高数据获取的大地水准面高和垂线偏差作为输入数据，输出为相应观测点的海洋重力异常。
基于深度学习的海洋重力异常反演海底地形地貌的基本原理是，利用海底地形变化引起的海洋重力场信息异常的变化，通过大量数据统计分析以及深度学习建立两者之间的对应关系。下面结合附图为本申请作进一步具体的说明。
如图1所示是本申请实施例提供的一种基于卫星高度计反演海底地形的方法的流程示意图，包括以下步骤：
步骤S101，根据卫星测高数据，获取大地水准面信息和垂线偏差信息。
对卫星测高数据进行预处理，所述预处理包括误差改正和滤除噪声数据；将预处理后的卫星测高数据通过共线处理和交叉点平差处理，得到大地水准面信息和垂线偏差信息。
基于深度学习的卫星测高数据反演海底地形模型总体流程示意图如图2所示，具体可采用Geosat、ERS-1、ERS-2、Envisat、Jason-1、CryoSat-2和SARAL/AltiKa、Jason-2等多颗测高卫星联合处理提供的波形资料，测高数据的物理改正等预处理过程一般按照各卫星数据使用手册中的给定值和改正模型进行，数据预处理过程主要包括数据编辑、误差校正、基准统一、共线处理以及交叉点平差。数据编辑的标准是参考卫星测高数据使用手册提供的主要编辑准则对数据进行相应的编辑和筛选；误差校正是根据卫星测高数据使用手册的数据属性进行误差校正如表1；基准统一是在联合多卫星数据处理前，进行的参考椭球基准统一问题(例如Geosat卫星的参考椭球长半轴为6378136.3米，ERS系列卫星的参考椭球长半轴为6378137.0米)，这需要将多卫星转换到统一的参考基准下，才能进行联合处理；共线处理是一种消除卫星轨道误差并确定平均海面以及变化的方法(理想状态下，卫星测高每个重复周期对应弧段的地面轨迹是相应的完全吻合的，但由于引力、辐射、环境、仪器等因素的影响，卫星的重复弧段不能精准的重合，轨迹之间的最大距离可达1km)，共线处理一般采用共线平均的方式来计算其平均海拔，获得平均轨迹；交叉点是指卫星绕地球运动一周的过程中分为上升弧段和下降弧段，其轨迹在地球表面的交点称为交叉点，由于卫星径向轨道误差等影响，使得在交叉点的上升弧段和下降弧段的海面高度不一致，交叉点平差可以有效削弱卫星径向轨道误差等因素对测高数据的影响。数据预处理主要的技术方案如图3所示，具体的实施步骤如下：
步骤S1.1：数据预处理主要的工作包括数据编辑与剔除，主要根据测高数据中的表面类型标志、回波类型标志以及地球物理记录中各数据项的阈值范围检测，剔除掉陆地、海冰以及高海况等情况下被污染严重的测高数据记录；
步骤S1.2：根据测高数据中的干湿对流层延迟、电离层延迟、海况偏差、大气逆压以及高频振荡改正项、海洋潮汐、固体地球潮、极潮等海况偏差校正机理，对其进行计算，计算过程如下：
海表面高度＝轨道高度-校正后测量距离
校正后测量距离＝实际测量距离+干湿对流层延迟修正+电离层延迟修正+大气逆压延迟修正+海况偏差修正；
步骤S1.3：为削弱重复轨道周期的测高数据的海面时变效应，需要确定参考轨道以及正常点，即共线处理，采用距离加权平均得到参考轨道上的共线处理后的海面高；
步骤S1.4：为削弱测高数据的径向轨道误差影响，进行交叉点平差，主要分为确定交叉点位置、交叉点不符值确定和交叉点平差解算三步。
经过数据处理的卫星测高数据获取海洋垂线偏差信息：因步骤S101中对卫星测高数据已进行数据预处理，下面仅对步骤S101的处理后的卫星测高数据进行再加工过程如图4所示，得到对应海域的垂线偏差信息。
表1卫星数据属性
步骤S102，根据海洋重力异常测量数据、观测海域的卫星测高数据，以及所述大地水准面信息和垂线偏差信息，构建基于神经网络的海洋重力异常模型。
将海洋重力异常测量数据、观测海域的卫星测高数据，以及所述大地水准面信息和垂线偏差信息，作为输入数据对所述海洋重力异常模型进行训练；在前向传播过程中对损失函数进行损失计算，通过反向传播进行参数学习，通过多次迭代优化参数模型，得到所述海洋重力异常模型的最优性能的权重参数。
海洋重力异常模型的建立，选取卫星测高数据与船测数据组成数据量为n的数据集，随机选取其中m组(m＞＞n-m)海洋重力异常数据以及同一海域的卫星测高观测数据、获得的大地水准面高信息和垂线偏差信息作为训练数据，测试数据为n-m组，分别用于重力异常模型的训练和重力异常反演，建立基于深度学习模型中深层神经网络的海洋重力异常模型。具体的实施步骤如下：
步骤S2.1：该海洋重力异常反演模型为深层神经中具有一个输入层，多个隐含层和一个输出层的前馈多层感知机模型。该深层神经网络的输入为4个测高参数组成的向量，每个隐含层均为上一层的输出作为输入变量，根据该层的激活函数做非线性转化，逐层向前传播。
步骤S2.2：该海洋重力异常反演模型参数的设定暂无统一的法则可遵循，在训练过程中需要根据经验对模型的参数进行适当地调整，确定最终的海洋重力异常模型的最优参数，确定模型参数的最终配置包括隐含层层数a，激活函数x，优化函数y，迭代次数b，初始学习率α，批处理量c等。
步骤S103，通过所述海洋重力异常模型，获取相应海域的海洋重力异常数据；将所述海洋重力异常数据、相应海域的平均水深、最大水深、地壳和海水的密度差异数据作为输入数据，构建基于深度神经网络的海底地形反演模型。
将所述海洋重力异常数据、相应海域的平均水深h、最大水深H、地壳和海水的密度差异数据△ρ作为输入数据，对所述海底地形反演模型进行训练；提取相应的海底地形特征，以及对卫星数据计算获得的海深数据与实际的般测海深数据进行损失计算，通过多次迭代优化参数模型，得到海底地形反演模型的最优性能的权重参数。所述损失计算，通过卫星数据计算获得的海深数据与实际的船测海深数据进行差值计算，通过实际的船测海深数据对所述卫星数据计算获得的海深数据进行校准。将输入数据中的海洋重力异常数据划分为长波参考场和短波残差场；通过所述短波残差场与海深之间存在的线性关系反演水深数据，通过所述水深数据获取海底地形相关特征，反演相应海域的海底地形，具体包括：
j1、j2、…、jn是海洋表面的船测水深探测点，对应的船测海深数据用d1、d2、…、dn来表示，d为参考海深，取船测任务中最深点的测量数值，p'是探测点对应的海底最深点，其中重力异常数据和参考海深数据为已知数据；
将重力异常数据分解为两个分量的公式表示，Δg＝Δglong+Δgshort，其中，△glong是由底壳下层物质的质量产生的长波参考场，△gshort是由海底地形变化引起的短波残差场，利用jn点的水深数据计算短波残差场分量，公式为其中，π为圆周率，取常数3.14159；G为引力常数，取常数6.672*10-8cm3/(g·s2)，△ρ为海水和地壳之间的密度差异常数。
根据步骤S103中重力异常模型得到海洋重力异常数据，结合该区域的海底测深资料、平均水深h、最大水深H、地壳和海水的密度差异△ρ等数据作为训练数据，设计深度神经网络模型，对其进行训练，提取海底地形相关特征，对生成的水深数据和船测水深进行损失计算，通过反向传播进行参数学习(反向传播就是求梯度值,然后通过梯度下降的方式对损失函数进行迭代优化的过程)，获得模型最优性能的权重参数，即海底地形反演模型。具体的实施步骤如下：
步骤S3.1：根据大量数据实验发现波长仅在特定范围内(约60～140km)海底地形与重力数据保持强相关。在深海探测过程中，通常通过适当地定义两者的关联关系进行线性化。这可以通过将重力异常数据划分为“长波重力异常(或长波参考场)”和的“短波重力异常(或短波残差场)”，利用重力异常短波残差场与海深之间存在的线性关系来反演水深数据，具体原理如图5所示，其中j1、j2、…、jn是海洋表面的船测水深探测点，对应的船测海深数据用d1、d2、…、dn来表示，d为参考海深，一般情况下取船测任务中最深点的测量数值，p'是探测点对应的海底最深点，其中重力异常和参考海深为已知数据。
步骤S3.2：将重力异常分解为两个分量的公式表示即Δg＝Δglong+Δgshort
其中，△glong是由底壳下层物质的质量产生的长波重力异常，△gshort是由海底地形变化引起的短波重力异常。利用jn点的水深数据计算重力异常短波残差场分量，公式为:
步骤S104，通过所述海底地形反演模型，提取输入数据中的海底地形相关特征，反演相应海域的海底地形。
通过将相应海哉的平均水深h、最大水深H、地壳和海水的密度差异数据ρ，输入所述海底地形反演模型，模型根据卫星高度计数据与地形数据之间的非线性关系，反演输入数据中的海底地形相关特征，输出相应相应海域的海底地形。
基于同一发明构思，本申请同时提供一种基于卫星高度计反演海底地形的系统600，如图6，包括：
信息获取模块610，用于根据卫星测高数据，获取大地水准面信息和垂线偏差信息；
海洋重力异常模型构建模块620，用于根据海洋重力异常测量数据、观测海域的卫星测高数据，以及所述大地水准面信息和垂线偏差信息，构建基于神经网络的海洋重力异常模型；
海底地形反演模型构建模块630，用于通过所述海洋重力异常模型，获取相应海域的海洋重力异常数据；将所述海洋重力异常数据、相应海域的平均水深、最大水深、地壳和海水的密度差异数据作为输入数据，构建基于深度神经网络的海底地形反演模型；
海底地形反演模块640，用于通过所述海底地形反演模型，提取输入数据中的海底地形相关特征，反演相应海域的海底地形。
优选的，信息获取模块，包括：
预处理子模块，用于对卫星测高数据进行预处理，所述预处理包括误差改正和滤除噪声数据；
共线和平差处理子模块，用于将预处理后的卫星测高数据通过共线处理和交叉点平差处理，得到大地水准面信息和垂线偏差信息。
优选的，海洋重力异常模型构建模块，包括：
训练子模块，将海洋重力异常测量数据、观测海域的卫星测高数据，以及所述大地水准面信息和垂线偏差信息，作为输入数据对所述海洋重力异常模型进行训练；
最优性能权重参数获取子模块，在前向传播过程中对损失函数进行损失计算，通过反向传播进行参数学习，通过多次迭代优化参数模型，得到所述海洋重力异常模型的最优性能的权重参数。
本申请提供的一种基于卫星高度计反演海底地形的方法和系统，通过大量数据统计分析以及深度学习建立两者之间的对应的数学模型，能够做到较好的拟合高度计数据与地形数据之间的非线性关系，使得高精高精度、高分辨率的海底地形反演成为可能。
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
当然，上述说明并非是对本发明的限制，本发明也并不限于上述举例，本技术领域的普通技术人员，在本发明的实质范围内，做出的变化、改型、添加或替换，都应属于本发明的保护范围。
Claims (8)
1.一种基于卫星高度计反演海底地形的方法，其持征在于，包括：
根据卫星测高数据，获取大地水准面信息和垂线偏差信息；
根据海洋重力异常测量数据、观测海域的卫星测高数据，以及所述大地水准面信息和垂线偏差信息，构建基于神经网络的海洋重力异常模型，包括：该海洋重力异常反演模型为深层神经中具有一个输入层，多个隐含层和一个输出层的前馈多层感知机模型，该神经网络的输入为4个测高参数组成的向量，每个隐含层均为上一层的输出作为输入变量，根据该层的激活函数做非线性转化，逐层向前传播；该海洋重力异常反演模型在训练过程中根据经验对模型的参数进行调整，确定海洋重力异常模型的最优参数，确定模型参数的配置包括隐含层层数a，激活函数x，优化函数y，迭代次数b，初始学习率α，批处理量c；
通过所述海洋重力异常模型，获取相应海域的海洋重力异常数据；将所述海洋重力异常数据、相应海域的平均水深、最大水深、地壳和海水的密度差异数据作为输入数据，构建基于深度神经网络的海底地形反演模型；
通过所述海底地形反演模型，提取输入数据中的海底地形相关特征，反演相应海域的海底地形，包括：将输入数据中的海洋重力异常数据划分为长波参考场和短波残差场；
通过所述短波残差场与海深之间存在的线性关系反演水深数据，包括：
j1、j2、…、jn是海洋表面的船测水深探测点，对应的船测海深数据用d1、d2、…、dn来表示，d为参考海深，取船测任务中最深点的测量数值，p'是探测点对应的海底最深点，其中重力异常数据和参考海深数据为已知数据；
将重力异常数据分解为两个分量的公式表示，Δg＝Δglong+Δgshort，其中，△glong是由底壳下层物质的质量产生的长波参考场，△gshort是由海底地形变化引起的短波残差场，利用jn点的水深数据计算短波残差场分量，公式为其中，π为圆周率，取常数3.14159；G为引力常数，取常数6.672*10-8cm3/(g·s2)，△ρ为海水和地壳之间的密度差异常数；
通过所述水深数据获取海底地形相关特征，反演相应海域的海底地形。
2.根据权利要求1所述的方法，其特征在于，根据卫星测高数据，获取大地水准面信息和垂线偏差信息，包括：
对卫星测高数据进行预处理，所述预处理包括误差改正和滤除噪声数据；
将预处理后的卫星测高数据通过共线处理和交叉点平差处理，得到大地水准面信息和垂线偏差信息。
3.根据权利要求1所述的方法，其特征在于，在构建基于神经网络的海洋重力异常模型的步骤之后，还包括：
将海洋重力异常测量数据、观测海域的卫星测高数据，以及所述大地水准面信息和垂线偏差信息，作为输入数据对所述海洋重力异常模型进行训练；
在前向传播过程中对损失函数进行损失计算，通过反向传播进行参数学习，通过多次迭代优化参数模型，得到所述海洋重力异常模型的最优性能的权重参数。
4.根据权利要求1所述的方法，其特征在于，在构建基于深度神经网络的海底地形反演模型的步骤之后，还包括：
将所述海洋重力异常数据、相应海域的平均水深h、最大水深H、地壳和海水的密度差异数据△ρ作为输入数据，对所述海底地形反演模型进行训练；
提取相应的海底地形特征，以及对卫星数据计算获得的海深数据与实际的般测海深数据进行损失计算，通过多次迭代优化参数模型，得到海底地形反演模型的最优性能的权重参数。
5.根据权利要求4所述的方法，其特征在于，所述损失计算，通过卫星数据计算获得的海深数据与实际的船测海深数据进行差值计算，通过实际的船测海深数据对所述卫星数据计算获得的海深数据进行校准。
6.一种基于卫星高度计反演海底地形的系统，其特征在于，包括：
信息获取模块，用于根据卫星测高数据，获取大地水准面信息和垂线偏差信息；
海洋重力异常模型构建模块，用于根据海洋重力异常测量数据、观测海域的卫星测高数据，以及所述大地水准面信息和垂线偏差信息，构建基于神经网络的海洋重力异常模型，包括：该海洋重力异常反演模型为深层神经中具有一个输入层，多个隐含层和一个输出层的前馈多层感知机模型，该神经网络的输入为4个测高参数组成的向量，每个隐含层均为上一层的输出作为输入变量，根据该层的激活函数做非线性转化，逐层向前传播；该海洋重力异常反演模型在训练过程中根据经验对模型的参数进行调整，确定海洋重力异常模型的最优参数，确定模型参数的配置包括隐含层层数a，激活函数x，优化函数y，迭代次数b，初始学习率α，批处理量c；
海底地形反演模型构建模块，用于通过所述海洋重力异常模型，获取相应海域的海洋重力异常数据；将所述海洋重力异常数据、相应海域的平均水深、最大水深、地壳和海水的密度差异数据作为输入数据，构建基于深度神经网络的海底地形反演模型；
海底地形反演模块，用于通过所述海底地形反演模型，提取输入数据中的海底地形相关特征，反演相应海域的海底地形，包括：将输入数据中的海洋重力异常数据划分为长波参考场和短波残差场；
通过所述短波残差场与海深之间存在的线性关系反演水深数据，包括：
j1、j2、…、jn是海洋表面的船测水深探测点，对应的船测海深数据用d1、d2、…、dn来表示，d为参考海深，取船测任务中最深点的测量数值，p'是探测点对应的海底最深点，其中重力异常数据和参考海深数据为已知数据；
将重力异常数据分解为两个分量的公式表示，Δg＝Δglong+Δgshort，其中，△glong是由底壳下层物质的质量产生的长波参考场，△gshort是由海底地形变化引起的短波残差场，利用jn点的水深数据计算短波残差场分量，公式为其中，π为圆周率，取常数3.14159；G为引力常数，取常数6.672*10-8cm3/(g·s2)，△ρ为海水和地壳之间的密度差异常数；
通过所述水深数据获取海底地形相关特征，反演相应海域的海底地形。
7.根据权利要求6所述的系统，其特征在于，信息获取模块，包括：
预处理子模块，用于对卫星测高数据进行预处理，所述预处理包括误差改正和滤除噪声数据；
共线和平差处理子模块，用于将预处理后的卫星测高数据通过共线处理和交叉点平差处理，得到大地水准面信息和垂线偏差信息。
8.根据权利要求6所述的系统，其特征在于，海洋重力异常模型构建模块，包括：
训练子模块，将海洋重力异常测量数据、观测海域的卫星测高数据，以及所述大地水准面信息和垂线偏差信息，作为输入数据对所述海洋重力异常模型进行训练；
最优性能权重参数获取子模块，在前向传播过程中对损失函数进行损失计算，通过反向传播进行参数学习，通过多次迭代优化参数模型，得到所述海洋重力异常模型的最优性能的权重参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111254407.3A CN114137624B (zh) | 2021-10-27 | 2021-10-27 | 一种基于卫星高度计反演海底地形的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111254407.3A CN114137624B (zh) | 2021-10-27 | 2021-10-27 | 一种基于卫星高度计反演海底地形的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114137624A CN114137624A (zh) | 2022-03-04 |
| CN114137624B true CN114137624B (zh) | 2024-02-27 |
Family
ID=80394608
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111254407.3A Active CN114137624B (zh) | 2021-10-27 | 2021-10-27 | 一种基于卫星高度计反演海底地形的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114137624B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114814967B (zh) * | 2022-04-26 | 2024-04-02 | 中国人民解放军61540部队 | 局部海域扰动重力数据反演高分辨率海底地形非线性方法 |
| CN115238229B (zh) * | 2022-06-10 | 2024-09-03 | 青岛海洋地质研究所 | 基于船测及卫星测量的三观测列重力数据精度评价方法 |
| CN116244935B (zh) * | 2023-02-17 | 2023-09-19 | 国家海洋环境预报中心 | 一种海底压力场构建、应用方法和系统 |
| CN116861799B (zh) * | 2023-09-04 | 2023-11-24 | 自然资源部第一海洋研究所 | 基于残差的海底地形反演模型生成及海底地形反演方法 |
| CN117169979B (zh) * | 2023-09-07 | 2024-07-02 | 山东建筑大学 | 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 |
| CN117113857B (zh) * | 2023-10-23 | 2024-01-30 | 自然资源部第一海洋研究所 | 全连接深度神经网络模型及反演海底地形的方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5198820A (en) * | 1991-09-18 | 1993-03-30 | Chevron Research And Technology Company | Calibrating satellite altimetry measurements of geoidal height |
| WO2003023447A2 (en) * | 2001-09-07 | 2003-03-20 | Conocophillips Company | A nonlinear constrained inversion method to determine base of salt interface from gravity and gravity tensor data |
| CN102169178A (zh) * | 2010-12-21 | 2011-08-31 | 中国测绘科学研究院 | 基于重力学的海面地形结构测定方法 |
| CN102262248A (zh) * | 2011-06-03 | 2011-11-30 | 中国科学院测量与地球物理研究所 | 基于双星空间三维插值原理的卫星重力反演方法 |
| CN111045099A (zh) * | 2019-12-27 | 2020-04-21 | 武汉大学 | 一种成像式高度计数据反演海洋重力场的方法 |
| CN111142169A (zh) * | 2020-02-25 | 2020-05-12 | 中国地质大学（北京） | 一种基于重力梯度数据的海底地形反演方法 |
| CN112556660A (zh) * | 2021-02-20 | 2021-03-26 | 中国测绘科学研究院 | 基于卫星测高数据的海域重力异常反演方法及系统 |
| CN113189559A (zh) * | 2021-05-10 | 2021-07-30 | 中国人民解放军海军潜艇学院 | 一种星载成像高度计遥感数据海底地形反演方法 |
| CN113267822A (zh) * | 2021-04-30 | 2021-08-17 | 中国空间技术研究院 | 基于地形约束因子权重优化提高海底地形反演精度的方法 |
| CN113341476A (zh) * | 2021-04-30 | 2021-09-03 | 中国空间技术研究院 | 基于海底地形-重力联合提高海洋重力空间分辨率的方法 |
| CN113552646A (zh) * | 2021-07-14 | 2021-10-26 | 长江大学 | 基于卷积神经网络的重力异常反演方法、系统、终端及介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7486227B2 (en) * | 2005-08-23 | 2009-02-03 | The United States Of America As Represented By The Secretary Of The Navy | System and method for removal of sea-state bias in satellite altimetry data |
| CN104704396B (zh) * | 2012-09-25 | 2017-10-27 | 技术资源有限公司 | 处理重力梯度数据的方法 |
| US11255663B2 (en) * | 2016-03-04 | 2022-02-22 | May Patents Ltd. | Method and apparatus for cooperative usage of multiple distance meters |
-
2021
- 2021-10-27 CN CN202111254407.3A patent/CN114137624B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5198820A (en) * | 1991-09-18 | 1993-03-30 | Chevron Research And Technology Company | Calibrating satellite altimetry measurements of geoidal height |
| WO2003023447A2 (en) * | 2001-09-07 | 2003-03-20 | Conocophillips Company | A nonlinear constrained inversion method to determine base of salt interface from gravity and gravity tensor data |
| CN102169178A (zh) * | 2010-12-21 | 2011-08-31 | 中国测绘科学研究院 | 基于重力学的海面地形结构测定方法 |
| CN102262248A (zh) * | 2011-06-03 | 2011-11-30 | 中国科学院测量与地球物理研究所 | 基于双星空间三维插值原理的卫星重力反演方法 |
| CN111045099A (zh) * | 2019-12-27 | 2020-04-21 | 武汉大学 | 一种成像式高度计数据反演海洋重力场的方法 |
| CN111142169A (zh) * | 2020-02-25 | 2020-05-12 | 中国地质大学（北京） | 一种基于重力梯度数据的海底地形反演方法 |
| CN112556660A (zh) * | 2021-02-20 | 2021-03-26 | 中国测绘科学研究院 | 基于卫星测高数据的海域重力异常反演方法及系统 |
| CN113267822A (zh) * | 2021-04-30 | 2021-08-17 | 中国空间技术研究院 | 基于地形约束因子权重优化提高海底地形反演精度的方法 |
| CN113341476A (zh) * | 2021-04-30 | 2021-09-03 | 中国空间技术研究院 | 基于海底地形-重力联合提高海洋重力空间分辨率的方法 |
| CN113189559A (zh) * | 2021-05-10 | 2021-07-30 | 中国人民解放军海军潜艇学院 | 一种星载成像高度计遥感数据海底地形反演方法 |
| CN113552646A (zh) * | 2021-07-14 | 2021-10-26 | 长江大学 | 基于卷积神经网络的重力异常反演方法、系统、终端及介质 |
Non-Patent Citations (6)
| Title |
|---|
| Jie Chen等.Machine Learning Method to Determine Salt Structures from Gravity Data.SPE.2020,第1-4页. * |
| Lianzhi Zhang等.Deep Learning for 3-D Inversion of Gravity Data.IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING.2021,第8-14页. * |
| 基于卫星测高数据的海底地形反演及分析;眭晓虹等;《航天器工程》;20170615(第03期);第130-136页 * |
| 基于卫星测高数据的海底地形反演研究;陈梅森;《经纬天地》;20210228;第59-63页 * |
| 基于重力地质法反演南海海底地形;彭聪等;《海洋测绘》;20180325(第02期);第8-11页 * |
| 范雕.卫星测高重力数据反演海底地形的理论和方法研究.中国优秀博硕士学位论文全文数据库（硕士）.2019,第31-33页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114137624A (zh) | 2022-03-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114137624B (zh) | 一种基于卫星高度计反演海底地形的方法和系统 | |
| Crippen et al. | NASADEM global elevation model: Methods and progress | |
| Sandwell et al. | Global marine gravity from retracked Geosat and ERS‐1 altimetry: Ridge segmentation versus spreading rate | |
| Zhang et al. | Inversion of marine gravity anomalies over southeastern China seas from multi-satellite altimeter vertical deflections | |
| Sandwell et al. | Bathymetric estimation | |
| Smith et al. | Conventional bathymetry, bathymetry from space, and geodetic altimetry | |
| CN108469620B (zh) | 适用于辐射沙脊群浅水海域的水下地形测量方法 | |
| CN113189559B (zh) | 一种星载成像高度计遥感数据海底地形反演方法 | |
| CN106768179A (zh) | 基于连续运行gnss站信噪比数据的潮位的测量方法 | |
| Abdallah et al. | Comparison of recently released satellite altimetric gravity models with shipborne gravity over the Red Sea | |
| Ji et al. | On performance of CryoSat-2 altimeter data in deriving marine gravity over the Bay of Bengal | |
| Fei et al. | Dem Development and Precision Analysis for Antarctic Ice Sheet Using Cryosat‐2 Altimetry Data | |
| Zhu et al. | Sea surface heights and marine gravity determined from SARAL/AltiKa Ka-band altimeter over South China Sea | |
| CN101937106B (zh) | 一种海底大起伏测线磁测数据的处理方法 | |
| Partama et al. | A simple and empirical refraction correction method for UAV-based shallow-water photogrammetry | |
| Wang et al. | Detection and Elimination of Bathymetric Outliers in Multibeam Echosounder System Based on Robust Multi-quadric Method and Median Parameter Model. | |
| Wang et al. | Estimating the true spatial resolution of satellite altimeter-derived gravity field models with shipborne data in the South China Sea | |
| Forsberg et al. | Combination of spaceborne, airborne and in-situ gravity measurements in support of Arctic sea ice thickness mapping | |
| Yang et al. | Correction for depth biases to shallow water multibeam bathymetric data | |
| Heeto et al. | Creating a bathymetric contour map using acoustic Doppler current profiler (ADCP): Duhok Dam reservoir as a case study | |
| Abrehdary et al. | Estimating a combined Moho model for marine areas via satellite altimetric-gravity and seismic crustal models | |
| Vrbancich et al. | Airborne electromagnetic bathymetry of Sydney Harbour | |
| Casalbore | Multibeam Echosounder | |
| Sun et al. | Oceanic Vertical Deflections Derived from Observation Data by Tiangong-2 Interferometric Imaging Radar Altimeter | |
| Etman et al. | Monitoring the deformation of the western part of the Nile Delta, Egypt using sentinel-1A and seismicity data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |