CN114782211A - 一种海山分布范围信息的获取方法及系统 - Google Patents
一种海山分布范围信息的获取方法及系统 Download PDFInfo
- Publication number
- CN114782211A CN114782211A CN202210528911.6A CN202210528911A CN114782211A CN 114782211 A CN114782211 A CN 114782211A CN 202210528911 A CN202210528911 A CN 202210528911A CN 114782211 A CN114782211 A CN 114782211A
- Authority
- CN
- China
- Prior art keywords
- sea
- mountain
- information
- sounding data
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000001914 filtration Methods 0.000 claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 238000010586 diagram Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000036471 bradycardia Effects 0.000 claims 1
- 208000006218 bradycardia Diseases 0.000 claims 1
- 238000005192 partition Methods 0.000 claims 1
- 229910052500 inorganic mineral Inorganic materials 0.000 abstract description 11
- 239000011707 mineral Substances 0.000 abstract description 11
- 230000008569 process Effects 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 7
- 239000004576 sand Substances 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
- G01C13/008—Surveying specially adapted to open water, e.g. sea, lake, river or canal measuring depth of open water
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Economics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Hydrology & Water Resources (AREA)
- Radar, Positioning & Navigation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种海山分布范围信息的获取方法及系统,该方法包括:获取海洋测深数据和三维地形数据;海洋测深数据包括单波束测深数据和多波束测深数据;对海洋测深数据进行数据预处理,得到预处理测深数据;对预处理测深数据进行多重分形滤波,得到海山弱缓异常信息;通过海山识别神经网络模型对单波束测深数据、多波束测深数据、三维地形数据和海山弱缓异常信息进行识别分析,得到海山分布推断图;根据预设的比对数据库对海山分布推断信息进行比对优化,得到海山分布范围信息。可见,实施这种实施方式,能够准确地确定海山分布范围,从而有利于提高评价海底矿产资源的准确度。
Description
技术领域
本申请涉及海洋探测领域,具体而言,涉及一种海山分布范围信息的获取方法及系统。
背景技术
目前,本领域的研究人员已经对中沙群岛进行了多次的地质调查,并获取到了大量的基础地质资料。基于该些地质资料,研究人员通过多波束数据能够查明中沙群岛海底地形特征,以使该中沙群岛海底地形特征能够作用于对中沙群岛海底矿产资源评价过程当中。然而,在实践中发现,现查明的中沙群岛海底地形特征仍存在海山分布范围识别精度不高的问题,从而直接导致了对中沙群岛海底矿产资源评价的准确度仍需要进一步提高。
发明内容
本申请实施例的目的在于提供一种海山分布范围信息的获取方法及系统,能够准确地确定海山分布范围,从而有利于提高对中沙群岛海底矿产资源评价的准确度。
本申请实施例第一方面提供了一种海山分布范围信息的获取方法,包括:
获取海洋测深数据和三维地形数据;所述海洋测深数据包括单波束测深数据和多波束测深数据;
对所述海洋测深数据进行数据预处理,得到预处理测深数据;
对所述预处理测深数据进行多重分形分析,得到海山弱缓异常信息;
通过海山识别神经网络模型对所述单波束测深数据、所述多波束测深数据、所述三维地形数据和所述海山弱缓异常信息进行识别分析,得到海山分布推断图;
根据预设的比对数据库对所述海山分布推断信息进行比对优化,得到海山分布范围信息。
实施这种实施方式,该方法能够基于中沙海域获取多波束测深数据,结合多重分形方法和深度学习方法识别出海底地形的微弱信息,并使用该微弱信息对海山进行精细刻画,并基于现有知识对刻画结果进行合理性与准确性的验证,从而得到有效、准确的海山分布范围,从而为海底地貌特征、海山形成演化及展布规律、海底矿产资源评价等提供准确的数据信息依据,进而能够提高对海底地貌特征的描述精度、对海山形成演化及展布规律的推理精度以及对中沙群岛海底矿产资源评价的准确度。
进一步地,所述对所述海洋测深数据进行数据预处理,得到预处理测深数据的步骤包括:
对所述海洋测深数据进行参数校正处理、水深点噪声编辑处理、潮位更正处理以及声速更正处理,得到预处理测深数据。
进一步地,所述对所述预处理测深数据进行多重分形分析,得到海山弱缓异常信息的步骤包括:
通过多重分形滤波模型对所述预处理测深数据进行分形滤波,得到分形滤波结果;
通过奇异性指数模型对所述分形滤波结果进行特征提取,得到海山弱缓异常信息。
进一步地,所述海山识别神经网络模型,用于根据所述单波束测深数据、所述多波束测深数据和所述海山弱缓异常信息对所述三维地形数据进行分析划分,得到多个待识别区域;
所述海山识别神经网络模型,还用于对每个所述待识别区域进行有无海山的识别,得到综合识别结果;
所述海山识别神经网络模型,还用于根据所述综合识别结果进行预测,得到海山分布推断图。
进一步地,所述根据预设的比对数据库对所述海山分布推断信息进行比对优化,得到海山分布范围信息的步骤包括:
在所述海山分布推断信息中提取精细刻画标志;
根据预设的比对数据库对所述精细刻画标志进行查证,得到查证结果;
根据所述查证结果对所述海山分布推断信息进行优化,得到海山分布范围信息。
本申请实施例第二方面提供了一种海山分布范围信息的获取系统,所述海山分布范围信息的获取系统包括:
获取单元,用于获取海洋测深数据和三维地形数据;所述海洋测深数据包括单波束测深数据和多波束测深数据;
预处理单元,用于对所述海洋测深数据进行数据预处理,得到预处理测深数据;
滤波单元,用于对所述预处理测深数据进行多重分形滤波,得到海山弱缓异常信息;
分析单元,用于通过海山识别神经网络模型对所述单波束测深数据、所述多波束测深数据、所述三维地形数据和所述海山弱缓异常信息进行识别分析,得到海山分布推断图;
优化单元,用于根据预设的比对数据库对所述海山分布推断信息进行比对优化,得到海山分布范围信息。
进一步地,所述预处理单元,具体用于对所述海洋测深数据进行参数校正处理、水深点噪声编辑处理、潮位更正处理以及声速更正处理,得到预处理测深数据。
进一步地,所述滤波单元包括:
滤波子单元,用于通过多重分形滤波模型对所述预处理测深数据进行分形滤波,得到分形滤波结果;
提取子单元,用于通过奇异性指数模型对所述分形滤波结果进行特征提取,得到海山弱缓异常信息。
本申请实施例第三方面提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例第一方面中任一项所述的海山分布范围信息的获取方法。
本申请实施例第四方面提供了一种计算机可读存储介质,其存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行本申请实施例第一方面中任一项所述的海山分布范围信息的获取方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种海山分布范围信息的获取方法的流程示意图;
图2为本申请实施例提供的一种海山分布范围信息的获取系统的结构示意图;
图3为本申请实施例提供的一种海山识别神经网络模型的训练与应用流程示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
请参看图1,图1为本实施例提供了一种海山分布范围信息的获取方法的流程示意图。其中,该海山分布范围信息的获取方法包括:
S101、获取海洋测深数据和三维地形数据;海洋测深数据包括单波束测深数据和多波束测深数据。
S102、对海洋测深数据进行参数校正处理、水深点噪声编辑处理、潮位更正处理以及声速更正处理,得到预处理测深数据。
S103、通过多重分形滤波模型对预处理测深数据进行分形滤波,得到分形滤波结果。
本实施例中,多重分形分析的过程由多重分形滤波和奇异性指数分析两部分组成。
在本实施例中,多重分形滤波的作用主要是分离异常和背景。
在本实施例中,奇异性指数分析主要是提取出海山低弱缓异常信息。
S104、通过奇异性指数模型对分形滤波结果进行特征提取,得到海山弱缓异常信息。
本实施例中,该方法可以采用多重分形算法(包括多重分形滤波和奇异性指数分析)对中沙群岛海山形态进行信息提取,得到分形滤波结果。其中,分形滤波结果可以包括海山的山体高度、山顶直径、基底直径、山顶坡度特征。
本实施例中,该方法可以利用多重分形算法对多波束水深数据进行特征提取,从而实现对海山区域中的各类海山进行形态分类和精细刻画。具体的,该方法可以结合分形理论的尺度不变性-自相似性-奇异性内涵,从海山的特征形态参数出发,深入研究海山的多重分形密度模型;并通过比较传统线性模型与多重分形密度模型的差异,得出适用于海底地形海山识别的数据信息。
举例来说,在获取到海洋测深数据之后,该方法可以采用多重分形滤波技术获取得到滤波后的结果,再从结果信息中可以提取海山的精细信息。其中,多重分形滤波是利用频域中的广义自相似性,采用空间分析和频谱分析的集成,采用滤波的方法选取频率信息重新恢复空间模式将异常从背景中分离出来。能谱密度S与能谱密度大于S的波数集合的面积A之间的关系为A(≥S)S-β;将上式取对数,然后采用最小二乘法对lgA-lgS进行分段拟合即可求出对应于不同能谱密度范围的幂指数β,依据能谱密度设计滤波器滤波,从而能够达到对场分离的目的。
本实施例中,针对水深数据实际情况进行滤波双对数拟合,基于最小二乘法原理确定分界点。该方法的基本思想是计算各区间拟合数据与原始数据差值的平方和也即将剩余平方和,剩余平方和越小,则拟合精度越高,以某区实际数据为例,双对数分三段拟合,3段后能谱密度3个区间段分别为20-29768,29768-535495,535495-2945134,3条直线段的斜率分别为0,-1.23,-1.45,截距分别为0,21,24,为检验各区间段回归方程的显著性,对各方程进行误差检验,计算得到各段拟合误差分别为0,0.001,0.001,0.002.以535495为阈值定义两个滤波器:异常滤波器S<535495,背景滤波器S>535495。分别就得到异常结果值和背景结果值,根据结果值就可以确定海山的空间分布范围。
S105、通过海山识别神经网络模型对单波束测深数据、多波束测深数据、三维地形数据和海山弱缓异常信息进行识别分析,得到海山分布推断图。
本实施例中,海山识别神经网络模型,用于根据单波束测深数据、多波束测深数据和海山弱缓异常信息对三维地形数据进行分析划分,得到多个待识别区域;
海山识别神经网络模型,还用于对每个待识别区域进行有无海山的识别,得到综合识别结果;
海山识别神经网络模型,还用于根据综合识别结果进行预测,得到海山分布推断图。
在本实施例中,该方法可以将中沙海域三维地形图划分为若干小格,并判断每个小格有海山还是无海山,然后以将有海山的小格标为1,将无海山的小格标为0。训练过程同理,只需要设定好训练次数,训练过程便可以训练出足够可靠的模型,然后基于该模型就可以预测出未知海山信息。该方法使用该海山识别神经网络模型可以有效识别预测未知海山信息,从而有效地对海山深层特征信息进行自动提取,实现海山智能识别与分类。
本实施例中,该方法的关键是构建深度学习目标函数,并训练使用该深度学习目标函数的卷积神经网络,以使该卷积神经网络能够起到提高海山分布范围的圈定精度的效果。其中,以中沙海域多波束测深数据为例,可以先识别与提取海山信息,然后再利用训练好的卷积神经网络模型对海山进行特征提取,从而实现识别和圈定海山空间分布范围的效果。
请参阅图3,图3为本申请实施例提供的一种海山识别神经网络模型的训练与应用流程示意图。其中,该方法可以优先对已知的海洋测深数据进行与本方法相同的预处理,得到相应的预处理测深数据;然后再对该预处理测深数据进行多重分形滤波,得到相应的海山弱缓异常信息;此时,将上述的海洋测深数据、海山弱缓异常信息和已知的海洋测深数据作为图3中的中沙数据(即将海洋测深数据、海山弱缓异常信息和海洋测深数据作为输入信息源),结合卷积神经网络新算法进行神经网络模型的训练,得到海山识别神经网络模型(该海山识别神经网络模型中设置有对应的最优模型控制参数)。然后,该方法在应用的过程中将获取到的海山弱缓异常信息(即多重分形算法结果)、海洋测深数据和三维地形数据输入至训练好的海山识别神经网络模型进行海山分布范围信息的获取,从而得到准确的海山分布范围信息。该过程中还可以添加本方法中“根据预设的比对数据库对海山分布推断信息进行比对优化”的步骤,从而提高海山分布范围信息获取的有效程度。
S106、在海山分布推断信息中提取精细刻画标志。
S107、根据预设的比对数据库对精细刻画标志进行查证,得到查证结果。
S108、根据查证结果对海山分布推断信息进行优化,得到海山分布范围信息。
本实施例中,该方法可以对比分析传统手段、基于多重分形模型和深度学习技术圈定的海山空间分布范围,并将预测结果与前期已查证海山进行对比研究,从而获取到准确的海山分布范围信息。
在本实施例中,通过该种比对方法也可以对海山识别神经网络模型进行进一步地完善,从而提高海山识别神经网络模型的海山分布范围圈定精度。
本实施例中,该方法可以从多波束获取的水深数据的实际问题出发,围绕海山弱缓异常信息难提取、难识别等问题,基于多重分形理论和深度学习理论,以多重分形的多尺度性、各项异性、自相似性以及深度学习的特征学习能力为主线,采用多重分形对中沙群岛海底地形进行建模分析,提取出海山形态,以此作为输入信息源进一步采用深度学习对海底地形进行特征提取与信息集成融合,有效识别出海山区域中海山的空间分布范围。
实施这种实施方式,能够直接地减小或消除海山面积计算的误差,从而有效的提高矿产资源评价的准确性。
本实施例中,该方法的执行主体可以为计算机、服务器等计算系统,对此本实施例中不作任何限定。
在本实施例中,该方法的执行主体还可以为智能手机、平板电脑等智能设备,对此本实施例中不作任何限定。
可见,实施本实施例所描述的海山分布范围信息的获取方法,能够基于中沙海域获取多波束测深数据,结合多重分形方法和深度学习方法识别出海底地形的微弱信息,并使用该微弱信息对海山进行精细刻画,并基于现有知识对刻画结果进行合理性与准确性的验证,从而得到有效、准确的海山分布范围,从而为海底地貌特征、海山形成演化及展布规律、海底矿产资源评价等提供准确的数据信息依据,进而能够提高对海底地貌特征的描述精度、对海山形成演化及展布规律的推理精度以及对中沙群岛海底矿产资源评价的准确度。
实施例2
请参看图2,图2为本实施例提供的一种海山分布范围信息的获取系统的结构示意图。如图2所示,该海山分布范围信息的获取系统包括:
获取单元210,用于获取海洋测深数据和三维地形数据;海洋测深数据包括单波束测深数据和多波束测深数据;
预处理单元220,用于对海洋测深数据进行数据预处理,得到预处理测深数据;
滤波单元230,用于对预处理测深数据进行多重分形滤波,得到海山弱缓异常信息;
分析单元240,用于通过海山识别神经网络模型对单波束测深数据、多波束测深数据、三维地形数据和海山弱缓异常信息进行识别分析,得到海山分布推断图;
优化单元250,用于根据预设的比对数据库对海山分布推断信息进行比对优化,得到海山分布范围信息。
作为一种可选的实施方式,预处理单元220,具体用于对海洋测深数据进行参数校正处理、水深点噪声编辑处理、潮位更正处理以及声速更正处理,得到预处理测深数据。
作为一种可选的实施方式,滤波单元230包括:
滤波子单元231,用于通过多重分形滤波模型对预处理测深数据进行分形滤波,得到分形滤波结果;
提取子单元232,用于通过奇异性指数模型对分形滤波结果进行特征提取,得到海山弱缓异常信息。
作为一种可选的实施方式,海山识别神经网络模型,用于根据单波束测深数据、多波束测深数据和海山弱缓异常信息对三维地形数据进行分析划分,得到多个待识别区域;
海山识别神经网络模型,还用于对每个待识别区域进行有无海山的识别,得到综合识别结果;
海山识别神经网络模型,还用于根据综合识别结果进行预测,得到海山分布推断图。
作为一种可选的实施方式,优化单元250包括:
获取子单元251,用于在海山分布推断信息中提取精细刻画标志;
查证子单元252,用于根据预设的比对数据库对精细刻画标志进行查证,得到查证结果;
优化子单元253,用于根据查证结果对海山分布推断信息进行优化,得到海山分布范围信息。
本申请实施例中,对于海山分布范围信息的获取系统的解释说明可以参照实施例1中的描述,对此本实施例中不再多加赘述。
可见,实施本实施例所描述的海山分布范围信息的获取系统,能够基于中沙海域获取多波束测深数据,结合多重分形方法和深度学习方法识别出海底地形的微弱信息,并使用该微弱信息对海山进行精细刻画,并基于现有知识对刻画结果进行合理性与准确性的验证,从而得到有效、准确的海山分布范围,从而为海底地貌特征、海山形成演化及展布规律、海底矿产资源评价等提供准确的数据信息依据,进而能够提高对海底地貌特征的描述精度、对海山形成演化及展布规律的推理精度以及对中沙群岛海底矿产资源评价的准确度。
本申请实施例提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例1中的海山分布范围信息的获取方法。
本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行本申请实施例1中的海山分布范围信息的获取方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种海山分布范围信息的获取方法,其特征在于,包括:
获取海洋测深数据和三维地形数据;所述海洋测深数据包括单波束测深数据和多波束测深数据;
对所述海洋测深数据进行数据预处理,得到预处理测深数据;
对所述预处理测深数据进行多重分形分析,得到海山弱缓异常信息;
通过海山识别神经网络模型对所述单波束测深数据、所述多波束测深数据、所述三维地形数据和所述海山弱缓异常信息进行识别分析,得到海山分布推断图;
根据预设的比对数据库对所述海山分布推断信息进行比对优化,得到海山分布范围信息。
2.根据权利要求1所述的海山分布范围信息的获取方法,其特征在于,所述对所述海洋测深数据进行数据预处理,得到预处理测深数据的步骤包括:
对所述海洋测深数据进行参数校正处理、水深点噪声编辑处理、潮位更正处理以及声速更正处理,得到预处理测深数据。
3.根据权利要求1所述的海山分布范围信息的获取方法,其特征在于,所述对所述预处理测深数据进行多重分形分析,得到海山弱缓异常信息的步骤包括:
通过多重分形滤波模型对所述预处理测深数据进行分形滤波,得到分形滤波结果;
通过奇异性指数模型对所述分形滤波结果进行特征提取,得到海山弱缓异常信息。
4.根据权利要求1所述的海山分布范围信息的获取方法,其特征在于,所述海山识别神经网络模型,用于根据所述单波束测深数据、所述多波束测深数据和所述海山弱缓异常信息对所述三维地形数据进行分析划分,得到多个待识别区域;
所述海山识别神经网络模型,还用于对每个所述待识别区域进行有无海山的识别,得到综合识别结果;
所述海山识别神经网络模型,还用于根据所述综合识别结果进行预测,得到海山分布推断图。
5.根据权利要求1所述的海山分布范围信息的获取方法,其特征在于,所述根据预设的比对数据库对所述海山分布推断信息进行比对优化,得到海山分布范围信息的步骤包括:
在所述海山分布推断信息中提取精细刻画标志;
根据预设的比对数据库对所述精细刻画标志进行查证,得到查证结果;
根据所述查证结果对所述海山分布推断信息进行优化,得到海山分布范围信息。
6.一种海山分布范围信息的获取系统,其特征在于,所述海山分布范围信息的获取系统包括:
获取单元,用于获取海洋测深数据和三维地形数据;所述海洋测深数据包括单波束测深数据和多波束测深数据;
预处理单元,用于对所述海洋测深数据进行数据预处理,得到预处理测深数据;
滤波单元,用于对所述预处理测深数据进行多重分形滤波,得到海山弱缓异常信息;
分析单元,用于通过海山识别神经网络模型对所述单波束测深数据、所述多波束测深数据、所述三维地形数据和所述海山弱缓异常信息进行识别分析,得到海山分布推断图;
优化单元,用于根据预设的比对数据库对所述海山分布推断信息进行比对优化,得到海山分布范围信息。
7.根据权利要求6所述的海山分布范围信息的获取系统,其特征在于,所述预处理单元,具体用于对所述海洋测深数据进行参数校正处理、水深点噪声编辑处理、潮位更正处理以及声速更正处理,得到预处理测深数据。
8.根据权利要求6所述的海山分布范围信息的获取系统,其特征在于,所述滤波单元包括:
滤波子单元,用于通过多重分形滤波模型对所述预处理测深数据进行分形滤波,得到分形滤波结果;
提取子单元,用于通过奇异性指数模型对所述分形滤波结果进行特征提取,得到海山弱缓异常信息。
9.一种电子设备,其特征在于,所述电子设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至5中任一项所述的海山分布范围信息的获取方法。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行权利要求1至5任一项所述的海山分布范围信息的获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210528911.6A CN114782211B (zh) | 2022-05-16 | 2022-05-16 | 一种海山分布范围信息的获取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210528911.6A CN114782211B (zh) | 2022-05-16 | 2022-05-16 | 一种海山分布范围信息的获取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114782211A true CN114782211A (zh) | 2022-07-22 |
CN114782211B CN114782211B (zh) | 2023-04-28 |
Family
ID=82437155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210528911.6A Active CN114782211B (zh) | 2022-05-16 | 2022-05-16 | 一种海山分布范围信息的获取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782211B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188964A (zh) * | 2023-01-09 | 2023-05-30 | 中国海洋大学 | 一种利用多波束图像进行海底滑坡实时识别的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999914A (zh) * | 2012-11-28 | 2013-03-27 | 国家海洋局第二海洋研究所 | 一种基于地形网格的大陆坡脚点自动识别方法 |
CN108629364A (zh) * | 2018-03-15 | 2018-10-09 | 中国石油大学(华东) | 基于多重分形谱特征的非高斯型海底地貌类型识别方法 |
CN111880239A (zh) * | 2020-08-31 | 2020-11-03 | 自然资源部第一海洋研究所 | 一种海山富钴结壳资源定量评价方法 |
CN112907615A (zh) * | 2021-01-08 | 2021-06-04 | 中国石油大学(华东) | 基于区域生长的海底地貌单元轮廓及细节识别方法 |
WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
-
2022
- 2022-05-16 CN CN202210528911.6A patent/CN114782211B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999914A (zh) * | 2012-11-28 | 2013-03-27 | 国家海洋局第二海洋研究所 | 一种基于地形网格的大陆坡脚点自动识别方法 |
CN108629364A (zh) * | 2018-03-15 | 2018-10-09 | 中国石油大学(华东) | 基于多重分形谱特征的非高斯型海底地貌类型识别方法 |
CN111880239A (zh) * | 2020-08-31 | 2020-11-03 | 自然资源部第一海洋研究所 | 一种海山富钴结壳资源定量评价方法 |
WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
CN112907615A (zh) * | 2021-01-08 | 2021-06-04 | 中国石油大学(华东) | 基于区域生长的海底地貌单元轮廓及细节识别方法 |
Non-Patent Citations (3)
Title |
---|
杨永等: "采薇平顶海山群底质类型分布研究", 《矿物学报》 * |
甘雨: "西太平洋卡罗琳海脊海山粗糙度、多尺度特征及类比研究", 《中国优秀硕士学位论文全文数据库(基础科学辑)》 * |
陈义兰: "基于多波束数据的东海陆坡区地形分类", 《中国优秀硕士学位论文全文数据库(基础科学辑)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188964A (zh) * | 2023-01-09 | 2023-05-30 | 中国海洋大学 | 一种利用多波束图像进行海底滑坡实时识别的方法 |
CN116188964B (zh) * | 2023-01-09 | 2024-01-26 | 中国海洋大学 | 一种利用多波束图像进行海底滑坡实时识别的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114782211B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108595414B (zh) | 基于源汇空间变量推理的土壤重金属企业污染源识别方法 | |
US8355872B2 (en) | System and method for reservoir analysis background | |
Etzelmüller et al. | Automatic regional classification of topography in Norway. | |
CN111898385B (zh) | 一种地震灾害评估方法及系统 | |
Wan et al. | A landslide expert system: image classification through integration of data mining approaches for multi-category analysis | |
CN117195750B (zh) | 一种参考时序形变的滑坡灾害敏感性模型构建方法 | |
CN115343676B (zh) | 密封电子设备内部多余物定位技术的特征优化方法 | |
CN114782211B (zh) | 一种海山分布范围信息的获取方法及系统 | |
US10371857B1 (en) | System and method for well log analysis | |
CN117035418A (zh) | 基于多源数据融合的隧道施工综合风险评价方法、装置 | |
CN117593653B (zh) | 基于遥感监测的地质灾害预警方法 | |
CN114776304A (zh) | 一种深海矿产异常区识别的方法、装置、设备及介质 | |
SA515360901B1 (ar) | طريقة لمراقبة أداء حجم تحت سطح الأرض | |
Zeybek | Inlier point preservation in outlier points removed from the ALS point cloud | |
CN113626929A (zh) | 多阶段多拓扑的船舶交通复杂度度量方法及系统 | |
CN117093922A (zh) | 一种基于改进svm的不平衡样本油藏复杂流体识别方法 | |
CN109409748B (zh) | 一种耕地质量评价指标关联性的检核方法及系统 | |
CN117171128A (zh) | 一种基于四水耦合模型的水生生物保护阈值识别方法 | |
CN111273352A (zh) | 地质构造智能检测方法、装置与电子设备 | |
CN116821786A (zh) | 一种低渗储层分类方法、装置及介质 | |
Good et al. | Benchmarking of automatic quality control checks for ocean temperature profiles and recommendations for optimal sets | |
CN104391326A (zh) | 一种地震属性集合的组合选择方法 | |
CN114707597A (zh) | 一种河流相致密砂岩储层复杂岩相智能化识别方法及系统 | |
Javed et al. | Analysis of hydrological and suspended sediment events from Mad River watershed using multivariate time series clustering | |
CN112035430B (zh) | 一种边界约束的自适应海底地形图水深点检测与筛选方法 |
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 |