CN115540832A - 基于VGGNet的卫星测高海底地形校正方法及系统 - Google Patents

Abstract

本发明公开了一种基于VGGNet的卫星测高海底地形校正方法及系统，涉及深度学习技术领域，包括：采集船测多波束声呐海底地形数据和卫星测高海底地形数据，作为原始数据；对所述原始数据进行预处理，获得训练数据集；基于卷积神经网络构建海底地形校正模型，并将所述训练数据集输入所述海底地形校正模型中进行模型训练，直至损失函数收敛，得到最优的海底地形校正模型；利用所述最优的海底地形校正模型对卫星测高测深地形数据进行水深校正，获得修正后的卫星测高水深数据。本发明使用深度学习的方法来对卫星测高水深数据进行基于多波束声呐水深数据的校正，为高精度、高实时性的全球海域的海底地形测量提供新的技术手段可能性。

Description

基于VGGNet的卫星测高海底地形校正方法及系统

技术领域

本发明涉及深度学习技术领域，更具体的说是涉及一种基于VGGNet的卫星测高海底地形校正方法及系统。

背景技术

海底地形测量是一项基本的海洋测绘工作，目的是获取海底地形点的三维坐标，包括测量位置、水深、水位、声速、姿态方位等信息，其核心是水深测量。船载探测是检测海底地形地貌最直接和最原始的方法，水深测量是船载地形地貌检测的核心工作，由早期的测深杆、锤子、绳索等原始方法发展到现在的声、光、电等探测方法。由于光波和电磁波在水中衰减很快，而声波在水中可以传播很远的距离，所以，目前船载声学探测仍然是海底地形地貌探测的主要方法之一，船载水深测量在探测方式方面经历了从单波束到多波束的迭代进化。

多波束测深方法具有高精度、高效率、自动化、数字化等的特性，使得水下测深模式实现了从点到线、从线到面的高质量飞跃，但其缺点是效率低下、探测成本高昂、消耗的人力较多，并且所需的测量时间较长，很难进行大范围海域的海底地形测量。目前积累的全球范围内的海洋测深数据，船测海深的覆盖面依然很稀疏，早期测深数据的精度不高，根据船测水深构建的海底地形模型无论精度还是分辨率都较低，难以满足科学研究所需要的数据条件。

卫星测高是以人造卫星为载体，使用雷达、激光等测距技术量测卫星至地球表面的高度，从而获取地球表面地形的空间测量技术，而通过测高数据可以构建出海洋的重力场模型，其中的重力异常和大地水准面扰动的分布，则反映了海山、洋脊和海沟等海底地形。卫星测高技术的出现，使得海底地形测量不再仅限于传统的船载声呐，为大范围、高实时性的全球海域的海底地形测量提供了新的技术手段可能性。从现有的卫星测高反演的地形模型分析，尽管其空间分辨率和精度已大幅提升，但相较起多波束测深模式仍无法满足现实需求，如何进一步提高海底地形的分辨率和精度，实现全球海底地形精细建模是当前亟需解决的难题。

近年来，深度学习已逐渐成为各领域的重要科学计算工具，与传统浅层机器学习算法相比，深度学习采用逐层抽象的方法，高效而准确地实现了底层属性到高层属性的提取，在自然语言处理、图像和语音识别领域做出了巨大的贡献。神经风格迁移是一种基于深度学习的图像优化技术，用于获取三幅图像(内容图像、风格参考图像和要设置样式的输入图像)，通过反向传播最小化内容和样式距离(损失)来转换基本输入图像，创建与内容图像的内容和样式图像的样式相匹配的图像。与海底地形参数估计的算法开发或模型制定相关的主要问题是所涉及的物理过程的复杂性以及与之相关的不确定性。在这种情况下，模糊逻辑、遗传算法、人工神经网络和分形等先进的基于计算机的方法可以用于从已知的影响参数中导出所需的参数。目前，由于图像识别和人工智能的兴起，深度学习的研究主要集中在分类、识别等方面，但回归领域的研究还相对较少，回归问题涉及到社会生产和日常生活的各个方面，对回归问题的研究有着重要的经济价值和社会意义，尝试将深度学习更好地应用到回归估测领域是一项有意义且可行的研究。

综上，目前亟需利用多源信息与方法建立全球海底地形模型，海底地形精细建模需要突破精细建模理论、变化特征及其机制研究的诸多关键理论与技术难题，探索其相互联系、空间分布和变化规律以提升建模的精度和分辨率，充分利用船测海深数据并联合船测海深及卫星测高资料进行精细海底地形反演，探讨在全球气候变化、地球圈层物质交换、海底板块构造等方面的作用与影响，为大地测量学、海洋学、海底板块构造等研究提供重要基础保障。

因此，如何使用深度学习的方法来对卫星测高水深数据进行基于多波束声呐水深数据的校正，为高精度、高实时性的全球海域的海底地形测量提供新的技术手段可能性是本领域技术人员亟需解决的技术问题。

发明内容

有鉴于此，本发明提供了一种基于VGGNet的卫星测高海底地形校正方法及系统，使用深度学习的方法来对卫星测高水深数据进行基于多波束声呐水深数据的校正，能够实现多波束数据的空间分辨率和卫星测高数据的时间分辨率的统一，为高精度、高实时性的全球海域的海底地形测量提供新的技术手段可能性。

为了实现上述目的，本发明提供如下技术方案：

一种基于VGGNet的卫星测高海底地形校正方法，包括以下步骤：

采集船测多波束声呐海底地形数据和卫星测高海底地形数据，作为原始数据；

对所述原始数据进行预处理，获得训练数据集；

基于卷积神经网络构建海底地形校正模型，并将所述训练数据集输入所述海底地形校正模型中进行模型训练，直至损失函数收敛，得到最优的海底地形校正模型；

利用所述最优的海底地形校正模型对卫星测高测深地形数据进行水深校正，获得修正后的卫星测高水深数据。

上述技术方案达到的技术效果为：结合卫星测高和多波束声呐测深的优点，应用在数字图像自动化领域强大的深度学习方法，对卫星测高测深数据进行基于多波束声呐的水深校正，为海底地形的精确建模提供了一种新的可能性。

可选的，对所述原始数据进行预处理，具体包括以下步骤：

对所述船测多波束声呐海底地形数据进行插值预处理，输出网格化数字高程模型数据；

获取与所述船测多波束声呐海底地形数据范围相同的卫星测高海底地形数据，并根据对应船测多波束声呐海底地形数据的分辨率对所述卫星测高海底地形数据进行网格重采样，以统一各对的分辨率。

上述技术方案达到的技术效果为：卫星高度计因大范围、实时观测的优势被广泛应用于水深测量，但精度有改进的余地；多波束回声测深数据具有高精度，但通常仅限于较小的覆盖范围；而本技术可结合卫星测高和多波束声呐测深的优点，实现多波束数据的空间分辨率和卫星测高数据的时间分辨率的统一，为高精度、高实时性的全球海域的海底地形测量提供了新的技术手段可能性。

可选的，所述基于卷积神经网络构建海底地形校正模型，具体为：

选用VGG-19模型作为卷积神经网络的基础架构，所述VGG-19模型包括16个卷积层和3个全连接层；

整个网络架构选用相同大小的卷积核和最大池化核，并选用ReLU作为激活函数，获得海底地形校正模型；其中，通过所述卷积核扩大通道数，利用所述最大池化核减小宽度和高度。

上述技术方案达到的技术效果为：公开了海底地形校正模型的主要架构，能够提取更抽象和更深层次的图像特征，减少参数量，同时仍然保留相同的感受野，可提高图像计算的效率和准确性。

可选的，所述得到最优的海底地形校正模型，具体包括以下步骤：

定义一个距离函数，描述两个输入图像的差异程度，将覆盖同一区域的船测多波束声呐海底地形数据和卫星测高海底地形数据输入至所述海底地形校正模型，然后返回所述海底地形校正模型的中间层，最后输出改进的卫星测高水深数据的结果；其中，使用的距离函数L表示为：

其中，x表示多波束声呐水深图像，p表示卫星测高水深图像，i、j表示输入图像的像素点的序列号；令V_nn为预训练的VGG-19网络，X为任意图像，则V_nn(X)为X的馈送网络；定义

分别描述网络的中间特征表示，其中输入x和p在网络的第l层；

基于所述距离函数估计模型输出值与真实值之间的差距，直至所述距离函数收敛，得到最优的海底地形校正模型。

上述技术方案达到的技术效果为：使用多波束数据作为内容图像进行匹配，在VGG-19框架下输入并转换卫星测高数据，以最大限度地减少它们之间的损失和距离，从而能够获得改进的海底地形校正模型，同时将多波束数据的高空间分辨率和卫星测高数据的高空间覆盖率的优点相互糅合。

可选的，所述方法还包括：选择均方根误差RMSE、归一化均方根误差NRMSE和决定系数R²作为评价度量，以量化模型输出的预测值与真实值之间的差异和联系；其中：

其中，n表示数据集中值的个数，i表示数据集中值的序列号，f表示预测值，y表示真值。

上述技术方案达到的技术效果为：RMSE的归一化可以使不同数值范围的数据集更容易比较，RMSE、NRMSE越小，R²越大，即意味着数据集之间的相关性越高，基于此，可以对所构建模型的模型精度及修正效果进行验证，以促进海底地形的精细化建模。

本发明还公开了一种基于VGGNet的卫星测高海底地形校正系统，包括：采集模块、预处理模块、构建模块、训练模块、校正模块；

所述采集模块，用于采集船测多波束声呐海底地形数据和卫星测高海底地形数据，作为原始数据；

所述预处理模块，用于对所述原始数据进行预处理，获得训练数据集；

所述构建模块，用于通过卷积神经网络构建海底地形校正模型；

所述训练模块，用于将所述训练数据集输入所述海底地形校正模型中进行模型训练，直至损失函数收敛，得到最优的海底地形校正模型；

所述校正模块，用于通过所述最优的海底地形校正模型对卫星测高测深地形数据进行水深校正，获得修正后的卫星测高水深数据。

可选的，所述预处理模块包括：插值处理子模块、重采样子模块；

所述插值处理子模块，用于对所述船测多波束声呐海底地形数据进行插值预处理，输出网格化数字高程模型数据；

所述重采样子模块，用于获取与所述船测多波束声呐海底地形数据范围相同的卫星测高海底地形数据，并根据对应船测多波束声呐海底地形数据的分辨率对所述卫星测高海底地形数据进行网格重采样，以统一各对的分辨率。

可选的，所述海底地形校正模型的基础架构为VGG-19模型，所述VGG-19模型包括16个卷积层和3个全连接层；

所述海底地形校正模型的整个网络架构包括相同大小的卷积核和最大池化核以及ReLU激活函数。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于VGGNet的卫星测高海底地形校正方法及系统，具有以下有益效果：

(1)本发明使用深度学习的方法来对卫星测高水深数据进行基于多波束声呐水深数据的校正，能够通过计算模型的分层设计，更直接、深入地提取多波束水深图像中的关键信息，对卫星测高数据进行校正，为高精度、高实时性的全球海域的海底地形测量提供新的技术手段可能性；

(2)卫星高度计因大范围、实时观测的优势被广泛应用于水深测量，但精度有改进的余地；多波束回声测深数据具有高精度，但通常仅限于较小的覆盖范围；而本技术方案可结合卫星测高和多波束声呐测深的优点，实现多波束数据的空间分辨率和卫星测高数据的时间分辨率的统一；

(3)本发明构建的海底地形校正模型能够提取更抽象和更深层次的图像特征，减少参数量，同时仍然保留相同的感受野，可提高图像计算的效率和准确性；使用多波束数据作为内容图像进行匹配，在VGG-19框架下输入并转换卫星测高数据以最大限度地减少它们之间的损失和距离，能够获得改进的海底地形校正模型，同时将多波束数据的高空间分辨率和卫星测高数据的高空间覆盖率的优点相互糅合；

(4)此外，在本技术方案中，RMSE的归一化可以使不同数值范围的数据集更容易比较，RMSE、NRMSE越小，R²越大，即意味着数据集之间的相关性越高，基于此，可以对所构建模型的模型精度及修正效果进行验证，以促进海底地形的精细化建模。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为基于VGGNet的卫星测高海底地形校正方法的流程图；

图2为深度学习网络框架示意图；

图3为VGG-19模型的结构示意图；

图4为西太平洋、南大洋和东太平洋模型中训练集和验证集的损失示意图；

图5为西太平洋、南大洋和东太平洋的水深与精度之间的关系示意图；

图6为西太平洋、南大洋和东太平洋的校正值和真实值之间的差值分布示意图；

图7为基于VGGNet的卫星测高海底地形校正系统的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

目前，全球海底地形只有约20％被精细化建模，其余要么缺乏数据，要么不够准确以满足实际需要。为此，本发明实施例基于已有的船测多波束声呐海底地形数据和卫星测高海底地形数据，公开了一种基于VGGNet的卫星测高海底地形校正方法，如图1所示，包括以下步骤：

采集船测多波束声呐海底地形数据和卫星测高海底地形数据，作为原始数据；

对原始数据进行预处理，获得训练数据集；

基于卷积神经网络构建海底地形校正模型，并将训练数据集输入海底地形校正模型中进行模型训练，直至损失函数收敛，得到最优的海底地形校正模型；

利用最优的海底地形校正模型对卫星测高测深地形数据进行水深校正，获得修正后的卫星测高水深数据。

接下来，对本技术方案进行详细阐述以获得更清楚、深刻的理解。

一、数据集构建

首先，从国家地球物理数据中心获得原始船测多波束声呐海底地形数据，对其进行插值预处理，输出网格化数字高程模型(DBM)数据；同时，从NGDC的ETOPO11＇全球地形模型中获取和提取卫星测高海底地形数据，与上述的船测多波束声呐海底地形数据的范围相同，根据对应船测多波束声呐海底地形数据的分辨率对卫星测高海底地形数据进行网格重采样，以统一各对的分辨率，方便后续操作。

在本实施例中，使用三组分别来自西太平洋、南大洋和东太平洋的多波束声呐-卫星测深数据，并进行实验分析，数据的参数如表1所示。

表1水深数据参数

二、海底地形校正模型构建

如图2所示，本实施例所提出的深度学习网络结构主要由三部分组成：1)真值和待校正水深数据的输入；2)网络模型的指定，需要预训练的VGG-19框架、损失函数、梯度下降和优化循环；3)校正后的卫星测高反演的测深数据的输出。

卷积神经网络(CNN)模型在过去十年中得到了改进和更新，以更好地应用于大规模图像识别，比较著名的应用包括AlexNet、CaffeNet、LeNet和VGGNet等。在本实施例中，选择VGG-19模型作为卷积神经网络的基础架构，VGG-19作为VGGNet的一种形式，与多数衍生自CNN的4-7层的模型相比，其由19层构成，包括16个卷积层和3个全连接层，能够提取更抽象和更深层次的图像特征，减少参数量，同时仍然保留相同的感受野，从而提高了图像计算的效率和准确性。

如图3所示为VGG-19的架构示意图，整个网络架构选用相同大小的卷积核(3×3)和最大池化核(2×2)，几个小滤波器(3×3)卷积层的组合优于之前模型中的一个大滤波器(5×5或7×7)；卷积核侧重于扩大通道数，最大池化核侧重于减小宽度和高度，因此架构越来越宽，而计算量的增加速度减慢，显示出网络更大的感受野。同时，减少网络参数，多次使用ReLU作为激活函数，可创建更多的线性变换，增强学习能力。

三、模型训练

校正模型的原理是定义一个距离函数，描述两个输入图像的差异程度，将覆盖同一区域的船测多波束声呐海底地形数据和卫星测高海底地形数据输入至所述海底地形校正模型，然后返回所述海底地形校正模型的中间层，最后输出改进的卫星测高水深数据的结果；其中，使用的距离函数L表示为：

其中，x表示多波束声呐水深图像，p表示卫星测高水深图像，i、j表示输入图像的像素点的序列号；令V_nn为预训练的VGG-19网络，X为任意图像，则V_nn(X)为X的馈送网络；定义

且

分别描述网络的中间特征表示，其中输入x和p在网络的第l层；最后，优化器更新规则被应用于迭代更新图像，从而使输入的给定损失最小化。基于距离函数估计模型输出值与真实值之间的差距，直至距离函数收敛，得到最优的海底地形校正模型。

校正精度的评价是基于与以往研究的比较而得出的，为了量化模型输出的预测值与真实值之间的差异和联系，选择均方根误差RMSE、归一化均方根误差NRMSE和决定系数R²作为评价度量；其中：

其中，n表示数据集中值的个数，i表示数据集中值的序列号，f表示预测值，y表示真值。RMSE的归一化可以使不同数值范围的数据集更容易比较，NRMSE和R²的范围通常为0-1，RMSE、NRMSE越小，R²越大，即意味着数据集之间的相关性越高。

使用多波束数据作为内容图像进行匹配，在VGG-19框架下输入并转换卫星测高数据，以最大限度地减少它们之间的损失和距离，从而获得改进的卫星测高海底地形模型，能够将前者的高空间分辨率和后者的高空间覆盖率的优点相互糅合。

四、结果分析

对于VGG-19模型，输入参数是一对多波束卫星测深数据，输出参数是修正后的卫星测高数据。在表1的数据集中，随机选择其中的50％作为训练集，用于初始拟合模型并更新参数，其余50％作为验证集创建，以对拟合在训练集上的模型进行无偏评估，最终得到预测结果。

损失函数用于估计模型输出值与真值之间的差距，以指导模型后续的优化步骤。损失函数值越小，模型越好。训练集和测试集的损失如图4所示。在三个实验区域中，模型的损失在20个epoch后急剧下降到0.2左右，并开始逐渐下降，尤其是在70个epoch之后。而且在计算过程中没有发现明显的过拟合现象。因此，可以得出结论：VGG-19模型的机器学习可以有效降低三个海域的实验数据的损失。

通过对来自验证集的多波束声纳数据进行测试来评估模型的性能参数，其结果如表2所示，校正后的来自西太平洋、南大洋和东太平洋的数据集与真值数据集的R²值，分别为0.80、0.81和0.77，表明拟合度优秀。在RMSE和NRMSE方面，从图中可以看出，修正算法分别在西太平洋、南大洋和东太平洋数据集中产生误差267米、102米和87米，其NRMSE分别为0.031、0.026和0.033。与之前的类似研究相比，本实施例的算法能够将数据集的NRMSE提高19％以上，证明了它的潜力。此外，R²和RMSE的变化趋势一致，均表现为南大洋数据的校正效果最好，其次是西太平洋，而东太平洋第三。

表2卫星测高校正精度

在实验中，可以发现以R²为例，校正的精度随水深变化而不同，如图5所示。从图中可以看出，各海区的最大值和最小值基本一致，一般情况下，R²的最小值在0.2以上，出现在水深的极值处，而最大值可以达到0.9以上。在西太平洋数据中，R²在水深约-4500米至-1900米范围内高于0.8，显示出很强的相关性，最大值出现在约-3200米处；对于南大洋数据，R²在-500米左右和-1800米至-2400米左右有很强的相关性，最大值出现在-2200米左右；对于东太平洋数据，R²在-2400米至-3600米左右的范围内有很强的相关性，最大值出现在-3500米左右。

根据经验，机器学习的精度与数据集中的样本量呈正相关。在不考虑其他参数的情况下，样本量越大，学习精度往往越高，反之亦然。在本实验中，这一经验也得到了验证。结合水深值直方图，水深数据点分布分散、方差较大的深度往往是R²显示较低的区域，而R²较高的深度往往有较集中的分布，方差较小。具体来说，在这三个海域水深的最大值和最小值处，由于样本数据量小，机器学习的精度也较低。在样本量最大的水深范围内分布的精度是呈现高度相关关系的。图中R²曲线在一定水深的起伏也在一定程度上反映了当地海底地形测深值分布的特殊性。实验表明，只要输入足够的数据量，经VGG-19模型校正的卫星测高仪水深数据在特定水深范围内可以与多波束衍生数据达到很好的拟合效果。

使用卫星测高数据的校正水深值减去多波束声纳数据的真值，可以发现两者之间的误差分布呈中间高、两边低的形式，即误差越接近于0，数据点越多，反之亦然，如图6所示。在西太平洋的数据中，以零误差为最大值的数据点是孤立的，与曲线的其他部分不连续，说明本实施例算法校正后的无误差测深点明显增多。在另外两组数据中，数据曲线相对连续，从零点处的最大值逐渐向绝对值增加的两边递减，而南大洋数据的曲线在零点附近比东太平洋数据更收敛，说明其修正效果更好。

为了更直观地表示，现用上述结果的绝对值来计算2％和1％范围内的数据占每个数据总深度的百分比，其数值代表与真值的误差，如表3所示。随着误差范围的减小，数据点的数量也逐渐增加。平均来说，误差在深度值的2％范围内的数据点占总数的70.58％，在1％范围内的数据点占49.21％。与之前的研究相比，深度学习VGG-19模型的校正精度可以有效提高17％以上。

在深度范围指标中，校正后的南大洋数据的准确度始终比其他两个指标要好，且拉开较大差距。在2％的范围内，东太平洋和西太平洋的数据表现几乎没有区别，东太平洋的数据略高。在最严格的1％范围的标准下，两者的表现结果被拉大，西太平洋的数据更好。结合表2可以发现，两表的参数变化表现出相对的一致性，南大洋的数据修正效果最好，而西太平洋和东太平洋的数据在大多数情况下分别为第二和最低。

表32％和1％深度范围内真值校正误差的比例

在本技术方案中，提出了一个基于深度学习的预训练VGGNet模型算法模型，以多波束声纳反演的水深数据为真值，对卫星测高仪反演的水深数据进行校正。校正模型的核心思想是定义并最小化真实数据与待校正数据之间的距离(损失)函数，并最终输出相应的校正后的卫星测高海底地形。然后，利用西太平洋、南大洋和东太平洋的三组测深数据来评估模型的性能。在测试过程中，训练集和验证集的数据损失得到了有效的减少，这证明了模型的有效性。

此外，选择R²、RMSE及其衍生的NRMSE三个指标来评价数据的修正结果，结果优异，其中NRMSE指标比前人研究高出19％以上。进一步，通过分析不同水深的R²值差异，可以发现深度学习的修正精度与样本量呈正相关趋势，即数据点越多，深度值的精度越高，反之亦然。最后，在发现真值与修正值的差值从零点处的最大值向数轴两边逐渐减小后，分析差值的绝对值占整体水深的比例，发现本技术的模型与前人研究相比，可以提高修正精度17％以上。总的来说，在三个试验区中，南大洋数据的校正精度最高，其次是西太平洋数据，东太平洋数据排在最后。

实施例2

本实施例公开了一种基于VGGNet的卫星测高海底地形校正系统，如图7所示，包括：采集模块、预处理模块、构建模块、训练模块、校正模块；

所述采集模块，用于采集船测多波束声呐海底地形数据和卫星测高海底地形数据，作为原始数据；

所述预处理模块，用于对所述原始数据进行预处理，获得训练数据集；

所述构建模块，用于通过卷积神经网络构建海底地形校正模型；

所述训练模块，用于将所述训练数据集输入所述海底地形校正模型中进行模型训练，直至损失函数收敛，得到最优的海底地形校正模型；

所述校正模块，用于通过所述最优的海底地形校正模型对卫星测高测深地形数据进行水深校正，获得修正后的卫星测高水深数据。

进一步地，所述预处理模块包括：插值处理子模块、重采样子模块；

所述插值处理子模块，用于对所述船测多波束声呐海底地形数据进行插值预处理，输出网格化数字高程模型数据；

所述重采样子模块，用于获取与所述船测多波束声呐海底地形数据范围相同的卫星测高海底地形数据，并根据对应船测多波束声呐海底地形数据的分辨率对所述卫星测高海底地形数据进行网格重采样，以统一各对的分辨率。

进一步地，所述海底地形校正模型的基础架构为VGG-19模型，所述VGG-19模型包括16个卷积层和3个全连接层；

所述海底地形校正模型的整个网络架构包括相同大小的卷积核和最大池化核以及ReLU激活函数。

基于已有的船测多波束声呐海底地形数据和卫星测高海底地形数据，本发明使用深度学习的方法来对卫星测高水深数据进行基于多波束声呐水深数据的校正，能够通过计算模型的分层设计，更直接、深入地提取多波束水深图像中的关键信息，对卫星测高数据进行校正，为高精度、高实时性的全球海域的海底地形测量提供新的技术手段可能性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于VGGNet的卫星测高海底地形校正方法，其特征在于，包括以下步骤：

采集船测多波束声呐海底地形数据和卫星测高海底地形数据，作为原始数据；

对所述原始数据进行预处理，获得训练数据集；

基于卷积神经网络构建海底地形校正模型，并将所述训练数据集输入所述海底地形校正模型中进行模型训练，直至损失函数收敛，得到最优的海底地形校正模型；

利用所述最优的海底地形校正模型对卫星测高测深地形数据进行水深校正，获得修正后的卫星测高水深数据。

2.根据权利要求1所述的一种基于VGGNet的卫星测高海底地形校正方法，其特征在于，对所述原始数据进行预处理，具体包括以下步骤：

对所述船测多波束声呐海底地形数据进行插值预处理，输出网格化数字高程模型数据；

获取与所述船测多波束声呐海底地形数据范围相同的卫星测高海底地形数据，并根据对应船测多波束声呐海底地形数据的分辨率对所述卫星测高海底地形数据进行网格重采样，以统一各对的分辨率。

3.根据权利要求1所述的一种基于VGGNet的卫星测高海底地形校正方法，其特征在于，所述基于卷积神经网络构建海底地形校正模型，具体为：

选用VGG-19模型作为卷积神经网络的基础架构，所述VGG-19模型包括16个卷积层和3个全连接层；

整个网络架构选用相同大小的卷积核和最大池化核，并选用ReLU作为激活函数，获得海底地形校正模型；其中，通过所述卷积核扩大通道数，利用所述最大池化核减小宽度和高度。

4.根据权利要求1所述的一种基于VGGNet的卫星测高海底地形校正方法，其特征在于，所述得到最优的海底地形校正模型，具体包括以下步骤：

定义一个距离函数，描述两个输入图像的差异程度，将覆盖同一区域的船测多波束声呐海底地形数据和卫星测高海底地形数据输入至所述海底地形校正模型，然后返回所述海底地形校正模型的中间层，最后输出改进的卫星测高水深数据的结果；其中，使用的距离函数L表示为：

其中，x表示多波束声呐水深图像，p表示卫星测高水深图像，i、j表示输入图像的像素点的序列号；令V_nn为预训练的VGG-19网络，X为任意图像，则V_nn(X)为X的馈送网络；定义

且

分别描述网络的中间特征表示，其中输入x和p在网络的第l层；

基于所述距离函数估计模型输出值与真实值之间的差距，直至所述距离函数收敛，得到最优的海底地形校正模型。

5.根据权利要求1所述的一种基于VGGNet的卫星测高海底地形校正方法，其特征在于，所述方法还包括：选择均方根误差RMSE、归一化均方根误差NRMSE和决定系数R²作为评价度量，以量化模型输出的预测值与真实值之间的差异和联系；其中：

其中，n表示数据集中值的个数，i表示数据集中值的序列号，f表示预测值，y表示真值。

6.一种基于VGGNet的卫星测高海底地形校正系统，其特征在于，包括：采集模块、预处理模块、构建模块、训练模块、校正模块；

所述采集模块，用于采集船测多波束声呐海底地形数据和卫星测高海底地形数据，作为原始数据；

所述预处理模块，用于对所述原始数据进行预处理，获得训练数据集；

所述构建模块，用于通过卷积神经网络构建海底地形校正模型；

所述训练模块，用于将所述训练数据集输入所述海底地形校正模型中进行模型训练，直至损失函数收敛，得到最优的海底地形校正模型；

所述校正模块，用于通过所述最优的海底地形校正模型对卫星测高测深地形数据进行水深校正，获得修正后的卫星测高水深数据。

7.根据权利要求6所述的一种基于VGGNet的卫星测高海底地形校正系统，其特征在于，所述预处理模块包括：插值处理子模块、重采样子模块；

所述插值处理子模块，用于对所述船测多波束声呐海底地形数据进行插值预处理，输出网格化数字高程模型数据；

所述重采样子模块，用于获取与所述船测多波束声呐海底地形数据范围相同的卫星测高海底地形数据，并根据对应船测多波束声呐海底地形数据的分辨率对所述卫星测高海底地形数据进行网格重采样，以统一各对的分辨率。

8.根据权利要求6所述的一种基于VGGNet的卫星测高海底地形校正系统，其特征在于，所述海底地形校正模型的基础架构为VGG-19模型，所述VGG-19模型包括16个卷积层和3个全连接层；

所述海底地形校正模型的整个网络架构包括相同大小的卷积核和最大池化核以及ReLU激活函数。

Images