CN115905877A - 基于VGGNet的测深模型反演方法及系统 - Google Patents
基于VGGNet的测深模型反演方法及系统 Download PDFInfo
- Publication number
- CN115905877A CN115905877A CN202310021014.0A CN202310021014A CN115905877A CN 115905877 A CN115905877 A CN 115905877A CN 202310021014 A CN202310021014 A CN 202310021014A CN 115905877 A CN115905877 A CN 115905877A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- vggnet
- gravity
- satellite
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000005484 gravity Effects 0.000 claims abstract description 92
- 238000005259 measurement Methods 0.000 claims abstract description 49
- 238000012937 correction Methods 0.000 claims abstract description 34
- 238000012876 topography Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 34
- 230000006870 function Effects 0.000 description 13
- 238000002474 experimental method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于VGGNet的测深模型反演方法及系统，应用于海底地形测量技术领域。根据船测重力异常数据和卫星测高重力异常数据，输入预训练的VGGNet模型，以使船船测重力异常数据对卫星测高重力异常数据的修正，得到卫星测高重力数据；其中，所述卫星测高重力数据通过对所述预训练的VGGNet模型进行训练得到；对所述卫星测高重力数据进行滤波法反演得到海底地形数据。本发明将基于船载数据的海洋重力校正与重力地形反演相结合，以提高卫星派生测深数据的精度。
Description
技术领域
本发明涉及海底地形测量技术领域，更具体的说是涉及一种基于VGGNet的测深模型反演方法及系统。
背景技术
海底地形测量是一项基本的海洋测绘任务，其目的是获取海底地形点的三维坐标，包括位置、水深、水位、声速和姿态方位等信息，其核心是水深测量。船载探测是探测海底地形最直接、最原始的方法，在探测方法上经历了从单波束到多波束的迭代演变，目前，多波束回声测深仪声纳系统仍是探测海底地形的主要方法之一。多波束声纳法具有空间精度高的优点，使水下探测模式实现了从点到线、从线到面的高质量飞跃。但是，由于效率低、成本高和所需的测量时间长等缺点，使其难以在大范围的海域进行频繁的海底调查。因此，目前船载调查的覆盖面仍然非常稀少。据估计，全球只有不到20％的海底区域被船载勘测所覆盖，其中相当一部分，尤其是深海区域，精度相对较低。
卫星测高是一种空间测量技术，以人造卫星为载体，利用雷达、激光和其他测距技术测量卫星到地球表面的高度，以获得地球表面的地形。携带雷达高度计的卫星沿轨道测量全球海底的形状，从中可以产生海洋重力场地图。卫星重力场和现有的深度测量被用来确定重力和海底地形之间的相关性，通过将其应用于重力场，可以预测某些波段的海底地形。在大多数情况下，通过重力反演，海底地形模型的精度在±100米以内。虽然这个模型是一个有误差的预测数据集，但它仍然是目前对大尺度甚至全球海底地形的最佳估计。
Parker(1972)推导出频域重力的详细表达式，提出了波动引起的重力异常变化的频域模型的材料界面，为海底地形反演的发展奠定了基础。Ibrahim等(1972)提出了用于海底陆地沉积物下岩石高度测量的重力地质法(GGM)，此后被广泛应用于各海域的海底地形反演中。基于海洋重力场与海底地形的频谱关系的重力异常接纳理论，结合Airy(1855)和Parker(1972)的平衡假设，提出了估算海底地形的方法，并被应用于海底山脉的建模和海底地形的反演研究。多年来，研究人员利用这些方法制作了各种全球海底地形模型，如ETOPO、GEBCO、DTU和SIO系列。
近年来，随着海洋科学研究对精度要求的不断提高，传统的卫星测高法重力异常反演得到的海底地形模型的精度提高空间有限，而具有高精度特点的舰载多波束声纳和重力测量法往往被限制在相对有限的覆盖范围内。
进一步，深度学习逐渐成为数字图像处理领域的一个重要科学计算工具。深度学习采用逐层抽象的方法，高效、准确地实现从底层到顶层的属性提取，在自然语言处理、图像和语音识别、遥感数据融合等领域做出了巨大贡献。
因此，如何提供一种基于CNN的优化算法有效提高海底地形反演的计算精度是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于VGGNet的测深模型反演方法及系统，将基于船载数据的海洋重力校正与重力地形反演相结合，以提高卫星派生测深数据的精度；引入基于CNN的VGGNet模型，通过计算和最小化船载真值数据与有误差的卫星数据之间的距离(损失)，生成具有校正精度的卫星衍生数据，新的融合数据将拥有前者的高精确度和后者的高覆盖率的优势。通过对南大洋、太平洋、大西洋和加勒比海的数据集进行实验，验证了该模型的性能，结果表明该方法能有效提高海底地形反演的计算精度。
为了实现上述目的，本发明采用如下技术方案：
一种基于VGGNet的测深模型反演方法，包括如下具体步骤：
根据船测重力异常数据和卫星测高重力异常数据，输入预训练的VGGNet模型，以使船船测重力异常数据对卫星测高重力异常数据的修正，得到卫星测高重力数据；其中，所述卫星测高重力数据通过对所述预训练的VGGNet模型进行训练得到；
对所述卫星测高重力数据进行滤波法反演得到海底地形数据。
优选的，在上述的一种基于VGGNet的测深模型反演方法中，VGGNet模型包括19层，其中包括16个卷积层和3个全连接层，整个网络使用相同大小的卷积核3x3和最大池化核2x2，并且使用ReLU激活函数，创建更多的线性变换。
优选的，在上述的一种基于VGGNet的测深模型反演方法中，VGGNet模型进行修正具体步骤如下：
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重力异常数据图像和卫星测高重力异常数据图像传递给所述预训练的VGG模型；
然后返回模型的中间层，最后输出结果。
优选的，在上述的一种基于VGGNet的测深模型反演方法中，所述距离函数为：
其中，x代表船测重力异常数据图像，p代表卫星测高重力异常数据图像，i,j代表输入图像的像素点的序列号；Vnn为VGGNet模型，X为任意图像，则Vnn(X)为X的馈送网络；同时定义Fij l(x)∈Vnn(X)且Pij l(p)∈Vnn(p)，用以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，得到最优的测深模型。
优选的，在上述的一种基于VGGNet的测深模型反演方法中，还包括验证，引入船测多波束测深数据进行对比和精度评定。
优选的，在上述的一种基于VGGNet的测深模型反演方法中，所述验证包括：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。
一种基于VGGNet的测深模型反演系统，包括：
获取模块，用于获取船测重力异常数据和卫星测高重力异常数据；
修正模块，将获取模块获取的数据输入预训练的VGGNet模型，以使船船测重力异常数据对卫星测高重力异常数据的修正，得到卫星测高重力数据；其中，所述卫星测高重力数据通过对所述预训练的VGGNet模型进行训练得到；
反演模块，对所述卫星测高重力数据进行滤波法反演得到海底地形数据。
优选的，在上述的一种基于VGGNet的测深模型反演系统中，所述修正模块包括：
定义单元，用于定义距离函数，描述两个输入图像的差异程度；
输入单元，将覆盖同一区域的船测重力异常数据图像和卫星测高重力异常数据图像传递给所述预训练的VGG模型；
输出单元，返回模型的中间层，输出修正结果。
优选的，在上述的一种基于VGGNet的测深模型反演系统中，还包括验证模块，引入船测多波束测深数据进行对比和精度评定。
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的测深模型反演方法及系统，利用预先训练好的VGGNet网络，以船载海洋重力数据为真值，修正有误差的卫星测高数据。该模型的输入是要修正的数据，输出是真值数据，目的是在中间层获得高阶图像特征，中间层的作用是在输入值和输出值之间建立深度抽象关系，即把原始图像像素转换成对图像特征的复杂理解，并构建内部映射的表示。在对卫星衍生的重力进行校准并与相应区域的海底地形模型进行反演后，可以得到更精确的水深反演。
具有以下有益效果：
1.提出了将基于船载数据的海洋重力校正与重力地形反演相结合，以提高卫星派生测深数据的精度。
2.引入了基于CNN的VGGNet模型，通过计算和最小化船载真值数据与有误差的卫星数据之间的距离(损失)，生成具有校正精度的卫星衍生数据。新的融合数据将拥有前者的高精确度和后者的高覆盖率的优势。
3.通过对南大洋、太平洋、大西洋和加勒比海的数据集进行实验，验证了该模型的性能，结果表明该方法能有效提高海底地形反演的计算精度。
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为本发明提供的方法流程图；
图2为本发明提供的VGG-19模型的结构示意图；
图3为本发明提供的实验区的训练和验证损失曲线；
图4为本发明提供的重力异常校正前后的局部细节比较示意图；
图5为本发明提供的不同水深下R2的性能及其与纯测深校正方法的比较示意图；
图6为本发明提供的NRMSE(×10-3)的百分比分布示意图。
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：
本发明的实施例公开了一种基于VGGNet的测深模型反演方法，如图1所示，包括如下具体步骤：
根据船测重力异常数据和卫星测高重力异常数据，输入预训练的VGGNet模型，以使船船测重力异常数据对卫星测高重力异常数据的修正，得到卫星测高重力数据；其中，所述卫星测高重力数据通过对所述预训练的VGGNet模型进行训练得到；
对所述卫星测高重力数据进行滤波法反演得到海底地形数据。
在获得校正后的卫星测高仪重力数据后，可以通过反演获得相应的测深图，并借助于可被视为测量值的船载多波束声纳测深数据来验证其准确性。
一、数据集构建
在实验中所使用的卫星高度计重力异常数据是由法国国际重力局(BGI)获得的。使用的船载重力异常数据和多波束声纳测深数据是在美国国家海洋和大气管理局(NOAA)的国家地球物理数据中心(NGDC)获得的。通过插值预处理，将船载点云数据转换为网格数据。对于不同来源的数据，采用栅格重采样来统一其分辨率，以便进行后续分析。
共选择了四对分别来自南大洋、太平洋、大西洋和加勒比海的船载重力-卫星重力-多波束测深数据集，详细信息列于表2。考虑到海洋变化的时间尺度，我们没有在表中列出这些数据的时间分辨率。
在校正过程中，将数据集随机分成两份，其中50％作为训练集来调试网络中的参数，其余50％作为验证集来调整模型的超参数并对模型的性能进行初步评估。
表2水深数据参数
二、修正
2.1)VGG-19网络架构
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。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，其中包括16个卷积层和3个全连接层，使其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。
VGG-19的结构如图2所示。整个网络使用相同大小的卷积核(3x3)和最大池化核(2x2)。几个小滤波器(3x3)卷积层的组合优于之前模型中的一个大滤波器(5x5或7x7)。由于卷积核侧重于扩大通道数，而池化内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(Rectified LinearUnit)激活函数，创建更多的线性变换，增强学习能力。
2.2)模型训练方法
本实施例中，水深校正将在VGG-19模型的运算下进行。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。将覆盖同一区域的多波束水深数据图像和卫星测高水深数据图像传递给模型，然后返回模型的中间层，最后输出结果。使用的距离函数
其中，x代表船测重力异常数据图像，p代表卫星测高重力异常数据图像，i,j代表输入图像的像素点的序列号；Vnn为VGGNet模型，X为任意图像，则Vnn(X)为X的馈送网络；同时定义
且
用以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，得到最优的测深模型。
校正精度的评价是基于与以往研究的比较而得出的。为了量化预测值和真值之间的差异和联系，这里选择均方根误差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。
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、SD越小、R2越大，即意味着数据集之间的相关性越高。
VGG-19训练模型中使用的默认超参数如表1所示。在实验中，内容层、风格层和内容、风格、总方差损失之间的权重被设定为保持大致相同的数量级。学习率的设置是为了使迭代发生在一个收敛的过程中，并且使损失曲线平稳地下降。
表1模型默认超参数设置
三、结果分析
如图3所示，分别表示(a)南大洋、(b)太平洋、(c)大西洋和(d)加勒比海的实验的训练和验证损失；损失函数被用来估计模型的预测(校正)值和真实值之间的不一致程度。一个非负的实值函数，损失函数越小，模型的稳健性越好，反之亦然。从结果可以看出，在四个地区进行的实验中，在前20个epoch中出现了损失的突然下降。在下降到0.1和0.2之间后，损失开始缓缓下降，这种现象在70个epoch后更加明显。从曲线上看，没有发现明显的过拟合现象。损失函数的表现证明了VGG-19模型对重力校正的有用性。
模型的输出结果是校正后的重力异常值。为了直观地反映校正结果，在四个实验区中各选取了三个有差异和视觉代表性的地点进行对比显示，如图4所示，分别表示(a)南大洋、(b)太平洋、(c)大西洋和(d)加勒比海的重力异常校正前后的局部细节比较；从图中可以看出，一般来说，校正后的数据纹理更加精细，与海底实际重力场分布更加一致。这为后面的测深反演工作打下了基础。
校正过程的总体准确性已经得到验证，参数的表现见表3。就R2而言，可以看出四个数据集的表现相似，都在0.80左右，说明校正后的水深与真实值之间有很高的相关性。四个数据集的SD和RMSE的性能差异之间存在一定程度的正相关，其数值与实验区的水深范围有关。根据同样的标准对NRMSE的性能进行比较，发现大西洋的数据具有最好的校正精度，其次是南大洋和太平洋的数据，而加勒比海的数据排名最后。与近年来的类似研究相比，我们发现这种方法可以有效地提高精度，最高可达15.4％(重力-测深校正)或24.2％(仅测深校正)，表明这种VGGNet方法使海底地形校正的精度达到一个新的水平。
表3水深校正的总体精度。
通过比较不同水深下R2值的变化，绘制了两个参数之间的关系，如图5所示，分别代表不同水深下R2的性能及其与纯测深校正方法的比较，数据来自(a)南大洋，(b)太平洋，(c)大西洋，和(d)加勒比海。可以看出，对于所有四个实验区的结果，R2的最小值都在0.2以上，都发生在水深的极值位置。R2的最大值都在0.9以上，其发生的水深值因地区不同而不同，说明校正模型在特定的水深范围内能够很准确地反演水深。
分别看每个地区的数据，在南大洋，精度在-2000米到-1600米左右的水深范围内攀升到最高点，然后开始缓慢下降，在-200米左右出现急剧下降。在太平洋的数据中，精度从一开始就快速攀升，在-4000米附近达到一个极端值，然后开始缓慢下降到0.5附近。大西洋数据的曲线表现与前者基本相似，精度迅速上升到-4000米附近的最大值，然后开始缓缓下降到0.4左右，但在梯度的最后100米处有很大的下降趋势。最后，在加勒比海的数据中，曲线显示出不同的趋势，在水深的极值处有更多的孤立点，整体曲线趋势更加崎岖。拟合线显示，该地区的数据精度在-5000米、-4000米至-3000米和-2500米有局部峰值，最后一个峰值最高，水深极值的变化都比较陡峭。
根据经验，深度学习模型的准确性往往与样本量呈正相关。在其他参数保持不变的情况下，数据样本越大，训练精度往往越高，反之亦然。在实验中，结合数据点分布直方图的分析显示，在数据点数量最少或最稀少的地方，如水深的两端，往往会表现出最低的R2。相反，出现R2较高的深度往往是数据点分布最多、最集中的深度。然后，实验区的水下形态特异性也会对训练的准确性产生一些影响。例如，在加勒比海的数据集中，当地岛屿的大量零散分布会导致一些区域内不规则的重力水深起伏较大，这可能成为影响输出精度的一个因素。此外，由于加勒比海数据的空间分辨率比其他三个数据集低约四分之一，这也可能是该数据集精度表现不太理想的原因之一。
为了使精度验证更具可比性，按照前人研究的测深细化方法对四个数据集分别进行了重修，并将精度结果的拟合趋势线叠加在图5中进行比较。可以总结出，与纯水深法相比，重力-测深校正方法可以有效提高精度。对于每个实验区的数据集的精度的最大性能，两种方法之间没有太大的差别。然而，重力-测深法主要在中等水深的区域能够提高精度。具体来说，在南大洋数据集的性能比较中，可以看到纯测深方法的R2性能从-2500米附近开始下降，而我们的方法的性能刚刚开始赶超，并准备达到一个稳定的高原，直到-1000米以内，这时两种方法各自领先。在太平洋数据集的比较中，我们的性能从极端水深开始一直到-4000米左右都处于领先地位。在大约-3000米和-1000米之间，本方法有明显的性能优势。然而，在-1000米以下的浅水区，本方法的性能低于纯测深的方法。在大西洋数据集中，本方法在大约-4500米到-1000米的深度范围内性能长期领先，但在浅水区又被超越了。在加勒比海的数据集中，两种方法的表现最接近，不时出现交替领先的情况。本方法主要是在极端深度到接近-5000米的范围内，约-4500米到-3500米和-2000米到-1000米的范围内超过了纯测深的方法。
可以发现，在中间水深范围内，重力-测深校正方法具有更优异的R2性能，也能提高整体精度，但是，如果只关注到大约-1000米以内的范围，其性能反而不如纯测深方法。据推测，这与卫星重力测深信号在相应水深范围内的波段相关性的限制有关。
还应用RMSE的归一化指标NRMSE对四个实验区的校正效果进行了比较评价，如图6所示，分别表示在(a)南大洋、(b)太平洋、(c)大西洋和(d)加勒比海的数据集中，NRMSE(×10-3)的百分比分布。(为方便显示，横轴上的数值被放大了1000倍)。从图中可以发现，四个地区的NRMSE性能曲线几乎都遵循中间高-边缘低的形式，因此可以得出结论，大部分数据点都分布在性能适中的区间内。四个地区性能的极值几乎相同，分布在0.010和0.035之间。在南大洋数据的性能曲线中，看不到明显的突出峰值区域，而是观察到一个相对稳定的高原分布，局部有起伏。太平洋数据的峰值出现在0.017左右，然后开始下降，但在0.032左右有一个小的局部峰值，表明在某些数据点上精度的突然变化不太理想。大西洋数据集的表现与太平洋数据集类似，不同的是它有一个双峰结构，在0.015和0.020至0.025之间有两个局部峰值，其中前者比后者高。值得一提的是，大西洋的曲线中最大峰值对应的数据点比例是四组数据中最高的，这证明其高精度数据点的分布比较集中。与上面两个数据集表现出的右偏分布相比，加勒比海数据集的曲线表现出明显的左偏分布，即低精度数据点分布较多，象征着精度相对不理想，尽管其峰值份额优于平均水平。从表3也可以看出，加勒比海数据的精度相对来说是最低的。
表4校正值与真值的误差在2％和1％的深度范围内的比例。
为了更直观地展示校正的效果，我们再从真实值中减去校正后的测深值。对于得到的差值的绝对值，我们以总水深的百分比来计算，结果见表4。从表中可以看出，数据点的数量随着误差范围的缩小而减少。在2％的水深范围误差内，四个实验区的数据点的平均百分比约为71.62％，而在1％的误差内约为59.55％。与前人提出的纯测深校正方法的结果比较表明，重力-测深联合校正方法，虽然在2％的水深范围误差内仅提高了1.47％的精度，但在1％的误差范围内提高了21.01％。在比较中，可以得出结论，本方法对精度的改进在很大程度上是在1％的水深范围内的误差。
综上所述，在这些评价指标中，南大洋的校正性能是相对最突出的，而太平洋和大西洋的性能相近，各有各的领先优势，加勒比海的性能在大多数情况下排名第四。
实施例2：
本发明的另一实施例公开了一种基于VGGNet的测深模型反演系统，包括：
获取模块，用于获取船测重力异常数据和卫星测高重力异常数据；
修正模块，将获取模块获取的数据输入预训练的VGGNet模型，以使船船测重力异常数据对卫星测高重力异常数据的修正，得到卫星测高重力数据；其中，所述卫星测高重力数据通过对所述预训练的VGGNet模型进行训练得到；
反演模块，对所述卫星测高重力数据进行滤波法反演得到海底地形数据。
为了进一步优化上述技术方案，所述修正模块包括：
定义单元，用于定义距离函数，描述两个输入图像的差异程度；
输入单元，将覆盖同一区域的船测重力异常数据图像和卫星测高重力异常数据图像传递给所述预训练的VGG模型；
输出单元，返回模型的中间层，输出修正结果。
优选的，在上述的一种基于VGGNet的测深模型反演系统中，还包括验证模块，引入船测多波束测深数据进行对比和精度评定。
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。对于实施例公开的装置而言，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 (9)
1.一种基于VGGNet的测深模型反演方法，其特征在于，包括如下具体步骤：
根据船测重力异常数据和卫星测高重力异常数据，输入预训练的VGGNet模型，以使船船测重力异常数据对卫星测高重力异常数据的修正，得到卫星测高重力数据；其中，所述卫星测高重力数据通过对所述预训练的VGGNet模型进行训练得到；
对所述卫星测高重力数据进行滤波法反演得到海底地形数据。
2.根据权利要求1所述的一种基于VGGNet的测深模型反演方法，其特征在于，VGGNet模型包括19层，其中包括16个卷积层和3个全连接层，整个网络使用相同大小的卷积核3x3和最大池化核2x2，并且使用ReLU激活函数，创建更多的线性变换。
3.根据权利要求1所述的一种基于VGGNet的测深模型反演方法，其特征在于，VGGNet模型进行修正具体步骤如下：
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重力异常数据图像和卫星测高重力异常数据图像传递给所述预训练的VGG模型；
然后返回模型的中间层，最后输出结果。
4.根据权利要求3所述的一种基于VGGNet的测深模型反演方法，其特征在于，所述距离函数为：
其中，x代表船测重力异常数据图像，p代表卫星测高重力异常数据图像，i,j代表输入图像的像素点的序列号；Vnn为VGGNet模型，X为任意图像，则Vnn(X)为X的馈送网络；同时定义
且
用以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，得到最优的测深模型。
5.根据权利要求1所述的一种基于VGGNet的测深模型反演方法，其特征在于，还包括验证，引入船测多波束测深数据进行对比和精度评定。
6.根据权利要求5所述的一种基于VGGNet的测深模型反演方法，其特征在于，所述验证包括：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。
7.一种基于VGGNet的测深模型反演系统，其特征在于，包括：
获取模块，用于获取船测重力异常数据和卫星测高重力异常数据；
修正模块，将获取模块获取的数据输入预训练的VGGNet模型，以使船船测重力异常数据对卫星测高重力异常数据的修正，得到卫星测高重力数据；其中，所述卫星测高重力数据通过对所述预训练的VGGNet模型进行训练得到；
反演模块，对所述卫星测高重力数据进行滤波法反演得到海底地形数据。
8.根据权利要求7所述的一种基于VGGNet的测深模型反演系统，其特征在于，所述修正模块包括：
定义单元，用于定义距离函数，描述两个输入图像的差异程度；
输入单元，将覆盖同一区域的船测重力异常数据图像和卫星测高重力异常数据图像传递给所述预训练的VGG模型；
输出单元，返回模型的中间层，输出修正结果。
9.根据权利要求7所述的一种基于VGGNet的测深模型反演系统，其特征在于，还包括验证模块，引入船测多波束测深数据进行对比和精度评定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310021014.0A CN115905877A (zh) | 2023-01-07 | 2023-01-07 | 基于VGGNet的测深模型反演方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310021014.0A CN115905877A (zh) | 2023-01-07 | 2023-01-07 | 基于VGGNet的测深模型反演方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115905877A true CN115905877A (zh) | 2023-04-04 |
Family
ID=86489884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310021014.0A Pending CN115905877A (zh) | 2023-01-07 | 2023-01-07 | 基于VGGNet的测深模型反演方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115905877A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117113857A (zh) * | 2023-10-23 | 2023-11-24 | 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 |
-
2023
- 2023-01-07 CN CN202310021014.0A patent/CN115905877A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117113857A (zh) * | 2023-10-23 | 2023-11-24 | 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 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jakobsson | Hypsometry and volume of the Arctic Ocean and its constituent seas | |
| US9361728B2 (en) | Submarine topography construction method based on multi-source water depth data integration | |
| CN103292792B (zh) | 一种适用海底探测与假地形处理的实测svp重构方法 | |
| CN112013822A (zh) | 基于改进gwr模型的多光谱遥感水深反演方法 | |
| Fan et al. | Applying iterative method to solving high-order terms of seafloor topography | |
| CN109283590A (zh) | 基于小波变换的多源重力数据融合方法 | |
| CN102589528A (zh) | 一种多时相影像的海岛岸线量测方法 | |
| CN115905877A (zh) | 基于VGGNet的测深模型反演方法及系统 | |
| CN115082809A (zh) | 一种基于遥感影像大数据的潮滩演变监测新方法 | |
| CN116187168A (zh) | 基于神经网络-重力信息小波分解提高水深反演精度方法 | |
| Liu et al. | Construction of high-resolution bathymetric dataset for the Mariana Trench | |
| CN113267822A (zh) | 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 | |
| CN112050793A (zh) | 一种WorldView-2立体双介质水深探测方法 | |
| An et al. | Improved gravity-geologic method reliably removing the long-wavelength gravity effect of regional seafloor topography: a case of bathymetric prediction in the South China Sea | |
| Yin et al. | Mapping high-resolution basal topography of West Antarctica from radar data using non-stationary multiple-point geostatistics (MPS-BedMappingV1) | |
| Sun et al. | Bathymetric prediction using multisource gravity data derived from a parallel linked BP neural network | |
| Wang et al. | A new strategy combined HASM and classical interpolation methods for DEM construction in areas without sufficient terrain data | |
| Bu et al. | Improved calibration method for refraction errors in multibeam bathymetries with a wider range of water depths | |
| CN117848285A (zh) | 海底地形测绘方法、设备、测绘系统及存储介质 | |
| An et al. | High-precision 1′× 1′ bathymetric model of Philippine Sea inversed from marine gravity anomalies | |
| Dong et al. | RETRACTED ARTICLE: Research on North Gulf distributed big data submarine 3D terrain computing system based on remote sensing and multi-beam | |
| CN115540832A (zh) | 基于VGGNet的卫星测高海底地形校正方法及系统 | |
| CN113819892B (zh) | 基于半参数估计和附加深度约束的深海基准网平差方法 | |
| Sun et al. | Improving the accuracy of bathymetry using the combined neural network and gravity wavelet decomposition method with altimetry derived gravity data | |
| Barstow et al. | WORLDWAVES: High quality coastal and offshore wave data within minutes for any global site |
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 |