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

技术领域

本发明涉及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，属于海底地形起伏以及地质构造反演技术领域。

背景技术

随着卫星测高技术的发展，测高数据成为了海洋重力反演的主要数据来源，利用测高卫星得到的海面高数据推算大地水准面高数据或者沿轨垂线偏差数据，进而反演海洋重力异常，常用反演重力的方法主要包括：基于大地水准面数据的逆Stokes公式方法、基于沿轨垂线偏差的逆VeningMeinesz方法以及基于沿轨垂线偏差的Laplace方法。

由于沿轨垂线偏差数据可以利用测高数据得到的大地水准面高数据一阶差分获得，可以有效地减弱卫星轨道误差、大气传播误差和动态海面地形误差等长波误差的影响。因此，目前国际公开发布的全球海洋重力模型大多由逆Vening Meinesz方法和Laplace方法获得。

但是，上述方法仅考虑了大地水准面高、垂线偏差和重力异常之间的物理关系，为了计算方便进行了近似处理，引入了部分误差。同时，海底地形与重力异常之间存在相关性，在重力反演的过程中引入海底地形数据可有效提高重力精度，然而，这些传统方法无法引入海底地形数据。

发明内容

本发明目的是提供了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，在重力反演中引入海底地形，能够大幅提高重力反演精度。

本发明为实现上述目的，通过以下技术方案实现：

步骤1：获取反演区域的海底地形数据、船载重力数据、卫星测高数据和经度纬度数据；

步骤2：采用二次多项式公式，对船载重力数据预处理，得到平差后的船载重力异常数据；

步骤3：基于测高数据，计算反演区域格网剩余垂线偏差的南北分量和东西分量；

步骤4：根据经度纬度数据计算计算点与距离其最近的某一方向格网点的经度差值和纬度差值；

步骤5：构建多通道卷积神经网络模型，将待计算点周边格网点处的剩余垂线偏差南北分量、剩余垂线偏差东西分量和海底地形作为输入层的三个通道，经过卷积、池化和展开处理，得到一维数据；将这些一维数据、计算点的经度数据和纬度数据、计算点与距离其最近的某一方向格网点的经度差值和纬度差值经过全连接层处理得到输出结果；输出值为计算点处的剩余重力异常；

步骤6：建立训练集和验证集，选取数据组建数据集，包括计算点周边的海底地形数据、卫星测高数据和经度纬度数据，还包括计算点经过步骤2得到的船载重力异常数据；从该数据集中选取一部分作为训练集，另一部分作为验证集；

步骤7：将训练集数据预处理后输入多通道卷积神经网络模型，根据训练集和验证集中对应数据的损失值变化确定学习率，对模型进行训练，得到多通道卷积神经网络模型的参数，获取训练完成的多通道卷积神经网络模型

步骤8：重新获取测试集数据，包括测试点周边的海底地形数据、卫星测高数据和经度纬度数据，将测试集数据预处理后输入到训练完成的多通道卷积神经网络模型，获取测试点处的重力异常数据。

优选的，所述对船载重力数据预处理具体方式如下：

根据船的航向将船的测线分为多个测段；对每一个测段数据单独处理，选择任意全球重力场模型作为参考场，计算船载数据与参考场之间的差值，并计算标准差，剔除与参考场差值大于三倍标准差的船载重力数据；通过二次多项式对船载数据进行平差，得到高精度的船载重力异常数据；所述二次多项式如下：

，

其中，

优选的，所述计算点周边格网剩余垂线偏差计算具体方式如下：

对卫星测高数据进行预处理得到的高精度海面高数据，所述预处理包括误差改正、大地测量任务数据的高斯滤波、重复周期任务的共线平差以及基于参考场的粗差剔除；

根据得到的高精度海面高数据

其中P，Q为沿轨两个相邻观测点，

利用最小二乘配置方法计算规则计算点周边格网点处的剩余垂线偏差：

式中，

优选的，所述卷积神经网络模型包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、展开层、全连接层和输出层。

优选的，所述输入层包含三个通道，分别输入计算点周边格网点处的剩余垂线偏差南北分量、剩余垂线偏差东西分量和海底地形；并分别经过第一卷积层、第一池化层、第二卷积层、第二池化层和展开层处理得到一维数据；

将得到的一维数据、计算点的经度数据和纬度数据、计算点与距离其最近的某一方向格网点的经度差值和纬度差值经过全连接层处理，经过输出层输出结果；

所述全连接层包括加权和求和计算，具体公式如下：

，

其中，

优选的，当输出为隐藏层节点时，使用的激活函数为tanh；当输出为最终输出层的节点时，不使用激活函数。

优选的，模型进行训练时，当连续5次训练的训练集输出值与真值差值的均方误差减少量均小于0.02时，截止迭代，从而确定学习循环迭代次数，得到多通道卷积神经网络模型的参数，获取训练完成的多通道卷积神经网络模型。

本发明的优点在于：本发明基于多通道卷积神经网络，输入项中包括卫星测高数据和海底地形数据，输出项为反演的重力异常数据，从而在重力反演中引入海底地形，能够大幅提高重力反演精度。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明本发明流程结构示意图。

图2多通道卷积神经网络模型示意图。

图3计算点与周围格网点关系示意图。

图4模型与船载数据差值的功率谱密度图，(a)~(d)分别对应测段1.1~1.4

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

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，其特征在于，包括以下步骤：

步骤1：获取反演区域的海底地形数据、船载重力数据、卫星测高数据和经度纬度数据；

步骤2：采用二次多项式公式，对船载重力数据预处理，得到平差后的船载重力异常数据；所述对船载重力数据预处理具体方式如下：

根据船的航向将船的测线分为多个测段；对每一个测段数据单独处理，选择任意全球重力场模型作为参考场，计算船载数据与参考场之间的差值，并计算标准差，剔除与参考场差值大于三倍标准差的船载重力数据；通过二次多项式对船载数据进行平差，得到高精度的船载重力异常数据；所述二次多项式如下：

，

其中，

步骤3：计算点周边格网剩余垂线偏差计算；所述计算点周边格网剩余垂线偏差计算具体方式如下：

对卫星测高数据进行预处理得到的高精度海面高数据，所述预处理包括误差改正、大地测量任务数据的高斯滤波、重复周期任务的共线平差以及基于参考场的粗差剔除；

根据得到的高精度海面高数据

其中P，Q为沿轨两个相邻观测点，

利用最小二乘配置方法计算规则计算点周边格网点处的剩余垂线偏差：

式中，

步骤4：根据经度纬度数据计算计算点与距离其最近的某一方向格网点的经度差值和纬度差值；

步骤5：构建多通道卷积神经网络模型，所述卷积神经网络模型包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、展开层、全连接层和输出层。

所述输入层包含三个通道，分别输入计算点周边格网点处的剩余垂线偏差南北分量、剩余垂线偏差东西分量和海底地形；并分别经过第一卷积层、第一池化层、第二卷积层、第二池化层和展开层处理得到一维数据；

将得到的一维数据、计算点的经度数据和纬度数据、计算点与距离其最近的某一方向格网点的经度差值和纬度差值经过全连接层处理，经过输出层输出结果；

所述全连接层包括加权和求和计算，具体公式如下：

，

其中，

步骤6：建立训练集和验证集，选取部分数据组建数据集，包括计算点周边的海底地形数据、卫星测高数据和经度纬度数据，还包括计算点经过步骤2得到的船载重力异常数据；从该数据集中选取一部分作为训练集，另一部分作为验证集；

步骤7：将训练集数据预处理后输入多通道卷积神经网络模型，根据训练集和验证集中对应数据的损失值变化确定学习率，对模型进行训练，得到多通道卷积神经网络模型的参数，获取训练完成的多通道卷积神经网络模型；

模型进行训练时，当连续5次训练的训练集输出值与真值差值的均方误差减少量均小于0.02时，截止迭代，从而确定学习循环迭代次数，得到多通道卷积神经网络模型的参数，获取训练完成的多通道卷积神经网络模型。

步骤8：重新获取测试集数据，包括测试点周边的海底地形数据、卫星测高数据和经度纬度数据，将测试集数据预处理后输入到训练完成的多通道卷积神经网络模型，获取测试点处的重力异常数据。

实施例2

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，与常用的基于测高数据反演重力的逆Vening Meinesz方法进行对比。二者均利用移去恢复方法，基于测高数据计算的格网垂线偏差反演重力异常，本技术在此基础上引入了海底地形数据以提高反演精度。

选取菲律宾板块和太平洋板块交接的海域，经度范围125°E-155°E，纬度范围10°N-30°N，该海域包含世界上最深的海沟——马里亚纳海沟。选取该区域日本海洋地球科技机构（Japan Agency for Marine-Earth Science and Technology,JAMSTEC）发布的船载重力数据，其中，16条航线作为训练集和验证集用于本研究的神经网络模型建立，2条独立的航线用于精度的评估，分别记作航线1和航线2。利用本方法和逆Vening Meinesz方法分别反演区域重力异常模型，分别记作模型1和模型2，并利用这两条航线评估重力模型精度，结果见表1。

表1重力异常模型与船载数据差值统计表

由于航线1和航线2的船载数据未用于神经网络模型学习，可以认为与两个重力异常模型相互独立，因此，由表1可以看出无论使用航线1还是航线2进行精度评估模型1的精度均高于模型2的精度，说明了本方法的可行性和优势。

为了进一步研究本方法的优势，将航线1按照船的航向分割为4条测段，分别记为1.1~1.4。统计模型与每一测段船载数据的差异，见表1，无论使用哪一测段数据进行精度评估，模型1精度均优于模型2。航线1的船载数据标定精度为1 mGal，因此，相对于模型2，模型1精度提高了0.05~0.24 mGal，约占2%~8%。

同时，对模型与各测段船载重力的差值进行频率域分析，得到差值的功率谱密度，如图3所示。模型与各测段船载重力之间相互独立，差值主要体现了二者的误差，由于使用的船载数据相同，差值的功率谱密度越大说明模型的精度越低。由图3可以看出，在波数0.01~0.1km

基于多通道卷积神经网络，提出的顾及海底地形的重力异常反演新方法，相对于传统的方法，可以提高反演重力的精度，尤其是10~100 km波长范围内的精度。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。