基于深度学习获得海洋中尺度涡波阻抗方法及处理终端

技术领域

本发明涉及物理海洋中提取中尺度涡参数技术领域，具体涉及基于深度学习获得海洋中尺度涡波阻抗方法及处理终端。

背景技术

中尺度涡(也称之为中尺度涡旋，或天气式海洋涡旋)在海洋动力学、海洋生物学以及海洋环境信息保障方面皆有重要的影响和意义，一直是国内外海洋学家的研究热点。目前，对中尺度涡旋的研究主要集中在两方面，第一方面是通过遥感和水文调查确定中尺度涡旋的存在性，第二方面是利用海平面高度异常数据来识别涡旋并对其进行分类，通常可以分为气旋、反气旋以及非气旋等，目的在于提高涡旋识别和分类的效率。

但对于从中尺度涡旋中提取相关基础参数则鲜有涉及，其中，中尺度涡旋的基础参数包括温(温度)盐(盐度)密(密度)和声速场信息等，这些基础参数对理解涡旋具有重要的意义。传统上，若需要获得这些基础参数，主要是通过海洋水文实际调查得到，但这种传统的物理海洋观测很难在短时间内进行大范围的观测，进而限制对中尺度涡旋参数的提取。因此，有必要利用新的科学技术来获得这些基础参数。

新近发展的地震海洋学方法为涡旋的研究提供了一种的新的视角。所谓地震海洋学方法，就是利用反射地震方法来研究海洋。反射地震方法可以对海水内部结构成像，针对中尺度涡旋内海水由于温度、盐度差异而形成的波阻抗界面，在反射地震资料处理之后的反射地震剖面上表现为多个反射同相轴，从而在细节上更容易识别涡旋的内部结构。同时，反射地震资料数据间隔非常密集，分辨率更高(水平向采样间隔可达6.25米)。利用地震方法研究海洋的常见做法是从地震数据中提取出水层的波阻抗参数。其中，波阻抗是密度与地震波传播声速的乘积，由于海水层中声速与温度、压力等有很好的对应关系。一旦获得了波阻抗信息，通过一定的公式转换，就可以获得涡旋的密度、温度、盐度信息等。因此，可以基于反射地震学方法来提取涡旋的波阻抗，从而获得中尺度涡旋的参数。

从地震数据中提取涡旋波阻抗参数主要存在两个方面的问题：(1)由于水层中波阻抗的差异较小，地震反射信号较弱；(2)涡旋的边界和内部结构比较复杂。这些特点使得传统的地震波阻抗反演方法难以取得好的效果。为更好的从地震数据中提取波阻抗参数，有些人提出基于实测的XBT数据来约束波阻抗反演。在全球边缘海与大洋积累了大量的地震数据，重新处理与反演即可获得当时当地的海水层结结构与物理参数。但相对于这大量的地震数据来说，对应于地震测线的XBT数据非常少，而采集XBT数据又是非常的昂贵。

发明内容

针对现有技术的不足，本发明的目的之一提供一种基于深度学习获得海洋中尺度涡波阻抗方法，其能够解决提取中尺度涡波阻抗参数的问题；

本发明的目的之二提供一种处理终端，其能够解决提取中尺度涡波阻抗参数的问题。

实现本发明的目的之一的技术方案为：一种基于深度学习获得海洋中尺度涡波阻抗方法，包括如下步骤：

步骤1：建立海水层背景声速模型和海水层背景密度模型，在海水层背景声速模型和海水层背景密度模型上分别对应添加中尺度涡旋的声速模型、中尺度涡旋的密度模型，分别得到中尺度涡旋声速模型和中尺度涡旋密度模型，

其中，中尺度涡旋的声速模型和中尺度涡旋的密度模型通过预设得到；

步骤2：将多个不同的中尺度涡旋声速模型和多个不同的中尺度涡旋密度模型分别相乘，得到若干中尺度涡旋波阻抗模型；

步骤3：对每一个所述中尺度涡旋模型进行正演模拟，得到地震反射数据，对所有地震反射数据分别进行成像处理，得到对应的地震反射成像剖面；

步骤4：将地震反射成像剖面和中尺度涡旋波阻抗模型构建为标签数据，标签数据包括目标数据和输入数据，目标数据为中尺度涡旋波阻抗模型，输入数据为地震反射成像剖面；

步骤5：构建基于神经网络的深度学习模型，将步骤4的标签数据分成至少两份，一份用于训练深度学习模型，另一份用于测试深度学习模型，通过训练和测试合格后得到最终训练后的深度学习模型；

步骤6：将实际采集到的地震数据进行与步骤3相同的处理，得到待提取波阻抗的地震反射成像剖面，

将待提取波阻抗的地震反射成像剖面输入至所述训练后的深度学习模型进行处理，深度学习模型输出的结果即为中尺度涡旋的波阻抗，完成处理。

进一步地，步骤2中，得到所述多个不同的中尺度涡旋声速模型和多个不同的中尺度涡旋密度模型，其具体实现过程如下：

将步骤1中的中尺度涡旋声速模型和/或中尺度涡旋密度模型进行旋转或平移，旋转角度随机，平移距离随机，每一次旋转或平移则对应得到一个中尺度涡旋声速模型或中尺度涡旋密度模型，从而得到多个不同的中尺度涡旋声速模型和多个不同的中尺度涡旋密度模型。

进一步地，步骤3中，所述正演模拟中，随机选用不同频率的雷克子波作为震源。

进一步地，所述正演模拟中，通过数值求解中尺度涡旋模型的声波方程，得到正演结果，该正演结果即为地震反射数据，声波方程如下：

式中，v表示声速，ρ表示密度，P表示地震波场，

进一步地，所述神经网络为卷积层和全连接层组合得到，在神经网络中，输入层和输出层节点的个数均为N

实现本发明的目的之二的技术方案为：一种处理终端，其包括：

存储器，用于存储程序指令；

处理器，用于运行所述程序指令，以执行所述基于基于深度学习获得海洋中尺度涡波阻抗方法的步骤。

本发明的有益效果为：本发明基于深度学习的方法能够从弱地震反射信号中提取中涡旋的波阻抗信息，而且基于深度学习的方法能够适用于涡旋复杂的结构。

附图说明

图1是某一示例性的海水层背景声速模型；

图2是某一示例性的海水层背景密度模型；

图3是某一示例的中尺度涡旋的声速模型；

图4是在图3的基础上进行旋转某一角度后得到的中尺度涡旋的声速模型；

图5是在图3的基础上进行平移一定距离后得到的中尺度涡旋的声速模型；

图6是太平洋某海域实际中尺度涡旋的地震反射剖面示意图，

图7是对图6按本方法进行处理得到的结果示意图；

图8为较佳实施例的流程示意图；

图9为处理终端的示意图。

具体实施方式

下面，结合附图以及具体实施方案，对本发明做进一步描述。

如图1-图8所示，一种基于深度学习获得海洋中尺度涡波阻抗方法，包括如下步骤：

步骤1：建立海水层背景声速模型和海水层背景密度模型。建立这些海水层背景模型，通常可以基于此前实际物理海洋调查、水文调查以及相关专业理论知识，利用这些资料和基础知识预设海水层背景声速模型和海水层背景密度模型。现有技术中，关于海水层背景声速模型和海水层背景密度模型已经积累了较多的知识，因此，可以充分利用这些现有资料。图1是某一示例性的海水层背景声速模型，该模型的公式如下：

同样的，图2是某一示例性的海水层背景密度模型，该模型的公式如下：

ρ(x,z)＝1000+0.002*z

当然，也可以根据其他的海水参数公式或者实际测量的CTD(温盐深仪)参数来建立其他公式表征的海水层背景声速模型和海水层背景密度模型。需要注意的是，真实海洋环境中，声速参数与密度参数具有一定相关性，因此，建立的海水层背景声速模型和海水层背景密度模型需要考虑声速与密度的相关性。

由于波阻抗参数是声速参数与密度参数的乘积，因此，只需要将海水层背景声速模型与海水层背景密度模型相乘即得到波阻抗模型。

步骤2：在上述海水层背景声速模型和海水层背景密度模型上分别对应添加中尺度涡旋的声速模型、中尺度涡旋的密度模型，从而分别得到中尺度涡旋声速模型和中尺度涡旋密度模型。也即在海水层背景声速模型上添加中尺度涡旋的声速模型，在海水层背景密度模型上添加中尺度涡旋的密度模型，所谓添加也即是指两者相加。

将得到的中尺度涡旋声速模型和中尺度涡旋密度模型相乘后得到中尺度涡旋波阻抗模型。

其中，中尺度涡旋的声速模型和中尺度涡旋的密度模型可以基于卫星遥感、现场水文调查以及数值模式综合预设得到，现有技术中已经积累了大量的关于中尺度涡旋的密度、声速知识，基于地震海洋学的研究以及物理海洋的研究，中尺度涡旋在垂直方向的形状接近于椭圆，横向方向的尺度几十公里不等，垂向方向的尺度则从几百米到几千米不等。基于这些知识，可以建立不同大小的中尺度涡旋的声速模型、中尺度涡旋的密度模型。图3是某一示例的中尺度涡旋的声速模型。

步骤3：由于每一个中尺度涡旋声速模型和中尺度涡旋密度模型相乘即可得到对应的一个中尺度涡旋波阻抗模型，因此，当有多个中尺度涡旋声速模型和多个中尺度涡旋密度模型，即可得到多个中尺度涡旋波阻抗模型。例如，将步骤2中得到的中尺度涡旋声速模型和/或中尺度涡旋密度模型进行旋转、平移等变换操作，旋转角度随机，平移距离也可以随机，每一次旋转或平移均对应得到一个中尺度涡旋声速模型或中尺度涡旋密度模型，从而获得更多具有不同参数数值的中尺度涡旋声速模型和中尺度涡旋密度模型，从而得到更多的中尺度涡旋波阻抗模型。同样的，还可以对声速和/或密度两个参数的具体数值进行随机赋值，也即在原有的密度、声速参数上随机增减一定数值，从而获得更多的中尺度涡旋波阻抗模型。

图4是在图3的基础上进行旋转某一角度后得到的中尺度涡旋的声速模型，而图5是在图3的基础上进行平移一定距离后得到的中尺度涡旋的声速模型。

通过以上步骤可以得到若干中尺度涡旋模型，每一个中尺度涡旋模型包括中尺度涡旋声速模型、中尺度涡旋密度模型和中尺度涡旋波阻抗模型，也即中尺度涡旋模型是一个包含三组参数的模型。其中，声速用v表示，密度用ρ表示。

步骤4：对由步骤3得到的每一个中尺度涡旋模型进行正演模拟，得到对应的正演数据，该正演数据也即是地震反射数据。在正演模拟时，可以随机选用不同频率的雷克子波作为震源。对每一个中尺度涡旋模型的正演模拟可以通过数值求解声波方程获得，求解结果即是正演数据。所述声波方程如公式①所示：

式中，P表示地震波场，

步骤5：对步骤4得到的所有地震反射数据分别进行成像处理，得到对应的地震反射成像剖面。其中，对地震反射数据的成像处理主要包括观测系统定义、速度分析以及叠前时间偏移等，这些处理均为现有技术，在此不进行赘述。

步骤6：对由第i个中尺度涡旋模型得到的地震反射成像剖面记为P

步骤7：构建深度学习模型，深度学习模型采用由卷积层与全连接层组合的神经网络模型，其中输入层和输出层节点的个数均为N

步骤8：将实际采集到的地震数据进行与步骤5相同的处理，得到待提取波阻抗的地震反射成像剖面，然后将待提取波阻抗的地震反射成像剖面输入至所述训练后的深度学习模型进行处理，深度学习模型输出的结果即为中尺度涡旋的波阻抗，从而提取到波阻抗参数。根据波阻抗信息，通过现有的公式转换，即可得到中尺度涡旋的密度、声速、温度等基础参数信息。

图6是太平洋某海域实际中尺度涡旋的地震反射剖面示意图，对此地震反射剖面按本方法进行处理，得到的结果如图7所示，也即是提取得到的波阻抗示意图。

本发明基于深度学习的方法能够从弱地震反射信号中提取中涡旋的波阻抗信息，而且基于深度学习的方法能够适用于涡旋复杂的结构。获得涡旋波阻抗参数对海洋动力学、海洋生物学以及海洋环境的研究有重要的意义。对海上作业也有重要的意义。本发明能够很好地应用在海洋工程平台装备中，例如应用在工程勘察船、海洋调查船、海底资源调查船、水文测量船等作业船只上，以使得能够很好地快速获取中尺度涡旋的基本参数，提高作业效率和作业安全。特别是比如在天然气水合物等深海资源前期开采准备过程中，通过获得待开采区域的中尺度涡旋的基本参数，以评估开启的安全性以及基于获得的中尺度涡旋的基本参数改良相应的开采方案，提高作业效率。

如图9所示，本发明还涉及一种处理终端100，其包括：

存储器101，用于存储程序指令；

处理器102，用于运行所述程序指令，以执行所述基于深度学习获得海洋中尺度涡波阻抗方法的步骤。

本说明书所公开的实施例只是对本发明单方面特征的一个例证，本发明的保护范围不限于此实施例，其他任何功能等效的实施例均落入本发明的保护范围内。对于本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及变形，而所有的这些改变以及变形都应该属于本发明权利要求的保护范围之内。