CN116187168B 基于神经网络-重力信息小波分解提高水深反演精度方法 （中国航天科技创新研究院）

基于神经网络-重力信息小波分解提高水深分解后的格网化的重力信息与对应的坐标信息重力数据进行大区域范围内水深模型构建提供2比较小波分解后得到的重力信息Δg与ETOPO1水深模型正演的重力信息Δgf和船载测深控构建与训练网络模型：采用双线性内插获取船载测基于训练得到的最终的权值与偏置参数，构建水深反演模型；特征在于，利用Parker算法分别正演ETOPO1水深模型的重力异常Δ3和D;"作为小波分解后的重力信息Δg。特征在于，通过相关性分析比较小波分解后得到的重力信息Δg与ETOPO1水深模型正演的得到小波分解后的重力与水深之间的相关系数ρ1和小波分解后重力与正演重力的相关系4第一数据处理模块，用于选取研究区域ETOPO1水深模型、重v模型构建与训练模块，用于构建与训练网络模型：采用双线性内插获取5[0003]随着卫星测高技术的发展，众多学者提出多种利用重力信息开展海深反演的方法并提高了水深反演精度。SAS方法在反演过程中需要考虑密度参数及反演波段以及6雕等利用多元线性回归技术，联合重力与重力梯度数据提高了印度洋区域的海底地形精[0008]获取通过卫星测高反演得到的重力异常Δg(x,y)和垂向重力梯度异常Δgv(x,性分析比较小波分解后得到的重力信息Δg与ETOPO1水深模型正演的重力信息Δgf和船载7n[0017]在上述基于神经网络一重力信息小波分解提高水深反演精度方法中，分别对v和D;"作为小波分解后的重力信息Δg。分析比较小波分解后得到的重力信息Δg与ETOPO1水深模型正演的重力信息Δgf和船载测8表示m点位置处卫星测高反演的重力信息，和Ag'分别表示Δg、Z和Δgf的平均f9一化处理后的结果G作为网络模型的输入；将船载测深控制点深度Z作为网络模型的输出；信息小波分解联合法(CombinedNeuralNetworkandGravityInformationWavelet拉海沟区域的水深进行反演，采用船载测深数据和国际通用水深模型ETOPO1以及GEBCO_水深模型与船载测深检核点差异的均方根误差为59.90m，相较传统神经网络反演的BM2(BathymetricModel2)模型、ETOPO1模型和GEBCO_2021模型的精度分别提高了12.45％、[0046]图1是本发明实施例中一种基于神经网络一重力信息小波分解提高水深反演精度了新型神经网络一重力信息小波分解联合法(CombinedNeuralNetworkGravity利用小波分解对卫星测高反演的重力异常和垂向重力梯度异常进行分解获取不同阶次的n[0071]步骤2，获取通过卫星测高反演得到的重力异常Δg(x,y)和v相关性分析比较小波分解后得到的重力信息Δg与ETOPO1水深模型正演的重力信息Δgf和测高反演的重力异常(GravityAnomaly,GA)和垂向重力梯度异常(VerticalGravityGradient,VGG)是从海表面到地幔深处不同物质密度界面起伏的综合反映，而水深则是海基于小波变换基本理论对二维重力信息(GA或者VGG)f(x,y)∈L2(R2)的小波分解表达式定[0076]优选的，可基于Mallat算法对重力异常及垂向重力梯度异常进行小波二维分表示m点位置处卫星测高反演的重力信息，z、z和Ag'分别表示Δg、Z和Δgf的平均差反向传递到各个网络层，采用Levenberg_Marquardt训练算法不断调整网络的权重和偏ga表示小波分解并归一化处理的重力异[0097]在上述实施例的基础上，下面对基于神经网络_重力信息小波分解提高水深反演点与ETOPO1水深模型(如图3)。通过美国斯克里普斯海洋研究所获取重力异常数据(图4模型(图12(d))由英国海洋数据中心与国际海道[0103]水深与重力信息之间存在一定的相关性，然而这种关系(1.2)与(1.3)基于Daubechies5小波基函数分别对重力异常和垂向重力梯度异常进行8阶现较为明显的平滑结果。可以认为重力异常的逼近结果为地球深部构造产生的重力异常，并且随着分解阶次的增加反映出埋藏越深的物质产生的最佳的小波分解阶次，利用公式(1.5)正演ETOPO1水深模型的垂向重力梯波分解的格网化的重力异常与垂向重力梯度异常及其对应的经纬度坐标输入训练好的模同，分别统计模型信息及模型之间的相关系数。BM1模型的平均值与标准差分别为一模型与国际水深模型的相关系数，BM1模型与ETOPO1模型及GEBCO模型的相关系数分别为接近。BM1与ETOPO1及GEBCO差异的标准差分别为159.76m和145.17m，而BM2与ETOPO1和区域内基本一致，而在水深变化剧烈区域差异较大。特别在研究区东南方向的边缘达到2000m以上的差异，认为由于该区域靠近岛礁而导致卫星测高恢复的重力异常以及船载测[0117]为进一步说明本发明CNNGWD法的有效性，采用图3共计35039个船载测深数据差值绝对值在100m之内占比约89.39250m之内占比约为99.25％。ETOPO1模型的检核点250m之内占比约85.25从侧面表明ETOPO1模型精度相对较差。GEBCO模型的检核点差值[0119]BM1模型与实测数据差值的最大值约为800m，而BM2模型与GEBCO模型则超过了由于采用了精度较低的重力异常模型及船测水深融合构建。而GEBCO模型主要基于多波束能是GEBCO模型构建过程中将船载实测的深度数据与重力反演的水深数据进行了融合，使预处理过程中对异常数据判定不充分从而影响水深种模型中较大差异点的分布如图16中点位分布。CNNGWD方法反演的BM1模型中点位分布个岖，船载测深检核点7062个，最大水深一3476.70m，最小水深一1度次之为58.95m。然而，国际通用ETOPO1模型与GEBCO模型的精度分别为119.99m和了本发明提出的CNNGWD方法的有效性理模块，用于获取通过卫星测高反演得到的重力异常Δg(x,y)和垂向重力梯度异常Δgvv相关性分析比较小波分解后得到的重力信息Δg与ETOPO1水深模型正演的重力信息Δgf和