CN119394274A 一种使用重力场空间谱数据的人工智能反演海底地形系统及方法 （中国科学院国家空间科学中心）

号一种使用重力场空间谱数据的人工智能反本申请提供了一种使用重力场空间谱数据射关系建立模块：用于处理重力和水深数据处2人工智能反演海底地形模块，用于将重力场空间谱输入训练好的重力_水深映射模型2.根据权利要求1所述的使用重力场空间谱数据的人工智能反演海底地形系统，其特将每个滤波器处理后的二维重力信号按层叠加，得到具有三个维度的k_1个波段的重3.根据权利要求2所述的使用重力场空间谱数据的人工智能反演海底地形系统，其特4.根据权利要求1所述的使用重力场空间谱数据的人工智能反演海底地形系统，其特重力水深映射关系建立模块，用于利用重力场空间谱计算模块5.根据权利要求4所述的使用重力场空间谱数据的人工智能反演海底地形系统，其特获取稀疏船测水深数据对应位置的重力场空间谱，每个根据模型对输入数据格式的要求，选择是否将训练集和测试集将归一化后的训练集数据输入机器学习模型或神经网络模型进6.根据权利要求1所述的使用重力场空间谱数据的人工智能反演海底地形系统，其特根据人工智能模型对输入数据格式的要求，选择是否将将重力空间谱数据转换为张7.根据权利要求6所述的使用重力场空间谱数据的人工智能反演海底地形系统，其特将模型的预测结果与实际船测水深进行精度评估，根据精度评8.一种使用重力场空间谱数据的人工智能反演海底地形方法，基于权利要求1_7任一3将重力场空间谱输入人工智能反演海底地形模块中训练好的重力一水9.根据权利要求8所述的使用重力场空间谱数据的人工智能反演海底地形方法，其特利用重力场空间谱计算模块得到的重力场空间谱训练机器学习模型或神经网络模型，使用重力水深映射模型预测海底地形，将模型的预测结果与实际船测水深进行精度4了Parker公式基础上进行4阶海底地形的反演。为了简化计算过程并提高反演流程的实际应用于基于测高的海洋重力数据反演海底地形，且取得了初步成功。例如，Annan和Wan(2022年)以及WanXiaoyun等人(2023年)使用不同结构的神经网络来预测绝对水深，例如从重力及其相关量中推测垂直偏转和重力梯度偏转。Moran等人(2022年)测试了多种机器方法，提高了基于测高数据的水深测量精度，相比单纯使用神经网络方法，精度提高了5[0009]人工智能反演海底地形模块，用于将重力场空间谱输入训练好的重力_水深映射[0013]将重力信号与k_1个带通滤波器相乘，对每个经过滤波后的频段进行逆傅里叶变[0014]将每个滤波器处理后的二维重力信号按层叠加，得到具有三个维度的k_1个波段6[0029]利用重力场空间谱计算模块得到的重力场空间谱训练机器学习模型或神经网络[0033]1、重力场空间谱，与直接使用未处理过的全波段重力异常数据进行水深预测相波长的重力和地形之间的响应关系有所不同，使机器学习和深度学习技术更好地发挥其[0038]由于现有人工智能重力反演海底地形技术在数据量不足的情况下难以挖掘特征7[0048]W(BandNotes)i＝{1，ifWavelenth89按照适当的比例划分为训练集和测试集，然后根据人工智能模型对输入数据格式的要求，[0096]如图2所示，本申请还提出一种使用重力场空间谱数据的人工智能反演海底地形[0105]步骤9：选择优化器(如SGD或Adam等)和损失函数(如均方误差损失函数MSE[0115]可以理解，本申请公开实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器读存储器(ErasablePROM，EPROM)、电可擦除可编程只读存储器(ElectricallyEPROM，连接动态随机存取存储器(SynchlinkDRAM，SLDRAM)和直接内存总线随机存取存储器其组合来实现。对于硬件实现