-
题名基于多源数据和卷积神经网络的海洋重力异常反演
- 1
-
-
作者
孙明智
冯伟
安德超
陈晓东
张泽远
杨萌
钟敏
-
机构
中山大学遥感科学与技术学院
-
出处
《地球物理学报》
2025年第11期4145-4156,共12页
-
基金
国家重点研发计划项目(2024YFC2813500)
国家自然科学基金项目(42027802)
中山大学中央高校基本科研业务费专项资金(24xkjc027,23xkjc012)资助.
-
文摘
针对海洋重力异常与多源地球物理数据之间的复杂函数关系,本文结合移去-恢复法提出了基于多源数据和卷积神经网络(Convolutional Neural Networks,CNN)的海洋重力异常预测方法,提升了模型精度.以菲律宾海北部为实验区,选取船载重力测量点周围30 km范围内的垂线偏差、海底地形、沉积物厚度、地磁异常和海面地形数据,利用CNN挖掘船测重力高频信号与多源数据之间的关系,构建了区域重力异常预测模型.研究结果表明,垂线偏差对重力异常更敏感,海底地形次之,移去-恢复法对预测结果影响显著.在实验区内,CNN预测结果(GRACNN)与现有逆Vening-Meinesz方法(GRASDUST)和Laplace方法(GRASIO)差异的标准差分别为2.33 mGal和1.82 mGal.与船测数据对比分析表明,GRACNN精度优于GRASDUST和GRASIO,且包含更多重力场短波信号.本文为多源数据反演高精度海洋重力场提供了新思路.
-
关键词
海洋重力异常
卫星测高
深度学习
卷积神经网络
多源数据
-
Keywords
Marine gravity anomaly
Satellite altimetry
Deep learning
Convolutional Neural Network(CNN)
Multi-source data
-
分类号
P228
[天文地球]
P223
[天文地球—大地测量学与测量工程]
-
-
题名基于重力地质法的南海高精度海底地形建模与优化
- 2
-
-
作者
陈晓东
钟敏
安德超
杨元元
孙明智
杨萌
冯伟
-
机构
中山大学遥感科学与技术学院
-
出处
《地球物理学报》
2025年第11期4128-4144,共17页
-
基金
国家自然科学基金项目(42574069),国家自然科学基金项目(42027802)
中山大学中央高校基本科研业务费专项资金(23xkjc012,24xkjc027)
自然资源部海洋环境探测技术与应用重点实验室开放基金(MESTA-2022-B003)资助.
-
文摘
重力地质法(Gravity-Geologic Method,GGM)是当前反演海底地形的主要方法之一.现有研究缺乏对GGM以及其他多种方法反演海底地形模型结果的差异性分析,也缺乏增加实测水深控制数据条件下,对海底地形模型反演精度提升的评估分析.同时,GGM方法多依赖于海洋重力与海底地形之间的线性相关性.本研究联合单波束、多波束和海图水深等实测水深作为约束,利用GGM方法和深度神经网络(Deep Neural Network,DNN)再训练的优化方法,基于短波重力异常信息构建了高精度的南海海底地形模型.结果表明,与国内外采用不同方法新近构建的全球海底地形模型相比,该模型与多波束测深检核点差值的RMS减少了31.12~132.30 m,相对精度提升约21%~52%.利用多波束检核水深数据对没有增加实测水深约束的空白区域进行了精度评估.随着与测深控制点之间距离的增加,模型精度呈逐步降低的趋势,但仍优于其他模型.增加多波束与海图水深作为补充控制点,距离补充控制点区域0~30 km范围内的海底地形反演精度的提升最为明显,距离补充控制点30~300 km的海域模型精度也有所提升.然而,在距离所有控制点30 km以上的靠近岛屿、海岸线的近海区域,该模型的精度仍不及依靠海岸线及历史海图等再编辑的模型精度.另外,DNN再训练方法能够在一定程度上反映重力异常与地形之间的非线性映射,进一步提升GGM方法反演的精度.但在DNN训练过程中加入未经滤波的海洋垂直重力梯度和垂线偏差数据,对海底地形模型的精度影响不大,值得今后进一步深入研究.
-
关键词
海底地形
卫星测高
重力异常
重力地质法
深度神经网络
-
Keywords
Seafloor topography
Satellite altimetry
Marine gravity anomaly
Gravity-Geologic Method(GGM)
Deep Neural Network(DNN)
-
分类号
P229
[天文地球]
-
