基于短波地形多层感知机提升海洋重力异常反演精度方法

摘要: 本发明涉及海洋重力学、人工智能学交叉,具体的说是一种基于短波地形多层感知机提升海洋重力异常反演精度方法。背景技术:1、高精度的海洋重力异常信息在海底地形研究、油...
基于短波地形多层感知机提升海洋重力异常反演精度方法

本发明涉及海洋重力学、人工智能学交叉,具体的说是一种基于短波地形多层感知机提升海洋重力异常反演精度方法。

背景技术:

1、高精度的海洋重力异常信息在海底地形研究、油气资源勘探、极地冰盖层监测、惯性导航以及海平面变化监测等领域均具有重要的应用价值。卫星测高技术因为其可以精密测定海洋大地水准面,已成为当前获取海洋重力异常的主要手段。常用的卫星测高反演海洋重力异常的经典算法有最小二乘配置法、逆斯托克斯公式法和垂线偏差法等。然而,这些传统方法在实际应用中仍存在一定局限性:最小二乘配置法虽能够建立严密的统计模型,但协方差函数难以精确确定且矩阵运算的时间消耗大。相比之下,逆斯托克斯公式法和垂线偏差法分别基于大地水准面和垂线偏差来计算重力异常,虽然不需要事先确定协方差函数且有效提升了计算效率,但受限于积分运算中存在的内区效应等问题,又会造成反演精度的损失。此外,传统反演算法难以有效地融合与海洋重力异常存在高度相关性的海底地形数据,而这正是近年快速发展的深度学习方法的核心优势所在。

2、随着深度学习技术的发展,其在多源物理数据非线性关系建模方面展现出显著优势,近年来已被成功应用于海洋重力异常、海底地形、海面高度、大地电磁等多个反演领域。由于该技术能够有效融合垂线偏差、海底地形等多源物理数据,而传统算法往往只能从垂线偏差或海面高等单一数据进行反演,因此在海洋重力异常反演领域展现出巨大的潜力。现有研究基于移去-恢复法,利用参考场移除长波背景信号,随后通过深度学习融合多源数据预测残余重力异常,最终恢复得到海洋重力异常。在此框架下,垂线偏差和海底地形被反复证实为最核心的输入特征。

3、然而,当前研究中普遍直接使用原始海底地形作为神经网络的输入,忽略了其与残余重力异常在频域特性上不匹配的问题。在物理机制上,经移去-恢复法处理后的残余重力异常主要由高频信号构成,而原始地形数据则包含了全频段信息,这种频域特性的不一致削弱了特征与目标变量间的物理相关性。鉴于深度学习模型高度依赖输入特征与目标变量间的物理关联,低相关性的输入变量会限制模型的预测精度。因此,如何从数据预处理角度增强地形与重力异常的相关性,是当前提升模型反演精度亟待解决的关键问题。

技术实现思路

1、本发明针对现有技术中存在的缺点和不足,提出了一种基于短波地形多层感知机提升海洋重力异常反演精度方法。

2、本发明通过以下措施达到:

3、一种基于短波地形多层感知机提升海洋重力异常反演精度方法,其特征在于,首先利用高斯高通滤波技术去除原始海底地形中的长波背景信号,提取出与残余重力异常具有更高相关性的短波地形分量;然后,构建短波地形多层感知机swbmlp模型,将所述残余垂线偏差、短波地形分量以及球面角距作为模型输入,以所述残余重力异常作为模型输出进行训练;利用训练好的swbmlp模型预测研究海域网格点的残余重力异常,并结合参考重力异常模型恢复得到最终的海洋重力异常。

4、本发明所述短波地形多层感知机swbmlp模型包括输入层、隐藏层和输出层,其中输入层由残余垂线偏差子午分量、残余垂线偏差卯酉分量、短波地形和球面角距组成,其中,选取残余垂线偏差和球面角距作为输入的依据是逆ivm公式所建立的垂线偏差与重力异常间的解析关系,该公式的表达式如下:

5、(3),

6、其中,是重力异常,是计算点、是垂线偏差网格上的流动点、是正常重力,和分别是纬度和经度,和分别是垂线偏差网格的纬度间隔和经度间隔,和分别是点的垂线偏差子午分量和卯酉分量,是和两点间的方位角,是和两点间的球面角距,其计算公式如下:

7、 (4),

8、是核函数的导数,具体表达式为:

9、 (5),

10、四类输入数据均以计算点为中心,从周围32′×32′的二维网格窗口内提取,输入层由下式表示:

11、 (6),

12、其中,、、是计算点周围第个网格点的残余垂线偏差子午分量、残余垂线偏差卯酉分量、短波地形,是计算点与周围第个网格点的球面角距。

13、本发明所述swbmlp包含4个隐藏层,每个隐藏层均依次由全连接层、layernormalization(layernorm)和激活函数堆叠而成,四个全连接层的神经元数量依次为2048、1024、512、256,设计为渐进降维的结构旨在将大量低层特征逐层聚合为更高层次的抽象特征;各层神经元数量均取2的幂次,同样是基于前述gpu硬件架构效率的考虑,layernorm层对各全连接层的输出沿样本维度执行标准化,将数据变换为均值为0、方差为1的分布,以缓解内部协变量偏移问题,该归一化过程有助于加速模型收敛并增强训练过程的鲁棒性,激活函数选用relu函数,其计算公式如下:

14、 (7),

15、输出层对应于当前计算点处的残余重力异常,表达式为:

16、 (8)。

17、本发明在swbmlp的训练过程中,学习率设置为0.0001,训练轮数设置为100轮,训练的单个批次大小设置为32,参数优化使用随机梯度下降法sgd,完成模型搭建后,需对输入数据进行标准化处理,其计算公式为:

18、 (9),

19、其中,是标准化后的数据,是原始输入数据,和分别代表原始输入数据的均值和方差。

20、本发明中所述提取短波地形分量的具体方法包括:设计基于皮尔逊相关系数的波长寻优算法,在预设波长范围内以固定步长遍历候选截止波长;针对每个候选截止波长,利用二维高斯滤波器对原始海底地形数据进行高通滤波,得到对应尺度的短波地形分量;分别计算各尺度短波地形分量与所述残余重力异常之间的皮尔逊相关系数;选取使所述皮尔逊相关系数达到全局最大值的截止波长作为最优截止波长,并利用该最优截止波长提取最终的短波地形分量,其中所述波长寻优算法的预设波长范围为10km至100km,搜索步长为1km,其中皮尔逊相关系数的公式如下所示:

21、 (2),

22、其中,代表样本的总数量,与表示两个变量第个样本的数值,和表示变量和的样本平均值。

23、本发明在模型训练之前还包括数据集构建与划分步骤:利用船载重力数据与参考重力异常模型的差值进行粗差剔除和系统偏差修正;采用基于地形的分层抽样方法将修正后的船载测线数据划分为训练集、验证集和测试集;所述分层抽样方法以船载测线为最小单元,依据各测线的水深平均值与水深标准差将测线归入不同区间,再按比例分配至各数据集,以保证各数据集具有一致的地形分布,具体的说,训练集、验证集和测试集的坡度和水深分布一致,其中坡度的计算公式如下:

24、 (1),

25、其中,、分别是gebco2024相邻网格节点在东-西和南-北方向上的高程变化量,、为相应方向上的实际物理水平距离,坡度值越大,表明海底地形梯度变化越剧烈,相应的残余重力异常信号也越显著。

26、本发明中残余垂线偏差包括残余垂线偏差子午分量和残余垂线偏差卯酉分量;所述参考重力异常模型采用xgm2019e-2159模型或同等级别的全球海洋重力异常模型。

27、本发明中恢复得到最终的海洋重力异常的具体步骤为:遍历研究区域内的每一个规则网格点,将其周围窗口内的短波地形、残余垂线偏差与球面角距输入至训练完成的swbmlp模型,得到该网格点的残余重力异常格网;将所述残余重力异常格网与参考重力异常模型计算的参考重力异常格网进行叠加,获得最终的海洋重力异常模型。

28、本发明在地形变化剧烈的区域,相较于bmlp_gra模型的反演精度提升最高可达18.1%,证明了本发明能有效提升海洋重力异常反演精度。