一种使用卫星测高数据反演海底地形的方法及系统与流程

1.本发明涉及海底地形反演领域，并且更具体地，涉及一种使用卫星测高数据反演海底地形的方法及系统。


背景技术：

2.海底地形是全球地形的重要组成部分，海底地形反映了海床的起伏变化，在海底板块运动、沉积物迁移变化、水面/水下载体安全航行、水下匹配导航、水下管节安放、沉船打捞、油气勘探和环境监测等海洋科学研究、海洋军事和海洋工程等方面发挥着重要的作用。海底的地形很大程度上反映了潜在的地质作用，高精度、高质量的海底地形信息，对于海上作业、海军的安全航行等重要活动至关重要，同时海啸波和海洋环流等的研究也受限于海深模型的精度，因此，研究高精度的海底地形地貌反演技术有着十分重要的意义。


技术实现要素：

3.本发明的目的在于为了获取更全面、更有效的卫星测高资料和海洋重力异常测量数据，而提出了一种使用卫星测高数据反演海底地形的方法，包括：
4.建立海洋重力异常模型，根据海洋重力异常模型，输出观测点的海洋重力异常信息；
5.所述建立海洋重力异常模型，具体包括：
6.获取卫星对观测点的卫星测高数据，针对卫星测高数据进行预处理，获取大地水准面高信息和垂线偏差信息；
7.将观测点的海洋重力异常测量数据、大地水准面高信息和垂线偏差信息作为训练数据；
8.将训练数据输入神经网络模型进行训练，优化神经网络模型，优化过程中获取性能权重参数，根据性能权重参数，获取最优神经网络模型，即海洋重力异常模型；
9.获取观测力点的海底探测数据，并以海底探测数据及观测点的海洋重力异常数据，作为训练数据，将训练数据输入至网络模型进行训练，获取地形地貌反演模型；
10.所述获取地形地貌反演模型，具体包括：
11.将训练数据喂入神经网络模型中进行训练，提取观测点的海底地形特征；
12.根据海底地行特征获取水深数据和船测水深数据，对水深数据和船测水深数据进行损失计算，并通过反向传播进行参数学习，获取模型最优性能权重参数；
13.将具备最优性能权重参数的神经网络模型作为最优神经网络模型，即海底地形地貌反演模型；
14.获取待测观测点的卫星测高数据，并输入至海洋重力异常模型获取海洋重力异常数据，将获取到的海洋重力异常数据输入至地形地貌反演模型进行计算输出数据即为海底地形数据，通过海底地形数据，确定目标观测点的海底地形。
15.可选的，海底探测数据包括：平均水深、最大水深、地壳与和海水密度差异。
16.可选的，对卫星测高数据进行预处理，包括：数据编辑、误差校正及分析精化、共线处理和交叉点平差。
17.本发明还提出了一种使用卫星测高数据反演海底地形的系统，包括：
18.异常信息提取单元，建立海洋重力异常模型，根据海洋重力异常模型，输出观测点的海洋重力异常信息；
19.所述建立海洋重力异常模型，具体包括：
20.获取卫星对观测点的卫星测高数据，针对卫星测高数据进行预处理，获取大地水准面高信息和垂线偏差信息；
21.将观测点的海洋重力异常测量数据、大地水准面高信息和垂线偏差信息作为训练数据；
22.将训练数据输入神经网络模型进行训练，优化神经网络模型，优化过程中获取性能权重参数，根据性能权重参数，获取最优神经网络模型，即海洋重力异常模型；
23.训练单元，获取观测力点的海底探测数据，并以海底探测数据及观测点的海洋重力异常数据，作为训练数据，将训练数据输入至网络模型进行训练，获取地形地貌反演模型；
24.所述获取地形地貌反演模型，具体包括：
25.将训练数据喂入神经网络模型中进行训练，提取观测点的海底地形特征；
26.根据海底地行特征获取水深数据和船测水深数据，对水深数据和船测水深数据进行损失计算，并通过反向传播进行参数学习，获取模型最优性能权重参数；
27.将具备最优性能权重参数的神经网络模型作为最优神经网络模型，即海底地形地貌反演模型；
28.确定海底地形单元，获取待测观测点的卫星测高数据，并输入至海洋重力异常模型获取海洋重力异常数据，将获取到的海洋重力异常数据输入至地形地貌反演模型进行计算输出数据即为海底地形数据，通过海底地形数据，确定目标观测点的海底地形。
29.可选的，海底探测数据包括：平均水深、最大水深、地壳与和海水密度差异。
30.可选的，对卫星测高数据进行预处理，包括：数据编辑、误差校正及分析精化、共线处理和交叉点平差。
31.本发明不基于传统物理模型，无需人为设置模型参数，可以更好地拟合卫星测高数据和海底地形数据之间的非线性关系，挖掘卫星测高数据和海底地形数据之间更多、复杂的关系。
附图说明
32.图1为本发明一种使用卫星测高数据反演海底地形的方法流程图：
33.图2为基于卷积神经网络的重力异常反演模型的建立示意图；
34.图3为重力异常模型的网络结构示意图；
35.图4为基于卷积神经网络的海底地形反演模型的建立示意图；
36.图5为本发明一种使用卫星测高数据反演海底地形的系统结构图；
具体实施方式
37.现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
38.除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
39.本发明提出了一种使用卫星测高数据反演海底地形的方法，如图1所示，包括：
40.建立海洋重力异常模型，根据海洋重力异常模型，输出观测点的海洋重力异常信息；
41.获取观测力点的海底探测数据，并以海底探测数据及观测点的海洋重力异常数据，作为训练数据，将训练数据输入至网络模型进行训练，获取地形地貌反演模型；
42.获取待测观测点的卫星测高数据，并输入至海洋重力异常模型获取海洋重力异常数据，将获取到的海洋重力异常数据输入至地形地貌反演模型进行计算输出数据即为海底地形数据，通过海底地形数据，确定目标观测点的海底地形。
43.其中，建立海洋重力异常模型，具体包括：
44.获取卫星对观测点的卫星测高数据，针对卫星测高数据进行预处理，获取大地水准面高信息和垂线偏差信息；
45.将观测点的海洋重力异常测量数据、大地水准面高信息和垂线偏差信息作为训练数据；
46.将训练数据输入神经网络模型进行训练，优化神经网络模型，优化过程中获取性能权重参数，根据性能权重参数，获取最优神经网络模型，即海洋重力异常模型。
47.其中，海底探测数据包括：平均水深、最大水深、地壳与和海水密度差异。
48.其中，对卫星测高数据进行预处理，包括：数据编辑、误差校正及分析精化、共线处理和交叉点平差。
49.其中，获取地形地貌反演模型，具体包括：
50.将训练数据喂入预设的网络模型进行训练，提取观测点的海底地形特征；
51.根据海底地行特征获取水深数据和船测水深数据，对水深数据和船测水深数据进行损失计算，并通过反向传播进行参数学习，获取模型最优性能权重参数；
52.将具备最优性能权重参数的神经网络模型作为最优神经网络模型，即海底地形地貌反演模型。
53.下面结合附图对本发明进行详细阐述，具体为：
54.具体实施流程如图2所示，包括：
55.1.对卫星测高数据进行数据预处理，处理的目的在于控制原始测高数据质量并着力于改进其精度，主要包括数据编辑、误差校正及分析精化、共线处理以及交叉点平差。
56.数据编辑与剔除，主要是根据测高数据中的表面类型标志、回波类型标志、雨标志以及地球物理记录中各数据项的阈值范围检测，剔除掉陆地、海冰以及高海况等情况下污
染的测高数据记录，确保使用数据的质量；误差校正及分析精化是针对卫星测高数据中的干湿对流层延迟、电离层延迟、大气逆压、海况偏差及高频振荡改正项、海洋潮汐、极潮、固体地球潮等校正机理，分析不同的电离层延迟校正、大气逆压校正、海洋潮汐等模型或算法，选择合适的方法改正精度。
57.为减小重复轨道周期的测高数据的海面时变效应，即减小卫星轨道误差，进行共线处理，主要是确定参考轨迹及正常点，采用距离加权平均法计算得到参考轨道上的共线处理后海面高，为减小削弱测高数据的径向轨道误差影响，利用延后补偿法对卫星测高数据进行交叉点平均。
58.2.利用卫星测高数据计算卫星轨道交叉点上垂线偏差，即利用侧高点的位置和时间信息，用测高观测值的一次差分计算测高剖面的数值导数。在交叉点上，所测量的海面高剖面给出大地水准面水平剃度的两个线性独立的估值，沿着卫星上升轨迹和下降轨迹各一个。这两个估值可以确定大地水准面垂线的方向。由于交叉点两侧海面高的估值是以椭球面为参考，大地水准面垂线的方向就确定了局部垂线偏差。
59.大地水准面沿升弧和降弧对时间t的导数分别如式(1)和式(2)所示。
[0060][0061][0062]
其中，λ和分别为大地经度和纬度，和分别为卫星沿地面轨迹在经度和纬度方向上速率，当卫星的轨道近似圆轨道时，有式(3)和式(4)，如下：
[0063][0064][0065]
大地水准面在经度方向上的导数如下所示。
[0066][0067]
大地水准面在经度方向上的导数如下所示。
[0068][0069]
其中，可由测高剖面测点的时间和位置信息得到。
[0070]
其中，和
[0071]
的分量可由公式(5)和公式(6)计算得出，因此，可以确定垂线偏差的子午圈方向分量ξ和卯酉圈方向分量η：
[0072][0073][0074]
由于垂线偏差含有丰富的重力场信息，将所得的垂线偏差的东西分量和南北分量用于确定重力异常。
[0075]
3.设计深度学习网络结构，构建海洋重力模型，使用卫星测高数据反演海洋重力异常信息。在设计重力模型时，将卫星测高观测数据和步骤2中计算得出的垂线偏差信息作为输入，将海洋重力场扰动等重力异常数据作为输出，网络训练的目的是获得输入观测信息即可快速输出海洋重力信息的神经网络系统。完成训练后将训练好的参数进行保存，需要反演重力异常时只需调用保存好的网络参数即可。
[0076]
详细步骤如下：
[0077]
首先，设计卷积神经网络结构，如图3所示，网络第一层为卷积核大小为(3*3)，通道数为16的卷积，使用relu激活函数进行激活后输出到下一层，对于边缘采用padding(填充)的方式保持每个中间层的大小不会变化，在接下来的卷积层采用同样的填充操作，保证中间层的大小一致；接下来进行卷积核大小为(3*3)，通道数为32的卷积，使用relu激活函数；然后再进行卷积核大小为(3*3)，通道数为64的卷积，使用relu激活函数；接下来进行卷积核大小为(3*3)，通道数为128的卷积，使用relu激活函数；最后使用卷积核大小为(3*3)，通道数为256的卷积，激活函数使用tanh。采用均方误差对数损失函数(msle)，并使用adam优化器作为该网络的优化器。
[0078]
对网络进行训练。将卫星测高观测数据和垂线偏差信息作为训练数据输入，同时将船测重力异常数据作为标签数据输入至网络，对网络模型进行训练。在前向传播过程中对损失函数进行损失计算，通过反向传播进行参数学习，经多次迭代不断优化模型，得出使神经网络模型取得最好性能的权重参数，训练完毕后将网络参数进行保存，即海洋重力模型。
[0079]
通过训练好的网络模型对海洋重力数据进行反演。将卫星测高观测数据和垂线偏差信息作为输入数据，输入至训练好的网络模型，即海洋重力模型，神经网络进行正向计算，将预测的海洋重力异常信息输出。
[0080]
在实现基于卫星测高数据的海洋重力异常智能反演之后，本发明基于反演得到的海洋重力异常数据，使用深度学习的方法构建海底地形反演模型，对海底地形数据进行反演，如图4所示，为使用海洋重力异常的海底地形智能反演的流程，具体过程如下：
[0081]
首先，由海洋重力模型获取到海洋重力异常数据，并将该数据与相应海区的海底深度探测资料、平均水深、最大水深、地壳与海水的密度差异等船测水深数据作为训练数据。
[0082]
然后，设计卷积神经网络。运用卷积神经网络进行海底地形反演需要将解决分类问题的卷积神经网络变换为解决回归问题的卷积神经网络。通常卷积神经网络中的最后一层均是用softmax层来解决分类问题，输出的维度和所分类别相同。本发明是为了解决海底地形反演问题，也就是回归问题，所以最后一层的输出为海底水深数据值。该网络输出层之前的结构采用了经典的lenet网络的机构，因为还没有用卷积神经网络来进行海底地形反演的研究，所以先将模型初始化为经典的结构，然后再不断的对参数进行调整。该网络结构由两个卷积层、两个池化层和两个全连接层组成的，每一个卷积层的输出都会通过relu激活函数。与经典的lenet采用的sigmoid不同，本网络中采用的是relu激活函数。第一层的卷积层采用的是valid卷积、步伐为1，选取20个卷积核，每个卷积核大小是5
×
5。第二个卷积层与第一个卷积层相似，选取了50个卷积核。池化层中步伐为2、卷积核2，通过该池化层使网络结构中参数变少效率提升。通过卷积层与池化层后将数据特征展平为多维的向量，也
可以说是多个神经元或者节点，然后进入全连接层。
[0083]
对2中构建好的神经网络模型进行训练。将1中准备的训练数据喂入网络模型进行训练，提取海底地形相关特征，对生成的水深数据和船测水深进行损失计算，通过反向传播进行参数学习，多次迭代不断优化模型，获得模型取得最好性能时的权重参数，训练完毕后将网络参数进行保存，作为训练好的神经网络模型，即海底地形反演模型。
[0084]
通过3中训练好的基于海洋重力异常的海底地形反演模型进行海底地形反演，当输入海区海洋重力异常、平均水深、最大水深等数据时，其输出为相应的海底地形数据。
[0085]
本发明还提出了一种使用卫星测高数据反演海底地形的系统200，如图5所示，包括：
[0086]
异常信息提取单元205，建立海洋重力异常模型，根据海洋重力异常模型，输出观测点的海洋重力异常信息；
[0087]
训练单元204，获取观测力点的海底探测数据，并以海底探测数据及观测点的海洋重力异常数据，作为训练数据，将训练数据输入至网络模型进行训练，获取地形地貌反演模型；
[0088]
确定海底地形单元203，获取待测观测点的卫星测高数据，并输入至海洋重力异常模型获取海洋重力异常数据，将获取到的海洋重力异常数据输入至地形地貌反演模型进行计算输出数据即为海底地形数据，通过海底地形数据，确定目标观测点的海底地形。
[0089]
其中，建立海洋重力异常模型，具体包括：
[0090]
获取卫星对观测点的卫星测高数据，针对卫星测高数据进行预处理，获取大地水准面高信息和垂线偏差信息；
[0091]
将观测点的海洋重力异常测量数据、大地水准面高信息和垂线偏差信息作为训练数据；
[0092]
将训练数据输入神经网络模型进行训练，优化神经网络模型，优化过程中获取性能权重参数，根据性能权重参数，获取最优神经网络模型，即海洋重力异常模型。
[0093]
其中，海底探测数据包括：平均水深、最大水深、地壳与和海水密度差异。
[0094]
其中，对卫星测高数据进行预处理，包括：数据编辑、误差校正及分析精化、共线处理和交叉点平差。
[0095]
其中，获取地形地貌反演模型，具体包括：
[0096]
将训练数据喂入预设的网络模型进行训练，提取观测点的海底地形特征；
[0097]
根据海底地行特征获取水深数据和船测水深数据，对水深数据和船测水深数据进行损失计算，并通过反向传播进行参数学习，获取模型最优性能权重参数；
[0098]
将具备最优性能权重参数的神经网络模型作为最优神经网络模型，即海底地形地貌反演模型。
[0099]
本发明不基于传统物理模型，无需人为设置模型参数，可以更好地拟合卫星测高数据和海底地形数据之间的非线性关系，挖掘卫星测高数据和海底地形数据之间更多、复杂的关系。
[0100]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机
可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本技术实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言java和直译式脚本语言javascript等。
[0101]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0102]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0103]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0104]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0105]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。