基于卷积神经网络融合多源重力与测深数据的墨西哥湾海底地形反演研究

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Inversion of Seafloor Topography in the Gulf of Mexico Based on Convolutional Neural Network Integrated with Multi-Source Gravity Data and Bathymetric Data

本文针对卫星测高数据在近岸区域反演精度不足的问题，提出了一种融合航空重力数据与多源测深约束的卷积神经网络（CNN）海底地形反演方法。以墨西哥湾为例，构建了1′×1′分辨率的海底地形模型。结果表明，融合航空重力数据后，近岸浅水区反演精度提升约17.72%；结合美国国家海洋服务局（NOS）测深数据后，近岸精度进一步优化60.76%。该研究为多源数据融合的海底地形建模提供了重要技术参考。

　　

海洋覆盖了地球表面的71%，而高精度海底地形数据是海洋科学研究、军事行动和海洋工程的核心基础。然而，目前全球仅有27.3%的海底被精确测绘，超过四分之三的海洋区域仍处于“未知状态”。传统的海底地形探测手段，如船载声纳测深、机载激光测深和卫星测深技术，各存在明显局限：船载测量精度高但成本昂贵、周期长；机载和卫星光学测深仅适用于数十米深的近岸浅水区。利用卫星测高反演重力场数据推断海底地形，已成为获取大范围海底地形的重要途径，但受海岸地形、潮汐等因素影响，近岸区域的卫星测高数据质量较差，导致反演精度显著降低。

针对这一难题，来自中山大学地理科学与工程学院的魏丽媛、杨萌等研究人员在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》发表最新研究，以墨西哥湾为实验区，创新性地将航空重力数据与卫星测高重力数据相结合，并引入卷积神经网络（CNN）突破传统重力-地质法（GGM）的线性假设限制，构建了高分辨率的海底地形模型。该研究不仅验证了多源重力数据融合的有效性，还深入分析了测深数据约束量对反演精度的影响规律。

研究人员采用卷积神经网络作为核心反演算法，其结构包含5个卷积层（神经元数量依次为64、128、256、512、512），每层后接批量归一化层和ReLU激活函数，并在前两层后加入2×2池化层。输入特征包括经纬度、卫星测高重力异常、垂直重力梯度（VGG）、南北向与东西向垂线偏差（ξ, η）及航空重力异常，输出为目标点实测水深。模型训练采用Adam优化器，以均方误差为损失函数，并引入早停策略防止过拟合。

数据方面，研究使用Scripps海洋研究所（SIO）发布的V32.1全球海洋重力场模型（包含1′×1′重力异常、垂直重力梯度及垂线偏差），并结合美国国家大地测量局（NGS）的GRAV-D计划航空重力数据。针对航空重力数据存在的交叉点不符值问题，研究采用参数约束最小二乘平差法进行校正，使交叉点差异的标准差从1.74 mGal降至0.82 mGal。测深数据整合了美国国家环境信息中心（NCEI）的单波束与多波束数据，并引入NOS发布的30米分辨率近岸测深数据作为补充约束。通过GMT软件的grdtrack模块对GEBCO_2024模型进行插值比对，采用3σ准则剔除粗差，最终保留431,824个单波束点和325,623个NOS测深点用于建模。

海底地形模型与精度评估

通过对比仅使用卫星重力数据的BATHY_ss模型与融合航空重力的BATHY_air模型发现，后者在整体精度上均有提升：标准差（STD）从22.98 m降至22.45 m，均方根误差（RMS）从23.02 m降至22.52 m，平均绝对误差（MAE）降低0.37 m。分层统计显示，在[-2000,-1500]米深区间，RMS改善达9.21%；在[-50,0]米浅水区，RMS提升6.46%。多波束数据验证表明，模型能有效刻画宏观地形特征，但受分辨率限制，在海底起伏剧烈的海山、海沟区域误差较大。

稀疏数据条件下的近岸反演精度分析

为评估航空重力数据在测深数据稀疏区域的贡献，研究构建了仅使用1000个NOS点的BATHY_ss1与BATHY_air1模型。结果显示，加入航空重力数据后，近岸区域STD从5.08 m降至4.18 m，精度提升17.72%。距海岸线20公里范围内，反演精度改善18.70%。值得注意的是，当NOS数据量超过10万点时，航空重力的贡献率随测深数据密度增加而减弱，表明多源测深约束起主导作用。

讨论

研究通过控制NOS数据量系统分析了多源测深约束的增益效果。当使用全部NOS数据时，BATHY_ss与BATHY_air模型的近岸STD分别降至1.68 m和1.64 m，较稀疏数据条件提升约66.93%与60.76%。数据量-精度关系曲线表明，当NOS数据超过10万点后，精度提升趋于饱和。这一发现为优化数据采集策略提供了重要依据。

结论

该研究成功构建了墨西哥湾1′×1′分辨率海底地形模型，证实了融合航空重力与多源测深数据的CNN反演方法的优越性。主要结论包括：①航空重力数据可有效补偿卫星测高在近岸的盲区，使稀疏测深条件下的反演精度提升17.72%；②多源测深数据融合能显著提高模型精度，但当数据量超过10万点时增益趋于饱和；③深度学习CNN模型能够有效捕捉重力与水深间的非线性关系，为海陆连续地形建模提供了技术范式。该成果对推动全球海底精细测绘具有重要意义，未来可进一步拓展至其他海区并探索多源数据的自适应融合机制。