共查询到20条相似文献,搜索用时 31 毫秒
1.
济州岛南部海域海底声呐图像分析与声学底质分类 总被引:2,自引:2,他引:0
东海北部外陆架靠近济州岛南部海域,是黄海槽向冲绳海槽延伸的部分,属于黑潮分支黄海暖流的通道入口,分布着脊槽相间的海底底形,对其海底声呐图像的处理分析及声学底质分类的分析研究,有助于了解该通道海底底形表层纹理特征及沉积物分布规律。基于在济州岛南部海域获取的多波束声呐数据,应用图像处理技术和方法,对数据进行了处理,获得了海底声呐影像图,并对其表层纹理特征进行了描述和分析;同时,基于多波束反向散射强度数据,结合19组海底地质取样数据,建立研究区海底反向散射强度与沉积物粒度特征之间的统计关系模型,并以改进的学习向量量化神经网络方法,实现对海底粉砂质砂、黏土质砂以及砂-粉砂-黏土3种底质类型的快速自动分类识别。 相似文献
2.
针对目前海底底质分类要素单一造成的底质分类类别不够细致和底质信息获取效率低等问题,提出一种顾及声图纹理特征的海底底质分类方法,综合利用海底底质来源、地理等属性以及声图纹理特征等分类要素,进一步细化海底底质类别,解决了海底底质分类信息混淆或表达不充分等问题。实例数据分析表明,该分类方法克服了传统方法单一考虑底质粒度信息的缺点,可以真实反映海底底质的时空变化特性以及一定范围内的表面起伏特征,并且所包含的海底底质分类信息量更全面,从而可以为用户提供直接形象的海底底质信息。 相似文献
3.
介绍几种典型的海底底质分类技术 总被引:2,自引:0,他引:2
本文主要介绍了四家海洋仪器公司的最新海底底质分类技术。它们分别利用多波束的反向散射强度数据、单波束的回声波形结构数据和旁侧声纳数据。采用了多参数统计分析、波形结构分析和影像属性分析等方法,实现了快速、高效、大面积地对海底底质进行间接的分类。尽管它们的技术各不相同,但都可以分为监督分类方式和非监督分类方式。 相似文献
4.
海底表层底质分布信息的准确获取在构建海洋基础地理数据库中发挥着重要作用。目前,多波束是实现大范围海底底质分类的有效手段之一,基于多波束测深和反向散射强度数据所派生的声学特征被广泛应用于底质分类建模。然而,随着特征维度的增加,特征空间中存在的无关和冗余特征严重影响底质分类精度。为了定量评估声学特征对底质类别的表征能力,并消除无效特征对分类结果的干扰,本文提出了基于多维度声学特征优选的海底底质分类方法。首先,结合实际底质样本的物理属性对多维特征进行排序和优选,排除冗余和无关特征。其次,分别应用支持向量机、随机森林和深度信念网络构建海底底质监督分类模型。通过利用爱尔兰海南部多波束调查数据和实地取样信息进行试验,结果表明提出方法对海底底质的总体分类精度和Kappa系数分别最高达到了86.20%和0.834,相较于主成分分析和熵指标特征选择方法有明显提高,突出了该方法在海底底质探测及制图的应用潜力。 相似文献
5.
6.
7.
海底浅部沉积物声学研究是海洋地质、水下工程地质、海底矿产资源、军事地质等领域重要的研究内容,海底底质的识别与分类是海洋科学研究的热点问题。相比多波束探测仪,浅地层剖面仪的声源发射频率更低,具有穿透底质能力强的特点,这一特性更有利于进行准确和可靠的海底底质分类。通过浅剖数据进行底质分类技术研究,有望实现目标研究区面向全海域的海底底质分类推广应用。本文在浅剖数据振幅校正处理的基础上,消除了不同采集时间及采集参数对浅剖数据振幅一致性的影响,在层位约束下提取均方根振幅属性,进行研究区海底底质类型识别。初步的取样结果表明:研究区有2类不同的底质类型,分别为黏土和粉砂质黏土。本文对浅剖数据的底质分类结果分区明显且自然,在不同类型底质区的取样处对应不同的均方根振幅强度,黏土取样区的浅剖振幅属性为强振幅,粉砂质黏土取样区的浅剖振幅属性为弱振幅,底质分类结果与地质取样匹配良好。利用本文的浅剖处理与属性提取方法能够有效地实现海洋底质分类。 相似文献
8.
9.
10.
基于多波束背向散射强度信号的海底表层沉积物粒度分类研究——以澳洲Joseph Bonaparte湾为例 总被引:1,自引:0,他引:1
近海海底地形探测与沉积物精确分类对涉海工程建设、生物栖息地反演以及海底资源勘查与开发具有重要的现实意义。以澳洲Joseph Bonaparte湾为例,利用多波束测深技术获取了该海湾约880 km2水域的水深数据与背向散射强度信号,结合同步采集的54个海底表层沉积物样品,通过随机决策树模型对该海域海底表层沉积物进行了分类研究。结果表明:(1)利用随机决策树模型分析该海域沉积物类型与背向散射强度的关系时,当模型内部参数设置:树的总数为200,最小分裂节点为2,每棵树的最大分裂级数为5时,可提高预测准确率;(2)该参数设置下,利用13°和37°入射角的背向散射强度预测该海域沉积物类型时,准确率最高,其值为83.3%,且在研究海域,砂质砾和砾质砂分布在背向散射强度较强的深槽或海沟等地区,而砾质泥质砂和含砾泥质砂主要分布在背向散射强度较弱的浅水海域。分析还发现,当水深数据作为预测海底表层沉积物类型的特征变量时,有可能降低最终预测结果的准确率。 相似文献
11.
提出了一种基于Open GL可编程管线的海底浅层声学探测数据三维综合可视化方法。通过处理,将侧扫声呐影像、多波束数据和浅地层剖面在同一视图下显示,可以方便的对海底地质环境多种信息进行综合判读并进行多维数据的交互式提取。利用纹理缓冲区处理侧扫声呐影像数据,具有数据加载量大的优点,避免了实际应用中纹理数据反复切换带来的延迟;并且探讨了侧扫声呐影像和多波束数据分辨率不一致引起的纹理贴图问题。该方法在南海海底峡谷区域的海底地质环境综合显示和分析中进行了应用,结果表明,该方法能处理多种格式的侧扫声呐影像,不受侧扫声呐影像和多波束测深数据分辨率不一致的限制,数据加载量大、绘制速度快。 相似文献
12.
13.
14.
15.
海底底质的快速探测和精细划分对海洋工程建设 、海洋资源开发等具有重要意义。多波束探测是目前声学底质遥测 的有效手段之一, 通常提取多波束反向散射强度图像和地形数据中的多维特征结合分类器进行底质分类。一方面, 若特征空 间维数过高, 分类效率会显著降低; 另一方面, 个别特征容易放大原始数据处理过程中仍存留的异常现象。针对这一问题, 本文提出了一种结合 Re1iefF 算法和随机森林 (Random Forest, RF) 算法的多波束底质分类方法。提取反向散射强度和地形 共 16 维特征, 利用Re1iefF 算法进行特征筛选, 排除低相关性特征, 降低特征空间维数, 结合采样点数据进行模型训练以构 建多波束底质分类模型。试验结合随机森林算法对未经特征筛选 、经主成分分析 (Principa1 Component Ana1ysis, PCA) 特征 优化后的特征进行分类实验作为对比。本文方法 Kappa 系数达到 85%, 分类总精度高于 90%, 精度具有明显优势, 耗时也 比较短。可见, 本文提出的结合 Re1iefF 和随机森林模型的多波束底质分类方法可以在保证分类精度的同时对多维特征进行 优化, 有效地提高了分类效率, 可对海底底质分类研究提供参考。 相似文献
16.
中国海域辽阔,但公开发表和出版的1∶100万及更大比例尺的海底地貌图尚属空白。在综合研究已有的海底地貌分类系统的基础上,以南沙群岛郑和群礁幅为实验区,尝试建立了该海区1∶100万海洋地貌分类系统,利用历年来南沙群岛海区等深线图(1∶50万)、沉积图(1∶200万)、地质地球物理图集(1∶100万)及各种文献资料和在专家指导的基础上,绘制了该幅的海底地貌图并对该区域的地貌格局进行了分析。实验表明,通过对现有资料的综合进行1∶100万海底地貌制图是可行的。实验发现:1)等深线数据如同陆地上的等高线数据,是进行海底地貌制图的基本和主要数据源;2)海底底质和沉积物数据是进行海底地貌成因类型判别的重要依据;3)海底构造格局对海底地貌格局起着根本的控制作用,因此海底地质地球物理数据也是进行海底地貌制图不可或缺的数据之一。 相似文献
17.
中国海域辽阔,但公开发表和出版的1:100万及更大比例尺的海底地貌图尚属空白。在综合研究已有的海底地貌分类系统的基础上,以南沙群岛郑和群礁幅为实验区,尝试建立了该海区1:100万海洋地貌分类系统,利用历年来南沙群岛海区等深线图(1:50万)、沉积图(1:200万)、地质地球物理图集(1:100万)及各种文献资料和在专家指导的基础上,绘制了该幅的海底地貌图并对该区域的地貌格局进行了分析。实验表明,通过对现有资料的综合进行1:100万海底地貌制图是可行的。实验发现:1)等深线数据如同陆地上的等高线数据,是进行海底地貌制图的基本和主要数据源;2)海底底质和沉积物数据是进行海底地貌成因类型判别的重要依据;3)海底构造格局对海底地貌格局起着根本的控制作用,因此海底地质地球物理数据也是进行海底地貌制图不可或缺的数据之一。 相似文献
18.
基于粒子群优化算法的PSO-BP海底声学底质分类方法 总被引:2,自引:2,他引:0
利用粒子群优化算法(PSO)较强的鲁棒性和全局搜索能力等优点,将PSO算法与BP神经网络相结合,优化了BP神经网络分类时的初始权值和阈值。基于珠江河口三角洲的侧扫声呐图像数据,提取了海底声呐图像中砂、礁石、泥3类典型底质的6种主要特征向量,利用PSO-BP方法对海底底质进行分类识别。实验表明,3类底质分类精度均大于90%,高于BP神经网络70%左右的分类精度,表明PSO-BP方法可有效应用于海底底质的分类识别。 相似文献
19.
基于自适应增强算法(AdaBoost)结合极限学习机(ELM),通过迭代、调整、优化ELM分类器之间的权值,从而构建了具有强鲁棒性、高精度的ELM-AdaBoost强分类器,增强了现有的ELM分类器的稳定性。以珠江口海区侧扫声呐图像为实验数据,对礁石、砂、泥3类典型底质进行分类识别,该方法的平均分类精度超过90%,优于单一ELM分类器的平均分类精度85.95%,也优于LVQ、BP等传统分类器,且在分类所耗时间上也远少于传统分类器。实验结果表明,本文构建的ELM-AdaBoost方法可有效应用于海底声学底质分类,可满足实时底质分类的需求。 相似文献