基于多维度声学特征优选的多波束海底底质分类

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。     

海底声学底质分类技术的研究现状与前景

对海底声学底质分类技术的研究现状进行了分析。介绍了目前典型的底质分类设备、软件以及可采取的分类方法,探讨了我国开展海底声学底质分类技术研究、开发的可行性与具体实现的思路。     

海底声学底质分类的ELM-AdaBoost方法

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。     

介绍几种典型的海底底质分类技术

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。     

基于改进BP神经网络的海底底质分类

通过采用遗传算法优化神经网络初始权值的方法,将GA算法与BP神经网络有机结合,应用于海底底质分类。基于多波束测深系统获取的反向散射强度数据,应用改进的BP神经网络分类方法,实现对海底基岩、砾石、砂、细砂和泥等底质类型的快速、准确识别。通过实验比较,GA-BP神经网络分类精度明显高于BP神经网络,证明了该方法的有效性和可靠性。     

多波束海底底质分类软件Simrad Triton的应用

研究了利用声学信号对海底底质自动分类的技术。介绍了挪威Simrad公司海底底质分类软件Triton的分类原理，它所应用的分类方法及其软件的体系结构。最后，用实例来说明Simrad Triton在海底底质分类中的应用。     

JFR 海底热液区多波束声纳数据处理与分析

基于收集到的东太平洋海隆北段Juan de Fuca Ridge热液活动区的高精度多波束声纳数据,应用加权移动平均算法, 生成典型的高精度海底DTM;应用声纳图像处理技术,生成高分辨率海底声纳镶嵌图,并对其海底地形及海底声学图像进行 处理和分析。通过处理与分析,对JFR热液区海底地形地貌特征有了初步认识,对于我国大洋调查和海底热液区探测具有一 定的借鉴作用。     

基于声纳图像纹理特征的海底底质分类方法研究

一般不同底质的海底声纳图的纹理特征不同。重点分析了不同底质声纳图像纹理特征的差异,为底质分类的实现提供了基础。并提取了海底声纳图像的灰度共生矩阵,将灰度共生矩阵的统计特征作为特征向量。最后应用自组织迭代(ISODATA)分类算法依据对特征向量进行分类,从而实现了海底底质的划分。     

多波束声呐图像条带中央和边缘残差处理方法

多波束声呐图像是进行海底底质分类的主要数据源之一,由于受海洋噪声、声波散射和混响、仪器设备等因素影响,其经各项常规改正后仍存在明显残差,突出表现在中央波束区和条带重叠区,难以形成高质量的声呐图像。文中分析了多波束声呐图像残差的成因及影响,提出了一种基于多条带最小二乘拟合的多波束声呐图像残差处理方法。首先,得到相邻声脉冲(ping)信号中央区域、重叠区域以及整体趋势的拟合函数;然后,通过拟合函数计算得到中央和重叠区域的残差改正系数;最后,通过改正系数进行残差改正。实验分析表明,该方法在保留原始细节的基础上,有效削弱了残差对声呐图像的影响,对多波束声呐图像处理具有参考和应用价值。     

济州岛邻近海域高密水的季节变异特性

东海中部陆架高密水在其形成、演变的过程中向东海北部迁移。冬、春和夏季在东海北部济州岛以南海域存在着一高密（条件密度σｔ高于２５．００）、高溶解氧（高于５．０×１０－３）及高盐或次高盐（３４．００左右）性质的水体。韩国以南５０～１００ｍ等深线附近海域也有一高盐、高溶解氧的高密水带。Ｔ－Ｓ和Ｔ－Ｏ２点聚图表明这两块高密水基本属同一水体，韩国以南高密水可能是由济州岛以南高密水经济州岛东岸或东、西岸两侧海区迁移过来的     

基于遗传小波神经网络的海底声学底质识别分类

分割海底声纳探测图像,提取单元特征向量进行主成份分析,选取均值、标准差、对比度、相关系数、能量及同质性作为训练特征向量,构建小波神经网络。利用遗传算法优化小波神经网络的初始权值及小波参数,对砂、礁石、泥3种底质类型分别进行训练,并得到3种底质的测试精度都在90%以上,优于单独利用小波神经网络进行训练时的测试精度,克服了小波神经网络训练时易陷入局部极小的固有缺陷,表明基于遗传算法的小波神经网络可有效用于海底底质声纳图像的识别和分类。     

南海浅海海底沉积物的声衰减

报道了南海浅海海底沉积物的声衰减性质。给出了测量和计算海底沉积物声衰减的方法。分析讨论了不同频率下的声衰减以及与若干个海底沉积物物理参数的关系,结果表明,同一类型沉积物在高频段时的声衰减要比低频段的声衰减大;同一频段下粗颗粒沉积物的声衰减要比细颗粒的声衰减大;北部湾海底浅层沉积物声衰减在低频100kHz下为80~150dB/m,在高频1MHz下为150~360dB/m;海南岛南部外海海底浅层沉积物声衰减在低频下为66~160dB/m,在高频1MHz下为190~350dB/m;高频段的数据与台湾海峡北部海底表层沉积物声衰减测量分析数据比较接近,而低频段的数据与台湾海峡北部海底表层沉积物声衰减测量分析数据有较大的差别。     

基于Landsat遥感数据的长岛南部岛群景观格局演化研究

为了了解长岛南部岛群在经济发展背景下的景观格局及未来变化趋势,利用1990~2015年6景Landsat TM5、TM7和OLI8影像数据源,基于地理信息系统(GIS)平台采用决策树分类的方法对长岛南部岛群的景观类型进行了分类,并结合Frag-stats软件提取7种不同的景观格局指数,对长岛南部岛群的景观格局演化特征进行了系统分析。结果显示,人为活动是近年来长岛南部岛群景观格局演化的主要驱动力,该岛群景观类型变化以建设用地、水产养殖用地增加和林地减少为特征,建设用地斑块聚集度指数较高,斑块的聚集度指数逐年增加,整体上斑块的聚集度和连通性很好。不同景观指数(SHDI(景观斑块多样性)、PAFRAC(周长面积分维数)、PD(斑块密度指数)、LSI(斑块形状指数)、CA(斑块面积指数)、AI(景观聚集度指数)、COHESION(斑块结合度指数))对人为扰动因子均具有良好的表征。相关研究结论可为长岛南部岛群综合管理和生态红线划定提供有效依据。