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。     

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。     

多波束回声数据的统计与底质分类应用

利用声反向散射数据作海底沉积物分类,是海洋地质学家感兴趣的话题,也是目前多波束声纳应用的一个研究热点。结合胶州湾实际调查数据,探讨了贝叶斯分类方法在该领域的应用。研究结果表明,该方法可以对不同的底质类型进行分类,可以识别未知的底质类型以及对混合在一起的两种不同类型的目标进行分类。     

基于多波束背向散射数据的海底底质分类

基于精细处理后的多波束数据生成背向散射影像图,利用灰度纹理共生阵提取影像纹理特征参数,采用支持向量机的神经网络(SVM)对背向散射影像进行底质分类研究。通过实测大面积、海量数据对该方法进行评价和验证,结果表明,该方法可获得比传统分类方法更高的分类精度,这种面状的分类弥补了传统点状分类的缺陷,使得大规模、大范围、高效快速的海底底质分类成为可能,为海洋地质调查、海洋工程建设、海底矿产资源开发等提供一种新型的科学的技术方法和可靠的地质基础资料。     

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。     

基于SonarWiz的多波束声纳图像智能底质分类技术研究

多波束回波强度信息与海底底质类型具有较强的相关性,通过海底声纳图像能够实现底质类型的划分.为提高海底底质分类质量,依托SonarWiz的智能底质分类优势,在海底声纳图像纹理特征自动分类基础上,引入地形属性信息修正分类结果.以三亚崖州湾附近海域为例,基于实测海底地形数据和海底表面声纳图像,利用数据处理技术和图像分类方法,...     

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。     

一种融合纹理特征与NDVI的随机森林海冰精细分类方法

海冰的精准分类对于掌握海冰生长发育状况,保障航海安全等具有重要意义。由于受数据源和分类方法等影响,使得海冰分类精度提高受限。本文面向高空间分辨率的光学遥感影像,提出了一种融合纹理特征和归一化差分植被指数（NDVI）的海冰精准分类方法,运用随机森林分类器构建海冰分类方法。以青岛胶州湾为实验区,高分二号（GF-2）为实验数据,进行了海冰类型提取,并与其他分类方法进行对比。结果显示:针对GF-2高分辨率光学遥感数据,融合纹理特征和NDVI的随机森林方法,相比于传统的随机森林、支持向量机、自动决策树和融合纹理特征的最大似然分类方法,总体分类精度分别提高13.70%、11.60%、19.22%、29.37%。Kappa系数分别提高0.16、0.13、0.22、0.44。相比于融合纹理特征和归一化水指数（NDWI）的随机森林方法,总体分类精度提高了9.67%,Kappa系数提高了0.09。这表明本文构建的海冰分类方法可有效提高海冰分类精度,为海冰的精确分类提供了一种有效的技术手段。     

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。     

基于随机森林方法反演墨西哥湾海表盐度

盐度是表征物理和生物地球化学过程的重要参数之一,光学遥感可满足较高分辨率的监测需要并避免射频干扰问题,为沿海水域的海表盐度研究提供可行的途径。本文基于MODIS-Aqua的412 nm、443 nm、488 nm、555 nm和667 nm波段的遥感反射率(Rrs412、Rrs443、Rrs488、Rrs555、Rrs667)、海表温度以及实测的海表盐度数据构建随机森林模型,基于模型结果分析墨西哥湾海表盐度时空异质性及海表盐度与影响因子(海表温度和遥感反射率)之间的相关关系。研究结果表明：(1)随机森林模型能较准确地反演墨西哥湾海表盐度,其均方根误差为0.335,决定系数为0.931;(2)湾区海表盐度空间分布呈近岸−河口低、离岸高,环状向内增值的态势,其变化受河流流量、风力以及环流的影响;(3)海表温度与海表盐度存在较强的相关性,海表温度对海表盐度的反演影响显著;(4)海表温度、遥感反射率与海表盐度的相关性呈现空间异质性。