55.
本文融合SIO(Scripps Institution of Oceanography)发布的垂线偏差、重力异常和垂直重力梯度数据及NCEI(National Centers for Environmental Information)发布的船载测深数据, 利用多层感知机神经网络(Multi-Layer Perceptron, MLP)建立南海海域(108°E—121°E, 6°N—23°N)分辨率为1'×1'的海底地形模型(MLP_Depth).首先, 将642716个船载测深控制点的位置信息与周围4'×4'格网点处的地球重力信息(垂线偏差、重力异常、垂直重力梯度)作为输入数据, 将船载测深控制点处实测水深值作为输出数据, 训练MLP神经网络模型, 训练结束时决定系数R2为99%, 平均绝对误差MAE为39.33 m.然后, 将研究区域内1'×1'格网正中心点处的输入数据输入于MLP模型中, 可得格网正中心点处的预测海深值.最后, 根据预测海深值建立研究区域范围内分辨率为1'×1'的MLP_Depth模型.将MLP_Depth模型预测水深与160679个检核点处实测水深对比, 其差值的标准差STD(75.38 m)、平均绝对百分比误差MAPE(5.89%)与平均绝对误差MAE(42.91 m)皆优于GEBCO_2021模型、topo_23.1模型、ETOPO1模型与检核点实测水深差值的STD(108.88 m、113.41 m、229.67 m)、MAPE(6.11%、6.94%、18.37%)与MAE(47.33 m、52.24 m、130.08 m).同时, 为了研究不同区域内利用该方法建立的海底地形模型的精度, 本文在研究区域内分别建立了A、B区域的海底地形模型(MLP_Depth_A、MLP_Depth_B).经过验证得: MLP_Depth_A、MLP_Depth_B相比于MLP_Depth模型具有更高的精度, 更能反应海底地形的变化趋势.
相似文献