南海东北部表层沉积中有孔虫的分布及其环境意义

为了探讨南海东北部表层沉积中有孔虫分布的规律，选取184个表层样进行分析，结果发现有孔虫的垂向分布与碳酸盐的溶解作用密切相关。在2300－2500m水深以下，浮游有孔虫丰度迅速减小，而底栖有孔虫占有孔虫全群的比值BF／（BF＋PF）以及底栖有孔虫胶结质壳类的百分含量则迅速增加，这三者随水深的变化在3400－3500m处有一明显的转变，被认为是南海东北部CCD面（碳酸盐补偿深度）所在的位置，且该研究区内碳酸盐补偿深度南部较北部深100m。浮游有孔虫水平分布除了受表层海水温度的的控制外，黑潮南海分支以及吕宋岛北端上升流区带来的富营养水体的存在也起很重要的作用。     

淤泥质潮流深槽最大冲刷深度的一个概念模型

以概念模式方法计算了淤泥质潮流深槽的最大深度,探讨了涨落潮流速、涨落潮历时、深槽淤泥质物质粒径、深槽顶底部原始深度、水道长度等因素对潮流深槽最大深度的影响。概念模式的假设条件是:(1)深槽形态为长方体,底部纵向坡度为0;(2)沉积物粒径无垂向变化;(3)只考虑潮流作用的影响,涨、落潮流速在时间序列上呈正弦分布;(4)不考虑细颗粒物质的粘性和絮凝作用。模拟结果显示:(1)涨、落潮历时对深槽最大深度的影响很小。(2)优势潮流流速与最大深槽深度之间存在着幂函数关系。(3)深槽的底质粒径、深槽的长度均与最大冲刷深度呈正相关关系。(4)深槽顶部水深与最大深度呈负相关关系。(5)由于潮汐水道深度与潮流流速和沉积物侵蚀强度之间具有负反馈关系,因此水道冲刷存在着一个极限,即最终可以达到均衡状态。潮流深槽的均衡态特征和达到均衡态所需的时间可运用沉积动力学方法来确定;同时,若应用深槽的真实参数,进一步减少模型的假设条件,可望使该模型具有实际的应用价值。     

基于深度学习的赤潮发生预报方法研究

赤潮作为海洋灾害,对海洋渔业、生态、经济,以及人类生产、生活造成了严重影响。一直以来,赤潮受到研究者的广泛关注,但由于它的形成机制比较复杂,使得赤潮预报极具挑战性。针对赤潮预报的研究问题,本文收集了厦门海域赤潮发生前后的海洋监测数据,结合皮尔逊相关系数、散布矩阵、复相关系数方法,分析多环境因子与赤潮发生多要素的关联情况,重点采用基于深度学习的LSTM与CNN融合方法,挖掘环境因子的时序依赖,发现序列数据的局部特征,对赤潮发生进行预报。在厦门一号和厦门二号数据集中,本方法在预报未来12 h内的赤潮情况时,RMSE、MAE误差分别达到0.521 8、0.504 3。通过协同对比模型进一步确定赤潮发生的预报概率,在两个数据集上的最终预报准确率分别为67.58%和63.49%。本研究为赤潮的分析预报提供了探索经验,证明了将深度学习方法应用于赤潮预报的可行性。     

一种线性深度传感器的设计和试验

设计一种海洋调查用的深度传感器，不仅要求精密准确和稳定可靠，而且要数据显示线性化好。实现线性化一般采用两种途径：一种办法是将传感器的非线性误差通过补偿措施来实现，另一种方法是直接通过弹性元件的特殊设计来实现。     

大洋铁锰结壳的地球化学与古海洋环境示踪

主要回顾近年来铁锰结壳在深度定年、主量元素、微量元素及Sr，Nd，Pb同位素地球化学及其古海洋环境示踪方面的主要研究进展，并提出有关认识和展望。     

基于水声环境空间中多模态深度融合模型的目标识别方法研究

随着对水下目标特性研究的深入和声学探测技术的发展,基于单模态的阵列式信息融合或基于空间信息的分布式信息融合的水下目标识别方法研究已有一定成果,但针对复杂海况导致单一物理场或单一融合层次的系统识别性能提高有限等方面影响的水下目标识别方法研究还有所不足,因此,开展基于多模态深度融合模型的水下目标识别方法研究可利用模态互补,共享信息而提升识别率。文中在国内外研究基础上,深入研究了基于到达时差法和多模态方法组合的检测方法,初步形成了基于水声环境空间中多模态深度融合模型的识别框架,开展了海洋中典型自然与人为事件的信号分析与特征提取,并在此基础上,设计新型基于海底基站的被动识别系统。该系统同步记录和由位置等组成的时间序列标记声、磁和压数据,可实现高精度、高分辨率的识别。本研究可满足未来海洋观测对高性能水下目标探测、定位和跟踪系统的迫切需要,为海洋安全监管、海洋突发事件应急响应等领域提供新的技术手段和科学参考。     

海底地形图表达方法探讨

为实现海底地形多样化表示与服务,丰富海底地形图表示样式,分析了海底地形图的主要内容,研究了海底地形图可视化表达机制。结合多源海底地貌与底质数据的特点,提出了基于颜色扩展联合图形符号、可灵活组合的海底地形图表示策略,给出了水深注记、等深线、深度区、海底底质这4类主要海底地形要素的具体表达方法。试验表明,设计的可视化表达方法能实现不同类型、不同来源、不同质量差异的多类型海底地形数据的有效表达,为海底地形数据的多样化表达提供参考。     

深度学习在水声目标识别中的应用研究

水声目标识别技术是水声信号处理的重要组成部分,是水声信息获取与水声信息对抗的重要技术支撑。针对水声目标识别时探测数据量大、自动化程度不高、识别效率低下等问题,研究了深度学习在水声目标识别中的应用。首先,介绍了水声目标识别技术的研究现状及当前形势下面临的挑战。然后,对深度学习的网络结构原理及改进型进行了分析,并分别对深度学习在水声声信号识别领域和水声图像信号识别领域的应用现状做了阐述。最后,指出了由于受当前技术条件和水下复杂环境的制约,此方法尚且存在着不足之处。该方法为进一步优化深度学习算法、拓展深度学习技术应用范畴、提升水声目标识别效率提供了参考。     

基于融合U-Net及ConvLSTM的海面高度异常预报方法研究

海面高度异常是反映海洋环境状况的主要变量之一。本文使用1993—2019年的融合月均海面高度异常数据,建立了基于深度学习的海面高度异常预测神经网络模型,提出了基于融合U型网络(U-Net)和卷积长短记忆网络(ConvLSTM)的中长期海面高度异常预报模型。在研究海域0.25°×0.25°的空间分辨率下,模型测试集预报结果的均方根误差和平均绝对误差分别为0.039 m和0.027 m,均优于全连接LSTM预报模型和ConvLSTM+CNN预报模型,为大中尺度的海面高度异常预报提供了新的方法。     

三维可视化及物探新技术在矿山接替资源勘查中的应用——以铜陵狮子山矿田为例

在矿山发现和勘查过程中往往积累了大量地质、物探等资料,随着地质体三维可视化和物探新处理方法的发展,利用这些方法对已有资料进行深度挖掘与开发可以提炼出新的有利找矿的信息,避免工作量的重复投入,可为矿山接替资源勘查提供有力的技术支持.本研究以铜陵狮子山矿田为例,收集了其勘探阶段积累下来的地质钻探及物探资料,采用地质体三维可视化建模技术对这些资料进行了二次处理,建立了冬瓜山铜矿的三维矿床模型.在可视化环境下,分析了矿体与各成矿地质要素之间的关系,结合新处理方法对已有重磁资料再处理获取的信息,圈定出了寻找同类矿床的靶区一前冲靶区,并采用EH-4等物探方法进行了验证,通过钻探验证表明,采用三维可视化、物探处理新方法对已有资料进行深度挖掘与开发,不但可以为矿山接替资源勘查提供找矿信息,还能节约大量时间和资金.