[發明專利]基于深度學習獲得海洋中尺度渦波阻抗方法及處理終端

有效

• 申請號: 202110078654.6
• 申請日: 2021-01-20
• 公開（公告）號: CN113312830B
• 公開（公告）日: 2022-02-25
• 發明（設計）人: 邢濤;秦越;劉斌
• 申請（專利權）人: 廣州海洋地質調查局;南方海洋科學與工程廣東省實驗室（廣州）
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/08;G06F113/08
• 代理公司: 廣州君咨知識產權代理有限公司 44437
• 代理人: 譚啟斌

本發明公開一種基于深度學習獲得海洋中尺度渦波阻抗方法及處理終端，所述方法包括，通過聲速模型和密度模型，得到若干中尺度渦旋波阻抗模型；對每一個所述中尺度渦旋模型進行正演模擬，得到地震反射數據，然后進行成像處理，得到地震反射成像剖面；將地震反射成像剖面和中尺度渦旋波阻抗模型構建為標簽數據；構建深度學習模型，輸入標簽數據得到訓練后的深度學習模型；將實際采集到的地震數據進行處理，得到待提取的地震反射成像剖面，并輸入至訓練后的深度學習模型進行處理，獲得中尺度渦旋的波阻抗。本發明基于深度學習的方法能夠從弱地震反射信號中提取中渦旋的波阻抗信息，而且基于深度學習的方法能夠適用于渦旋復雜的結構。

技術領域

本發明涉及物理海洋中提取中尺度渦參數技術領域，具體涉及基于深度學習獲得海洋中尺度渦波阻抗方法及處理終端。

背景技術

中尺度渦(也稱之為中尺度渦旋，或天氣式海洋渦旋)在海洋動力學、海洋生物學以及海洋環境信息保障方面皆有重要的影響和意義，一直是國內外海洋學家的研究熱點。目前，對中尺度渦旋的研究主要集中在兩方面，第一方面是通過遙感和水文調查確定中尺度渦旋的存在性，第二方面是利用海平面高度異常數據來識別渦旋并對其進行分類，通常可以分為氣旋、反氣旋以及非氣旋等，目的在于提高渦旋識別和分類的效率。

但對于從中尺度渦旋中提取相關基礎參數則鮮有涉及，其中，中尺度渦旋的基礎參數包括溫(溫度)鹽(鹽度)密(密度)和聲速場信息等，這些基礎參數對理解渦旋具有重要的意義。傳統上，若需要獲得這些基礎參數，主要是通過海洋水文實際調查得到，但這種傳統的物理海洋觀測很難在短時間內進行大范圍的觀測，進而限制對中尺度渦旋參數的提取。因此，有必要利用新的科學技術來獲得這些基礎參數。

新近發展的地震海洋學方法為渦旋的研究提供了一種的新的視角。所謂地震海洋學方法，就是利用反射地震方法來研究海洋。反射地震方法可以對海水內部結構成像，針對中尺度渦旋內海水由于溫度、鹽度差異而形成的波阻抗界面，在反射地震資料處理之后的反射地震剖面上表現為多個反射同相軸，從而在細節上更容易識別渦旋的內部結構。同時，反射地震資料數據間隔非常密集，分辨率更高(水平向采樣間隔可達6.25米)。利用地震方法研究海洋的常見做法是從地震數據中提取出水層的波阻抗參數。其中，波阻抗是密度與地震波傳播聲速的乘積，由于海水層中聲速與溫度、壓力等有很好的對應關系。一旦獲得了波阻抗信息，通過一定的公式轉換，就可以獲得渦旋的密度、溫度、鹽度信息等。因此，可以基于反射地震學方法來提取渦旋的波阻抗，從而獲得中尺度渦旋的參數。

從地震數據中提取渦旋波阻抗參數主要存在兩個方面的問題：(1)由于水層中波阻抗的差異較小，地震反射信號較弱；(2)渦旋的邊界和內部結構比較復雜。這些特點使得傳統的地震波阻抗反演方法難以取得好的效果。為更好的從地震數據中提取波阻抗參數，有些人提出基于實測的XBT數據來約束波阻抗反演。在全球邊緣海與大洋積累了大量的地震數據，重新處理與反演即可獲得當時當地的海水層結結構與物理參數。但相對于這大量的地震數據來說，對應于地震測線的XBT數據非常少，而采集XBT數據又是非常的昂貴。

發明內容

針對現有技術的不足，本發明的目的之一提供一種基于深度學習獲得海洋中尺度渦波阻抗方法，其能夠解決提取中尺度渦波阻抗參數的問題；

本發明的目的之二提供一種處理終端，其能夠解決提取中尺度渦波阻抗參數的問題。

實現本發明的目的之一的技術方案為：一種基于深度學習獲得海洋中尺度渦波阻抗方法，包括如下步驟：

步驟1：建立海水層背景聲速模型和海水層背景密度模型，在海水層背景聲速模型和海水層背景密度模型上分別對應添加中尺度渦旋的聲速模型、中尺度渦旋的密度模型，分別得到中尺度渦旋聲速模型和中尺度渦旋密度模型，

其中，中尺度渦旋的聲速模型和中尺度渦旋的密度模型通過預設得到；

步驟2：將多個不同的中尺度渦旋聲速模型和多個不同的中尺度渦旋密度模型分別相乘，得到若干中尺度渦旋波阻抗模型；