一种基于深度学习模型的磁力异常数据计算方法与流程

本发明属于地磁学及海洋磁力测量领域，具体涉及一种基于深度学习模型的磁力异常数据计算方法。

背景技术：

1、海洋磁异常为大洋演化提供了极其重要的证据，而且能够反映板块构造的细节信息，对研究洋壳结构、地磁场变化、相关地球内部动力学过程及海洋矿产资源分布具有重大意义。例如在大洋中脊区域测量获得的磁异常，其条带状特征即清晰地记录了洋底扩张的历史。然而，在大多数区域海洋船测工作仅完成了稀疏分布的测线，测线间较大的间隙很可能造成对磁异常特征认知的模糊性，尤其是磁条带的延展特性。面对以上问题，建立全区的磁力异常图成为迫切的需求。

2、而目前绘制在磁力异常图上的数据，一般都是由卫星磁测、海洋磁测以及航空磁测等野外测量获取，耗费大量的人力物力；而且还需数据处理人员耗费大量时间和精力，进行消除畸变点、网格化、缝合、化极等一系列处理，才能形成在统一大地水准面上的网格化磁力异常数据；另外，由于野外调查需投入大量人力物力，在某些区域，由于地理位置偏僻、环境恶劣，或者军事管制，或者经费限制，无法进行实际测量来获得有效的磁力异常数据，所以在区域上存在多个磁力异常数据空白区。

技术实现思路

1、本发明为解决现有技术中磁力异常数据获取困难等缺陷，提出一种基于深度学习模型的磁力异常数据计算方法，通过调用深度学习模型来预测与拟合缺失区域的磁力异常信息。

2、本发明是采用以下的技术方案实现的：一种基于深度学习模型的磁力异常数据计算方法，包括以下步骤：

3、步骤a、构建训练数据集：对磁力异常数据和同磁力相关的数据集进行重采样及分类操作，制作待修补数据集、测试数据集、训练数据集，所述同磁力相关的数据集包括高程数据、降水数据、植被数据、露头岩性、和重力异常数据；

4、步骤b、构建深度学习模型：根据需要设置的参数以及选取的神经网络进行训练，所述需要设置的参数包括迭代次数、神经网络层数、激活函数和每层神经网络的神经元个数；所述深度学习模型结构及原理如下：

5、(1)深度学习模型采用门控循环神经网络(gru)与全连接相结合的方式构建，门控循环神经网络(gru)解决了传统时间递归神经网络(rnn)的长期依赖问题，包括n层gru层、一层flatten层、一层全连接层和一层输出层，2≤n≤5；

6、(2)将n×n像元窗口中的磁力异常相关数据构成n×n×d的三维数组为模型输入，经过n层gru网络单元前向传播学习获取数据窗口的磁力信息，然后通过flatten层将多维输出一维化，然后通过全连接层将gru网络获取到的磁力信息特征空间映射到样本标记空间，最后通过输出层输出该窗口中心像元的修补值，至此完成一个中心像元值的一次修补；通过窗口滑动的方式遍历整景数据，对每个窗口执行上述操作，实现对研究区缺失区域磁力异常数据的修补。

7、步骤c、基于训练好的深度学习模型，实现对研究区缺失区域磁力异常数据的修补；

8、进一步的，所述步骤b中：门控循环神经网络(gru)所用到的计算公式如下所示：

9、更新门：zt＝σ(wz·[ht-1,xt])；

10、重置门：rt＝σ(wr·[ht-1,xt])

11、候选隐藏状态：

12、传递到下一时刻的隐藏状态：

13、式中，xt表示当前时刻输入信息，ht-1表示上一时刻的隐藏状态，ht表示传递到下一时刻的隐藏状态，表示候选隐藏状态，rt表示重置门，zt表示更新门，tanh表示tanh函数，*表示卷积计算方式，w表示权重矩阵，σ表示sigmoid激活函数。

14、进一步的，所述步骤a中，进行重采样和分类操作具体采用以下方式：

15、步骤a1、将同磁力数据相关的数据集与磁力异常数据集通过重采样操作采样到同一个分辨率下，此时所有的数据在同一经纬度下；

16、步骤a2、将所有的数据按照是否有磁力异常数据分为待修补数据集和有磁力异常数据的数据集，待修补数据集即为磁力数据异常缺失部分的数据集，然后将有磁力异常数据的数据集划分为测试数据集和训练数据集。

17、进一步的，所述步骤b中，基于磁力异常数据修补的深度学习模型由卷积层、池化层、flatten层、全连接层、输出层组成。其中卷积层具有64个卷积核，维度为n×n，移动步长为1，填充方式选择same填充，之后采用relu激活函数进行激活，池化层池化方式则采用最大池化，卷积层和池化层一共组成n层gru层。lstm有很多种变体，本实施例采用lstm长短期记忆神经网络变体之一的门控循环神经网络gru在keras框架上进行深度学习模型的搭建，与lstm内部中的三个门不同，gru内部只有两个门，分别为重置门和更新门，可以更好地捕获时间步距离很长的序列上的依赖关系，不容易出现过拟合，gru的优点是在保持lstm的效果同时又使结构更加简单，所以更容易创建一个更大的网络，而且它只有两个门，在计算性能上也运行得更快，并且方便扩大模型的规模。

18、进一步的，所述步骤b中，在进行模型训练时，采用线性函数归一化对训练数据集进行预处理，线性函数归一化公式如下：

19、

20、以实现对原始数据的等比例缩放，其中xnorm为归一化后的数据，x为原始数据，xmax、xmin分别为原始数据集中数据的最大值和最小值。

21、进一步的，所述步骤b中，对于模型训练的效果，引入均方根误差来评价数据拟合的效果，以分析磁力异常数据的真实数据与拟合数据之间的接近程度，其公式如下：

22、

23、其中，rmse为均方根误差的大小，n为参与分析的数据个数，modelt为测试数据集的真实磁力异常数据，knownt为测试数据集通过深度学习模型计算得出的磁力异常数据。

24、进一步的，所述步骤b中，对深度学习模型输出的原始磁力异常数据进行反向归一化，计算深度学习模型输出的实际磁力异常数据：

25、xendout＝xout×(xmax-xmin)+xmin

26、其中，xendout为实际输出的磁力异常数据，xout为深度学习模型输出的归一化后的磁力异常数据，xmax为训练数据集中磁力异常数据的最大值，xmin为训练数据集中磁力异常数据的最小值。

27、进一步的，所述步骤c中，对经过深度学习模型拟合出来的磁力异常数据进行进一步处理，使其与磁力异常数据缺失的区域匹配，具体为：先将拟合好的磁力异常数据与原有的磁力异常数据进行汇总处理，再将处理好的磁力异常数据按照经纬度顺序排列整齐并输出，最后使用idl软件编程处理该文件，输出完整磁力异常数据图像。

28、与现有技术相比，本发明的优点和积极效果在于：

29、本方案基于植被、高程、降水、露头岩性、重力异常和磁力异常数据并调用深度学习模型预测与拟合缺失区域的磁力异常信息，可以有效填补地理位置偏僻、环境恶劣、军事管制、经费限制等等无法通过野外测量获得的磁力异常数据；而且不需要通过野外测量获得，也不需要进行野外测量数据的汇编和处理等相关工作，节省大量的人力和物力，对于水下磁性障碍物搜寻、海洋地磁调查、海洋地磁场分布和变化研究等具有十分重要的意义和指导价值。