海洋技术研究 多波束声学底质分类研究进展与展望.docx

海洋技术研究 多波束声学底质分类研究进展与展望.docx

《海洋技术研究 多波束声学底质分类研究进展与展望.docx》由会员分享，可在线阅读，更多相关《海洋技术研究 多波束声学底质分类研究进展与展望.docx（8页珍藏版）》请在冰豆网上搜索。

海洋技术研究多波束声学底质分类研究进展与展望

海洋论坛▏多波束声学底质分类研究进展与展望

海底作为一个具有重要意义的地质界面，一直都是海洋科学研究的热点。

海底底质研究是海底研究的基础，除此之外，海底底质作为海洋环境的重要组成部分、海洋测绘调查的主要内容，在海洋地质、海洋工程、海洋环境科学、海道测量及海洋资源开发利用中发挥重要作用，得到国内外专家学者的高度重视。

传统的海底底质分类通常采用箱式取样、重力取样、可视抓斗等方式，按一定网格离散现场取样，并通过室内测试分析后进行底质类型划分。

该方法虽能直观进行底质判断，但效率低、取样有限、作业成本较高、在深水区实施困难，且格网节点间沉积物类型受各种因素影响可靠度不高，无法满足现代海洋科研和开发需要。

随着海上工程建设、海洋资源开发活动的开展，迫切需要更新、更高效、更便捷的技术手段对海区底质类型及其分布情况进行全面、系统的掌握。

水声学技术不断发展，出现了单波束、多波束、侧扫声呐等一系列海底勘测设备，这使得海底底质探测从传统的现场底质取样法发展到非接触式声学底质探测法，其中多波束测深系统（MBES）不仅可以得到高精度的水深地形数据，还能获取丰富的反向散射强度数据。

反向散射强度与海底底质的粗糙度、沉积物粒径、孔隙度、饱和度等物理属性及入射角有极强的相关性，两者的有效结合使得多波束测深系统在底质分类研究中被更多的科研工作者使用，其凭借全覆盖、高采样率、高效率和低成本等优势，逐渐成为海洋声学底质探测的重要方法和手段。

基于多波束测深系统获取的反向散射强度数据和海底声像图，结合海底底质取样获取的真实海底沉积物样品数据，并以多种分类方法，实现海底底质类型自动分类识别。

多波束底质自动分类识别与应用是常规海洋底质调查的有益补充，能快速、准确获取海底沉积物分类状况，将在海洋资源调查、海洋工程建设、海洋科学考察和国防建设等方面发挥越来越重要的角色。

多波束海底底质分类涉及数字信号处理、水声学、高性能计算机、高分辨显示、高精度导航定位、数字化传感器、数字图像处理、机器学习等多学科，经过近30a的发展取得了丰硕成果。

本文梳理了20世纪60年代多波束测深系统问世以来，国内外研究人员在多波束底质分类方面的研究及重要成果；对比分析了多波束底质分类各环节关键技术研究突破和技术瓶颈；对市面上主要的多波束设备及底质分类软件进行汇总整理；对多波束底质分类研究及其应用予以分析和展望。

”

一、关键技术研究

⒈精细化反向散射强度数据处理

海底沉积物类型与反向散射强度相关性较大，反向散射强度在较大程度上可决定沉积物类型，因此，多波束反向散射强度数据精细处理是准确获取海底底质特征、提高底质分类精度的前提基础和重要保障。

多波束声学底质分类流程如图1所示，主要包括：

反向散射强度数据解析、定姿定位、补偿改正、声呐图像处理、分类模型构建等技术。

图１　多波束声学底质分类流程

作业平台的动态性，声信号传播环境的不确定性决定了多波束反向散射强度数据处理模型的复杂性。

目前市场上的大部分多波束测深系统具备回波声强信息的采集存储功能，并使用通用或可相互转换的文件存储格式，所以原始声强数据的提取与转换已不再是研究重点。

多波束海底声呐图像的获取和显示离不开位置信息，底质分类研究与水下地形测量一样，定位需与测深数据、声强信息采集同步进行，以精确计算每个声强点的三维坐标。

在海底地形测量中，高精度水下声学定位技术结合全球导航卫星系统（GNSS）/惯性导航系统（INS）组合定位模式，可达到水下厘米级平面解算能力，声速影响因素、声线传播特性］、声速校正方法的研究，逐步削弱水体环境、仪器姿态等带来的误差，实现了测深点坐标精准跟踪计算。

多子阵检测法和多波束相干法的海底地貌探测算法实现了海底地形与地貌图像数据的同步测量和准确融合。

国内外研究人员对反向散射强度数据补偿改正部分每一环节都进行了大量实验研究，构建了包括时变增益（TVG）、声照面积改正、地形起伏度改正、中央波束改正在内的较为完善的反向散射声强数据补偿改正模型。

Urick等综合影响反向散射强度的主要因素，对海洋环境噪声与声波的散射和混响、声能的传播损失、波束角影响进行理论研究和量化分析。

Chu等对声学信号在水中传播的传播损失进行了定量分析得到TVG改正模型；Michalopoulou和金绍华等先后验证了声照面积对反向散射声强的影响并将其纳入改正；Hellepuin分析了地形起伏度对海底真实入射角的影响；唐秋华等将垂直航迹二维方向的地形起伏影响纳入分析；纪雪在此基础上对海底地形起伏度计算模型进行了优化，计算海底真实入射角，得到完全反映海底底质信息的回波强度BSO，可较好地消除海底坡度的影响。

固定值修订、高斯加权平均、区域统计平均等方法有效地消除解决了多波束中央波束反射区异常的现象。

由于声学散射模型不完善，多波束声呐图像中存在沿航迹线的条带状异常假象，对此，Chang等提出了基于波束形状理论的缝隙修补算法；张玉芳等提出了混合扫描线多边形填充算法；徐胜攀等提出了一种改进的活性边表区域填充算法。

这些算法不仅提高了声呐图像缝隙的填充，还大大提高了数据重采样的时间效率和空间效率。

多波束声呐图像拼接与镶嵌处理研究中，Sensor-Specific算法实现了声呐图像的几何畸变和放射性畸变纠正。

伪灰度双模板匹配的多波束数据拼接的算法实现了条带拼接几何位置和声强信息的高度统一。

⒉反向散射强度与底质类型特征之间关系模型构建

反向散射强度虽能粗略表征海底底质特征，但是要利用反向散射强度实现底质类别的精确划分需要建立其与底质类型之间的关系模型，这就需要进行大量的特征提取、取样分析、统计分析工作，目前反向散射强度与底质类型特征之间关系构建常用的模型有海底声学参数反演模型、反向散射强度与入射角的关系对、谱参数、分形维数、纹理分析等。

Biot介质模型和Jackson散射模型通过分析海底回波信号，反演海底床表沉积物的声学参数（如声阻抗、声吸收系数等），结合沉积物的物理特性（如密度、孔隙度、平均粒径、声速等）经验公式进行沉积物分类；Hughes通过计算反向散射强度与入射角的关系，建立了不同底质对应的反向散射强度与入射角的关系对；Lanmark等通过角度与反向散射强度之间的关系建立标准Bayesian模型；金绍华等在已有的EM角度响应模型、Hellequin综合声学模型及边界微分提取模型基础上，采用容差性强的非线性最小二乘拟合算法，结合Hellequin参数模型，提取底质相关特征参数，研究了不同底质对应的角度响应曲线模型；此外，赵建虎等提出了2种自适应角度响应（AR）校正方法，即AR建模方法和AR聚类方法对AR进行校正，克服了传统方法的缺陷，明显提高了图像质量；Santos等利用角度距离分析技术ARA）对不同多波束测深系统所获得后向散射数据进行分析，估计了底部沉积物的平均粒径，构建了粒径与底质之间的对应关系。

Pace等根据反向散射强度对数能量谱提取谱特征进行了底质分类研究，Camricheal等利用分形维对于回波强度和深度变化的分布和结构非常敏感，与沉积物的物理和化学特性联系强于回波信号的能量特性，进行了底质分类研究。

卢博等通过用“声速－波形－振幅”三参数识别技术获得海底沉积物的声速和频谱分析结果，根据声速、波形、振幅认识海底沉积物物理状态和结构特征，结合沉积层的其他地质信息综合判别海底沉积物性质，之后又开展了海底沉积物声学物理特性研究。

这些理论研究大大地促进了多波束声学底质分类的研究。

Goff等，Gonidec等，Cpllier和Brown利用多波束反向散射强度与底质类型特征之间的关系，结合多波束反向散射强度和实地取样数据，详细分析了反向散射强度与波束入射角、反向散射强度与沉积物平均粒度之间的统计关系，建立了它们之间的数学关系模型，获取了反向散射强度与底质类型之间的改正参数并将改正结果应用到底质分类中，有效地提高了分类精度。

与其他特征分析相比，纹理分析更多考虑了反向散射强度的空间相关性，且具有较高的容错率，因此得到了普遍应用。

目前纹理特征约有100多种，大致可归类为统计法、结构法和模型法三种类，其中使用较多的纹理特征为灰度共生矩阵。

⒊声呐图像底质分类技术

随着计算机技术、数字图像处理与识别技术的革新，以及机器学习、人工智能、大数据等新兴技术的不断发展，多波束声呐图像底质分类实现从传统的统计向半自动、全自动分类过渡，大大降低了海底沉积物分类工作强度和主观判别带来的误差影响。

多波束声呐图像底质分类可分为无监督学习法和有监督学习法两种方式。

无监督学习法通常采取聚类思想进行分类，适用于缺乏传统海底底质样品的调查区域；有监督学习法则是通过对现场底质取样数据中的“学习”模式来预测相关的离散类，通常适用于已知海底沉积物类型的区域。

无监督分类应用较早，但分类结果普遍不佳，通常用于海底底质类型未知且没有现场底质取样的情况，主要用于海底底质类型的粗略划分。

马飞虎等利用迭代自组织数据分析算法（ISODATA）实现了海底底质的自动分类，Vanessa和Geoffroy利用无监督的模糊C（FCM）聚类算法对沉积物样品进行统计识别，Yasuhiro等提出了高阶局部自相关方法（HLAC）对声呐图形进行海底底质自动分类，通过与传统的灰度共生矩阵和局部二值模式算子等纹理方法对比验证了其分类优势。

尤加春等分别采用支持向量机（SVM）和模糊C均值聚类算法对采集的数据进行分类，鉴于计算机数值模拟的可重复性、高效快速性提出模糊C均值聚类－支持向量机方法，并归纳总结了一套采用计算机数值模拟技术开展海底底质分类识别研究的一般化流程，之后，吕良等又引入K－均值聚类算法进行底质分类研究。

分类方法得到了不断丰富。

监督分类应用较广，其中应用最多的就是神经网络分类方法。

神经网络是数据驱动、非线性、非参数的模型，在分类上表现出色而得到广泛研究和应用。

1990年，美国杜克大学的Alexandrou和Pantzartzis最早应用反向传播（BP）神经网络方法对海底底质进行分类，但存在训练时间长、网络收敛慢以及分类精度低等不利因素；Marsh等采用自组织人工神经网络方法进行底质分类；Chakraborty等先后研究了自组织特征映射网（SOFM）及学习向量量化（LVQ）神经网络方法，但存在神经元未被充分利用以及算法对初值敏感的问题。

针对BP神经网络、SOFM神经网络以及LVQ神经网络在存在的不足，很多学者提出了很多优化模型：

唐秋华等用GA对LVQ神经网络模型进行了优化；何林帮等改进了BP神经网络，实现海底底质类型的快速准确识别；随着深度学习神经网络的推广应用，纪雪利用深度学习卷积神经网络（CNN）实现对海底底质的精确分类；陈佳兵等基于粒子群优化算法实现海底声学底质精确分类；Li等，Herkul等，Turner］分别对随机森林（RF）进行了深入研究，通过比较分析充分证明了其在分类中的优势。

”

二、多波束底质分类软硬件研发

国外对声学底质分类的研究开展较早，可追溯到20世纪50年代，国外对海底底质分类的研究主要是从海底沉积物的物理力学特性、声学特性及两者的相关性、海底回波特性和特征量的提取等方面着手，主要侧重理论模型研究。

20世纪80年代开始进入了应用研究阶段，各个国家纷纷研制出了用于海底沉积物走航式测量的设备，在不断获取大量实验数据的同时，不断改进测量手段。

围绕海底底质分类研究的重大项目有ESMAC项目（1992～1994年）主要由瑞典和挪威负责实施，北欧多国参与；ISACSＩ项目（1996～1999年）是由欧盟组织的五国参与研究的大型海洋科学与技术研究计划（MAST-Ⅲ）中的一个子项目。

经过几十年的研究，获得了比较丰硕的应用研究成果。

从声呐数据的获取、预处理到最后图像分类，目前市场上已有多家比较成熟的海底底质分类的商业软件：

挪威Simrad公司与挪威计算中心合作基于多波束开发的Triton分类软件，加拿大QuesterTangent公司面向多波束测深系统开发的QTCV