基于小样本迁移学习的混合底质声学分类研究取得新进展
作者:sio
时间:2024年04月01日
访问次数:230

我所海底地形地貌团队王明伟助理研究员作为第一作者、吴自银研究员作为通讯作者撰写的关于浅海古河谷区混合底质声学分类的研究新成果发表于国际地学著名期刊IEEE Transactions on Geoscience and Remote Sensing(一区Top),合作作者包括张凯、赵荻能、周洁琼、罗孝文、尚继宏、刘洋、孙恺等团队成员。

河口三角洲、古河谷等浅水区上接流域腹地,下连广海,是海陆相互作用的典型区域。其不仅受到潮汐、潮流、地形演变和古气候环境等复杂自然因素的作用,还受到人类活动的影响。对该区海底底质的分类研究有助于进一步解释其地貌演化规律及形成机制。然而,受到多期次海进海退的影响,该区沉积环境复杂,形成了互沉积等特殊的沉积构造,其中,不仅包括砂、砾石等单一的底质类型,还包括泥质砂、砾质砂和砾质泥质砂等混合底质类型。现有海底声学底质分类研究多集中在均质底质环境,而对复杂混合底质环境的相关研究则较少。如何深入挖掘其内在特征,有效分类浅海混合底质,是尚未得到解决的重要科技问题。

本文以英国苏格兰福斯湾外海的古河谷区(图1)为研究区域,深入分析了高分辨率的多波束测深数据、反向散射强度数据和底质取样数据等,识别了三类典型海底底质(砂、砾质砂和砾质泥质砂),提取并综合分析了该区的地形特征及声强特征(图2),发现海底底质的分布规律与地形特征变化关系紧密。


1 研究区位置示意图



图2 研究区多波束水深图(左)以及反向散射强度图(右)


本文提出一种选择性核混合膨胀卷积方法(Selective Kernel Hybrid Dilated ResNet-50, SKHD-ResNet-50),综合选择性核卷积与混合膨胀卷积的优势(图3和图4),并得益于迁移卷积神经网络模型在小样本底质分类和复杂地形方面的改进性能,可以更准确、有效地区分浅海混合底质类型。


图3 提出了一种适用于小样本底质分类的SKHD-ResNet-50方法

图4 基于迁移卷积神经网络模型的技术方法流程图

实验表明,本文所提方法应用于研究区取得了较好的分类效果(图5和图6)。当综合考虑声强特征与地形特征时,分类精度相比仅考虑单一特征分别提高了3.10%和2.13%。从反向散射强度图像中提取的声学特征可以反映海底底质的沉积特性,在底质分类研究中,海底浅表层及空间结构特征也是影响底质分布规律的重要因素。不同类型海底底质在各种因素协同作用下,可能呈现离散或混合等不同的分布形式。因此,考虑海底地形特征可以定量反映地形变化对底质分类结果的影响。上述研究为浅海古河谷区沉积环境的形成提供了有益启示。

图5 不同模型的分类精度比较(UA表示用户精度,PA表示生产者精度)

(a) 本文模型结果


(b) HD-ResNet-50模型结果

(c) SK-ResNet-50模型结果

(d) ResNet-50模型结果

图6不同模型输出的海底底质分类结果;(a)本文模型结果;(bHD-ResNet-50模型结果;(cSK-ResNet-50模型结果;(dResNet-50模型结果;黄色为砂,蓝色为砾质泥质砂紫色为砾质砂

该研究成果受到国家自然科学基金重点项目(41830540)、国家重点研发计划(2022YFC2806600)和所专项(JG2203)的共同资助。


论文引用:Wang, M.W., Wu, Z.Y.*, Zhang, K., Zhao, D.N., Zhou, J.Q., Luo, X.W., Shang, J.H., Liu, Y., Sun, K., 2023. Mixed Seabed Sediment Classification Based on Transferred Convolutional Neural Network: A Case Study in the Ancient River Valley. IEEE Transactions on Geoscience and Remote Sensing, Early Access.