《Geophysical Journal International》：Seafloor Topography Predicted from SWOT Gravity Data by Deep Neural Network in the Northwestern Pacific Ocean
编辑推荐：
本研究针对传统船测水深数据覆盖有限的难题，创新性地融合SWOT宽幅测高卫星重力数据与单波束船测数据，采用深度神经网络（DNN）方法构建了西北太平洋海底地形模型。结果显示，DNN方法预测的地形模型与船测验证点差异的均方根误差（RMS）为97.5米，相较于重力地质法（GGM）和Smith-Sandwell（SAS）方法分别提升了19.5%和9.9%。该研究证实了SWOT数据在提升海底地形预测精度方面的巨大潜力，并为利用深度学习技术解决复杂非线性地球物理反演问题提供了重要范例。
海洋覆盖了地球表面的71%，海底地形是固体地球的基本特征之一。高精度、高分辨率的海底地形模型对于推动板块构造理论、揭示海山和海盆相关的地质过程以及研究海洋环流和气候变化都至关重要。然而，传统的海底测绘主要依赖船载声学测深，其空间覆盖范围有限，导致全球约75%的海底地形尚未被精确测量。这极大地限制了对深海地质过程、海洋资源勘探和全球气候变化的理解。
随着卫星测高技术的发展，特别是表面水和海洋地形（Surface Water and Ocean Topography, SWOT）宽幅测高卫星的出现，为海底地形预测带来了新的机遇。SWOT卫星能够提供高空间分辨率的海洋重力场数据，有望揭示更详细的海底结构。在此背景下，研究人员探索如何整合新型卫星重力数据与传统的船测数据，以构建更精确的海底地形模型。
传统上，利用重力数据预测海底地形的方法，如重力地质法（Gravity-Geologic Method, GGM）和Smith与Sandwell提出的方法（SAS），主要基于线性拟合，可能忽略更精细尺度的细节，从而限制预测精度。近年来，神经网络凭借其在处理海量数据和建模复杂非线性关系方面的强大能力，已成为预测海底地形的理想工具。
为了应对这一挑战，来自武汉大学和地震研究所的研究人员刘星、胡敏章和金涛勇在《Geophysical Journal International》上发表了一项研究，他们成功将SWOT海洋重力数据与单波束船测深度相结合，采用深度神经网络（Deep Neural Network, DNN）方法，构建了西北太平洋（0°N-50°N, 105°E-160°E）的海底地形模型。
本研究主要采用了三种关键技术方法：重力地质法（GGM）、Smith-Sandwell方法（SAS）以及基于深度神经网络（DNN）的反演方法。GGM通过分解重力异常为参考分量和残差分量的线性关系来估算水深；SAS方法基于导纳理论，通过带通滤波和优化重力-深度关系斜率来估计特定波长范围内的海底地形；DNN方法则利用其多层非线性变换能力，以经带通滤波和下延处理的SWOT重力异常（GA）和垂向重力梯度异常（VGG）数据作为输入特征，预测有效波长带（15-200公里）内的海底地形，再与长、短波长分量融合生成最终模型。研究数据包括来自美国国家环境信息中心（NCEI）的经质量控制的单波束船测深度点，以及由斯克里普斯海洋研究所（SIO）发布的SWOT增强版重力场数据（grav_SWOT_03, curv_SWOT_03）和传统卫星重力数据（V32.1系列）。模型精度通过独立船测验证点和马里亚纳区域的多波束数据进行评估。
4.1 Prediction results
研究人员应用GGM、SAS和DNN三种方法，分别构建了基于SWOT重力数据的海底地形模型（GGM_SWOT, SAS_SWOT, DNN_SWOT）。所有模型均能较好地反映研究区域的地貌特征，清晰揭示了海山、海沟和海底盆地等地质构造。
4.2 Comparison with shipborne depths
利用12条测线共46,784个独立验证点对模型精度进行评估。DNN_SWOT模型的表现最优，其与船测深度差异的均方根误差（RMS）为97.5米，平均相对误差（MRE）为1.27%。相比之下，GGM_SWOT和SAS_SWOT模型的RMS分别为121.6米和108.2米。DNN_SWOT模型将93.0%的偏差控制在100米以内，显著优于传统方法。与现有公共地形模型（如GEBCO_2024, ETOPO_2022）相比，DNN_SWOT模型也显示出更高的精度。此外，与基于传统SIO V32.1重力数据预测的模型相比，整合SWOT数据普遍提升了所有方法的预测精度，其中GGM方法受益最大（RMS降低21.5米），DNN方法也进一步降低了5.3米。
5.1 Comparison with multibeam data
在马里亚纳区域利用高分辨率多波束数据对模型进行详细评估。尽管DNN_SWOT模型（与多波束数据差异的RMS为165.5米）仍存在显著偏差，但其精度优于GGM_SWOT（RMS 236.6米）和SAS_SWOT（RMS 176.3米）模型。误差主要源于重力衍生模型与多波束数据之间的分辨率差距。
5.2 Topography details comparison
对具体地貌的对比分析显示，DNN方法在复杂地形重建方面具有优势。例如，在Agrihan海山，DNN_SWOT准确重建了其椭圆锥形几何形态，而SAS方法受线性重力-地形相关性退化影响产生了错误的“尖锥”形状，GGM方法则在陆海交界处出现不连续并产生了类似环状海沟的假象。
在马里亚纳海沟的不同区域（前弧、中弧、后弧），DNN_SWOT模型也表现出比传统模型更稳健的性能，能更准确地捕捉主要斜坡的走向和细节。在西马里亚纳海岭的丘陵区域，DNN_SWOT模型避免了GGM_SWOT和SAS_SWOT模型预测的虚假海沟假象，与GEBCO_2024模型吻合较好。
5.3 GA-depth coherency analysis
通过分析重力异常（GA）与深度之间的关系，评估了三种方法在模拟这种映射关系方面的能力。GGM方法在深海沟区域（<-8000米）产生大量误差，SAS方法在浅水区域（>-2000米）由于非线性效应仍存在明显偏差。DNN方法在深海沟和浅水区域都表现出更强的适应性，减少了SAS_SWOT模型中约25%的异常预测点。
进一步结合海底粗糙度空间分布的分析发现，预测残差与海底地形的空间异质性密切相关。在深海沟区域，崎岖地形占主导，SAS和DNN方法在此深度范围内表现出更强的鲁棒性。在浅水区域，崎岖地形（44.30%）诱发显著的非线性重力效应，DNN方法通过其多层架构解析了这些非线性，显著减少了预测误差。然而，在中间深度区间（-2000至-8000米），崎岖和平滑特征复杂交织，限制了所有预测方法的精度。这主要归因于该区间极端的空间异质性（同时包含约87%的崎岖地形样本和广阔深海平原）以及厚层沉积物对真实地形的掩盖。此外，向上延拓效应导致的高频信号衰减，结合重力模型的分辨率限制，削弱了精细尺度地形的重力信号特征。
本研究证实，基于SWOT重力数据和深度神经网络（DNN）方法能够显著提升西北太平洋海底地形的预测精度。DNN_SWOT模型相较于传统GGM和SAS方法表现出明显优势，能够更好地平衡整体结构表征与真实地形特征保留。SWOT重力数据的引入普遍提升了预测精度，预示着持续运行的SWOT任务有望通过揭示未测绘特征，提升全球海底地形的分辨率和完整性。
然而，受空间异质性和物理机制的限制，仅利用重力数据精确预测复杂、精细尺度的地形仍然是一个重大挑战。特别是在中间深度区间，地形特征的复杂交织和沉积物覆盖等因素使得准确预测尤为困难。未来的研究可能需要融合更多来源的数据（如多波束、地震数据）和更复杂的物理约束模型，以进一步突破海底地形预测的极限。
这项研究不仅为填补全球海底测绘空白提供了有效技术途径，也展示了深度学习在地球物理反演领域的强大应用潜力，对海洋科学研究、资源勘探和全球变化研究具有重要意义。
