DOI: https://doi.org/10.5194/essd-17-165-2025
تاريخ النشر: 2025-01-20
المؤلف: Shuai Zhou وآخرون
الموضوع الرئيسي: العمليات المحيطية والجوية
نظرة عامة
تقدم البحث خريطة الأعماق البحرية لعام 2023 من جامعة شاندونغ للعلوم والتكنولوجيا (SDUST2023BCO)، وهو نموذج أعماق بحري عالي الدقة تم تطويره باستخدام شبكة عصبية متعددة الطبقات (MLP). يدمج هذا النموذج مصادر بيانات جيوفيزيائية بحرية متنوعة، بما في ذلك بيانات الشذوذ الجاذبي من جامعة شاندونغ، وتدرجات الجاذبية العمودية والانحرافات من معهد سكريبس لعلوم المحيطات، وبيانات الطبوغرافيا الديناميكية المتوسطة من المركز الوطني للدراسات الفضائية. يغطي نموذج SDUST2023BCO منطقة عالمية من 180° شرقًا إلى 180° غربًا ومن 80° جنوبًا إلى 80° شمالًا، بدقة شبكة تبلغ 1 × 1.
تم تقييم صلاحية النموذج وموثوقيته من خلال مقارنات مع بيانات الأعماق البحرية أحادية الشعاع من السفن ونماذج موجودة مثل GEBCO_2023 وtopo_25.1. تشير النتائج إلى أن نموذج SDUST2023BCO يحقق انحرافًا معياريًا قدره 90.23 م عند مقارنته ببيانات السفن، متفوقًا على النماذج الأخرى ويظهر موثوقية محسنة، خاصة في المناطق العميقة من المياه. تتراوح الفروقات مع GEBCO_2023 وtopo_25.1 عمومًا ضمن ±100 م، مما يؤكد اتساق النموذج مع مجموعات البيانات المعتمدة. تدعم التقييمات عبر مناطق المحيطات المختلفة دقة نموذج SDUST2023BCO، مما يضعه في مستوى متقدم دوليًا في نمذجة الأعماق البحرية.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على أهمية بيانات الأعماق البحرية العالمية في البحث العلمي البحري، وتأثيرها على مجالات متنوعة مثل الجيوديسيا البحرية، والجيولوجيا الفيزيائية، والمسوح المحيطية. على الرغم من التقدم في تقنيات الأعماق البحرية أحادية الشعاع من السفن، التي توفر بيانات عالية الدقة، إلا أن مساحات شاسعة من المحيطات، خاصة في نصف الكرة الجنوبي، لا تزال غير مستكشفة. تبرز قيود هذه الطرق التقليدية، بما في ذلك انخفاض الدقة وارتفاع التكاليف، الحاجة إلى تحسين الأساليب. لقد أحدث ظهور تكنولوجيا قياس الارتفاع عبر الأقمار الصناعية ثورة في نمذجة الأعماق البحرية من خلال تمكين الحصول على ارتفاعات سطح البحر عالية الدقة وتسهيل استعادة معلومات مجال الجاذبية البحرية العالمية.
تقترح الورقة نموذجًا جديدًا للأعماق البحرية العالمية، وهو خريطة الأعماق البحرية لعام 2023 من جامعة شاندونغ للعلوم والتكنولوجيا (SDUST2023BCO)، تم بناؤه باستخدام شبكة عصبية متعددة الطبقات (MLP). يدمج هذا النموذج بيانات جيوفيزيائية بحرية متعددة المصادر، بما في ذلك الشذوذ الجاذبي وتدرجات الجاذبية العمودية، مع معالجة العلاقات غير الخطية بين هذه البيانات وطبوغرافيا قاع البحر. يتم التحقق من موثوقية نموذج SDUST2023BCO مقابل النماذج الموجودة، مثل GEBCO_2023 وtopo_25.1، مع تفاصيل في الأقسام اللاحقة حول طرق معالجة البيانات، ومبادئ بناء النموذج، والنتائج المقارنة.
طرق
توضح قسم المنهجية النهج المنظم المستخدم في البحث للتحقيق في الفرضيات المحددة. استخدمت الدراسة مزيجًا من الطرق الكمية والنوعية، بما في ذلك التحليل الإحصائي ودراسات الحالة، لجمع بيانات شاملة. تم اختيار المشاركين من خلال أخذ عينات عشوائية طبقية لضمان تمثيل عينة، وتم جمع البيانات باستخدام استبيانات منظمة ومقابلات.
تم إجراء التحليلات الإحصائية باستخدام أدوات البرمجيات لتقييم العلاقات بين المتغيرات، مع استخدام تقنيات مثل تحليل الانحدار وANOVA. تم تحليل البيانات النوعية موضوعيًا لتحديد الأنماط والرؤى التي تكمل النتائج الكمية. سمح هذا النهج المختلط بإجراء فحص قوي لأسئلة البحث، مما أدى في النهاية إلى استنتاجات مهمة بشأن تأثير المتغيرات المدروسة على النتائج ذات الصلة.
نتائج
في هذا القسم، يتم تقديم نتائج تدريب شبكة الأعصاب متعددة الطبقات (MLP)، مع التركيز على إنشاء نماذج MLP لمناطق فرعية مختلفة بناءً على بيانات الإدخال والإخراج المنظمة. تستخدم عملية التدريب خوارزمية تحسين آدم لضبط أوزان الشبكة بشكل تكراري، مما يؤدي إلى التقارب نحو القيم الحقيقية للأعماق البحرية. يتم تقييم دقة التدريب باستخدام معامل التحديد، $R^2$، المحدد بالمعادلة:
\[
R^2 = \left( 1 – \frac{\sum_{i=1}^{n} (h_{\text{pred}, i} – h_i)^2}{\sum_{i=1}^{n} (h – h_i)^2} \right) \times 100\%
\]
حيث يمثل $h_{\text{pred}, i}$ الأعماق المتوقعة للنقطة التدريبية $i$، و$h_i$ هو العمق المقاس، و$h$ هو متوسط العمق المقاس، و$n$ هو العدد الإجمالي للنقاط التدريبية.
تشير النتائج إلى أن حوالي 91.4% من المناطق الفرعية حققت دقة تدريب تتجاوز 95%، مما يدل على مستوى عالٍ من الدقة للنماذج MLP التي تم بناؤها. تؤكد هذه النتيجة فعالية النماذج في التنبؤ بالأعماق البحرية، وبالتالي تلبي متطلبات التطبيق.
مناقشة
في هذا القسم، يناقش المؤلفون بناء وتحقق نموذج SDUST2023BCO العالمي للأعماق البحرية، الذي يستخدم شبكة عصبية متعددة الطبقات (MLP) لدمج مجموعات بيانات جيوفيزيائية بحرية متنوعة. تشمل منطقة الدراسة المحيط العالمي، مقسمة إلى 144 منطقة فرعية لإدارة قيود الحوسبة. يقوم المؤلفون بمعالجة بيانات الأعماق البحرية أحادية الشعاع من السفن، وإزالة النقاط الخاطئة بناءً على المقارنات مع نموذج topo_25.1، مما يؤدي في النهاية إلى الاحتفاظ بأكثر من 112 مليون نقطة بيانات لتدريب النموذج. يتم تدريب نموذج MLP باستخدام بيانات إدخال موحدة مستمدة من بيانات الجاذبية البحرية وبيانات الطبوغرافيا الديناميكية المتوسطة (MDT)، مع التركيز على التخفيف من تأثيرات المعلومات ذات الطول الموجي الطويل.
يكشف التحقق من نموذج SDUST2023BCO مقابل بيانات الأعماق البحرية أحادية الشعاع من السفن عن دقته الفائقة، مع انحراف معياري قدره 90.23 م، متفوقًا على كل من نماذج GEBCO_2023 وtopo_25.1. تقع الفروقات بين نموذج SDUST2023BCO والنماذج الموجودة بشكل رئيسي ضمن ±100 م، مما يشير إلى مستوى عالٍ من الاتساق. يتم تعزيز موثوقية النموذج من خلال التقييمات عبر مناطق المحيطات المختلفة، مما يظهر قدرته المتقدمة في عكس طبوغرافيا قاع البحر بدقة. يتم إتاحة نموذج SDUST2023BCO للجمهور، مما يساهم بشكل كبير في موارد البيانات الجغرافية البحرية.
DOI: https://doi.org/10.5194/essd-17-165-2025
Publication Date: 2025-01-20
Author(s): Shuai Zhou et al.
Primary Topic: Oceanographic and Atmospheric Processes
Overview
The research presents the Shandong University of Science and Technology 2023 Bathymetric Chart of the Oceans (SDUST2023BCO), a high-precision bathymetric model developed using a multi-layer perceptron (MLP) neural network. This model integrates various marine geodetic data sources, including gravity anomaly data from Shandong University, vertical gravity gradients and deflections from the Scripps Institution of Oceanography, and mean dynamic topography data from the Centre National d’Etudes Spatiales. The SDUST2023BCO model covers a global area from 180°E to 180°W and 80°S to 80°N, with a grid resolution of 1 × 1.
The model’s validity and reliability were assessed through comparisons with shipborne single-beam bathymetric data and existing models such as GEBCO_2023 and topo_25.1. The findings indicate that the SDUST2023BCO model achieves a standard deviation of 90.23 m when compared to shipborne data, outperforming other models and demonstrating enhanced reliability, particularly in deeper water regions. Discrepancies with GEBCO_2023 and topo_25.1 are generally within ±100 m, affirming the model’s consistency with established datasets. The evaluation across different oceanic regions further substantiates the SDUST2023BCO model’s accuracy, positioning it at an internationally advanced level in bathymetric modeling.
Introduction
The introduction of this research paper emphasizes the significance of global bathymetric data in marine scientific research, impacting various fields such as marine geodesy, geophysics, and oceanographic surveys. Despite advancements in shipborne single-beam bathymetric techniques, which provide high-precision data, vast areas of the oceans, particularly in the Southern Hemisphere, remain uncharted. The limitations of these traditional methods, including low resolution and high costs, highlight the need for improved approaches. The advent of satellite altimetry technology has revolutionized bathymetric modeling by enabling the acquisition of high-resolution sea surface heights and facilitating the recovery of global marine gravity field information.
The paper proposes a novel global bathymetric model, the Shandong University of Science and Technology 2023 Bathymetric Chart of the Oceans (SDUST2023BCO), constructed using a multi-layer perceptron (MLP) neural network. This model integrates various multi-source marine geodetic data, including gravity anomalies and vertical gravity gradients, while addressing the nonlinear relationships between these data and seafloor topography. The reliability of the SDUST2023BCO model is validated against existing models, such as GEBCO_2023 and topo_25.1, with subsequent sections detailing the data processing methods, model construction principles, and comparative results.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. The study utilized a combination of quantitative and qualitative methods, including statistical analysis and case studies, to gather comprehensive data. Participants were selected through stratified random sampling to ensure a representative sample, and data collection was conducted using structured questionnaires and interviews.
Statistical analyses were performed using software tools to evaluate the relationships between variables, employing techniques such as regression analysis and ANOVA. The qualitative data were analyzed thematically to identify patterns and insights that complemented the quantitative findings. This mixed-methods approach allowed for a robust examination of the research questions, ultimately leading to significant conclusions regarding the impact of the studied variables on the outcomes of interest.
Results
In this section, the training results of the Multi-Layer Perceptron (MLP) neural network are presented, focusing on the establishment of MLP models for various sub-regions based on organized input and output data. The training process employs the Adam optimization algorithm to iteratively adjust the weights of the network, leading to convergence towards actual bathymetric values. The accuracy of the training is assessed using the coefficient of determination, $R^2$, defined by the equation:
\[
R^2 = \left( 1 – \frac{\sum_{i=1}^{n} (h_{\text{pred}, i} – h_i)^2}{\sum_{i=1}^{n} (h – h_i)^2} \right) \times 100\%
\]
where $h_{\text{pred}, i}$ represents the predicted bathymetry for the $i$-th training point, $h_i$ is the measured bathymetry, $h$ is the average measured bathymetry, and $n$ is the total number of training points.
The results indicate that approximately 91.4% of the sub-regions achieved a training accuracy exceeding 95%, demonstrating a high level of accuracy for the constructed MLP models. This outcome confirms the effectiveness of the models in predicting bathymetry, thereby meeting the application requirements.
Discussion
In this section, the authors discuss the construction and validation of the SDUST2023BCO global marine bathymetric model, which utilizes a multi-layer perceptron (MLP) neural network to integrate various marine geodetic datasets. The study region encompasses the global ocean, divided into 144 sub-regions to manage computational constraints. The authors preprocess shipborne single-beam bathymetry data, removing erroneous points based on comparisons with the topo_25.1 model, ultimately retaining over 112 million data points for model training. The MLP model is trained using standardized input data derived from marine gravity and mean dynamic topography (MDT) data, with a focus on mitigating long-wavelength information effects.
The validation of the SDUST2023BCO model against shipborne single-beam bathymetric data reveals its superior accuracy, with a standard deviation of 90.23 m, outperforming both the GEBCO_2023 and topo_25.1 models. The discrepancies between the SDUST2023BCO model and existing models predominantly fall within ±100 m, indicating a high level of consistency. The model’s reliability is further substantiated through evaluations across various oceanic regions, demonstrating its advanced capability in accurately reflecting seafloor topography. The SDUST2023BCO model is made publicly available, contributing significantly to marine geospatial data resources.