1 / 2026-10-11 22:00:09

南海水深反演的不确定性分析：深度学习与贝叶斯方法的比较研究

海底地形,深度学习,贝叶斯神经网络,不确定性量化,归一化流,南海

如何从卫星数据中准确反演海底地形，并科学评估其可靠性，是海洋测绘的前沿难题。船载声纳测深虽精度高，但耗时耗力且覆盖范围有限，导致全球大部分海域仍缺乏直接测量。卫星雷达高度计技术的发展为获取全球尺度海底地形提供了重要手段。然而，传统水深反演方法多基于线性或简化物理模型，难以充分刻画海山、海沟等复杂区域的非线性特征，且现有方法大多仅输出单一预测值，无法量化结果的不确定性，限制了其在海底地质灾害评估、水下导航安全等领域的可靠应用。随着深度学习的发展，神经网络为挖掘多源地球物理场数据与水深之间的非线性关系提供了新思路。尽管深度学习已被用于水深反演并取得较好效果，但现有方法普遍缺乏对预测不确定性的量化能力。

本文旨在对比三种机器学习方法在海底地形反演及不确定性量化中的表现，分析不同算法架构在处理复杂海洋环境数据时的优势与局限性。本文采用全连接神经网络（FCNN）进行确定性水深预测，并引入两种概率建模方法：一是基于贝叶斯推断的FCNN-MCMC（马尔可夫链蒙特卡洛）方法，通过对网络参数后验分布进行采样以获得预测不确定性；二是归一化流（Normalizing Flow，具体采用掩蔽自回归流MAF），通过一系列可逆变换学习目标条件的概率密度分布，直接输出预测结果的完整分布特征。

研究区域选在南海（113°E–119°E，12°N–19°N），该区域包含东沙、西沙、中沙和南沙群岛，地形起伏剧烈。本文融合了SDUST2022重力异常模型、SIO垂线偏差与垂直重力梯度数据，以及NOAA船载单波束测深数据，构建了1′×1′分辨率的数据集。将船载数据分为训练集（72429点）、验证集（18122点）和独立的检验集（22499点）。利用上述三种模型，我们构建了南海海底地形模型，并对预测不确定性进行了系统性分析。

结果表明，三种基于神经网络的方法在检验点处的精度均优于传统模型topo_27.1和ETOPO2022。其中，FCNN-MCMC模型表现最优，其与船载测深差值的标准差为130.11m，相较于FCNN模型提升了8.38m，比topo_27.1模型提高了15.5%。Flow模型次之，STD为131.63m。在不确定性分析方面，两种概率模型的预测不确定性均呈现相似的空间分布特征：高不确定性区域主要集中于水深较浅（<1000m）和海底坡度较大（>10%）的区域，这反映了局部地形起伏较大区域对建模带来的挑战。从统计上看，FCNN-MCMC模型的预测不确定性分布更为集中（均值17.53m，STD 15.65m），提供了相对保守且稳定的不确定性估计；而Flow模型直接建模输出分布，能捕捉到更多数据驱动的随机变异性（均值61.46m，STD 76.57m），其不确定性区间更宽，对局部细节变化更敏感。观测噪声模拟实验进一步证实，Flow模型在处理高噪声和稀疏数据时，其不确定性估计的鲁棒性和泛化能力优于FCNN-MCMC模型。

综上所述，本研究证实了深度学习和贝叶斯方法在提升水深反演精度及量化预测不确定性方面的巨大潜力。FCNN-MCMC方法适用于需要保守、稳定风险评估的场景，而Flow模型则在捕捉数据局部变异性和处理噪声数据方面优势显著。未来融合物理约束与混合概率模型，有望进一步提高水深反演的可靠性与可解释性。