基于U-Net网络的海洋声速场重构方法及其在水下声学定位中的应用研究

为解决海洋声速场（SSF）高分辨率重构难题，研究人员创新性地将U-Net神经网络应用于SSF重建，通过离散声速剖面（SSPs）数据实现全域高精度重构。实验表明，该方法在精度上显著优于IDW、EOF、TNN和FCTN等传统方法，水下声学定位结果与真实SSF高度吻合，为海洋导航与资源开发提供了关键技术支撑。

　　

海洋占据地球表面的71%，但人类对其声学特性的认知仍受限于观测技术的不足。卫星导航（如GNSS）虽能提供陆地精确定位，却因电磁波在水中快速衰减而失效。水下声学定位依赖声波传播，但海洋声速受温度、盐度和压力影响呈现复杂时空变化（Sound Speed Field, SSF），导致声路径弯曲（Snell定律），引发定位误差。传统观测手段如Argo浮标虽能获取声速剖面（Sound Speed Profiles, SSPs），但数据稀疏且分布不均，难以满足高精度水下声学定位需求。

针对这一挑战，中国某高校的研究团队在《Ocean Engineering》发表论文，提出基于U-Net神经网络的SSF重构方法。该研究通过分析区域SSPs数据，聚焦声速突变区域，利用U-Net的编码-解码结构实现从离散样本到连续场的映射。与逆距离加权（IDW）、经验正交函数（EOF）、张量网络（TNN）和全连接张量网络（FCTN）等方法对比，U-Net在均方误差和定位精度上均表现最优。水下声学定位实验中，U-Net重构SSF的定位结果与真实SSF的偏差最小，验证了其工程实用性。

关键技术方法
研究采用实测与模拟结合的SSPs数据，基于U-Net架构设计分层卷积模块提取空间特征，通过跳跃连接保留局部细节。训练中使用均方误差损失函数优化参数，并通过交叉验证评估模型鲁棒性。实验部分对比了五种重构方法在相同数据集下的性能，并集成梯度射线追踪（Constant-Gradient Ray Tracing）进行水下定位误差分析。

研究结果

1. Related work：传统EOF方法需2-3个模态即可表征SSF主要特征，但对异常剖面需5个模态，计算效率较低。
2. Sound speed field reconstruction model：U-Net通过编码器降维提取全局特征，解码器上采样恢复分辨率，跳跃连接避免细节丢失。
3. Underwater acoustic positioning experiment：U-Net重构SSF的定位误差较IDW降低46%，且稳定性优于EOF和TNN。
4. Conclusion and outlook：U-Net为稀疏数据重构SSF提供了新范式，未来可结合实时观测数据优化动态场建模。

结论与意义
该研究首次将U-Net应用于海洋声速场重构，解决了传统方法在复杂海域的精度瓶颈。其重构SSF不仅支持高精度水下声学定位（GNSS-A），还可拓展至海洋通信、资源勘探等领域。团队指出，未来需进一步优化模型对季节性声速变化的适应性。研究获国家自然科学基金（42174021）和中央高校基金（24CX02031A）支持，为智慧海洋建设提供了关键技术储备。