基于全连接神经网络的多源数据融合局部海洋地磁异常模型重建方法

《Journal of Marine Science and Engineering》：Local Marine Geomagnetic Anomaly Model Reconstruction via Multi-Source Data Fusion Based on Fully Connected Neural Network

　　

地磁参考图是水下地磁匹配导航的重要组成部分，直接影响导航与定位精度。然而，代表性的全球地磁模型仍无法完全满足高精度匹配导航的要求。为此，本研究提出一种基于全连接神经网络的局部海洋地磁异常模型重建方法（MAG-DFN）。该方法以EMAG2模型作为背景场，从船载测量数据中学习模型残差，从而重建地磁模型。研究人员选取南海和西太平洋的两个子区域进行实验，每个区域包含两个被留出的1°×1°验证块，并引入四种基线方法进行比较。结果表明，MAG-DFN在四个验证块中分别将平均绝对误差（MAE）降低了14.71%、23.35%、22.09%和8.96%，将均方根误差（RMSE）降低了12.41%、18.87%、16.73%和6.65%。此外，MAG-DFN在所有基线方法中表现最优。这些结果表明，MAG-DFN方法通过融合高精度船载数据，能够有效降低EMAG2的局部偏差，更好地支撑匹配导航应用。

基于全连接神经网络的多源数据融合局部海洋地磁异常模型重建：论文解读

一、研究背景与问题

地磁场是地球的基本物理场之一，海洋地磁场是海洋环境的重要组成部分。地磁信息具有无源性、无辐射性和抗干扰能力强等特性，因此被纳入水下被动导航系统，用以辅助惯性导航系统，提升水下导航系统的可靠性与精度。水下地磁匹配导航是长航时水下被动导航领域的关键技术之一，而地磁参考图是地磁匹配导航系统的核心组成部分，其精度直接决定导航定位的基准精度。

当前广泛使用的全球主地磁场模型如IGRF和WMM，其球谐展开阶数仅为数十阶，空间分辨率达数千公里级别，对区域地磁场的表征精度较低，难以满足高精度导航定位需求。相比之下，磁异常场被认为更适合用于导航。全球磁异常模型EMAG2是目前精度最高的地磁异常模型之一，由卫星、船载和航空磁测数据编译而成，空间分辨率为2′×2′。然而，尽管EMAG2引入了大量新的海洋和航空地磁数据，但其空间分辨率仍局限于2′，限制了其对局部海洋地磁异常的刻画能力，在一些区域存在较大误差。传统插值方法如克里金法及其变种、径向基函数方法在地磁数据插值和重建中已有成熟应用，但在面对EMAG2等全球网格数据集的大范围数据空缺时往往无法有效恢复缺失信息。近年来，人工智能方法在稀疏地磁异常数据重建方面取得突破，但现有方法高度依赖有限测量数据的空间统计关系，主要采用数据驱动的插值重建框架推断无测量区域，对地磁场物理特性的利用有限。当测量数据稀疏或存在缺失值时，重建过程缺乏充分约束，易产生与实际地磁空间分布不一致的伪影，影响地磁模型重建的准确性与可靠性。此外，现有方法在自动化和计算效率方面也存在局限，难以满足大面积海域快速地磁重建和水下地磁匹配导航的实际需求。

另一方面，现有海洋地磁场模型的数据来源高度异质。卫星、船载和航空磁测数据在空间覆盖和分辨率上具有高度互补性。船载和航空磁测在精度和分辨率方面具有优势，但海洋区域的此类数据仍然不足，许多地区仍为测量空白区。因此，水下地磁匹配导航的实际应用迫切需要开发有效的多源数据融合方法，增强数据驱动约束，协同整合多源信息，构建具有更高重建精度的地磁场模型。

二、研究方法概述

研究人员提出了一种基于全连接神经网络（FC-DNN）架构的多源数据融合方法MAG-DFN，用于精细重建海洋地磁场模型。该方法以EMAG2 V3地磁模型提供的大尺度背景场为基础，融入船载地磁测量中包含的高精度和高分辨率信息。关键技术包括：（1）残差学习策略：将地理坐标和EMAG2背景模型的磁异常值作为网络输入，将船载测量值与EMAG2对应值的差异定义为残差并作为监督信号，使网络专注于学习EMAG2难以表征的局部地磁异常特征；（2）全连接网络架构：输入层包含经度、纬度和EMAG2磁异常值三个特征，隐藏层配置为三个全连接层，神经元数量分别为20、10和5，激活函数使用ReLU，输出层使用线性激活函数；（3）优化策略：采用均方误差（MSE）作为损失函数，Adam优化算法更新参数，初始学习率为0.001，训练80个epoch，批次大小为128。研究区域为南海（17–21°N，112–120°E）和西太平洋（20–24°N，122–130°E）各4°×8°的子区域，船载测量数据来自中国国家海洋科学数据中心公开数据集，未纳入EMAG2v3模型。数据经过质量控制和交叉点平差处理后，在A区和B区分别保留85,126点和40,394点，并在每个区域设置两个1°×1°的留出验证块。

三、研究结果

3.1 重建的FN_MAG模型

研究人员利用MAG-DFN方法从EMAG2模型重建得到FN_MAG地磁异常模型。通过计算预测残差（FN_MAG减去EMAG2）的分布，观察到FN_MAG相对于EMAG2在局部尺度上的细节差异，正值表示FN_MAG增加了磁异常值，负值表示减小。

3.2 方法评估

为评估随机初始化对结果稳定性的影响，每次实验使用随机种子1–5重复五次，结果以均值±标准差报告。FN_MAG与EMAG2及四种基线方法（常数偏差移除、克里金法、高斯过程回归GPR、随机森林）进行比较，所有方法均在相同的独立验证点上评估。结果显示，FN_MAG在所有四个验证块中均取得最低的均方根误差（RMSE）。与EMAG2相比，FN_MAG在A-1、A-2、B-1和B-2验证块中分别将平均绝对误差（MAE）降低了14.71%、23.35%、22.09%和8.96%，将RMSE降低了12.41%、18.87%、16.73%和6.65%，表明与船载测量数据的一致性更高。与四种基线方法相比，MAG-DFN在验证区域表现相对更优，表明模型具有良好的空间外推能力。输入消融研究表明，加入EMAG2异常值作为额外输入显著提升了预测性能，在四个验证块中RMSE分别降低了42.21%、70.82%、28.67%和31.34%，MAE分别降低了46.59%、72.24%、24.57%和26.08%，证实了EMAG2背景值为预测局部残差提供了关键信息。

四、结论与讨论

总体而言，MAG-DFN方法结合了EMAG2的大尺度背景场与船载测量数据，与船载数据的一致性改善表明网络捕捉到了EMAG2未能表征的部分局部异常信息。基线比较证实MAG-DFN优于EMAG2及所有基线方法，表明改进不仅仅是简单的偏差校正，而是反映了网络捕获局部异常结构的能力。输入消融研究进一步表明EMAG2背景值是必要的输入特征。

研究结论如下：本研究提出了一种基于全连接神经网络的局部海洋地磁异常模型重建方法MAG-DFN。该方法以EMAG2模型为先验背景场输入，利用船载地磁测量构建残差监督信息，通过残差学习有效融合两类信息以重建EMAG2模型。为评估方法性能，在南海和西太平洋选取两个子区域进行实验，每个区域设置两个1°×1°的留出验证块以评估空间泛化能力，并引入四种基线方法进行比较。结果表明，FN_MAG在所有验证块中一致优于EMAG2和所有基线方法。与EMAG2相比，FN_MAG显著降低了MAE和RMSE，与船载测量的符合相关系数（CCC）大幅提高。更重要的是，相对于四种基线方法，FN_MAG进一步降低了MAE和RMSE，确认了改进超越了简单的偏差校正，网络捕捉到了EMAG2未能表征的局部异常结构。输入消融研究进一步证明了EMAG2背景值的必要性。这些结果表明MAG-DFN在匹配导航应用中具有潜在价值，并为未来海洋地磁建模提供了有益参考。