本研究采用多层感知器（MLP）神经网络融合多源海洋大地测量数据。构建了一套覆盖180°E–180°W、80°S–80°N，网格分辨率为1′×1′的全球海洋新水深模型——山东科技大学2023全球海图（SDUST2023BCO）。所采用的多源海洋大地测量数据包括：山东科技大学发布的重力异常数据、斯克里普斯海洋研究所发布的垂向重力梯度与垂向偏转数据，以及法国国家空间研究中心发布的平均动力地形数据。首先，基于多源海洋大地测量数据组织MLP模型的输入与输出训练数据；其次，将目标点位的输入数据输入训练完成的MLP模型以获取预测水深；最终构建了覆盖全球海域、分辨率达1′×1′的高精度海底地形模型。通过将SDUST2023BCO模型与船载单波束测深数据以及GEBCO_2023和topo_25.1模型进行对比，评估了该模型的有效性与可靠性。结果表明，SDUST2023BCO模型精确可靠，能有效捕捉并反映全球海洋地形信息。
数据来源于https://doi.org/10.5281/zenodo.13341896 。
本研究重点是建立一个新的全球（南纬80°–北纬80°，东经180°-西经180°）水深模型，名为山东理工大学2023年海洋水深图（SDUST2023BCO）。该模型基于MLP神经网络构建，利用训练/预测点的多源海洋大地测量数据（重力异常、垂直重力梯度、垂直偏转的主分量和素数、平均动态地形）与其周围网格点之间的差异构建。通过与GEBCO_2023和topo_25.1模型进行比较SDUST2023BCO模型的可靠性得到了验证。
SDUST2023BCO已达到国际先进的全球水深模型水平。SDUST2023BCO模型的准确性优于GEBCO_2023和topo_25.1模型，尤其是在较深水域。
本作品采用
知识共享署名
4.0 国际许可协议进行许可。
CSTR:11738.11.NCDC.ZENODO.DB7080.2026
10.5281/zenodo.13341896
