采用长短时记忆网络训练的卫星重力数据粗差探测方法与应用

摘要：

粗差探测是卫星重力数据预处理环节的关键步骤.针对海量观测数据如卫星重力梯度数据,原有的粗差探测方法存在时间消耗长、准确率较低等不足.文中基于长短时记忆(LSTM)网络方法,提出了可用于重力梯度数据粗差探测的机器学习方法,实现了对长时间序列观测数据的粗差识别问题,避免了粗差对观测数据的影响.计算结果显示,LSTM训练模型的预测精度达99.4％,在预测过程中,扩大训练数据量或增加LSTM神经元的个数都可提高预测效果,且损失函数、学习率、迭代次数等是影响预测效果的主要模型参数.训练模型识别粗差实验结果表明:LSTM模型能够很好地应用于卫星重力梯度测量观测数据的粗差探测.

关键词：卫星重力梯度;粗差探测;长短时记忆网络;模型参数

所属期刊栏目：43

分类号：P315.72+6(大地（岩石界）物理学（固体地球物理学）)

在线出版日期：2021-12-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：1326-1338