海洋覆盖了地球表面的71%，海底地形是固体地球的基本特征之一。高精度、高分辨率的海底地形模型对于推动板块构造理论、揭示海山和海盆相关的地质过程以及研究海洋环流和气候变化都至关重要。然而，传统的海底测绘主要依赖船载声学测深，其空间覆盖范围有限，导致全球约75%的海底地形尚未被精确测量。这极大地限制了对深海地质过程、海洋资源勘探和全球气候变化的理解。

随着卫星测高技术的发展，特别是表面水和海洋地形（Surface Water and Ocean Topography, SWOT）宽幅测高卫星的出现，为海底地形预测带来了新的机遇。SWOT卫星能够提供高空间分辨率的海洋重力场数据，有望揭示更详细的海底结构。在此背景下，研究人员建立了融合SWOT重力数据和船测水深构建高精度海底地形模型的深度神经网络方法（DNN），并反演了西北太平洋1′×1′海底地形模型。经与船测水深检核点对比，模型精度达97.5m，较传统的GGM和SAS方法分别提高了19.5%和9.9%。

本项研究工作由中国地震局地震研究所与武汉大学合作完成，刘行为第一作者，胡敏章研究员为通讯作者。

全文链接：https://academic.oup.com/gji/article/244/3/ggag001/8414047?login=false

图1 多种海底地形模型对比。GEBCO_2024海底地形模型，（b）基于GGM方法反演的海底地形模型，（c）基于SAS方法反演的海底地形模型，（d）基于深度神经网络方法反演的海底地形模型.

图2 Agrihan 海山反演效果对比。深度神经网络方法（DNN）反演结果（f）较好回复了实际地形（b），较GGM方法反演结果（c）和SAS方法反演结果（e）有显著提升.