بهبود تخمین منطقه‌ای عمق‌ بستر دریا با استفاده از تلفیق داده‌ها و داده‌گواری مشاهدات ژئودزی (مطالعه موردی: خلیج فارس و دریای عمان)

محمد, محمد علی; جزیریان, ایرج; پیروزنیا, محمود

بهبود تخمین منطقه‌ای عمق‌ بستر دریا با استفاده از تلفیق داده‌ها و داده‌گواری مشاهدات ژئودزی (مطالعه موردی: خلیج فارس و دریای عمان)

نوع مقاله : مقاله پژوهشی

نویسندگان

محمد علی محمد ¹

ایرج جزیریان ²

محمود پیروزنیا ³

¹ دانشجوی دکترا، دانشگاه صنعتی خواجه نصیرالدین طوسی

² استادیار دانشکده ژئوماتیک دانشگاه خواجه نصیر الدین طوسی

³ استادیار گروه مهندسی نقشه برداری، دانشکده عمران، آب و محیط زیست، دانشگاه شهید بهشتی

چکیده

مدل‌سازی دقیق عمق دریاها در کاربردهای مختلف دریایی ازجمله ناوبری، اکتشاف منابع و مطالعات زیست‌محیطی اهمیت زیادی دارد. در این مطالعه یک رویکرد نوآورانه برای تقویت مدل‌سازی عمق‌سنجی در خلیج‌فارس و دریای عمان با استفاده از تکنیک‌های تلفیق داده و داده‌گواری مشاهدات ژئودزی ارائه شده است. رویکرد مذکور شامل ادغام مأموریت‌های ارتفاع‌سنجی ماهواره‌ای، مدل ثقلXGM2019e و داده‌های گرانش دریایی برای استخراج آنومالی ثقل است. با استفاده از سرشکنی و وزن‌دهی از روش تخمین مؤلفه‌های واریانس، این سه منبع داده برای برآورد آنومالی ثقل نهایی تلفیق شده است. مقایسه پروفیل‌های کنترل آنومالی ثقل دریایی با ارتفاع‌سنجی ماهواره‌ای، XGM2019e و آنومالی ثقل نهایی، دقت بهتر آنومالی ثقل تلفیقی را در مقایسه با آنومالی جاذبه به‌دست‌آمده از ارتفاع‌سنجی ماهواره‌ای و مدل ثقلXGM2019e نشان می‌دهد. در مرحله بعد، آنومالی ثقل تلفیقی در مدل فیزیکی پارکر برای تخمین عمق دریا مورداستفاده قرار گرفت. برای اصلاح عمق‌سنجی تخمین زده شده و دستیابی به کالیبراسیون محلی، از روش داده‌گواری سه‌بعدی (3DVAR) استفاده گردیده و مشاهدات اکوساندر برای بهبود تخمین عمق در مدل فیزیکی داده‌گواری شده است. درنهایت عمق داده‌گواری شده با عمق نقاط کنترل که از مشاهدات اکوساندر به دست می‌آیند، مقایسه و تأیید می‌شود. نتایج نشان می‌دهد که داده‌گواری مدل، در افزایش دقت برآورد عمق‌ به‌دست‌آمده از مدل فیزیکی مؤثر است.

کلیدواژه‌ها

عمق‌سنجی

داده‌گواری

ارتفاع‌سنجی ماهواره‌ای

مدل پارکر

روش برآورد مولفه‌های وریانس

20.1001.1.24767131.1403.10.1.5.7

موضوعات

ناوبری

عنوان مقاله English

Improving Regional Bathymetry Estimation Using Data Integration and Assimilation of Geodetic Observations (Case Study: Persian Gulf and Sea of Oman)

نویسندگان English

Mohammad Ali Mohammad ¹

Iraj Jazireeyan ²

Mahmoud Pirooznia ³

¹ K. N. Toosi University of Technology

² Faculty of Geodesy and Geomatics Engineering, K.N.Toosi University of Technology,Tehran, Iran

³ shahid beheshti

چکیده English

Accurate bathymetry modeling is crucial for various marine applications, including navigation, resource exploration, and environmental studies. This study presents an innovative approach to enhance bathymetric modeling in the Persian Gulf and Sea of Oman by integrating data assimilation techniques with geodetic observations. The method combines satellite altimetry missions, the XGM2019e gravity model, and ship-borne marine gravity data to derive gravity anomalies. Using the Variance Component Estimation (VCE) method for weighting and residual analysis, these three data sources are fused to produce a final gravity anomaly estimate. Comparison of ship-borne gravity anomaly control profiles with satellite altimetry, XGM2019e, and the integrated gravity anomaly demonstrates the superior accuracy of the integrated product over individual data sources. Subsequently, the integrated gravity anomaly is applied within the Parker physical model to estimate seabed depth. To refine the estimated bathymetry and achieve local calibration, three-dimensional variational data assimilation (3DVAR) is employed, incorporating echosounder observations to improve depth estimates in the physical model. Finally, the assimilated bathymetry is validated against control points obtained from echosounder measurements. Results indicate that data assimilation significantly enhances the accuracy of bathymetric estimates derived from the physical model.

کلیدواژه‌ها English

Bathymetry

Data Assimilation

Satellite Altimetry

Parker Model

Variance Component Estimation (VCE)

[1] Abulaitijiang A. Marine gravity and bathymetry modelling from recent satellite altimetry]PhD thesis.[ DTU space: National space institute;2019.

[2] Yang J. Seafloor Topography Estimation from Gravity Gradients[Ph D thesis]. Ohio State University; 2017.

[3] Wu Y, Wang J, He X, Wu Y, Jia D, Shen Y. Coastal bathymetry inversion using SAR-based altimetric gravity data: A case study over the South Sandwich Island. Geodesy and Geodynamics. 2023 May 1;14(3):212-2.

[4] Mayer L, Jakobsson M, Allen G, Dorschel B, Falconer R, Ferrini V, Lamarche G, Snaith H, Weatherall P. The Nippon Foundation—GEBCO seabed 2030 project: The quest to see the world’s oceans completely mapped by 2030. Geosciences. 2018 Feb 8;8(2):63.

[5] Hwang C, Lee BY, Kim KB, Kim JW, Hsiao YS. Bathymetry estimation using the gravity-geologic method: an investigation of density contrast predicted by the downward continuation method. Ocean Science. 2011;21. 347-358.

[6] Smith WH, Sandwell DT. Conventional bathymetry, bathymetry from space, and geodetic altimetry. OCEANOGRAPHY-WASHINGTON DC-OCEANOGRAPHY SOCIETY-. 2004 Mar 1;17(1):8-23.

[7] Mudiyanselage SD, Wilkinson B, Abd-Elrahman A. Automated High-Resolution Bathymetry from Sentinel-1 SAR Images in Deeper Nearshore Coastal Waters in Eastern Florida. Remote Sensing. 2024; 16(1):1. https://doi.org/10.3390/rs16010001

[8] Lyzenga DR. Shallow-water bathymetry using combined lidar and passive multispectral scanner data. International journal of remote sensing. 1985 Jan 1;6(1):115-25.

[9] Hsiao YS, Hwang C, Cheng YS, Chen LC, Hsu HJ, Tsai JH, Liu CL, Wang CC, Liu YC, Kao YC. High-resolution depth and coastline over major atolls of South China Sea from satellite altimetry and imagery. Remote Sensing of Environment. 2016 Apr 1;176:69-83.

[10] Hugue F, Lapointe M, Eaton BC, Lepoutre A. Satellite-based remote sensing of running water habitats at large riverscape scales: Tools to analyze habitat heterogeneity for river ecosystem management. Geomorphology. 2016 Jan 15;253:353-69.

[11] Parker RL. The rapid calculation of potential anomalies. Geophysical Journal International. 1973 Mar 1;31(4):447-55.

[12] Ibrahim A, Hinze WJ. Mapping buried bedrock topography with gravity. Groundwater. 1972 May;10(3):18-23.

[13] Khan MA, Sharma N, Lama GF, Hasan M, Garg R, Busico G, Alharbi RS. Three-dimensional hole size (3DHS) approach for water flow turbulence analysis over emerging sand bars: Flume-scale experiments. Water. 2022 Jun 12;14(12):1889.

[14] Xu C, Li J, Jian G, Wu Y, Zhang Y. An adaptive nonlinear iterative method for predicting seafloor topography from altimetry‐derived gravity data. Journal of Geophysical Research: Solid Earth. 2023 Jan;128(1):e2022JB025692.

[15]Lecours V, Dolan MF, Micallef A, Lucieer VL. A review of marine geomorphometry, the quantitative study of the seafloor. Hydrology and Earth System Sciences. 2016 Aug 9;20(8):3207-44.

[16] Hsiao YS, Hwang C, Cheng YS, Chen LC, Hsu HJ, Tsai JH, Liu CL, Wang CC, Liu YC, Kao YC. High-resolution depth and coastline over major atolls of South China Sea from satellite altimetry and imagery. Remote Sensing of Environment. 2016 Apr 1;176:69-83.

[17] Bhattacharyya R, Majumdar TJ. Bathymetry prediction over a part of the Bombay High in the western offshore using very high resolution satellite gravity data. Current science. 2009 Oct 25:1152-61.

[18] Jung WY, Vogt PR. Predicting bathymetry from Geosat-ERM and shipborne profiles in the South Atlantic Ocean. Tectonophysics. 1992 Sep 15;210(3-4):235-53.

[19] Wan X, Liu B, Sui X, Annan RF, Hao R, Min Y. Bathymetry inversion using the deflection of the vertical: A case study in South China Sea. Geodesy and Geodynamics. 2022 Sep 1;13(5):492-502.

[20] Fan D, Li S, Li X, Yang J, Wan X. Seafloor topography estimation from gravity anomaly and vertical gravity gradient using nonlinear iterative least square method. Remote Sensing. 2020 Dec 26;13(1):64.

[21] Al Najar M, Thoumyre G, Bergsma EW, Almar R, Benshila R, Wilson DG. Satellite derived bathymetry using deep learning. Machine Learning. 2023 Apr 1:1-24.

]22[ آزموده اردلان علیرضا، پورمینا امیرحسین. عمق‌سنجی سواحل بندر جاسک با استفاده از تصاویر راداری مأموریت Sentinel-1. نشریه علمی پژوهشی علوم و فنون نقشه برداری. 1400؛ 11(2): 115-127.

]23[ صفری عبدالرضا، شریفی محمدعلی، بحرودی عباس، زارعی صمد. تخمین عمق در دریا با استفاده از آنومالی جاذبی حاصل از ارتفاع‌سنجی ماهواره‌ای به روش کالوکیشن کمترین مربعات (مطالعه موردی: دریای عمان). نشریه مهندسی نقشه برداری و اطلاعات مکانی. 1393؛ 5(3): 1-3.

]24[ طورچی مقدم حمیدرضا، سلطانپور علی. تهیه نقشه توپوگرافی بستر دریا از روی اطلاعات آنومالی جاذبه با استفاده از مشاهدات ماهواره‌های ارتفاع‌سنجی (منطقه موردمطالعه: دریای خزر). مجله علمی پژوهش‌های کاربردی در علوم زمین. 1393؛ 1(3):57-69.

[25] Watts AB. An analysis of isostasy in the world's oceans 1. Hawaiian‐Emperor Seamount Chain. Journal of Geophysical Research: Solid Earth. 1978 Dec 10;83(B12):5989-6004.

[26] Calmant S, Berge-Nguyen M, Cazenave A. Global seafloor topography from a least-squares inversion of altimetry-based high-resolution mean sea surface and shipboard soundings. Geophysical Journal International. 2002 Dec 1;151(3):795-808.

[27] Smith WH, Sandwell DT, Raney RK. Bathymetry from satellite altimetry: Present and future. In:Proceedings of OCEANS 2005 MTS/IEEE 2005 Sep 17 (pp. 2586-2589). IEEE.

[28] Yesson C, Clark MR, Taylor ML, Rogers AD. The global distribution of seamounts based on 30 arc seconds bathymetry data. Deep Sea Research Part I: Oceanographic Research Papers. 2011 Apr 1;58(4):442-53.

[29] Xiang X, Wan X, Zhang R, Li Y, Sui X, Wang W. Bathymetry inversion with the gravity-geologic method: A study of long-wavelength gravity modeling based on adaptive mesh. Marine Geodesy. 2017 Sep 3;40(5):329-40.

[30] Soltanpour A, Pirooznia M, Aminjafari S, Zareian P. Persian gulf and Oman sea tide modeling using satellite altimetry and tide gauge data (TM-IR01). Marine Georesources & Geotechnology. 2018 Aug 18;36(6):677-87.

[31]Zingerle P, Pail R, Gruber T, Oikonomidou X. The combined global gravity field model XGM2019e. Journal of geodesy. 2020 Jul;94(7):66.

[32] Mulet S, Rio MH, Etienne H, Artana C, Cancet M, Dibarboure G, Feng H, Husson R, Picot N, Provost C, Strub PT. The new CNES-CLS18 global mean dynamic topography. Ocean Science. 2021 Jun 17;17(3):789-808.

[33] Fang Y, He S, Meng X, Wang J, Gan Y, Tang H. A fast method for calculation of marine gravity anomaly. Applied sciences. 2021 Jan 30;11(3):1265.

[34] Moritz H. Advanced least-squares methods. Ohio State University. Division of Geodetic Science; 1972.

[35] Amiri‐Simkooei AR, Tiberius CC, Teunissen PJ. Assessment of noise in GPS coordinate time series: methodology and results. Journal of Geophysical Research: Solid Earth. 2007 Jul;112(B7).

[36] Oldenburg DW. The inversion and interpretation of gravity anomalies. Geophysics. 1974 Aug;39(4):526-36.

[37] Pirooznia M, Raoofian Naeeni M, Tourian MJ. Modeling total surface current in the Persian Gulf and the Oman Sea by combination of geodetic and hydrographic observations and assimilation with in situ current meter data. Acta Geophysica. 2023 Dec;71(6):2839-63.

[38] Pirooznia M, Voosoghi B, Poreh D, Amini A. Integrating Hydrography Observations and Geodetic Data for Enhanced Dynamic Topography Estimation. Remote Sensing. 2024 Jan 30;16(3):527.

[39] Pirooznia M, Raoofian Naeeni M. The application of least-square collocation and variance component estimation in crossover analysis of satellite altimetry observations and altimeter calibration. Journal of Operational Oceanography. 2020 Jul 2;13(2):100-20.