1月17日，中国测绘科学研究院重力场与垂直基准团队在国际大地测量权威期刊《Journal of Geodesy》在线发表研究论文《Physics-informed neural networks for geoid modeling》，标志着测科院在物理可解释深度学习大地水准面建模方面取得重要进展，亦是测科院落实 “人工智能 +” 发展行动的重要成果之一。
地球重力场与大地水准面建模是大地测量学的核心任务，其目标是构建1厘米精度重力大地水准面、1~2 毫伽精度重力场模型。经典物理大地测量理论与方法在处理多源异构重力观测数据时存在局限，而纯数据驱动的机器学习技术因 “黑盒” 特性导致物理机制不明，无法满足大地测量对精度、可靠性与可信度的严苛要求。
针对这一关键难题，研究团队创新提出基于物理信息神经网络（PINN）的重力场与大地水准面建模方法。该方法创新性融合卷积神经网络（CNN）与多层感知机（MLP）的技术优势，先通过 CNN 精准提取不同类型重力数据的多尺度特征，再利用 MLP 建立特征与重力位之间的精准映射关系。关键技术突破在于，团队将重力位拉普拉斯方程、重力异常及重力扰动微分方程等物理定理作为约束嵌入模型损失函数，有效提升了机器学习方法的物理可解释性与透明度。以典型山区为试验区的验证结果显示，PINN 大地水准面模型精度较经典物理大地测量方法及纯数据驱动神经网络方法实现显著提升；即便在数据稀疏的复杂场景下，PINN建模方法仍展现出优异的泛化能力。此外，物理约束的引入有效平衡了大地水准面的全局特性与局部细节特征，确保神经网络契合物理大地测量基本定理。
此项研究为物理信息机器学习与大地测量的深度融合奠定了坚实基础，对高精度地球重力场建模、高程基准建立与维持，以及国家重大工程测绘保障等领域具有重要价值。
此外，该团队近两年来持续产出高质量成果，先后在《Geophysical Journal International》《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》《International Journal of Applied Earth Observation and Geoinformation》及《测绘学报》等国内外权威期刊发表系列论文，覆盖物理大地测量基础理论、珠峰高程测量关键技术、大地水准面变化建模、高程基准维持、卫星测高数据波形重跟踪及海洋重力场与海底地形协同反演等多个方面。
PINN大地水准面建模方法
相关论文链接：
1.https://link.springer.com/article/10.1007/s00190-025-02017-6
2.https://www.tandfonline.com/doi/pdf/10.1080/10095020.2022.2128901
3.https://academic.oup.com/gji/article/239/1/754/7740797?login=false
4.https://www.sciencedirect.com/science/article/pii/S1569843224007040
5.https://academic.oup.com/gji/article/242/2/ggaf215/8168479?searchresult=1&login=false
6.https://ieeexplore.ieee.org/abstract/document/10979435
7.https://ch.whu.edu.cn/article/doi/10.13203/j.whugis20240070
8.http://xb.chinasmp.com/CN/10.11947/j.AGCS.2025.20250102
9.http://xb.chinasmp.com/CN/10.11947/j.AGCS.2025.20250141
10.http://xb.chinasmp.com/article/2024/1001-1595/20240207.htm
京公网安备 11010802031220号