中大气中声气传输损失的深度学习建模方法

准确建模声气传输损失（TLs）对于评估全球国际监测系统声气网络的性能至关重要。在现有的传播建模工具中，抛物方程（PE）方法能够对TLs进行细致建模，但其计算成本不允许在操作监测应用中探索大参数空间。为减少计算时间，Brissaud等人2023年探索了使用在大量区域性模拟波场（<1000 km从源头）上训练的卷积神经网络来预测TLs的潜力，计算时间几乎与PE模拟相当。然而，这种方法在不利的初始风力条件下，尤其是在高频率下，难以处理，以及风力在大距离远离源头处对靠近源头的地面TLs存在因果问题。在本研究中，我们开发了一个优化后的卷积网络，旨在最小化预测误差，同时从全球模拟的组合温度和风场中预测TLs，覆盖超过4000 km的传输范围。我们的ethods通过实施关键优化提高了整体架构性能。所实现的模型在整个频率段（0.1-3.2 Hz）内预测TLs的平均误差为8.6 dB，并探索了真实的大气情景。