基于深度学习的声呐事件检测能力实时评估：利用传输损失估计

准确建模声呐传输损失对于评估国际监测系统的性能至关重要，从而支持对Comprehensive Nuclear-Test-Ban Treaty的合规性进行有效设计和维护声呐站点。然而，现代传播建模工具虽然能够使用大气模型对传输损失进行精细仿真，但计算成本高昂，限制了在实际监测应用中探索大参数空间的可能性。为此，近期研究尝试利用深度学习算法实现传输损失预测几乎即时。然而，采用 nudged 大气模型导致对介质的表述不完整，且缺乏温度作为输入，使算法不适用于长程传输。本研究通过将风场和温度场作为神经网络的输入，模拟至130公里的高度和4000公里的距离，来克服这些限制。我们还优化了神经网络架构的多个方面。我们利用卷积层和循环层捕获真实大气模型中嵌入的空间特征和距离相关特征，从而提升整体性能。该神经网络相较于完全抛物线方程仿真，平均误差为4 dB，并提供信念不确定性和数据相关不确定性估计。其在2022年Hunga Tonga-Hunga Ha'apai火山喷发事件上的评估，证明了其在未包含于训练数据的大气条件和频率下的预测能力。这标志着对国际监测系统爆炸源检测阈值的近实时评估迈出了重要一步。