2.1 引言

准确地探测和识别海底沉积物物性不仅对海洋石油勘探具有重要意义，而且对海洋工程、海洋地质、海洋渔业及水文和环境监测具有重要意义。目前，实验室沉积物样本测试是测量海底沉积物物性最为精确的方法，然而这种方法需要从海底沉积物攫取样本或岩心，费用昂贵且仅能获得一个点位上的信息；在进行超声波测试时，操作复杂耗时。此外，这一传统方法又忽略了海水对声波吸收的衰减传播，以及海底浅层沉积物含水甚至呈现半流体性状的影响因素。

为了更加精确地对海底沉积物类型进行划分，侧扫声纳影像技术开始被广泛采用，这一技术首先需要对识别海底底质进行分类训练，使其能够识别影像属性，然后再建立影像属性与海底沉积物类型之间的联系。先期培训需要大量先验信息和影像匹配，在侧扫声纳影像解释中，目前还是以人工解释为主，绘制的声纳影像也只是声纳镶嵌图。作为一种替代方法，遥感声学手段长久以来被认为是描述和划分海底沉积物物性的一个快速和具有成本效益优势的方法，这种方法主要利用来自海底反射的声波散射信号对海底沉积物进行鉴别分类。海底反射的散射信号中包含海底沉积物物性信息，可以用来评估海底沉积物的粒度大小和粗糙程度，这一方法被广泛应用在单波和多波束探测仪器上。然而，海底沉积物在粒度上多变，横向不均匀性显著，这给散射信号的解释带来了很大误差。此外，通常对散射数据的解释需要一个先验资料数据库，供以后进行多波束海底底质分类使用，这就需要大量的海底已知信息作为验证。

此外，反演和匹配场处理也被用于对海底沉积物的描述和分类中，然而在实时处理时，基于模型的大数据计算要求阻碍了这一方法的应用，并且海底界面不平整，散射和背景噪声的干扰会对波阻抗等参数的准确性造成很大干扰。在海底沉积物的分类识别中，人工神经网络技术被广泛应用，选择合适的回声特征类型进行训练和输入是利用神经网络方法识别海底沉积物能否成功的关键，不合适的输入会在训练和识别时发生错误。因而，准确选择具有显著识别特征的回声属性类型显得尤为重要。

海底沉积物物性信息包含在反射的声波信号中，为了更好地提供更加敏感和准确识别沉积物类型的属性参数，众多基础科学研究和试验相继展开。中国科学院南海海洋研究所探讨了利用声速、波形和振幅3个参数来判别沉积物物性，论证了利用这3个参数定性判断沉积物物性的方法，由于试验方法和步骤简单、粗糙，仅给出了利用这3个参数识别沉积物物性的可行性，并没有给出较为定量的参考数据。英国帝国理工学院利用环形超声波导波测量了S波和P波在海底未固结沉积物中的传播速度，讨论了超声波导波在沉积物中的衰减特征，为海底沉积物识别提供参考数据。英国国家海洋学中心在实验室测量了砂岩和灰岩超声波品质因子在超压条件下的数值变化特征，并尝试利用品质因子分辨岩性，但未考虑海底沉积物半流体和未固结的特征。东京大学通过实验室测量了在不同温度和频率情况下，超声波衰减受微观孔隙影响的特征，探索了孔隙参数和海水温度变化对超声波衰减的影响。

目前，海洋浅层沉积物物性识别研究基本停留在海洋声学角度，通常采用的在海水中实际测量识别的方法会受噪声干扰而使识别结果缺乏准确的检验标准，而利用海底采样结合实验室测量的方式忽略了海水对声波吸收的衰减传播，以及海底浅层沉积物含水甚至呈半流体特征的影响因素。因此，如何在应用广泛的人工神经网络识别算法中，选取最合适的算法用于神经网络的训练和输入，这需要更加全面的基础试验分析。为了解决这些问题，本书作者在山东科技大学沉积成矿作用与沉积矿产重点实验室设计了深海沉积环境的水槽超声实验系统，分别模拟了不同孔隙度和密度的海底沉积物基质的声波信号，统计对比了在不同介质、不同孔隙度和密度条件下，不同超声波属性之间的关系和变化特征，为海底沉积物物性探测划分提供了直接的参考数据，并为用海底表层反射地震数据识别海底沉积物提供了物理模拟基础。