1.一种基于地形单元分区使用机器学习反演海底地形的方法，其特征在于，包括：S1.从重力异常中分离出短波重力异常；

S2.从垂直重力梯度异常分离出残余垂直重力梯度异常；

S3.将重力异常、短波重力异常、垂直重力梯度异常和残余垂直重力梯度异常组成机器学习模型所需的特征数据集，特征数据集构成训练集，格网化的特征数据集组成预测集，机器学习模型使用BP神经网络模型；

S4.将训练集与水深数据作相关性分析，采用皮尔逊相关系数衡量训练集和水深数据之间的相关性，根据训练集与水深数据的相关性决定训练集在训练模型时所占权重比例；

将所有训练集输入机器学习模型进行训练，再将预测集输入到训练好的机器学习模型中，得到全区水深值；

S5.将全区水深值格网化，得到全区海底地形模型；

由全区海底地形模型判断该区具有的地形地貌，将研究区的地形按照海岭、海沟、海盆三种地形特征进行地形单元分区，将各个子区域的船测水深数据和重力数据分别进行步骤S1,S2,S3处理，得到各个子区域的特征数据集，将船测水深控制点位置的特征数据集作为分区训练集，分区训练集输入机器学习模型进行训练，再将分区预测集输入到机器学习模型，得到分区预测结果，并将分区预测结果融合得到整体区域最终的水深；

S1包括：

实测单波束点的短波重力Δgres使用控制点jn水深通过布格板公式进行计算：式中， 表示在控制点jn上的短波分量；G为引力常数；Δρ为海水和海底洋壳之间的最优密度差异常数；D表示参考水深，取船载测深数据的最大水深； 为控制点水深值；

采用迭代法计算不同密度差异常数对应的预测水深与实测水深的相关关系和均方根误差，当均方根误差最小且相关系数最大时的密度差异常数即为最优值；

S2包括：

将重力数据和水深看作两种不同的信号，两者的相干性为：

其中，为互谱相干函数；G(k)、H(k)分别代表重力信号的傅里叶变换和地形信号的傅* *里叶变换；G(k)、H(k)分别代表G(k)、H(k)的复数共轭；

对去趋势后的水深数据和垂直重力梯度异常进行相干性分析，选取 大于0.5的波段范围内的数据进行线性回归，并获取到波段垂直重力梯度异常‑波段水深比例因子，将得到的比例因子与船测水深相乘，得到参考垂直重力梯度异常，用垂直重力梯度异常减去参考垂直重力梯度异常，得到测深点的残余垂直重力梯度异常，内插得到研究区的垂直重力梯度异常场。

2.根据权利要求1所述的一种基于地形单元分区使用机器学习反演海底地形的方法，其特征在于，得到短波重力异常后，使用实测单波束点位的重力异常减去短波重力异常得到各点的长波重力异常，将长波重力异常格网化处理，再用格网化的重力异常减去格网化的长波重力异常，得到格网化的短波重力异常。