冯进凯，王庆宾，赵东明，杨 洋，黄子炎，黄 炎

（1. 信息工程大学，郑州 450001；2. 郑州大学，郑州 450001）

重力数据是研究重力场理论和应用的基础。为使用的方便，重力数据一般需要以等经纬度格网的数字形式存储，以格网中点重力值表征网格区域内重力场特征。但在实际测量过程中，实测点通常按照测线方式推进、闭合。而且测量过程中容易受到地形等外界因素的干扰，实际测量数据不一定是格网中点的重力值，这就需要对实测重力点进行格网化，使其按照一定的分辨率等经纬度排列，以利于重力数据的建模和应用[1]。

传统的重力数据格网化的本质是数学拟合，其原理是对已知的离散重力实测数据进行数学内插或外推，从而求得未知点（格网点中点）的重力值。常用的方法有曲面拟合法、反距离加权法[2]、Shepard 拟合方法[3]、Kriging 方法[4,5]以及最近兴起的BP-神经网络和深度学习拟合算法[6]，这些方法从二维数值拟合的角度出发处理重力实测数据，达到了一定的精度，但是这类方法忽略了重力场数据本身具有的物理特性。文献[7]研究表明，由于地球重力场信号的中高频部分和地形之间存在较强的函数关系，在一定范围内，地形数据和重力数据展现出极强的相似性。而且，现阶段全球地形数据已经能达到相当的精度和分辨率，这为利用结合地形数据进行重力数据的格网化奠定了基础。基于此，本文利用重力场数据频谱叠加原理，在顾及重力数据物理特性的基……