传统的水深测量方法多通过舰载声纳实地探测的方法,灵活性较差且水深资料更新周期长,并且在某些海域,船只往往难以靠近从而无法完成测量.本文使用七连屿海域附近的WorldView-2多光谱遥感影像构建了基于梯度提升决策树(Gradient Boosting Decision Tree,GBDT)算法的水深反演模型,并利用单波束与人工测量相结合的水深数据,与传统的单波段模型、双波段模型以及BP神经网络水深反演模型的水深数据进行了水深反演精度对比.结果表明,在0～20 m深海域,GBDT模型反演精度高于其他模型,且更符合实际水深,其检验点的R2为0.9664,RMSE为0.94 m,MAE为0.75 m,RME为19％.

为探究不同遥感水深反演机器学习模型的差异,以WorldView-2高分辨率多光谱影像与实测水深数据为数据源,应用BP神经网络模型、随机森林模型、梯度提升决策树模型及支持向量机模型开展水深反演实验,对4种水深反演模型的精度进行比较与评价.实验结果表明:机器学习模型反演水深,具有一定精度,平均相对误差(MRE)可优于20％.4种模型中,同为集成学习模型的随机森林模型与梯度提升决策树模型在两个实验区域,反演水深的RMSE值、MRE值与R2值明显优于BP神经网络模型和支持向量机模型,具有更好的浅水水深反演效果和适用性.

水深是浅海重要的地形要素,是海洋测绘的重要内容,利用遥感手段反演水深,可以快速高效的获取水下地形.为了更好的反演水深,本文采用WorldView-2多光谱遥感影像和激光实测数据,分别利用BP神经网络、随机森林和极限学习机模型,以海南三沙市的甘泉岛为研究区域进行水深反演,并对比结果评价其反演精度.结果表明:BP神经网络、随机森林和极限学习机三种模型中,随机森林模型水深反演的精度最高,验证点的均方根误差是0.85 m,平均绝对误差为0.60 m,平均相对误差为3.54％,决定系数R2达到0.97.总体对比,在0～2 m,随机森林模型反演效果更佳;在2～5 m水深范围内,极限学习机模型反演效果更佳;其他水深范围内,随机森林和极限学习机反演效果都比较好.

传统船载水深测量受船只吃水影响,难以在浅水区域开展,遥感水深反演作为传统方法的有益补充,其重要性日益凸显.以GF-1多光谱影像为数据源,以船载声呐实测水深点作为训练样本和检测样本,以相关系数、均方根误差和平均绝对误差作为评价指标,首次将网格搜索+XGBoost模型应用于启东恒大威尼斯浅海区域水深反演.实验表明,网格搜索+XGBoost模型水深反演的相关性系数达到0.820,均方根误差0.247 m,平均绝对误差0.134 m,与GBDT模型和波段比值模型相比,其水深反演精度更高,且易于实现.该研究方法和成果为快速获取大范围浅海水深提供了借鉴,为相关水上勘察和海洋资源开发提供了技术思路.

为了解长江口的水质状况,现场测量叶绿素a浓度,结合高光谱遥感影像,运用波段比值模型、一阶微分模型和水体叶绿素a提取指数(Water Chlorophyll-a Index,WCI)对整个研究区域叶绿素a浓度进行反演推算,并进行空间分布评价;利用实测数据和遥感影像的关系建立反演模型,并结合相关系数、均方根误差和平均相对误差分析和评价反演效果.结果显示,波段比值模型和叶绿素a浓度的相关性达到0.91,均方根误差为1.79,平均相对误差为9.09％;一阶微分模型的相关性为0.95,均方根误差为2.21,平均相对误差为15.31％;WCI模型的相关性高达0.98,均方根误差为1.44,平均相对误差为6.20％.利用WCI模型对整个研究区域的叶绿素a浓度进行模拟,可见研究区域的中间部分叶绿素a含量较低,从中间到两边逐渐增大,南部出现最大值,造成此差异的原因可能是因为北接居民生活区,南邻上海青草沙水库,并且附近存在植被.研究表明,WCI模型的反演效果优于波段比值模型和一阶微分模型,是一种计算简单、精度较高的方法,可以有效地提取水体叶绿素a的浓度,未来可广泛应用于水体环境质量监测.

气温变化导致的海平面上升给许多沿岸地区居民造成了安全威胁,航道内由于淤泥淤积所造成的水深变化也同样给通行船只增加了航行风险.遥感水深反演可以检测水深的变化状况,在环境监测中具有重要的意义.利用四波段WorldView-2高分辨率遥感影像,选取我国七连屿与甘泉岛地区作为典型试验区,开展水深反演研究.通过引入梯度提升决策树(Gradient Boosting Decision Tree,GBDT)算法构建了GBDT水深反演模型,并同常用的单波段水深模型、双波段模型、BP神经网络模型进行反演精度的比较,结果表明在其反演的七连屿地区的水深值与真实值之间的RMSE为0.98 m,MRE为19％,甘泉岛地区的RMSE为0.95 m,MRE为9％,精度均优于其余3种模型,这为通过遥感的方法大范围快速获取水深信息从而为水深监测提供了一种快速高效的方法.

Water depth is an essential element of oceanographic research and marine surveying. Bathymetry inversion based on remote sensing is a time-effective, low-cost, and wide-coverage solution for shallow sea. Using WorldViewII multi-spectral remote sensing imagery and laser sounding data, Back Propagation neural network model (BP), random forest model (RF) and extreme learning machine model (ELM) were used to inverse water depth Surrounding the Chinese Ganquan island, and the inversion accuracy was compared and evaluated. The results show that among the BP, RF and ELM, the RF has the highest water depth inversion accuracy. The root mean square error (RMSE) of the check point is 0.85, the mean absolute error (MAE) is 0.60, and the mean relative error (MRE) is 3.54

利用WorldView-2四波段卫星数据和电子海图数据,基于改进的耀斑改正算法和双波段比值算法,反演获得了3处典型海域的浅水水深.通过不同海域、不同耀斑条件下水深反演实验,探讨了RED,NIR波段在典型四波段水深反演中的作用和影响,发现在双波段比值法水深反演中,引入RED+NIR波段进行耀斑改正处理,可以增加珊瑚、海藻等绿色物质覆盖海底的反射率,有效地提高该类海域的水深反演精度.基于耀斑改正的多光谱水深反演方法,适用于中轻度耀斑条件下,水质较清澈的浅海水深反演,可在国内外典型四波段卫星数据水深反演中推广应用.

随着我国浅海测绘需求的日益增长,文中利用四波段的WorldView-2高分辨率遥感影像,选取我国南海西沙群岛中的甘泉岛和台湾南湾地区作为典型试验区,开展水深反演研究.引入随机森林算法构建了随机森林水深反演模型,并同常用的3种水深反演模型进行精度对比.结果 表明,在甘泉岛和南湾地区随机森林模型反演的水深值和真实水深值的RMSE分别为0.85 m和1.59 m,MRE分别为8％和12％,均优于其他3种模型.