自古以来，了解沿海水域的深度一直是安全、成功航行和开发海洋资源的关键。如今，测深(海深测量)变得更加重要，在我们了解海洋环境和大型海洋结构的发展方面发挥着重要作用。
随着20世纪初船载回声测深仪的发展，测深测量的准确性和便利性都取得了巨大飞跃。然而，即使有了现代回声测深仪，在进行测深测量时仍然有许多困难需要克服。其中包括高成本、不可预测的天气、繁忙的船舶交通以及潜在的地理或外交问题等等。
为了解决这些问题，世界各地的科学家一直在开发卫星测深(SDB)技术，该技术可以根据多光谱卫星图像估计水深。这些方法有时可以产生准确的结果，特别是对于深度达 20 米的情况。不幸的是，大多数 SDB 模型都是使用来自海水清澈且海底沉积物分布均匀的沿海地区的数据开发的。由于水的浊度和海底成分的不同，光的反射也不同，因此开发在不同沿海环境中具有一致性能的 SBD 模型已被证明具有挑战性。
在此背景下，来自韩国的一个研究团队一直在开发一种新的 SDB 模型，该模型利用机器学习来揭示可能损害准确性的各种因素，从而为潜在的解决方案铺平道路。他们的最新研究成果于 2024 年 3 月 12 日发表在《应用遥感杂志》上，其中包括水下勘测技术 21 (UST21) 的 Tae-ho Kim 博士。
这项研究的主要目标之一是分析在不同沿海地区训练的模型将如何受到每个地区独特特征的影响。为此，他们选择了朝鲜半岛周围的三个地区：以清澈海水为特征的三陟、以浑浊海水闻名的千水万和海底含有各种沉积物的翰林。
研究小组从欧洲航天局公开提供的Sentinel-2A/B任务中获得了这些地区的多光谱卫星数据，并选择了这些地区在不同时间点、天空晴朗的多幅图像。为了根据这些数据训练 SDB 模型，他们还从韩国水道和海洋局 (KHOA) 获取了回声测深仪生成的海图;这些图表被用作基本事实。
SDB 模型本身基于一个完善的理论框架，该框架将来自太阳的光在到达卫星之前如何被大气、海洋和海底反射联系起来。至于模型的机器学习部分，团队采用了随机森林算法，因为它能够在处理大量数据的同时适应多个变量和参数。
在对 SDB 模型的特定区域实例进行训练和测试后，研究人员发现 Samcheok 的精度总体上可以接受，均方根误差约为 2.6 米。相比之下，Cheonsuman 和 Hallim 的准确度明显较低，基于卫星的深度预测与 KHOA 测量值存在显着偏差。
为了更好地理解这些差异，研究人员首先尝试通过在计算中包含浊度指数来纠正预测。这主要改善了 Cheonsuman 的业绩。然后，为了进一步调查误差来源，该团队获取了 WorldView-3 任务的高分辨率卫星图像以及现场照片。分析显示，海底沉积物的反射率特征对深度估计有很大影响，深色玄武岩导致一致的高估。 “如果我们将来将更多的海底空间数据纳入训练数据集中，我们预计模型性能会得到增强，”Kim 博士说。 “研发项目计划提供由机载高光谱成像创建的沉积物分布图。”
最后，研究人员通过将特定区域的 SDB 模型应用于具有类似特征的其他沿海地区来测试其方法的泛化能力。 “与之前仅针对高透明度水域提供 SDB 模型结果的研究不同，我们开发了可应用于具有各种特征的水域的单独 SDB 模型，并提出了获得改进结果的方法，”Kim 博士说。
运气好的话，这些努力将带来 SDB 技术的改进，并为更方便的海岸深度测绘铺平道路。 Kim 博士对结果感到满意，他总结道：“最终，SDB 结果将用作深度监测数据，以促进沿海地区船舶安全通行，以及数值海洋模型的输入数据，为各个科学领域做出贡献。”
免责声明：本文由用户上传，如有侵权请联系删除！
