基于分段自適應算法的淺海水深遙感反演融合模型研究

張雪純, 馬 毅, 張靖宇, 程 潔, 3

基于分段自適應算法的淺海水深遙感反演融合模型研究

張雪純1, 2, 馬 毅1, 2, 張靖宇2, 程 潔2, 3

(1. 內蒙古師范大學, 內蒙古 呼和浩特 010010; 2. 自然資源部 第一海洋研究所, 山東 青島 266061; 3. 山東科技大學, 山東 青島 266590)

對于水深光學遙感反演研究, 雖然已經建立了大量的模型方法, 然而對于不同水深段, 同一模型的反演精度各異, 且采用單一模型進行水深反演得到的整體反演精度未必最佳。為了提高水深光學遙感反演的整體精度, 本文提出一種分段自適應水深反演融合模型, 模型在誤差估計的基礎上, 結合了對數線性模型、對數轉換比值模型、改進的對數轉換比值模型與多調節因子模型的優勢。利用模型在西沙群島東島開展了水深遙感反演實驗, 從整體反演精度、不同水深段反演精度及逐米水深精度等角度進行分析, 結果表明, 分段自適應融合模型的整體精度最高, 平均絕對誤差為1.09 m, 平均相對誤差達到16.06%; 分水深段來看, 分段自適應融合模型在多數不同水深段內的反演效果均最好; 從逐米精度來看, 分段自適應融合模型在大部分逐米水深段的反演能力均優于其他模型。

水深光學反演; 分段自適應; 對數模型

水深是了解海洋環境的一個關鍵參數, 對海岸研究和海洋工程建設非常重要, 也為海上運輸和航行提供重要信息。由于傳統的船載水深測量方法存在不足之處, 對于船只無法到達的復雜區域不能適用, 且成本較高、耗時耗力。遙感水深探測因其覆蓋范圍廣、更新時間快、成本低的優勢, 逐漸成為一種彌補傳統船載測深的方法。

水深光學遙感技術自20世紀60年代開始受到關注, 隨著一系列地球觀測衛星的升空, 遙感平臺的多樣化和可用遙感數據的富足極大的推進了光學水深遙感的發展, 水深遙感領域出現大量的水深遙感反演模型[1-2]。理論解析模型因在構建過程中所需的水體光學參數多, 故其應用受到限制[3], 統計模型利用統計學方法直接建立實測水深值與遙感圖像輻亮度值之間的相關關系, 基本沒有考慮水深遙感的物理機制[4]。半理論半經驗模型是理論模型與經驗算法的結合, 其中對數線性模型和對數轉換比值模型應用相對廣泛, Benny等[5]根據水體光反射衰減特性提出單波段水深反演模型, Lyzenga等[6]在此基礎上發展了雙波段對數線性模型, 并將該模型推廣應用到多個波段[7-8]。Stumpf等[9]在線性反演模型基礎上提出了對數轉換比值模型, 避免了對數線性模型中光學遙感器接收到的輻亮度與深水區輻亮度差值為負的情況。Su等[10]利用對數轉換比值水深反演模型對摩洛凱島進行了水深反演實驗, 結果表明該方法能大大提高反演效率, 且比值模型對于深水區的反演更具優勢。Drakopoulou等[11]利用線性模型與比值模型對希臘克里特島進行水深估計, 實驗結果表明兩種模型在不同底質水域的反演效果不同。近年來, 許多學者對傳統的對數轉換比值模型進行了改進, 田震[12]提出將傳統對數轉換比值模型中分子分母的相同參數改變為相異的調節因子, 可以減少模型反演過程中自身的束縛, 改善反演結果, 并應用改進的對數轉換比值模型開展了珊瑚島礁周邊海域水深反演, 結果表明水深反演效果較傳統模型有提升。水深探測精度受環境影響較大, 對于近岸極淺水域(<5 m), 葉綠素和懸浮物濃度相對較高且底質復雜, 相對誤差常大于50%, 水深反演精度難以提升, 陳安娜[13]提出一種多調節因子的對數轉換比值模型, 在傳統模型的基礎上增加了表征水中浮游植物細胞、無機顆粒物、底質等干擾因素的可調因子, 并對不同濁度的水體進行了水深反演實驗, 結果表明新模型在0~5 m淺水深段反演精度有明顯提高。

由于不同模型在不同水深段內的反演能力不同, 模型精度存在差異, 且采用單一模型進行水深反演得到的整體反演精度未必最佳。因此, 為進一步提高水深遙感反演的整體精度, 本文結合對數線性模型、Stumpf對數轉換比值模型、改進的對數轉換比值模型與多調節因子模型, 提出一種水深遙感分段自適應融合模型, 利用WorldView-2影像對東島進行了水深反演實驗, 分別從模型整體反演精度、不同水深段反演精度、不同水深分段方式與逐米水深反演精度幾個角度對比了不同模型的反演結果。

1 數據與方法

1.1 研究區與數據

本文的研究區域為中國西沙群島的東島周邊海域, 東島在永興島東南約50 km, 面積約為1.7 km2, 是西沙群島中的第二大島, 位于北緯16°39′—16°41′、東經112°43′—112°45′之間。島呈長方形, 長約2.4 km、寬約1 km, 平均海拔4~5 m, 是上升礁和珊瑚貝殼沙體復合組成的島嶼, 周圍有沙堤環繞, 島中部地勢低洼。屬于熱帶海洋氣候, 終年高溫多雨, 是中國水熱條件最優越的地區之一。

數據采用WorldView-2影像, 見圖1。影像包含四個多光譜波段, 分別為藍波段(450~510 nm)、綠波段(510~580 nm)、紅波段(630~690 nm)和近紅外波段(770~895 nm), 分辨率2 m, 成像日期為2012年9月20日。在863項目的支持下, 實測水深數據在2011年通過單波束測深儀測量獲得, 并已校正到理論深度基準面, 本文實驗范圍為0~20 m水深區。

圖1 研究區遙感影像與水深點分布

1.2 數據預處理

1.2.1 輻射定標

將影像上無量綱的灰度值(DN值)轉換為具有實際意義的輻亮度值的過程稱為輻射定標, 對于WorldView-2影像, 轉換公式如下:

式中,()為第波段的輻亮度值, 單位為W/(m2·sr·μm); absCalFactor為第波段的絕對定標系數; DN為第波段圖像像元灰度值; Δ為第波段的等效波段寬度。

1.2.2 大氣校正

大氣的衰減作用對不同波長的光是有選擇性的, 因而大氣對不同波段影像的影響是不同的, 大氣校正可以去除大氣散射、氣溶膠等的影響, 盡可能還原地表真實反射率。本文采用ENVI中的FLAASH模塊對影像進行大氣校正。

1.2.3 潮汐校正

采集水深實測數據的時間與獲取遙感影像的時間并不相同, 若不經過處理直接利用實測水深數據參與計算會導致誤差的產生, 為使水深反演的結果更精確, 需要對水深實測數據進行潮汐校正。潮汐校正是將實測水深數據校正為影像獲取時刻的瞬時水深, 某時刻的水深等于實測水深加上該時刻的潮高, 經查詢潮汐表得到影像獲取時潮高為0.81 m。

1.3 模型方法

1.3.1 不同波段光譜與水深關系

定理4 內冪零群G=PQ,其中P為正規Sylow p-子群,Q為循環Sylow q-子群(見引理7),則其冪圖P(G)可平面化當且僅當G為以下情形之一:

為探究WorldView-2影像不同波段光譜與水深間的關系, 繪制控制點的四個多光譜波段光譜值與水深值的散點圖, 見圖2。從圖中發現藍波段與綠波段的光譜值隨水深值的增加而減小, 水深值增加至15 m以上時, 藍、綠波段的光譜值趨于平穩。紅波段的光譜值在水深范圍0~5 m時隨水深的增加而減小, 水深增加至5 m以上時, 紅波段的光譜值趨于平穩。而近紅外波段的光譜值與水深值關系不明顯, 光譜值在不同水深范圍內大致相同, 呈平穩趨勢。根據以上分析, 藍、綠、紅波段的光譜值與水深值間關系相較近紅外波段明顯, 不同模型中采用不同波段光譜值參與計算, 詳細見1.3.2—1.3.5節。

圖2 不同波段光譜值與水深值散點圖

1.3.2 水深遙感分段自適應融合模型

由于不同模型在不同水深段內的反演精度存在差異, 為提高模型的整體反演精度, 本文提出一種水深遙感分段自適應融合模型。模型根據稀疏的實測水深點或小比例尺海圖將20 m內的淺海水深進行分段, 計算不同模型反演得到的平均絕對誤差與平均相對誤差, 選取每個水深段內的最優精度的函數。

定義水深函數

其中1為對數線性模型,2為Stumpf對數轉換比值模型,3為改進的對數轉換比值模型,4為多調節因子模型, 詳細見1.3.3—1.3.5節。

其中MAE為水深反演的平均絕對誤差(Mean Absolute Error), MRE為平均相對誤差(Mean Relative Error), 表達式如下:

即初始劃分水深段在0~10 m范圍內, 按水深反演的平均絕對誤差最小選取最優精度函數; 水深段在10~20 m范圍內, 按水深反演的平均相對誤差最小選取最優精度函數。

多波段對數線性公式如下:

1.3.4 對數轉換比值模型與改進的轉換比值模型

為避免對數線性模型中光學遙感器接收到的輻亮度與深水區輻亮度差值為負的情形, Stumpf等提出了對數轉換比值模型:

式中,0,1,為回歸系數;R()與R()為相應波段和的反射率, 實驗中選取藍、綠波段進行計算。

改進的對數轉換比值模型將每個波段的對數調節因子調整為2個, 將傳統對數轉換比值模型中相同的調節因子改為相異的因子, 可以減少模型反演中自身的束縛, 改善反演結果, 公式如下:

式中,0,,,1為回歸系數;R()與R()為相應波段和的反射率, 實驗中選取藍、綠波段進行計算。

1.3.5 多調節因子模型

由于傳感器記錄的輻射值不僅包括底部水深, 還有葉綠素濃度或懸浮物等因素造成的衰減, 近岸極淺水域(<5 m)中葉綠素和懸浮物濃度相對較高、底質復雜, 水深反演精度難以提升, 多調節因子模型可以很好地解決此類問題, 在對數轉換比值模型的基礎上增加了水中浮游植物細胞、無機顆粒物、底質等干擾因素的可調因子, 具體公式如下:

式中,0,,,,,1為回歸系數;R()與R()為相應波段和的反射率, 實驗中選取藍、綠波段進行計算。

1.3.6 模型建立

實驗中選取空間分布均勻的控制點與檢查點, 個數分別為843與845, 其分布如圖1所示。對數線性模型、對數轉換比值模型、改進的對數轉換比值模型與多調節因子模型利用控制點的水深值與水深點輻亮度值或反射率之間的關系, 建立水深反演模型。檢查點則用來對水深模型進行精度評價。不同水深段的控制點與檢查點數量如表1所示。

表1 不同水深段水深點數量

2 結果與分析

2.1 水深反演結果

對數線性模型、對數轉換比值模型、改進的對數轉換比值模型與多調節因子模型的參數見表2, 水深遙感分段自適應融合模型根據控制點不同水深段內精度不同, 選取最優精度函數, 實驗得出控制點在0~5 m, 5~10 m, 10~15 m, 15~20 m水深段內的最優精度函數分別為多調節因子模型, 多調節因子模型, 對數線性模型, 對數線性模型。即在實測水深范圍為0~10 m時采用多調節因子模型; 10~20 m范圍內選取對數線性模型。本文得出的分段自適應融合模型見下式:

表2 模型參數表

對數線性模型、對數轉換比值模型、改進的對數轉換比值模型、多調節因子模型與分段自適應融合模型的水深反演結果如圖3所示, 其中分段自適應融合模型[圖3(e)]的水深反演結果圖是依據實測水深控制點劃分水深范圍后再將不同模型拼接而成, 控制點劃分的水深范圍見圖3(f)。利用實測水深點構建的水深DEM見圖3(g)。根據圖3中顯示的不同模型水深反演結果, 可以發現從沿岸到開闊水域所有模型的反演結果大致相同, 均符合實測水深點構建的水深DEM與控制點劃分的水深分區范圍。島礁盤上水深范圍大致為0~5m, 東北方向分布范圍較西南方向分布范圍更大; 水深范圍5~10 m大致分布于距島0.5~2 km的西北側與東南側; 而10~20 m水深范圍較小, 在圖中右下角水深較深, 大致為18~20 m。注意到島的西南位置有一處港池, 對數轉換比值模型、改進的對數轉換比值模型、多調節因子模型與分段自適應融合模型對此處的反演效果均較好, 但對數線性模型[圖3(a)]低估港池水深, 該模型在0~5 m水深處的反演效果與其余幾種模型有明顯差異, 且在最外圍西北方向至東北方向水深10~20 m處, 對數線性模型的水深反演結果與對數轉換比值模型、改進的對數轉換比值模型和多調節因子模型相比較更深。

圖3 不同模型水深反演結果圖

2.2 模型整體反演精度比較

繪制檢查點在不同模型得出的水深反演值與水深實測值的散點圖, 見圖4。水深反演值與水深實測值散點圖直觀地顯示出每個檢查點的水深反演值與水深實測值的偏離情況, 點越接近圖中的1︰1直線說明偏離程度越小, 水深反演值也就越接近實測值, 反之, 點距離直線越遠偏離程度越大。整體來看, 分段自適應融合模型的反演效果最好, 在每個水深段內的檢查點都接近于1︰1直線, 偏離程度較其他幾種模型最小。對數線性模型的偏離程度相對較小, 10~20 m水深段內反演效果優于其余模型, 但在0~5 m水深段內多數點偏離1︰1直線, 與上節中水深反演結果圖的分析一致。對數轉換比值模型、改進的對數轉換比值模型與多調節因子模型的偏離程度相近, 在0~10 m水深段內, 三種模型的反演效果較好, 特別是多調節因子模型, 檢查點均接近于圖中的1︰1直線; 但在10~20 m的水深段內, 三種模型的部分點水深值被低估, 散點的偏離程度大于對數線性模型。水深反演值與水深實測值的散點圖顯示, 對于水深中等至較深區域(10~20 m), 所有模型的反演效果均有下降, 尤其是15~20 m水深段, 散點的偏離程度相對較大。

圖4 不同模型水深反演值與水深實測值散點圖

分別計算不同模型的平均絕對誤差與平均相對誤差, 見表3。通過對五種不同模型的精度評價, 發現整體反演效果最好的是分段自適應融合模型, 平均絕對誤差(MAE)為1.09 m, 與對數線性模型相比降低0.15 m, 平均相對誤差(MRE)為16.06%, 較對數線性模型降低4.75%。其次是多調節因子模型, MAE為1.21 m, MRE為17.68%。第三是改進的對數轉換比值模型, MAE為1.22 m, MRE為18.44%, 改進的對數轉換比值模型與多調節因子模型的整體水深反演精度接近, 平均絕對誤差相差0.01 m, 平均相對誤差相差0.76%, 均優于傳統的對數線性模型與對數轉換比值模型。

表3 不同模型的平均絕對誤差與平均相對誤差

2.3 水深段精度分析

通過對水深反演值與水深實測值散點圖的分析, 發現不同模型在不同水深段內的精度有所不同, 為分析不同深度下模型的反演效果, 將水深實測數據分為四個不同的水深段, 分別為0~5 m、5~10 m、10~15 m和15~20 m, 并計算各自的平均絕對誤差與平均相對誤差, 見表4與圖5。表4顯示在0~5 m水深段內, 分段自適應融合模型的精度最好, 平均絕對誤差為0.79 m, 比對數線性模型降低0.42 m; 平均相對誤差為39.52%, 低于對數線性模型約19個百分點。在5~10 m水深段內, 分段自適應融合模型的精度依然最佳, 平均絕對誤差為0.98 m, 比對數線性模型降低0.19 m; 平均相對誤差為12.37%, 低于對數線性模型3個百分點。但在10~15 m水深段內, 對數線性模型的精度最好, MAE為1.12 m, MRE為9.03%, 分段自適應融合模型與對數線性模型精度接近, 平均絕對誤差與平均相對誤差分別相差0.04 m與0.43%。在15~20 m水深段內, 分段自適應融合模型的反演精度與對數線性模型一致, 平均絕對誤差分別為1.51 m, 平均相對誤差為8.49%。從圖5中可以看出, 隨著水深值的增加, 幾種模型的平均絕對誤差呈上升趨勢, 但平均相對誤差均有下降, 分段自適應融合模型在四個水深段內的精度大部分為最優或接近最優。

表4 不同模型分水深段精度評價

圖5 不同模型分水深段精度評價圖

2.4 不同水深分段方式精度比較

上節中根據四個水深段0~5 m、5~10 m、10~15 m、15~20 m分別對不同模型進行精度分析, 現對0~20 m水深范圍用不同的方式進行分段。表5為不同模型在0~10 m、0~15 m、5~15 m、5~20 m與10~20 m的平均絕對誤差與平均相對誤差。由表5可知, 在0~ 10 m、0~15 m、5~15 m與5~20 m水深段內, 本文提出的分段自適應融合模型反演能力均最強, 精度最優, 在10~20 m水深段內, 分段自適應融合模型與精度最好的對數線性模型誤差接近, 平均絕對誤差僅相差0.02 m, 平均相對誤差0.22%。在0~10 m水深段內, 分段自適應融合模型MAE為0.93 m, MRE為22.65%, 較對數線性模型降低約9個百分點; 在0~15 m水深段內, 分段自適應融合模型的MAE為0.98 m, 分別比對數線性模型與對數轉換比值模型降低0.19 m、0.11 m, 平均相對誤差為18.76%, 較對數線性模型與對數轉換比值模型降低6.05%、3%; 在5~15 m、5~20 m水深段內, 分段自適應融合模型的MAE分別為1.04 m、1.16 m, MRE分別為11.29%、10.55%; 綜合這五個不同的水深段來看, 分段自適應融合模型的反演能力強, 在不同水深情況下反演精度較好。

表5 不同水深分段方式精度評價

2.5 逐米水深精度分析

為了進一步分析不同模型在不同水深段的反演效果, 分別計算逐米水深的平均絕對誤差與平均相對誤差, 并繪制折線圖, 見圖6。水深為0~9 m、11~12 m范圍時, 10個逐米水深段內分段自適應融合模型反演效果最好, 平均絕對誤差與平均相對誤差均最低。在水深9~11 m兩個逐米水深段內, 分段自適應融合模型的反演精度次于多調節因子模型與改進的對數轉換比值模型。在12~13 m水深范圍內, 對數線性模型的精度最好, 平均絕對誤差與平均相對誤差最低, 分段自適應融合模型與對數線性模型誤差接近。水深為13~18 m這5個逐米水深段內時, 分段自適應融合模型的反演精度與對數線性模型一致, 平均絕對誤差與平均相對誤差均最低。18~20 m時, 改進的對數轉換比值模型反演精度優于其他模型。

根據逐米水深段的精度分析結果可知, 分段自適應融合模型穩定性較高, 在大多數逐米水深段內的反演能力較強, 精度均最佳, 僅在少部分逐米水深段(9~11 m、12~13 m、18~20 m), 模型的反演精度略遜于其他模型。

3 結論與討論

本文利用WorldView-2衛星4波段影像, 采用本文提出的水深遙感分段自適應融合模型, 與傳統的對數線性模型、Stumpf對數轉換比值模型, 和近年來提出的改進的對數轉換比值模型與多調節因子模型, 以東島為例分別開展了水深反演實驗, 并從不同角度對這幾種模型進行精度對比分析。結果表明:

1) 從整體上看, 分段自適應融合模型的反演能力最強, 水深反演值與水深實測值散點圖的散點偏離程度最小; 且分段自適應融合模型的反演精度最佳,平均絕對誤差為1.09 m, 平均相對誤差為16.06%, 均低于其余模型。

2) 以5 m為間隔分水深段來看, 在0~5 m、5~ 10 m、與15~20 m水深段內分段自適應融合模型的反演精度均最好, 平均絕對誤差與平均相對誤差最低。在10~15 m水深段內, 分段自適應融合模型的誤差也與精度最好的對數線性模型接近。按不同水深分段方式來看, 分段自適應融合模型在大部分水深段的反演精度依然最高, 表明以5 m為間隔取最優精度函數的模型設置較為合理, 同樣也說明分段自適應融合模型適用于地形起伏較小、水深變化均勻海域的淺海水深反演研究。

3) 根據逐米水深精度比較結果, 分段自適應融合模型在絕大多數逐米水深范圍內的反演能力較強, 但在少部分水深范圍內(9~11 m、12~13 m、18~20 m), 分段自適應融合模型的反演精度略遜于其他模型。

分段自適應融合模型利用實測數據的水深分布, 以5 m為水深間隔進行分段, 進而選取最優精度函數。所以, 對于水深數據較少或稀疏分布的研究區域, 該模型的使用范圍受到限制, 在今后的研究中還需對模型進行完善, 使模型的反演精度更佳, 應用范圍更廣泛。

[1] 趙洪臣. 基于WorldView-2的多級決策的光學遙感水深反演方法研究[D]. 南京: 南京大學, 2017. Zhao Hongchen. Water depth inversion method of optical remote sensing using multilevel decision-making scheme based on WorldView-2 image[D]. Nanjing: Nanjing University, 2017.

[2] 馬毅, 張杰, 張靖宇, 等. 淺海水深光學遙感進展[J]. 海洋科學進展, 2018, 36(3): 331-351. Ma Yi, Zhang Jie, Zhang Jingyu, et al. Progress in shallow water depth mapping from optical remote sensing[J]. Advances in Marine Science, 2018, 36(3): 331-351.

[3] Figueiredo I N, Pinto L, Goncalves G. A modified Lyzenga’s model for multispectral bathymetry using Tikhonov regularization[J]. IEEE Geoscience and Remote sensing Letters, 2016, 13(1): 53-57.

[4] 李麗. 基于WorldView-2數據的西沙群島遙感水深反演——以趙述島和南島為例[J]. 國土資源遙感, 2016, 28(4): 170-175. Li Li. Remote sensing bathymetric inversion for the Xisha Islands based on WorldView-2 data: A case study of Zhaoshu Island and South Island[J]. Remote Sensing for Land and Resources, 2016, 28(4): 170-175.

[5] Benny A H, Dawson G J. Satellite imagery as an aid to bathymetric charting in the Red Sea[J]. The Cartographic Journal, 1983, 20(1): 5-16.

[6] Lyzenga D R. Passive remote sensing techniques for mapping water depth and bottom features[J]. Applied Optics, 1978, 17(3): 379-383.

[7] Papedes J M, Spero R E. Water depth mapping from passive remote sensing data under a generalized ratio assumption[J]. Applied Optics, 1983, 22: 1134-1135.

[8] Lyzenga D R, Malinas N P, Tanis F J. Multispectral bathymetry using a simple physically based algorithm[J]. IEEE Transactions on Geoscience & Remote Sensing, 2006, 44(8): 2251-2259.

[9] Stumpf R P, Holderied K, Sinclair M. Determination of water depth with high-resolution satellite imagery over variable bottom types[J]. Limnology and Oceanography, 2003, 48(1): 547-556.

[10] Su H, Liu H, Heyman W D. Automated derivation of bathymetric information from multi-spectral satellite imagery using a non-linear inversion model[J]. Marine Geodesy, 2008, 31(4): 281-298.

[11] Drakopoulou P, Kapsimalis V, Parcharidis I, et al. Retrieval of nearshore bathymetry in the Gulf of Chania, NW Crete, Greece, from WorldView-2 multispectral imagery[C]//Sixth International Conference on Remote Sensing and Geoinformation of the Environment (RSCy2018). International Society for Optics and Photonics, 2018, 10773: 107730W.

[12] 田震. 淺海水深多/高光譜遙感模型與水深地形圖制作技術研究[D]. 青島: 山東科技大學, 2015. Tian Zhen. Study of bathymetry inversion models using multispectral or hyperspectral data and bathyorographical mapping technology[D]. Qingdao: Shandong University of Science and Technology, 2015.

[13] 陳安娜. 適用于復雜環境的水深光學遙感新模型研究[D]. 青島: 自然資源部第一海洋研究所, 2019. Chen Anna. Research on novel model of optical remote sensing bathymetry for complex situations[D]. Qingdao: First Institute of Oceanography, Ministry of Natural Resources, 2019.

[14] Chen B, Yang Y, Xu D, et al. A dual band algorithm for shallow water depth retrieval from high spatial resolution imagery with no ground truth[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 151: 1-13.

Research on the remote sensing inversion fusion model of shallow water depth based on the piecewise adaptive algorithm

ZHANG Xue-chun1, 2, MA Yi1, 2 *, ZHANG Jing-yu2, CHENG Jie2, 3

(1. Inner Mongolia Normal University, Hohhot 010010, China; 2. First Institute of Oceanography, Ministry of Natural Resources, Qingdao 266061, China; 3. Shandong University of Science and Technology, Qingdao 266590, China)

Although numerous models and methods have been established for water depth inversion by optical remote sensing, the accuracy of the same model is different for different water depths. Moreover, the overall inversion accuracy obtained by using a single model for depth inversion may not be the best. To improve the overall accuracy of bathymetric optical remote sensing inversion, a piecewise adaptive depth inversion fusion model is proposed. On the basis of error estimation, the model combines the advantages of the log linear, log conversion ratio, improved log conversion ratio, and multiple adjustment factor models. The proposed model is used to conduct remote sensing inversion experiments of water depth in the eastern part of Xisha Islands. From the perspectives of the overall inversion accuracy, inversion accuracy of different water depth sections, and per meter water depth accuracy, results show that the overall accuracy of the proposed model is the highest, with the mean absolute error of 1.09m and the mean relative error of 16.06%. In addition, the inversion results of the adaptive fusion model in most of the water depth sections are the best. In terms of the per meter water depth accuracy, the inversion capability of the piecewise adaptive fusion model in most water depth sections is better than that of other models.

water depth optical inversion; piecewise adaptation; logarithmic model

Nov. 19, 2019

TP79

A

1000-3096(2020)06-0001-11

10.11759/hykx20191119003

2019-11-19;

2020-02-26

國家自然科學基金重點項目(51839002)

[the Key Project of Natural Science Foundation, China under Grant, No. 51839002]

張雪純(1995-), 女, 內蒙古包頭人, 碩士研究生, 主要從事海洋遙感與應用研究, E-mail: zxc_apparate@163.com; 馬毅(1973-), 男,通信作者, 研究員, 主要從事海島海岸帶遙感與應用研究, E-mail: mayimail@fio.org.cn

(本文編輯: 康亦兼)