王照翻，馬梓程，熊忠招，孫天成，黃贊慧,3，符釘輝，陳 靚，謝 菲，謝翠容，陳 思,4

[1.中國地質(zhì)調(diào)查局?？诤Ｑ蟮刭|(zhì)調(diào)查中心，?？?571127；2.湖北省國土測繪院，武漢 430014；3.中國地質(zhì)大學(xué)（武漢），武漢 430074；4.資源與生態(tài)環(huán)境地質(zhì)湖北省重點實驗室（湖北省地質(zhì)局），武漢 430034 ]

在人類活動干擾頻繁、海運航道集中、自然生態(tài)系統(tǒng)敏感脆弱的沿海區(qū)域開展水深測量工作對制定海岸帶生態(tài)保護(hù)策略、實現(xiàn)海岸帶可持續(xù)發(fā)展具有重要意義（Klemas, 2009; Benveniste et al., 2019;Melet et al., 2020）。高時空分辨率和高精度的水深與水下地形數(shù)據(jù)對海岸帶系統(tǒng)演化研究（Benveniste et al., 2019）和海岸帶環(huán)境調(diào)查與監(jiān)測等應(yīng)用至關(guān)重要，如水下地形重建（劉小菊 等，2020）、濱海地貌制圖（薛振山 等，2012）、海岸形態(tài)（陳黎 等，2019）變化監(jiān)測、航海和漁業(yè)（Porskamp et al., 2018）。

傳統(tǒng)的水深測量方法包括船載的單波束回聲（Single Beam Echo Sound, SBES） 和多波束回聲（Multi-Beam Echo Sound, MBES），以及安裝在空中平臺、遙控船和水下航行器上的激光雷達(dá)設(shè)備。盡管這些方法可以獲得高精度的水深測量數(shù)據(jù)，但也存在測量時間長，經(jīng)濟(jì)成本高的局限性（Wei et al., 2021）。此外，由于測量條帶角度和測量船與海岸之間的距離，SBES 和MBES 測量系統(tǒng)會在測量條帶覆蓋范圍之外的海岸地形上形成測量盲區(qū)，導(dǎo)致無法適用于水下地形復(fù)雜的淺水區(qū)（Yan et al.,2018）。相比之下，衛(wèi)星遙感技術(shù)以其高時效性、客觀性和低成本，為大范圍淺海地區(qū)水深測量提供一種有效數(shù)據(jù)源。同時隨著衛(wèi)星周期性回訪，能為海岸帶監(jiān)測提供連續(xù)的影像數(shù)據(jù)集（Jawak et al.,2015）。隨著衛(wèi)星遙感器的發(fā)展，已形成新的空間式水深測量方法，即衛(wèi)星水深測量（Satellite-Derived Bathymetry, SDB）（Wu et al., 2021; Evagorou et al., 2022）。SDB方法可以分為基于主動式雷達(dá)遙感圖像的方法和基于被動式多光譜圖像的方法。其中，雷達(dá)遙感水深測量方法是利用雷達(dá)后向散射捕獲海面速度的變化，并通過潮汐流和海底地形的相互作用估計水深（Calkoen et al., 2001）。1984 年，Alpers等（1984）首次提出基于合成孔徑雷達(dá)圖像反演淺水地形的簡易模型。隨后研究人員針對雷達(dá)遙感的水深反演物理模型展開大量探討。基于ALpers 等提出的淺海水下的成像原理，李澤軍等（2012）改進(jìn)了水深反演過程，并利用實測數(shù)據(jù)對臺灣淺海水域進(jìn)行水深反演，取得良好效果。趙現(xiàn)斌等（2014）等在分析后向散射系數(shù)、輻射分辨率等與海洋監(jiān)測之間的物理聯(lián)系，提出一種全極化的合成孔徑雷達(dá)關(guān)鍵技術(shù)的參數(shù)設(shè)計方法，很好地滿足海洋環(huán)境的應(yīng)用。然而，基于雷達(dá)遙感圖像的水深反演方法測量精度易受到海面風(fēng)速和雷達(dá)圖像斑點噪聲的影響（Calkoen et al., 2015）。

與雷達(dá)遙感不同的是，多光譜圖像的水深測量方法的理論依據(jù)是基于太陽光經(jīng)過大氣、大氣-水體界面和水體等介質(zhì)的傳播，到達(dá)水底或水下目標(biāo)物，被反射后又經(jīng)逆向傳播被衛(wèi)星傳感器接收的傳播模型，根據(jù)光波對不同水體所表現(xiàn)出的透射性差異建立物理模型，再利用多光譜數(shù)據(jù)（包括紫外、可見光、近紅外和中紅外波段等）獲取水深，或通過模型運算并結(jié)合實測水深數(shù)據(jù)獲得大范圍的水深信息（閆峰 等，2008）。早在20世紀(jì)30年代末，已有研究顯示藍(lán)波段的水體穿透深度可達(dá)25 m，綠波段可達(dá)15 m，紅波段可達(dá)5 m （Evagorou et al.,2022）。多光譜圖像的水深測量方法能獲取比雷達(dá)遙感方法在空間上更精細(xì)的水深信息，而雷達(dá)遙感方法的水深探測深度更深（Lyzenga et al., 2006）。

基于多光譜圖像的水深測量精度受到數(shù)據(jù)類型、反演算法和海水環(huán)境要素等多因素影響?；诠鈱W(xué)遙感的水深測量精度主要受到數(shù)據(jù)的空間分辨率、光譜分辨率和輻射分辨率的影響（Lyzenga et al., 2006）。TM、OLI等中等空間分辨率遙感數(shù)據(jù)和SPOT、RapidEye 等高空間分辨率遙感數(shù)據(jù)均應(yīng)用于水深反演研究，并取得不同的反演精度（Stumpf et al., 2003; Traganos et al., 2018; Cahalane et al.,2019）。研究發(fā)現(xiàn)并不是數(shù)據(jù)空間分辨率越高，反演結(jié)果精度越高，數(shù)據(jù)空間分辨率、輻射分辨率和水體透明度對于水深反演精度同等重要（Bramante et al., 2013）。另外，潮汐、波浪、海底底質(zhì)和海水透明度等海水環(huán)境要素均會對水深反演的精度造成較大影響。因此，探索不同數(shù)據(jù)類型在不同水環(huán)境條件下對水深反演的影響十分必要。SDB在反演方法上可以分為理論解釋模型、統(tǒng)計模型和機(jī)器學(xué)習(xí)模型。如Polcyn等（1969）最早提出海底反射水深遙感模型，將傳感器獲得的離水輻亮度分為水體部分產(chǎn)生和由底質(zhì)反射獲取2部分，通過計算底質(zhì)反射的光譜離水輻亮度（與海底反射率、水體衰減系數(shù)和水深有關(guān)）提取水深。Lyzenga 等（1981）建立多波段線性模型實現(xiàn)清潔水環(huán)境測深和底質(zhì)物質(zhì)類型識別。Zhang 等（2015）基于多角度圖像幾何模型和太陽耀光輻射傳輸模型，利用ASTER 的多角度太陽耀光圖像，開發(fā)水下沙波測深的新方法。

近年來，隨著遙感數(shù)據(jù)源的豐富和機(jī)器學(xué)習(xí)算法的發(fā)展，隨機(jī)森林（Liaw et al., 2002）、支持向量機(jī)（Mateo-Pérez et al., 2020）、偏最小二乘（Mateo-Pérez et al., 2021）、人工神經(jīng)網(wǎng)絡(luò)（Ceyhun et al.,2010）等機(jī)器學(xué)習(xí)算法被成功應(yīng)用于衛(wèi)星遙感水深反演領(lǐng)域。其中，人工神經(jīng)網(wǎng)絡(luò)算法作為一種常用算法廣泛應(yīng)用于遙感圖像分類和反演研究中（Pahlevan et al., 2020），一些學(xué)者使用支持向量機(jī)算法替代神經(jīng)網(wǎng)絡(luò)算法，以提升水深反演的精度，該算法對于解決非線性分類和回歸問題有較好的效果（Wang et al., 2008）。隨機(jī)森林算法作為一種非線性回歸算法，也適用于構(gòu)建基于多光譜遙感圖像的水深數(shù)據(jù)的回歸模型（Sagawa et al., 2019）。這些數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)模型，在基于多光譜遙感圖像的水深反演研究中表現(xiàn)更靈活、更準(zhǔn)確（溫開祥 等，2020）。

Landsat-8 數(shù)據(jù)和Sentinel-2 數(shù)據(jù)以其在數(shù)據(jù)穩(wěn)定性、空間覆蓋范圍和重訪周期等方面的優(yōu)勢，已單獨被應(yīng)用于水深反演研究（Giardino et al., 2019）。然而，這些研究大多利用單一數(shù)據(jù)源和單一機(jī)器學(xué)習(xí)算法進(jìn)行水深反演，而2 種數(shù)據(jù)的空間分辨率、光譜分辨率差異，不同機(jī)器學(xué)習(xí)算法的選擇以及圖像水體的水環(huán)境特征對水深反演精度的影響還未明確評價。鑒于此，本研究以海南島東部萬寧市沿海區(qū)域為例，收集不同海面風(fēng)浪狀況的Landsat-8數(shù)據(jù)和Sentinel-2 數(shù)據(jù)，利用隨機(jī)森林、支持向量機(jī)、偏最小二乘3種機(jī)器學(xué)習(xí)算法開展近岸水深反演研究，以評估不同數(shù)據(jù)源、不同機(jī)器學(xué)習(xí)算法的水深反演精度差異，深入探討Landsat-8數(shù)據(jù)和Sentinel-2 數(shù)據(jù)在水深反演中的優(yōu)缺點，以及不同機(jī)器學(xué)習(xí)算法應(yīng)用于不同環(huán)境條件下的遙感水深測量時的性能差異。以期為結(jié)合使用2種數(shù)據(jù)集以實現(xiàn)高精度、高分辨率、高時效性遙感水深測量提供參考。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)

研究區(qū)位于萬寧市東澳鎮(zhèn)新群村至萬城鎮(zhèn)春園村海岸線以外近海水域，地理位置為18°41′15″—18°47′30″ N、110°24′55″—110°31′40″ E。研究區(qū)屬于熱帶海洋性季風(fēng)氣候，該區(qū)域年平均氣溫為25.0℃；月平均氣溫變化為19.5（1 月）～28.8℃（6、7月），年降雨量2 100～2 200 mm。近岸海域平均潮差約1 m，大潮差＜2.5 m。研究區(qū)岸線以砂質(zhì)岸線和基巖岸線為主，岸灘類型主要為泥沙質(zhì)。研究區(qū)地理位置如圖1所示。

圖1 水深反演研究區(qū)水深點訓(xùn)練樣本與驗證樣本分布Fig.1 Distribution of bathymetric training samples and validation samples in the bathymetric inversion study area

1.2 水深數(shù)據(jù)

水深數(shù)據(jù)是由中國人民共和國海事局發(fā)布的1∶25 000坡頭港及大洲島附近（C1516171）區(qū)域海圖數(shù)據(jù)獲取，共獲取研究區(qū)內(nèi)588 處實測水深數(shù)據(jù)，用于水深反演模型的構(gòu)建和反演精度的評價。研究區(qū)實測水深點分布如圖1。

1.3 遙感數(shù)據(jù)

為對比Sentinel-2 和Landsat-8 數(shù)據(jù)在水深反演中性能差異，本研究選取2種數(shù)據(jù)開展水深反演試驗，Sentinel-2和Landsat-8數(shù)據(jù)指標(biāo)參數(shù)對比如表1所示?？梢奡entinel-2 數(shù)據(jù)在可見光到近紅外區(qū)間（400～1 000 nm）波段設(shè)置多于Landsat-8 數(shù)據(jù)，光譜分辨率更高；空間分辨率上，Landsat-8數(shù)據(jù)深藍(lán)波段（B1）空間分辨率（30 m）優(yōu)于Sentinel-2 數(shù)據(jù)（60 m），但可見光到近紅外區(qū)間其他波段空間分辨率（30 m）低于Sentinel-2數(shù)據(jù)（10或20 m）。同時，為了分析海水透明度、波浪條件等水體環(huán)境特征光學(xué)遙感水深反演的精度的影響，收集覆蓋研究區(qū)不同海水透明度、不同波浪條件的Sentinel-2 和Landsat-8等多類型遙感數(shù)據(jù)，進(jìn)行水深反演研究。選擇3景數(shù)據(jù)進(jìn)行水深反演試驗，3景數(shù)據(jù)圖像特征如圖2所示，其中，Sentinel-2數(shù)據(jù)采集于2022-02-11，近岸水體有一定懸浮物，水體透明度較差，同時水體圖像表現(xiàn)出風(fēng)浪引起的規(guī)則的條帶狀反射率異常特征。選取的Landsat-8數(shù)據(jù)包括2景，分別采集于2021-06-28和2019-07-16，2景Landsat-8數(shù)據(jù)近岸水體透明度均優(yōu)于Sentinel-2 數(shù)據(jù)，從圖像判斷，近岸水體中懸浮物相對少，2 景數(shù)據(jù)相比，2021-06-28 采集的Landsat-8 數(shù)據(jù)圖像水體風(fēng)浪特征比2019-07-16 采集的數(shù)據(jù)更強(qiáng)。

表1 各衛(wèi)星指標(biāo)參數(shù)對比Table 1 Comparison of satellite parameters

圖2 研究區(qū)Sentinel-2和Landsat-8數(shù)據(jù)影像特征Fig.2 Different Sentinel-2 and Landsat-8 images of the study area

利用ENVI 5.3平臺對采集的各景遙感數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正獲取地表反射率數(shù)據(jù)，再按照工作區(qū)范圍進(jìn)行裁剪。Sentinel-2數(shù)據(jù)各波段空間分辨率統(tǒng)一為10 m，Landsat-8數(shù)據(jù)各波段空間分辨率為30 m。其中，大氣校正是水體定量遙感的基礎(chǔ)與前提，對于不同數(shù)據(jù)源，大氣校正模型、大氣校正模型參數(shù)的選擇對水深反演精度有一定影響。FAASH 模型是基于機(jī)器學(xué)習(xí)和多光譜、高光譜遙感數(shù)據(jù)水深反演研究中常用的大氣校正方法（張勇勇，2022），為了便于比較不同數(shù)據(jù)源和不同機(jī)器學(xué)習(xí)算法的水深反演精度，統(tǒng)一采用ENVI 5.3平臺FAASH模型的海洋氣溶膠模式對3景數(shù)據(jù)進(jìn)行大氣校正。

2 方法

光學(xué)遙感水深測量的主要原理是利用水柱反射的總輻射能量來擬合、測定水深（Eugenio et al.,2015）。光學(xué)遙感圖像的藍(lán)、綠波段具有較強(qiáng)的穿透清水的能力，隨著水體中懸浮泥沙濃度的升高，水體的反射峰向長波方向移動（Lyons et al., 2011）在可見光范圍內(nèi)，波長在0.4～0.58 μm 之間的光信號對清澈水體的穿透深度最大，大氣條件較好時，能探測水深在30 m 以內(nèi)的水體（Evagorou et al.,2022）。

在收集不同類型和水環(huán)境條件的多光譜數(shù)據(jù)以及實測水深數(shù)據(jù)等資料基礎(chǔ)上，本研究基于實測水深數(shù)據(jù)進(jìn)行訓(xùn)練樣本和驗證樣本選擇與制作，分析單波段反射率與實測水深的相關(guān)性，利用隨機(jī)森林（Random Forest Regression, RFR）、支持向量機(jī)（Support Vector Machine,SVM）、 偏 最 小 二 乘（Partial Least Squares Regression, PLSR）等算法對不同遙感數(shù)據(jù)構(gòu)建水深反演模型進(jìn)行水深反演實驗，并評價水深預(yù)測精度，技術(shù)路線如圖3所示。

圖3 遙感水深反演技術(shù)路線Fig.3 Technical flow of remote sensing bathymetry inversion

2.1 訓(xùn)練樣本選取

將由1∶25 000 坡頭港及大洲島附近（C1516171）區(qū)域海圖數(shù)據(jù)中獲取的588處實測水深數(shù)據(jù)，隨機(jī)選取其中295處作為遙感水深反演的訓(xùn)練樣本，訓(xùn)練樣本點水深取值區(qū)間為0.2～79 m，水深均值為20.35 m。其余293處水深數(shù)據(jù)作為精度檢驗樣本，檢驗樣本點水深取值區(qū)間為0.3～80 m，水深均值為20.50 m。

2.2 水深反演算法

主要使用隨機(jī)森林回歸（Random Forest Regression, RFR）、支持向量機(jī)（Support Vector Machine, SVM）、偏最小二乘（Partial Least Squares Regression, PLSR）3種機(jī)器學(xué)習(xí)算法對不同遙感數(shù)據(jù)進(jìn)行水深反演實驗，及測試不同機(jī)器學(xué)習(xí)算法對水深反演的適用性。

2.2.1 隨機(jī)森林回歸 隨機(jī)森林回歸算法是由Breiman（2001）基于集成思想提出，通過隨機(jī)參數(shù)在分類回歸樹（Classification And Regression Tree,CART）上構(gòu)建。CART 樹是根據(jù)對待測結(jié)果數(shù)據(jù)類型的預(yù)測，而實現(xiàn)數(shù)據(jù)的分類或回歸的一種二叉決策樹。隨機(jī)森林算法中的每棵樹在運算中都保持互相獨立，其結(jié)果最后由所有決策樹結(jié)果組合而得。本研究通過繪制決策樹數(shù)目與模型預(yù)測誤差之間的曲線圖確定最優(yōu)決策樹數(shù)目。經(jīng)過不斷調(diào)參，最終確定決策樹數(shù)量為100，分割節(jié)點數(shù)量為1。

2.2.2 支持向量機(jī) 支持向量機(jī)是Corinna Cortes和Vapnik 等于1995 年首先提出的，它在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中。支持向量機(jī)方法是建立在統(tǒng)計學(xué)習(xí)理論的VC 維（Vapnik-Chervonenkis Dimension）理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性（即對特定訓(xùn)練樣本的學(xué)習(xí)精度）和學(xué)習(xí)能力（即無錯誤地識別任意樣本的能力）之間尋求最佳折衷，以獲得最好的推廣能力。SVM從功能上分為分類和回歸2類，區(qū)別在于，SVM回歸的樣本點只有1 類，所尋求的最優(yōu)超平面不是使2 類樣本點分得“最開”，而是使所有樣本點離超平面的“總偏差”最小，本文水深預(yù)測模型以其回歸功能為基礎(chǔ)，選擇徑向基函數(shù)作為核函數(shù)建立支持向量回歸模型，將遙感數(shù)據(jù)以及水深之間的非線性問題轉(zhuǎn)化為高維特征空間的線性問題。

2.2.3 偏最小二乘回歸 PLSR 是一種多對多線性回歸模型，可同時實現(xiàn)回歸建模（多元線性回歸分析）、數(shù)據(jù)結(jié)構(gòu)簡化（主成分分析）和2組變量之間相關(guān)性分析（典型相關(guān)性分析）（Wold et al., 2001）。PLSR 基于高維投影思想，通過提取主成分的方法對系統(tǒng)中的數(shù)據(jù)信息進(jìn)行分解和篩選，實現(xiàn)對系統(tǒng)解釋性最強(qiáng)的綜合變量的有效抽?。怀Ｓ糜跇颖玖啃?、變量間存在多重相關(guān)性的數(shù)據(jù)處理，適用于光譜遙感數(shù)據(jù)反演模型的建立。其建模的基本步驟為：1）標(biāo)準(zhǔn)化處理水體光譜反射率數(shù)據(jù)矩陣與水深數(shù)據(jù)矩陣，得到的標(biāo)準(zhǔn)化矩陣分別記為E0和F0；2）分別提取E0和F0第一對成分T1和U1，T1和U1分別為E0和F0的線性組合并使之相關(guān)性最大；3）分別求E0和F0在T1上的回歸，并得到回歸殘差矩陣E1和F1；4）用殘差矩陣E1和F1代替E0和F0重復(fù)上述步驟；5）檢查收斂性以確定提取的主成分?jǐn)?shù)（黃華 等，2021）。

2.3 精度評價方法

模型評價指標(biāo)采用決定系數(shù)R2、均方根誤差（RMSE）、平均絕對誤差（MAE）和平均絕對百分比誤差（MAPE）。其中R2越接近1，模型擬合能力越強(qiáng)；RMSE、RE 和MAE 越小，模型預(yù)測值和實測值離散程度越低，模型預(yù)測能力越高。

3 結(jié)果分析

3.1 反射率與實測水深相關(guān)性

本研究中，結(jié)合處理的3 景遙感數(shù)據(jù)與295 處水深訓(xùn)練樣本，分析了3 景Sentinel-2 和Landsat-8數(shù)據(jù)B1 波段（海岸波段）反射率與訓(xùn)練樣本水深實測值的相關(guān)性。

結(jié)果顯示，研究區(qū)水深與3 景Sentinel-2 和Landsat-8數(shù)據(jù)海岸波段的反射率相關(guān)性均不強(qiáng)，R2分別為0.145、0.415和0.324。這與研究區(qū)近岸海水懸浮物濃度較高同時水體風(fēng)浪較大有關(guān)。其中，2019-07-16采集的Landsat-8數(shù)據(jù)與實測水深相關(guān)性最強(qiáng)（R2為0.415），2021-06-28 采集的Landsat-8 數(shù)據(jù)與實測水深相關(guān)性次之（R2為0.324），Sentinel-2數(shù)據(jù)與實測水深相關(guān)性最差（R2為0.145）。這與數(shù)據(jù)采集時，研究區(qū)水體的水文特征差異有關(guān)，2022-02-11 Sentinel-2數(shù)據(jù)圖像水體透明度低于2景Landsat-8 圖像，同時Sentinel-2 數(shù)據(jù)海岸波段空間分辨率（60 m）低于Landsat-8 數(shù)據(jù)海岸波段（30 m），這些造成Sentinel-2 數(shù)據(jù)海岸波段與實測水深相關(guān)性低于兩景Landsat-8數(shù)據(jù)。2景Landsat-8數(shù)據(jù)圖像中，2019-07-16采集的Landsat-8數(shù)據(jù)圖像水體風(fēng)浪特征弱于2021-06-28采集的數(shù)據(jù)，造成其海岸波段與實測水深相關(guān)性優(yōu)于2021-06-28采集的數(shù)據(jù)。

以上結(jié)果反映近岸水體透明度和水面風(fēng)浪影響，3 景多光譜數(shù)據(jù)單波段（藍(lán)波段）反射率與實測水深數(shù)據(jù)的線性相關(guān)性都較差，表明基于單波段的線性回歸方法難以勝任研究區(qū)的水深反演，因此，采用更善于處理非線性回歸問題的RF和SVM方法，及適用于多元線性回歸分析的PLSR 方法開展研究區(qū)水深反演。

3.2 水深反演結(jié)果與整體反演精度

3 景Sentinel-2 數(shù) 據(jù) 和Landsat-8 數(shù) 據(jù) 的RF、SVM、PLSR水深反演模型0～40 m水深精度評價如表2 所示。對于所有數(shù)據(jù)類型和所有反演模型，Landsat-8 數(shù)據(jù)（20190716）的RF 模型獲得最高的反演精度，R2為0.814，MAE 為3.39 m，RMSE 為4.31 m， MAPE 為0.366。 對 于Sentinel-2 數(shù) 據(jù)（20220211）、Landsat-8 數(shù)據(jù)（20190716）和Landsat-8數(shù)據(jù)（20210628），RF模型均獲得最高的反演精度。各類型數(shù)據(jù)源中，2 景Landsat-8 數(shù)據(jù)RF、SVM、PLSR模型的R2、MAE和RMSE均優(yōu)于Sentinel-2數(shù)據(jù)。

表2 水深反演精度分析Table 2 Analysis of bathymetric inversion accuracy

Sentinel-2（20220211）數(shù)據(jù)RF 模型水深反演結(jié)果與實測水深值相關(guān)性最高，R2為0.764，SVM模型次之，R2為0.720，PLSR 模型最差，R2僅為0.477。RF 模型水深反演結(jié)果的MAE、RMSE 和MAPE 也優(yōu)于SVM 和PLSR 模型，分別為3.96 m、4.81 m 和0.673。從水深反演效果（圖4）上看，SVM和PLSR模型均有部分近岸淺水區(qū)像元被預(yù)測為深水深值或負(fù)值。RF反演結(jié)果0～5 m水深范圍水域與實際比較接近。3 種模型反演結(jié)果均存在條帶狀噪聲，這是海浪引起的水體反射特征。

圖4 各數(shù)據(jù)源各機(jī)器學(xué)習(xí)算法的水深反演結(jié)果Fig.4 Bathymetric inversion results of various data sources and machine learning algorithms

Landsat-8（20190716）數(shù)據(jù)RF 模型水深反演結(jié)果與實測水深值相關(guān)性最高，R2為0.814，10 m以淺水深點的預(yù)測結(jié)果與實測水深相關(guān)性最強(qiáng)，圖中點收斂于回歸線附近；SVM 模型次之，R2為0.764，PLSR 模型最差，R2僅為0.536。RF 模型水深反演結(jié)果的MAE、RMSE 和MAPE 也優(yōu)于SVM和PLSR 模型，分別為3.39 m、4.31 m 和0.366。從水深反演效果（見圖4）上看，SVM 和PLSR 模型均有部分近岸淺水區(qū)像元被預(yù)測為深水深值或負(fù)值。RF 反演結(jié)果中0～5 和5～10 m 水深范圍水域與實際比較接近，其中5～10 m 水深的反演效果優(yōu)于Sentinel 數(shù)據(jù)（20220211）的RF 反演結(jié)果。3 種模型反演結(jié)果均沒有海浪反射特征引起的條帶狀噪聲。PLSR 模型反演結(jié)果不同水深范圍間的界線最明確，但各水深區(qū)間的像元的反演水深較實測水深均偏深，而SVM 反演結(jié)果中各水深區(qū)域混淆比較明顯，反演效果較差。

Landsat-8（20210628）RF 模型水深反演結(jié)果與實測水深值相關(guān)性最高，R2為0.796，10 m 以淺水深點的預(yù)測結(jié)果與實測水深相關(guān)性較強(qiáng)，圖中點收斂于回歸線附近，但收斂程度次于Landsat-8（20190716）的反演結(jié)果；SVM 模型次之，R2為0.754，PLSR 模型最差，R2為0.699。RF 模型水深反演結(jié)果的MAE、RMSE 和MAPE 也優(yōu)于SVM 和PLSR 模型，分別為3.65 m、4.88 m 和0.510。水深反演效果（見圖4）上看，SVM 模型和PLSR 模型均有較多近岸淺水區(qū)像元水深預(yù)測值異常偏大或為負(fù)值。RF 反演結(jié)果中0～5 和5～10 m 水深范圍水域與實際比較接近，其中5～10 m水深的反演效果優(yōu)于Sentinel 數(shù)據(jù)（20220211）的RF 反演結(jié)果，但0～5和5～10 m 水深范圍水域混淆情況較Landsat-8（20190716）的RF 反演結(jié)果更嚴(yán)重，另外15～20 m水深范圍水域與20 m以深水域混淆嚴(yán)重，反演效果較差。3 種模型反演結(jié)果均沒有海浪引起的條帶狀噪聲。SVM模型反演結(jié)果不同水深范圍間的界線較其他2 種算法反演結(jié)果最明確，但0～5 m 水深范圍內(nèi)像元預(yù)測異?，F(xiàn)象很多，PLSR 反演結(jié)果中各水深區(qū)間的像元的反演水深較實測水深均偏深。

3.3 分段水深反演精度

綜合考慮《海道測量規(guī)范》（GB12327-2022）（中國人民解放軍海軍參謀部，2022）中規(guī)定的水深測量誤差的分段表示，和同類研究中水深反演精度評價的水深分段劃分區(qū)間，為對比不同數(shù)據(jù)源和不同計算學(xué)習(xí)算法對不同水深區(qū)間的水深預(yù)測精度差異，分10 m 以淺、10～20 m、20 m 以淺和20～30 m 等4 個水深段分別評價各衛(wèi)星數(shù)據(jù)各反演算法精度（表3）。

表3 不同水深各衛(wèi)星數(shù)據(jù)各反演算法精度分析Table 3 Accuracy analysis of different satellite data and inversion algorithms for various water depths

對于10 m 以淺水深區(qū)域， Landsat-8（20190716）的RF模型和Landsat-8（20210628）的RF 模型獲得較高的反演精度，R2分別為0.711 和0.679，MAE 分別為1.96 和2.40 m，RMSE 分別為3.04 和3.17 m，MAPE 分別為0.605 和1.007。其中Landsat-8 （20190716） 的RF 模 型 反 演 結(jié) 果 的MAE、RMSE和MAPE為各數(shù)據(jù)源各算法反演結(jié)果中最低，反演精度最高。Landsat-8（20190716）的PLSR 模 型 取 得 最 高 的R2（0.779），但MAE、RMSE 和MAPE 較高，分別為7.86 m、9.21 m 和4.501。

對 于 10～20 m 水 深 區(qū) 間 ， Landsat-8（20190716）的PLSR 模型取得最高的R2（0.627），但MAE、RMSE 和MAPE 較高，分別為7.64 m、7.86 m 和0.551，Landsat-8（20190716）的RF 模型的R2（0.553）次之；Sentinel-2（20220211）的RF模型的MAE、RMSE 和MAPE 最低，分別為3.28 m、4.10 m 和0.289，但其R2僅為0.379。Landsat-8（20190716）RF 模型的MAE、RMSE 和MAPE 稍高，分別為4.01 m、4.87 m和0.295。綜合而言，在10～20 m水深區(qū)間，Landsat-8（20190716）的RF模型反演結(jié)果取得較好的精度。

對于20 m 以淺水深區(qū)間， Landsat-8（20190716）的RF模型獲得最高的反演精度，反演結(jié)果的R2達(dá)0.874，高于各數(shù)據(jù)源各算法的反演結(jié)果；Landsat-8 （20190716） 的RF 模 型 的MAE、RMSE 和MAPE 在各反演結(jié)果中最低，分別為2.34 m、3.24 m和0.449。

對 于 20～30 m 水 深 區(qū) 間 ， Landsat-8（20190716）的SVM模型的R2（0.429）最高，但其他精度評價因子偏高。Landsat-8（20190716）的PLSR 模 型 的R2為0.336，但 其MAE （2.65 m）、RMSE（3.11 m）和MAPE（0.102）均優(yōu)于各數(shù)據(jù)源各算法的反演結(jié)果。另外，對于Sentinel-2數(shù)據(jù)，RF 模型在20～30 m 水深區(qū)間的反演精度優(yōu)于SVM和PLSR模型，而對于2景Landsat-8數(shù)據(jù)，PLSR模型在20～30 m 水深區(qū)間的反演精度優(yōu)于SVM 和RF模型。

4 討論

從水深反演的遙感數(shù)據(jù)源看，2景Landsat-8數(shù)據(jù)的水深反演整體（0～40 m 水深）精度優(yōu)于Sentinel-2 數(shù)據(jù)，最高精度反演結(jié)果（RF 模型）的R2、MAE、RMSE 和MAPE 均優(yōu)于Sentinel-2 數(shù)據(jù)最高精度反演結(jié)果（RF模型），而Sentinel-2數(shù)據(jù)的空間分辨率（10 m）優(yōu)于Landsat-8 數(shù)據(jù)（30 m）。反演精度差異的原因可能是，數(shù)據(jù)獲取時水環(huán)境特征的差異，本研究獲取的Sentinel-2 圖像水體透明度相較2景Landsat-8數(shù)據(jù)差，同時水體圖像表現(xiàn)出風(fēng)浪引起的規(guī)則的條帶狀反射率異常特征，這些都對水深反演結(jié)果和精度造成影響。這表明，對于光學(xué)遙感水深反演，更高的圖像空間分辨率并不能保證更高的水深反演精度（Traganos et al., 2018;Cahalane et al., 2019;Wei et al., 2021），說明水體透明度、海浪情況等水環(huán)境特征對光學(xué)遙感數(shù)據(jù)反演的重要影響（Purkis et al., 2019）。同時，Sentinel-2數(shù)據(jù)海岸波段較低的空間分辨率（60 m）也是限制其水深反演精度的原因之一，其海岸波段與實測水深的R2比Landsat-8 數(shù)據(jù)海岸波段低0.09～0.27。另外，空間分辨率的提高對圖像上海浪特征有一定增強(qiáng)，2021-06-28采集的Landsat-8數(shù)據(jù)與Sentinel-2數(shù)據(jù)圖像上均表現(xiàn)出海浪形成的異常反射特征，且Sentinel-2圖像上海浪的條帶特征更明顯，并顯示在水深反演結(jié)果中。另外，多光譜數(shù)據(jù)的獲取時間和當(dāng)時的潮汐狀況也對水深反演有重要影響，但受限于衛(wèi)星數(shù)據(jù)獲取的周期性和天氣原因，往往難以獲得相同時刻拍攝、潮汐狀況相同的影像。未來將加強(qiáng)收集潮汐狀況、水質(zhì)條件和風(fēng)浪條件相似的影像，進(jìn)一步對比算法、分辨率等對水深結(jié)果反演的差異。

從水深反演的機(jī)器學(xué)習(xí)方法上看，本研究是建立在單一區(qū)域的有限實測數(shù)據(jù)和有限的數(shù)據(jù)樣本條件下的，對不同算法的比較有一定不確定性，隨機(jī)森林模型（RF）對于各個數(shù)據(jù)源在整個水深區(qū)間均獲得相對好的水深反演整體（0～40 m 水深）精度，這與已有利用其他光學(xué)遙感數(shù)據(jù)源比對不同機(jī)器學(xué)習(xí)算法的水深反演精度結(jié)果（Wu et al., 2021; Liaw et al., 2002）一致，顯示出隨機(jī)森林算法應(yīng)用于光學(xué)遙感水深反演時的穩(wěn)定性。但對于某些水深區(qū)間，PLSR和SVM算法的反演結(jié)果也顯示出一定優(yōu)勢，對于10～20 m 水深區(qū)間，Landsat-8 數(shù)據(jù)（20190716）的SVM 模型的MAPE 為0.294，優(yōu)于RF 模型和PLSR 模型，對于20～30 m 水深區(qū)間，2景Landsat-8數(shù)據(jù)的PLSR模型反演精度最優(yōu)、SVM模型次之，RF模型最差。受限于數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)算法的樣本依賴性和不同類型遙感數(shù)據(jù)的異質(zhì)性，基于遙感數(shù)據(jù)的機(jī)器學(xué)習(xí)水深反演模型應(yīng)用于不同水環(huán)境和不同遙感數(shù)據(jù)源的性能可能受限，在類似區(qū)域研究中，可通過補(bǔ)充訓(xùn)練樣本或利用遷移學(xué)習(xí)方式提升模型的泛化能力。本研究對比了不同算法應(yīng)用于不同多光譜數(shù)據(jù)水深反演的效果，下一步將在不同環(huán)境下、不同水深區(qū)間全面評價不同機(jī)器學(xué)習(xí)算法對水深反演的性能。

從水深反演的精度上看，Landsat-8 數(shù)據(jù)（20190716）的RF 模型獲得最高的整體反演精度（0～40 m 水 深），R2為0.814，MAE 為3.39 m，RMSE 為4.31 m。將本研究的水深反演結(jié)果精度與已有研究進(jìn)行比較，需考慮反演水深范圍、海底底質(zhì)、圖像質(zhì)量和水環(huán)境條件等許多變量（Pan et al.,2016）。已有研究中（Evagorou et al., 2022; Sagawa et al., 2019; Duan et al., 2022），反演的水深范圍大多為0～15 或0～20 m，所以各精度指標(biāo)優(yōu)于本研究結(jié)果。從0～20 m水深范圍的反演精度上看，本研究Landsat-8（20190716）的RF 模型獲得最高的反演精 度，R2為0.874，MAE 和RMSE 分 別 為2.24 和3.24 m，精度略高于Wei等（2021）利用SVM模型和Landsat-8 數(shù)據(jù)進(jìn)行珠江口水域水深反演的結(jié)果（R2為0.800，MAE和RMSE分別為2.76和3.60 m）；同樣優(yōu)于Ashphaq 等（2022）在印度Vengurla 地區(qū)海域，利用Landsat-8數(shù)據(jù)進(jìn)行水深反演的結(jié)果（R2為0.77，MAE 和RMSE 分別為2.80 和3.40 m）。珠江口與Vengurla地區(qū)海域水環(huán)境特征與此研究區(qū)相似，均為水動力較強(qiáng)的海域，同時海底底質(zhì)以泥沙質(zhì)為主，造成水體透明度差，海面波浪作用強(qiáng)，對水深反演有較大影響。國家《海道測量規(guī)范》（GB12327-2022）中規(guī)定測深桿、水砣、單波束、多波束測深系統(tǒng)等實地測量手段20 m以淺水深測量的誤差限制為±0.5 m，20～30 m 水深測量的誤差限制為±0.6 m。從結(jié)果看，本研究取得的20 m以淺水深測量絕對誤差為2.34 m，表明多光譜遙感水深測量手段與實測手段的測量精度仍有差距，但近似于或優(yōu)于已有報道的類似區(qū)域和方法的遙感水深反演精度。

5 結(jié)論

基于Sentinel-2 和Landsat-8 等多光譜遙感數(shù)據(jù)和實測水深數(shù)據(jù)，利用RF、SVM、PLSR等機(jī)器學(xué)習(xí)算法，開展水深反演，得到的主要結(jié)論有：

1）0～40 m 水深區(qū)間，Landsat-8（20190716）數(shù)據(jù)的RF 模型獲得最高的反演精度，R2為0.814，MAE 為3.39 m，RMSE 為4.31 m；0～20 m 水深區(qū)間，Landsat-8（20190716）的RF 模型獲得最高的反演精度，R2為0.874，MAE 和RMSE 分別為2.24和3.24 m。

2）隨機(jī)森林算法對于研究區(qū)的3景多光譜數(shù)據(jù)在整個水深區(qū)間獲得相對高的水深反演精度，PLSR算法和SVM算法在部分水深區(qū)間的水深反演中顯示出優(yōu)勢。

3）光學(xué)遙感圖像的空間分辨率與水深反演精度不是絕對正相關(guān)關(guān)系，而遙感圖像上水體的水文特征對水深反演具有較大影響，水體透明度、懸浮物濃度、海水波浪等因素均會影響反演精度，在利用光學(xué)遙感數(shù)據(jù)進(jìn)行淺海水深反演時，應(yīng)盡量選取海水透明度高、水面平靜時刻的遙感數(shù)據(jù)進(jìn)行建模反演。

目前的水深反演方法主要是建立實測水深數(shù)據(jù)和光譜反射率之間的關(guān)系，并且簡化了光輻射傳輸方程。但光學(xué)遙感的水深反演方法受大氣、水體、浮游植物、溶解的有機(jī)物和懸浮顆粒影響，這些影響導(dǎo)致復(fù)雜的非線性輻射傳遞過程。下一步工作將結(jié)合水質(zhì)資料收集研究集成水質(zhì)參數(shù)的高精度光學(xué)水深反演的模型。