基于空间特征的机器学习模型浅海水深反演.pdf

基于空间特征的机器学习模型浅海水深反演孟鑫垚1,2，刘焱雄2*，陈义兰2，王燕红2，陆应诚1（1.南京大学地理与海洋科学学院，江苏南京210023；2.自然资源部第一海洋研究所，山东青岛266061）摘要：针对遥感水深反演在复杂海洋环境区域光谱特征信息量不足的问题，综合考虑多光谱数据与其空间特征，利用多层感知机（Multi-LayerPerception,MLP）、随机森林（RandomForest,RF）和支持向量机（SupportVectorMachine,SVM）三种机器学习算法构建了基于多光谱数据及其空间特征的水深反演模型。以蜈支洲岛为例，选取空间位置和坡度作为空间特征，结合 WorldView-2 影像光谱特征和实测水深数据，反演浅海水深。结果表明，在相同的条件下，3 种机器学习算法都得到了较好的反演结果，其中多层感知机模型反演精度最高。引入空间特征的模型真实地反映了研究区域海底地形的起伏特征，精度明显优于仅基于光谱的模型，且其平均绝对误差控制在 2m 以内。模型在 20m 以浅区域精度低于 20m 以深区域。空间特征能够有效地减弱复杂海洋环境对遥感测深模型的影响，且空间位置信息对模型精度提升更为明显。关键词：遥感反演；浅海水深；空间特征；多光谱影像；机器学习中图分类号：P237;P229文献标志码：A文章编号：1671-6647（2023）03-0498-12doi：10.12362/j.issn.1671-6647.20220813001引用格式：孟鑫垚,刘焱雄,陈义兰,等.基于空间特征的机器学习模型浅海水深反演J.海洋科学进展,2023,41(3):498-509.MENGXY,LIUYX,CHENYL,etal.Spatialfeature-basedmachinelearningmodelforshallowwaterdepthretrievalJ.AdvancesinMarineScience,2023,41(3):498-509.水深信息是海洋环境的重要参数之一，在海上运输、海岸带管理、珊瑚礁生态系统保护和浅海资源开发方面具有重要意义。船载声呐测深系统和机载激光测深系统1作为传统水深测量方式，可以获取高质量、高精度的水深数据，但是耗时长、成本高、覆盖范围有限。自 20 世纪 60 年代以来，随着卫星遥感的不断发展，遥感测深一直受到广泛关注2。遥感测深不受天气和时间的约束，能够实现全天候不间断检测，具有适用范围广、覆盖面积大、费用低、效率高且获取方便等特点。目前，利用多光谱遥感数据反演水深的模型主要包括理论解析模型3、统计模型4和半理论半经验模型5-6。其中，理论解析模型根据辐射传输方程原理和水体光谱特征构建，模型参数复杂且难以进行推广；统计相关模型根据实测水深资料和遥感影像的灰度值进行统计分析，缺乏相应的物理意义；半理论半经验模型应用最为广泛，其利用理论模型的简化模式，结合统计数据拟合经验参数，提高了反演精度且可移植性强。现有模型在浅海水深的光学反演方面取得了较好的效果7。计算机领域技术的发展为研究水深反演方法提供了机遇和条件，如机器学习算法在解决多变量、非线收稿日期：2022-08-13资助项目：自然资源部海洋测绘重点实验室开放研究基金项目（2021B01）作者简介：孟鑫垚（1998），男，硕士研究生，主要从事遥感水深反演方面研究.E-mail:*通信作者：刘焱雄（1968），男，研究员，博士，博士生导师，主要从事海洋测绘方面研究.E-mail:（王燕编辑）第41卷第3期海洋科学进展Vol.41No.32023年7月ADVANCESINMARINESCIENCEJuly,2023性复杂问题等方面具有出色的模拟能力，能够克服人为因素的局限性，近年来被广泛应用于多光谱水深反演。Ai 等8根据像素之间的空间自相关性采用卷积神经网络构建模型，并对北岛水深分布情况进行了反演。Sagawa 等9采用随机森林算法和多时相卫星图像创建深度反演模型，结果表明模型适用于水质清澈条件下的各种浅水区域。Misra 等10使用支持向量机（SupportVectorMachine,SVM）模型对荷兰圣马丁岛水深进行反演，验证了支持向量机在浅海水深反演中的性能。Wang 等11采用空间位置和光谱信息作为多层感知机的输入，构建的深度估计模型很好地解决了由海底不均匀底质带来的不确定性。Lai 等12提出了一种采用多层感知机直接从大气顶部（TopoftheAtmosphere,TOA）数据中检索水深的方法，结果表明该方法可以绕过校正气溶胶影响的要求，并具备可移植性。众多研究表明，机器学习模型具有简单、高效和可扩展性强等优点，在浅海水深反演方面应用广泛。现有遥感水深反演模型多以光谱值及其变化参数作为主要参数。受海洋水体环境和底质的影响13-14，相同的波段光谱值对应着不同的水深值，仅依赖光谱特征不足以精确反演水深。理想条件下，在反演模型中加入叶绿素浓度、悬浮物浓度等海洋环境参数，可以获取高精度的反演水深。然而，海洋环境参数复杂且难以获取，直接加入反演模型会导致模型过于复杂，不具备可移植性。空间特征对于遥感影像也是一个有效的特征，以往的研究鲜有考虑把影像的空间特征作为参数用于水深反演，也尚未分析空间特征对反演的影响。空间相邻点通常具有相似的水深、底部类型和水质，它们具有很强的空间聚集性。同时海洋环境和海洋空间特征相关，反映到光谱上表现为相同的波段光谱值在不同的空间特征对应着不同的水深值，因此，可以在遥感水深反演模型中加入空间特征以弥补光谱特征的不足。为此，本文开展了基于空间特征的机器学习模型浅海水深反演研究。本文以海南省三亚市蜈支洲岛附近浅海水域作为研究区域，结合光谱特征与其空间特征，选择多层感知机（Multi-LayerPerception,MLP）、随机森林（RandomForest,RF）和 SVM 三种模型构建水深反演模型，采用少量的实测点获取高分辨率水深模型，并利用实测水深数据对反演结果进行精度评价，探究空间特征和光谱特征对水深反演的影响。1研究区数据及反演方法本文提出的基于多光谱数据及其空间特征的水深反演模型主要包括数据预处理和模型构建两个主要步骤，整体流程如图 1 所示。在数据预处理阶段，对 WorldView-2 影像数据进行辐射定标、大气校正和水陆分离，对实测水深数据进行潮汐改正。在模型构建阶段，提取特征并构建水深反演模型对特征集进行训练和反演，得到最终的水深反演值。1.1研究区及研究区数据蜈支洲岛（10945161094610E，181821181858N）位于海南省三亚市北部，其形状呈不规则的蝴蝶状，东西长 1400m，南北长 1100m，占地面积约 1.48km2。岛东南侧近岸海域为活珊瑚礁-岩礁底质复合区，海底地形陡峭，东南侧区域 10m 以浅水域狭窄；岛西南侧以沙底质为主，珊瑚覆盖度较低；岛北侧近岸海域为活珊瑚礁块-沙质底质复合分布区，海底平缓15。岛周围水质清澈，水体透明度高，适用于遥感水深反演研究。研究区位置如图 2 所示。采用WorldView-2 卫星数据作为研究区影像数据，影像获取于2012 年9 月28 日3 时31 分，分辨率为影像数据实测数据水深反演值水深反演模型数据预处理特征提取特征集训练集验证集图 1 反演方法流程Fig.1 Flow diagram of proposed method3期孟鑫垚，等：基于空间特征的机器学习模型浅海水深反演4992m，影像包含 8 个多光谱波段，分别为蓝波段（450510nm）、绿波段（510580nm）、红波段（630690nm）、近红外波段（770895nm）、海岸波段（400450nm）、黄色波段（585625nm），以及红色边缘波段（705745nm）和近红外 2 波段（8601040nm）。模型训练和验证水深数据采用船载测深仪实测数据，获取时间为 2016 年，深度基准为理论深度基准面，水深分辨率约为 6m，水深范围为 033.8m，平均水深为 20.6m。研究区地形稳定，水深随时间变化不大。根据实测水深数据提取研究区域坡度数据。研究区影像数据及部分实测点如图 3 所示。1.2数据预处理1.2.1辐射定标辐射定标原始影像上的灰度值（DigitalNumber,DN 值）为无量纲的数字表达形式，需要将其转换为有意义的辐亮度。对 WorldView-2 影像而言，转换公式如下：L(i)=absCalFactoriDNii,（1）i=1,2,NNL(i)iabsCalFactoriiDNiiii式中：，为光谱波段数；为第 波段的辐亮度值，单位为 W/(m2srm)；为第 波段的绝对定标系数；为第 波段的像元灰度值；为第 波段的等效波段宽度。本文采用 ENVI（TheEnvironmentforVisualizingImages）中的 WorldViewRadiance 模块对影像进行辐射定标。1.2.2大气校正及水陆分离大气校正及水陆分离大气对不同波长的光具有选择性衰减作用，因而大气对不同波段影像的影响程度不同，需要通过大气校正去除大气散射及气溶胶的影响，获取地物的真实反射率。本文采用 ENVI 中的 FLAASH模块对影像进行大气校正，然后根据归一化水体指数（NormalizedDifferenceWaterIndex,NDWI）对图像进行阈值分割，划分出研究区水域。其计算公式如下：NDWI=RGreenRNIR2RGreen+RNIR2,（2）RGreenRNIR2式中：为 WorldView-2 影像中绿波段的反射率；为 WorldView-2 影像中近红外 2 波段的反射率。22N2018110112E海南岛蜈支洲岛南海图 2 研究区位置Fig.2 Location of study area181930N18180010945001094630E实测水深点00.751.50 nmile图 3 研究区的 WorldView-2 影像及部分实测水深点位置Fig.3 WorldView-2 image of the study area anda few in-situ water depth points500海洋科学进展41卷1.2.3潮汐改正潮汐改正Z实测水深数据是以理论深度基准面为基准的稳态水深，而水深反演模型获取的水深为影像过境时间对应的瞬时水深，二者存在差异，需要对实测水深进行潮汐改正。假设海域稳态水深为 H，影像过境瞬时水深为，则其转换关系为：Z=H+TL，（3）TL式中，（TidalLevel）指影像过境时距离深度基准的瞬时潮位。根据影像过境时间的潮汐表16，可以得到影像获取时的瞬时潮高为 0.92m。通过式（3）可以计算出影像过境时刻的瞬时水深。1.3模型构建1.3.1特征参数选取特征参数选取WorldView-2 影像包含 8 个多光谱波段，因此需要选择最优的波段组合作为模型的光谱参数。Kerr17揭示了线性比值模型的最佳 WorldView-2 频带比。Wang 等11采用蓝波段、绿波段、红波段和近红外波段四个 WorldView-2 影像常用波段作为多层感知机模型的输入参数反演浅海水深。然而，这些研究仅采用了 WorldView-2 影像的部分波段，并未充分利用 WorldView-2 影像的光谱信息。考虑到某些波段比其他波段包含更多的底部反射率信息或更少的噪声，例如海岸波段，其对水深变化敏感，且能渗透到更深的水中，故本文采用 WorldView-2 影像的蓝波段、绿波段、红波段、近红外波段、海岸波段、黄波段、红色边缘波段和近红外 2 波段作为模型光谱参数。选择空间位置信息和坡度信息作为空间特征：空间位置作为最简单的空间特征，描述水平方向上的空间关系；坡度刻画地物的高程变化，描述垂直方向上的空间关系；二者均能直接有效地表示地物点的空间分布。对研究区实测水深数据和研究区影像数据进行有效性检验和归一化处理后提取相应特征。最终模型输入参数为 8 个光谱特征和 3 个空间特征（表示为空间位置 X、Y，坡度 slope）。1.3.2模型构建方法模型构建方法1.3.2.1MLPMLP 又称深度神经网络，一般包含输入层、隐藏层和输出层三层结构，属于前向结构化的人工神经网络，能够处理非线性可分离问题，且模型易于实现、可扩展性强、拟合速度快、稳定性高、学习过程高效18。其理论模型如下：H=(Xwh+bh),（4）O=Hwo+bo,（5）HXwhbhO式中：为隐藏层输出；为激活函数；为输入参数；和分别为隐藏层的权重和偏差参数；为wobo模型输出；和 分别为输出层的权重和偏差参数。经过调试，构建了包含 1 个输入层、3 个隐藏层和 1 个输出层的模型。其中输入层的节点包含 8 个光谱特征和 3 个空间特征。每个隐藏层包含的节点数目分别为 8、16 和 16，层与层之间的激活函数选择为 tanh，优化器选择为 Adadetla。由于本文构建模型为预测模型，最后一层和输出层之间不添加激活函数，且输出层只有 1 个节点，输出参数为预测水深。多层感知机（MLP）网络结构如图 4 所示。隐藏层激活函数:tanh输入层输出层图 4 MLP 网络结构Fig.4 MLP network structure3期孟鑫垚，等：基于空间特征的机器学习模型浅海水深反演5011.3.2.2RF随机森林是决策树的集成算法。非线性回归的随机森林是根据随机向量生长树木形成的，使得树木预测器采用数值而不是类标签。这种非线性回归属于决策树学习家族的机器学习方法19。随机森林包含多个决策树以降低过拟合的风险，具有易解释性、可处理类别特征、易扩展到多分类问题、不需特征缩放等性质。经过调试，构建了 1 个包含 20 个决策树的随机森林模型，其中模型的输入参数为 8 个光谱特征和 3 个空间特征，输出参数为预测水深。1.3.2.3SVM支持向量回归（SupportVectorRegression,SVR）是在 SVM 基础上发展的一种回归算法，是一种小样本学习方法，具有良好的非线性处理能力，能够有效避免迭代过程陷入局部最小值。该方法通过和函数进行特征升维，在高维空间构造决策函数实现线性回归20。从几何角度分析，SVR 算法就是在 n 维空间找到 1 个回归参考平面，使各点到超平面的距离最小。其回归方程为：f(xn)=T(xn)+bmin12|2+Cni=1,j=1(i+j),（6）xnbij,C|式中：为样本输入；、为参数；T 为转置；、为松弛变量；i=1,2,n；j=1,2,n；n 为样本数量；为误差惩罚参数。最终问题为求最小的。rbfC经过调试，构建了 1 个卷积核为、误差惩罚参数 为 5.0 的模型。其中模型的输入参数为 8个光谱特征和 3 个空间特征，输出参数为预测水深。2实验设计与结果分析2.1实验设计与结果本文随机从实测点中选取训练点和验证点，保证测深点随机且均匀分布于实验区域。设置不同水深训练点数量实验组，探究训练点数量对模型训练的影响。同时采用多层感知机（MLP）、随机森林（RF）和支持向量回归（SVR）三种模型作为实验模型。选择影像光谱特征作为模型固定输入参数，分别结合不同的研究区域空间特征，分析研究区域空间特征对遥感反演水深的影响。设置了 4 组对照实验，分别为以光谱特征作为输入的模型（简称光谱模型）、以光谱特征和坡度特征作为输入的模型（简称坡度模型）、以光谱特征和空间位置特征作为输入的模型（简称位置模型），以及以光谱特征、空间位置特征与坡度特征作为输入的模型（简称空间模型）。输入参数如表 1 所示。2.2评价指标选取R2RMSE统计学指标通过数据的变化来表征模型拟合的好坏。为了评价不同模型的精度，本文选取相关系数（correlationcoefficient，R2）、均方根误差（RootMeanSquareError，RMSE），平均相对误差（MeanRelativeError，MRE）、平均绝对误差（MeanAbsoluteError，MAE）、平均误差（MeanError，ME）五种指标作为评估参数。其中，表示确定系数，用于衡量模型的拟合效果；衡量观测值与真实值之间的偏差，常用来作为机器学习模型预测结果衡量的标准；MRE 是相对误差的平均值，可以表 1 模型输入参数Table 1 Input parameters for the model光谱模型坡度模型位置模型空间模型光谱波段光谱波段光谱波段光谱波段slopeXXYYslope502海洋科学进展41卷反映预测值误差的相对分布；MAE 是绝对误差的平均值，可以反映预测值误差的实际情况；ME 是误差的平均值，可以反映预测值误差的分布情况。5 种指标的计算方法为：R2=1Ni=1(yib yi)2Ni=1(yi yi)2,（7）RMSE=1NNi=1(yib yi)2,（8）MRE=1NNi=1?yib yiyi?100%,（9）MAE=1NNi=1?yib yi?,（10）ME=1NNi=1(yib yi),（11）i=1,2,NNyib yiyi式中：，为水深点数量；为实测水深；为模型预测水深；为实测水深的平均值。2.3模型精度评定2.3.1不同数量训练点模型精度评定不同数量训练点模型精度评定由不同数量训练点模型的精度评价结果（表 2）可知，随着训练点数量的增加，模型精度呈现先上升、然后趋于稳定、最后下降的趋势。模型精度在训练点数量为 2000 时达到最优。随着训练点数量的进一步增加，模型精度不再提升。当训练点数量为 3000 时，模型出现过拟合现象，精度呈现较大幅度的降低。结果表明，训练点数量的不断增加并不能使得训练模型精度不断增加，使用少量的训练样本对水深反演更有意义。3 种模型在训练过程中均出现上述趋势，故本文后续实验从实测水深点中随机选取 2000 个水深点作为训练数据集用于训练构建的模型，另外在剩余水深点中随机选择 400 个点作为验证数据集来验证和评估模型性能。表 2 不同数量训练点模型的精度评价Table 2 Model accuracy evaluation of different number of training points训练点数量/个RMSE/mMAE/mMRE/%训练点数量/个RMSE/mMAE/mMRE/%5005.233.9323.6720002.411.4710.4110003.092.2617.2725002.441.3710.6115005.614.2020.9130004.483.3718.872.3.2不同机器学习模型精度评定不同机器学习模型精度评定选取不同的机器学习模型的精度评价结果如表 3 所示。选取 8 个光谱特征和 3 个空间特征为3 种模型的输入参数，可以看出 3 种机器学习的精度均较高，在训练点数量和输入参数相同的情况下，多层感知机模型精度最优，其次为随机森林模型，支持向量机模型精度相对较低。结果表明，多层感知机模型效果最佳，其在面对训练数据中包含的噪声和缺失值时具有更强的表 3 不同机器学习模型精度评价结果Table 3 Model accuracy evaluation of different machinelearning models模型名称RMSE/mMAE/mMRE/%MLP2.411.4710.41SVM2.721.7915.82RF2.541.6512.643期孟鑫垚，等：基于空间特征的机器学习模型浅海水深反演503抵抗性。故本文后续实验选取多层感知机模型作为水深反演模型。2.3.3不同输入参数模型精度评定不同输入参数模型精度评定由统计模型估计值与测量值之间的相关系数（图 5）可知，光谱模型的相关系数为 0.70，位置模型的相关系数为 0.87，坡度模型的相关系数为 0.72，空间模型的相关系数为 0.89。结果表明，在加入空间特征之后，模型相关性均有不同程度的提高。相较于光谱模型，位置模型相关系数提升了约 24.3%，而坡度模型提升了约 2.9%，表明空间位置信息对相关性的提升幅度较坡度信息更为明显。空间模型结合 2 种特征，相关系数提升了约 27.1%，效果最优。分析不同模型的精度评价结果（表 4）可知，相较于光谱模型，加入空间特征之后，模型精度均有不同程度的提升。加入空间位置特征之后，反演模型（位置模型）的 RMSE 减小了 2.04m，MAE 减小了 2.02m，MRE 减小了 9.62%，精度提升幅度较大。加入坡度特征之后，反演模型（坡度模型）的 RMSE 减 小 了 0.95m，MAE 减 小 了 0.90m，353025201510505101520253035实测值/m(a)光谱模型预测值/m353025201510505101520253035实测值/m(b)位置模型预测值/m353025201510505101520253035实测值/m(c)坡度模型预测值/m353025201510505101520253035实测值/m(d)空间模型预测值/my=0.84x+6.37n=400R2=0.70y=0.89x+3.92n=400R2=0.87y=0.90 x+5.10n=400R2=0.72y=0.89x+3.01n=400R2=0.89图 5 模型预测值与实测值之间的相关关系Fig.5 Correlation between the predicted value of the model and the in-situ measured value表 4 模型精度评价结果Table 4 The result of model accuracy evaluation模型名称RMSE/mMAE/mMRE/%光谱模型5.024.0225.60位置模型2.982.0415.98坡度模型4.073.1220.89空间模型2.411.4710.41504海洋科学进展41卷MRE 减小了 4.71%，精度提升的幅度相对较小。相对于空间位置特征，坡度特征在大部分区域较小，仅在局部范围内存在较大变化，故其对水深反演的影响较小。空间模型结合 2 种特征，实验结果最优，其 RMSE 为 2.41m，MAE 为 1.47m，MRE 为 10.41%。以空间模型的反演结果为例，得到研究区域分辨率为 2m 的海底水深模型，并生成海底地形图，如图 6 所示。空间模型反演的研究区域水深可达 35m，能够清晰反映研究区域海底地形的起伏特征。1819N18181094510946EZ/m05101520253035注：黑色为研究区外区域，中央灰色为陆地区域。图 6 海底水深预测结果Fig.6 Result of bathymetry prediction2.4模型残差分析为探究空间特征对模型精度的影响，选取实验验证点对光谱模型和空间模型做残差分析。模型残差分析直方图能够直观地表达模型预测值与真实值之间的残差分布。统计学中 ME 和 RMSE 的大小反映了模型预测值精度的高低，即 ME 越趋近于 0，RMSE 越小，统计直方图越接近于正态分布，模型拟合效果越好。由残差分析（图 7）可见，光谱模型 ME 为 3.06m，RMSE 为 5.02m；空间模型ME 为 0.76m，RMSE 为 2.41m。从 ME 分析，空间模型的 ME 更趋近于 0，直方图残差值高峰位于0 值附近；从 RMSE 分析，空间模型的 RMSE 小于光谱模型，且从图上可以看出空间模型正态分布曲线更加瘦高，说明模型的残差分布更加集中。根据模型残差分析直方图可知，空间模型残差分布更接近正态分布，ME 更加趋近于 0，RMSE 更小，表示拟合效果更好。|S|S|根据模型估值的偏离方向和精度评价结果，将验证水深点按照模型残差大小（S）、正负分为5 类，分别为 S4m、4mS2m、2mS2m、2mS4m 和 S4m，其空间分布如图 8所示。可以看出，空间模型相较于光谱模型，残差较大的点（图 8 中较大的点，2m）数量减少，残差较小的点（图 8 中较小的点，2m）数量增加。从正负残差的空间分布情况分析，空间模型正残差较大点（深红色表示，估计值与实际值的差4m）明显减少，结合图 6 可知，在水深超过 20m区域，正残差较大点几乎消失，剩余正残差较大点主要分布在岛屿北侧；负残差较大点（深绿色表示，估计值与实际值的差4m）也有一定程度的减少，剩余负残差较大点主要分布在岛屿周围近海的东侧及南侧区域，出现聚集情况。主要原因是东南侧近岸海域为活珊瑚礁-岩礁底质复合区，海底地形陡峭，地形变化大，导致模型整体估计值偏小；岛北侧近岸海域为活珊瑚礁块-沙质底质复合分布区，海底平缓，存在较多的人工鱼礁等设施，导致底部实际反射率减小，模型估计值整体偏大。3期孟鑫垚，等：基于空间特征的机器学习模型浅海水深反演5050.250.200.150.100.050频率128404812残差/m(a)光谱模型0.250.200.150.100.050频率128404812残差/m(b)空间模型图 7 光谱模型和空间模型残差分析Fig.7 Residual analysis of spectral model and spatial modelN(a)光谱模型(b)空间模型S 44S22S4S/m2S41.00.50nmile图 8 预测残差（S）空间分布Fig.8 Spatial distribution of prediction residuals2.5水深分段模型精度评定根据 2.3.3 节反演结果发现，研究区域地形在水深约为 20m 处存在明显的转折，即 20m 以浅地形复杂、坡度陡峭，20m 以深地形平坦、坡度较缓。所以，将水深分为 20m 以浅和 20m 以深，分别进行模型精度评价，结果如表 5 所示。在 20m 以浅区域，空间模型 RMSE（3.22m）、MAE（2.49m）和 MRE（24.63%）均最小，说明该模型精度最高。在添加坡度特征和空间位置特征之后，模型 MRE分别提升了 9.78%和 24.70%。在 20m 以深区域，空间模型的 RMSE（1.59m）、MAE（1.04m）和 MRE为 4.27%也最小，说明该模型在高于 20m区域的精度也最高。在添加坡度特征和空间位置特征之后，模型 MRE 分别提升了 20.01%和 64.11%。结果表明空间特征能够有效提升不同深度区间的水深反演精度。对比 20m 以浅和 20m 以深区域精度，后者精度明显高于前者，其 RMSE 减小了 1.632.20m，MAE 减小了 1.451.98m，MRE 减小了 20.36%26.94%。这与浅水区域的海底地形情况复杂和底质类型分布有关。但是从 RMSE 的绝对提升值来看，在 20m 以浅空间模型的提升精度要略高于 20m以深区域，表明了加入空间特征对海底复杂地形的提升效果还是较好的。506海洋科学进展41卷表 5 模型深度分段精度评价结果Table 5 Results of segmented bathymetric accuracy retrieved by proposed model模型名称20m 以浅20m以深RMSE/mMAE/mMRE/%RMSE/mMAE/mMRE/%光谱模型6.114.9541.294.063.3514.35坡度模型5.634.6337.253.432.7411.48位置模型4.023.1631.091.911.265.15空间模型3.222.4924.631.591.044.273结论以蜈支洲岛为研究区，利用 WorldView-2 影像和实测水深数据，采用 MLP、RF 和 SVM 三种方法构建了基于光谱特征和空间特征的水深反演模型。同时利用实测验证数据分析了空间特征在复杂海洋环境下对模型反演的影响效果，得出以下结论。1）机器学习模型可以利用少量的已知水深点进行水深反演，相对于传统模型而言，机器学习模型易于实现，可扩展性强，拟合速度快，稳定性高，且能够处理噪声和采样不足等问题，反演效果较好。2）在 3 种模型中，多层感知机模型反演精度最高，在不同的水深情况下体现了相对稳定的反演能力，具有较强的适用性。随机森林模型反演精度次之，支持向量机模型精度最低。3）采用多层感知机模型，多光谱信息结合空间特征能够有效地进行光学遥感水深反演，与仅基于光谱信息构建的模型相比较，添加空间特征的模型精度得到显著提升。空间特征的加入能够有效地减弱复杂海洋环境对模型反演的影响，且空间位置信息对模型精度的提升更为显著。本文的坡度信息来自样本数据，在样本数据较少时，不足以作为输入特征值。可以采用不需要样本数据的高光谱数据初步反演水深21-22，并计算研究区的地形因子作为多光谱水深反演的因子。在下一步的研究中，将采用无或少量水深控制点，结合高光谱和多光谱影像反演浅海水深，进而提高遥感测深精度。参考文献(References)：陈义兰,唐秋华,刘晓瑜,等.多源水深数据融合的近海数字水深模型构建J.海洋科学进展,2021,39(3):461-469.CHENYL,TANGQH,LIUXY,etal.Constructionofoffshoredigitalbathymetricmodelbasedonmulti-sourcebathymetricdatafusionJ.AdvancesinMarineScience,2021,39(3):461-469.1KUTSERT,HEDLEYJ,GIARDINOC,etal.Remotesensingofshallowwaters:a50yearretrospectiveandfuturedirectionsJ.RemoteSensingofEnvironment,2020,240:111619-1-111619-18.2LYZENGADR.Shallow-waterbathymetryusingcombinedlidarandpassivemultispectralscannerdataJ.Interna-tionalJournalofRemoteSensing,1985,6(1):115-125.3LYZENGADR.PassiveremotesensingtechniquesformappingwaterdepthandbottomfeaturesJ.AppliedOp-tics,1978,17(3):379-383.4STUMPFRP,HOLDERIEDK,SINCLAIRMJL,etal.Determinationofwaterdepthwithhigh-resolutionsatelliteimageryovervariablebottomtypesJ.LimnologyandOceanography,2003,48(1,part2):547-556.5LYZENGADR,MALINASNP,TANISFJ.MultispectralbathymetryusingasimplephysicallybasedalgorithmJ.63期孟鑫垚，等：基于空间特征的机器学习模型浅海水深反演507IEEETransactionsonGeoscienceandRemoteSensing,2006,44(8):2251-2259.马毅,张杰,张靖宇,等.浅海水深光学遥感研究进展J.海洋科学进展,2018,36(3):331-351.MAY,ZHANGJ,ZHANGJY,etal.ProgressinshallowwaterdepthmappingfromopticalremotesensingJ.AdvancesinMarineScience,2018,36(3):331-351.7AIB,WENZ,WANGZ,etal.ConvolutionalneuralnetworktoretrievewaterdepthinmarineshallowwaterareafromremotesensingimagesJ.IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSens-ing,2020,13:2888-2898.8SAGAWAT,YAMASHITAY,OKUMURAT,etal.Satellitederivedbathymetryusingmachinelearningandmulti-temporalsatelliteimagesJ.RemoteSensing,2019,11(10):1155-1174.9MISRAA,VOJINOVICZ,RAMAKRISHNANB,etal.ShallowwaterbathymetrymappingusingSupportVectorMachine(SVM)techniqueandmultispectralimageryJ.InternationalJournalofRemoteSensing,2018,39(13):4431-4450.10WANGYH,ZHOUXH,LIC,etal.BathymetryModelbasedonspectralandspatialmultifeaturesofremotesens-ingimageJ.IEEEGeoscienceandRemoteSensingLetters,2020,17(1):37-41.11LAIWD,LEEZP,WANGJW,etal.Aportablealgorithmtoretrievebottomdepthofopticallyshallowwatersfromtop-of-atmospheremeasurementsJ.JournalofRemoteSensing,2022:1-16.12周舟,张万磊,江文胜,等.渤海表层悬浮物浓度长期变化(20032014年)的卫星反演研究J.中国海洋大学学报(自然科学版),2017,47(3):10-18.ZHOUZ,ZHANGWL,JIANGWS,etal.Long-Termvariationofsuspendedsedi-mentconcentrationintheBohaiSeabasedonretrievedsatellitedataJ.PeriodicalofOceanUniversityofChina(NaturalScienceEdition),2017,47(3):10-18.13赵英时.遥感应用分析原理与方法M.北京:科学出版社,2003.ZHAOYS.PrincipleandapplicationofremotesensingM.Beijing:SciencePress,2003.14黄端杰,许强,李秀保,等.三亚蜈支洲岛珊瑚礁-沙质底复合区棘皮动物群落结构J.海洋与湖沼,2020,51(1):103-113.HUANGDJ,XUQ,LIXB,etal.ThecommunitystructureofechinodermsinsandycoralreefareainWuzhizhouIsland,Sanya,ChinaJ.OceanologiaetLimnologiaSinica,2020,51(1):103-113.15国家海洋信息中心.2020潮汐表.第3册台湾海峡至北部湾M.北京:海洋出版社,2020.NationalMarineDataInfor-mationCenter.2020Tidetable:Volume3TaiwanStraittoBeibuGulfM.Beijing:ChinaOceanPress,2020.16KERRJM.WorldView-02offersnewcapabilitiesforthemonitoringofthreatenedcoralreefsJ.DimensionsandDirectionsofGeospatialIndustry,2011:18-21.17JORDANMI,MITCHELLTM.Machinelearning:trends,perspectives,andprospectsJ.Science,2015,349(6245):255-260.18BREIMANL.Randomfo