A Synoptic Review on Deriving Bathymetry Information Using Remote Sensing Technologies: Models, Methods and Comparisons

This paper discusses the bathymetric mapping technologies by means of satellite remote sensing (RS) with special emphasis on bathymetry derivation models, methods, accuracies, advantages, limitations, and comparisons. Traditionally, bathymetry can be mapped using echo sounding sounders. However, this method is constrained by its inefficiency in shallow waters and very high operating logistic costs. In comparison, RS technologies present efficient and cost-effective means of mapping bathymetry over remote and broad areas. RS of bathymetry can be categorised into two broad classes: active RS and passive RS. Active RS methods are based on active satellite sensors, which emit artificial radiation to study the earth surface or atmospheric features, e.g. light detection and ranging (LIDAR), polarimetric synthetic aperture radar (SAR), altimeters, etc. Passive RS methods are based on passive satellite sensors, which detect sunlight (natural source of light) radiation reflected from the earth and thermal radiation in the visible and infrared portion of the electromagnetic spectrum, e.g. multispectral or optical satellite sensors. Bathymetric methods can also be categorised as imaging methods and non-imaging methods. The non-imaging method is elucidated by laser scanners or LIDAR, which measures the distance between the sensor and the water surface or the ocean floor using a single wave pulse or double waves. On the other hand, imaging methods approximate the water depth based on the pixel values or digital numbers (DN) (representing reflectance or backscatter) of an image. Imaging methods make use of the visible and/or near infrared (NIR) and microwave radiation. Imaging methods are implemented with either analytical modelling or empirical modelling, or by a blend of both. This paper presents the development of bathymetric mapping technology by using RS, and discusses the state-of-the-art bathymetry derivation methods/algorithms and their implications in practical applications.

海底底质分类支持下的WorldView-3多光谱影像浅海海域水深反演

近几十年来,基于遥感影像进行水深反演一直是国内外学者研究的热点。本文使用WorldView-3高分辨率卫星影像,结合卫星测高数据,以中国海南岛附近的蜈支洲岛及其附近海域为主要研究区域,在进行数据预处理、底质分类之后,分别通过多元线性回归模型、Stumpf对数比值模型和BP神经网络集中对岛屿周围0~20 m水域的水深进行反演和结果分析。结果证明,对这3种模型而言,在进行底质分类之后精度都会明显提升。其中,BP神经网络反演水深精度最高(均方根误差范围为0.2~0.7 m),多元线性回归模型次之(均方根误差范围为0.3~0.8 m),对数比值模型精度最低(均方根误差范围为0.6~1.1 m)。

阿拉斯加北极滨海平原极地湖泊的水深遥感反演

北极滨海平原地区的湖泊水体深度对理解极地地表过程和环境变化具有重要意义。利用遥感数据反演极地湖泊水体深度具有快速和大范围的优势,但目前在极地湖泊中的研究较少。以遥感探测阿拉斯加极地湖泊深度为研究目的,实施并验证了Stumpf水深反演模型对于极地湖泊深度遥感反演的工作方法,且对该地区16380 km2范围内分布的3 187个湖泊进行了同期深度反演,并利用船载声纳仪实测湖泊水体的深度数据对反演结果进行精度验证。结果显示水深反演结果的平均绝对误差和均方根误差分别为0.37与0.54 m,表明利用遥感技术适用于反演极地湖泊的水体深度。实验结果显示阿拉斯加北部滨海平原极地湖泊平均深度具有沿山麓向滨海平原逐渐下降的趋势。

多光谱水深反演模型推广至无实测数据海域的可行性探讨——以北岛和甘泉岛为例

为了探究水质相同或相近前提下将多光谱水深反演模型推广至无实测数据海域的可行性,利用WorldView-2影像、GeoEye-1影像及相应实测水深数据于南海北岛海域、甘泉岛海域开展研究,在北岛海域提取3组样本数据,在甘泉岛海域提取1组样本数据。其中,利用北岛A组样本构建Stumpf比值模型、Lyzenga对数线性模型、比值统计模型,利用北岛B组、C组样本验证水深模型的反演精度。结果显示:各模型在海底类型相似的B组海域的验证精度较高,相关系数(r)、均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)值依次仅约为0.9、1.1、0.9 m;在海底差异较大的C组区域,反演精度明显变差,r值低于0.7,RMSE、MAE值分别增加至2.2 m、1.6 m以上。此外,还将北岛A组样本的Stumpf比值模型推广至海底类型相似的甘泉岛海域,反演精度介于B组、C组精度之间,验证样本的r、RMSE、MAE值依次为0.821、1.961 m、1.420 m。研究结果表明:水质相同或相近前提下,海底类型极大地影响水深模型的反演精度;在海底类型相同或相似的海域,水深反演模型的推广可行性更高。

基于Planet多光谱影像的南海岛礁水深反演研究

Planet是目前最新的遥感卫星数据,充分挖掘其在海洋领域的潜能具有重要意义。本文以南海某岛礁周边水域为研究区域,利用Planet卫星多光谱数据,使用波段法、Stumpf法和BP神经网络模型法开展浅海水深反演研究,并利用实测的多波束测深数据进行精度对比分析。实验结果表明:1)多波段模型反演效果最好(RMSE为1.53 m),BP神经网络模型次之(RMSE别1.79 m),单波段模型和Stumpf模型反演效果较差(RMSE分别为2.78 m和2.65 m),总体上达到了目前浅海水深卫星遥感反演的精度水平,因此可以使用Planet多光谱影像开展水深遥感探测;2)BP神经网络模型反演精度明显高于单波段模型和Stumpf模型的精度,但是其受到网络层数、节点数选择、数据选择和训练方法等因素的影响,必须多次重复试验,才能确定最佳反演参数;3)分析不同水深(0—20 m)的反演精度,发现水深较浅区域(0—5 m)水深反演精度较低,其他区域(5—20 m)水深反演精度较高。