基于梯度提升决策树模型的Sentinel-1图像浅海水深反演

利用合成孔径雷达(Synthetic Aperture Radar,SAR)反演浅海水深在海洋遥感中极具挑战性。本文采用梯度提升决策树(Gradient Boosting Decision Tree,GBDT)为核心的机器学习算法,使用Sentinel-1、全球水深数据、风场和流场数据来反演杭州湾和长江口南缘相连的浅海区域的水深。首先分析反演的最佳风速和迭代次数,再对0~10 m、10~20 m、20~30 m、30~40 m、40~50 m的分段水深和0~10 m、0~20 m、0~30 m、0~40 m、0~50 m的总体水深用相关系数、均方根误差和平均绝对误差进行精度评价,最后分析反演水深的空间分布特征。结果表明:反演的最佳风速约为3.78 m/s,并且GBDT模型达到最佳精度时的迭代次数远小于其他模型,最佳迭代次数为4。分段水深中,40 m以内的相关系数都高于0.8,其中以10~20 m的相关系数最高,为0.9;40~50 m则最低,为0.73。40~50 m的平均绝对误差和均方根误差均为最大,分别为1.89 m和2.24 m,20~30 m的平均绝对误差和均方根误差均为最小,分别为0.75 m和0.96 m。在总体水深中,虽然随水深区间的扩大,相关系数会逐渐增加,但是平均绝对误差和均方根误差的精度都随水深区间的扩大而下降,且在0~50 m区间内的平均绝对误差和均方根误差最大,分别为1.06 m和1.59 m,因此反演的最佳区间为0~40 m。该区域的水深从杭州湾海岸线开始由浅及深阶梯增加,反演结果能够较好的表现研究区内的实际水深分布情况,比较符合当前区域的水下地形特征。