一种新型的水深测绘框架，整合了ICESat-2的间接反演技术和多源遥感数据

《Remote Sensing Applications: Society and Environment》：A novel bathymetric mapping framework integrating indirect inversion of ICESat-2 and multi-source remote sensing data

卫星测深技术通过融合光子计数LiDAR数据和多源遥感数据（光学影像、SAR、潮汐参数），提出PAWLP算法动态适应波浪周期变化，并构建随机森林模型结合时间样本迁移策略，有效缓解浑浊水域光学饱和效应，在巴哈马（浑浊）和美国维京群岛（清澈）的实测数据验证中，RMSE降低17.89%至2.32米，WMAPE优化19.46%，扩展有效测深范围至传统方法的极限。

　　卫星获取的水深数据（Satellite-Derived Bathymetry, SDB）在沿海区域管理、航行安全以及海洋环境监测中扮演着至关重要的角色。然而，传统方法在深度穿透能力有限和精度下降方面存在明显不足，这些问题主要受到水体光学特性、环境变化以及传感器性能的限制。为了应对这些挑战，本研究提出了一种创新的水深映射框架，该框架结合了基于波的间接深度反演方法和多源遥感数据。具体而言，开发了一种新的“渐进自适应窗口用于局部波周期”（Progressive Adaptive Window for Local Period, PAWLP）算法，用于从ICESat-2表面波数据中提取水深信息。通过动态调整分析窗口以适应局部波的变化，PAWLP提升了反演的鲁棒性，基于线性波理论进行深度估算。此外，我们构建了一个融合多光谱影像、合成孔径雷达（SAR）、潮汐高度和潮汐速度的多源SDB随机森林反演模型。为了进一步提高模型的泛化能力和减少场景特异性噪声，采用了时间样本迁移策略。本研究通过美国维尔京群岛（清澈水域）和巴港（浑浊水域）的现场水深数据验证了所提出的方法。结果显示，PAWLP能够自适应地捕捉局部波的特征，从而提取水深信息，其平均均方根误差（RMSE）为1.56米，加权平均绝对百分比误差（WMAPE）为10.01%。与固定周期方法相比，RMSE和WMAPE分别减少了约17.89%和19.46%。所提出的多源水深反演框架进一步提升了预测精度，清澈水域的RMSE为1.64米，浑浊区域的RMSE为2.32米，优于传统方法在各种条件下的表现。SAR数据和潮汐特征的结合显著增强了预测的稳定性，特别是在光学复杂水域中。总体而言，本研究突显了基于波的间接深度反演方法在扩展SDB有效深度范围方面的潜力。通过将ICESat-2水深测量与多源遥感数据以及时间样本迁移策略相结合，我们的方法提高了水深地图的精度和空间覆盖范围，缓解了光学饱和效应，并为在多样化沿海环境中实现可靠的水深映射提供了可扩展的解决方案。

浅水区域，位于海岸线与开阔海洋之间，是海洋生态系统的重要组成部分。这些区域支持丰富的生物多样性，维持关键的海洋资源，并作为保护沿海生态系统的天然屏障。准确的水深数据对于推进海洋动力学研究、海洋资源管理和环境监测至关重要。然而，全球近一半的浅水沿海区域仍未得到充分测绘，缺乏可靠的水深信息，这对海洋生态保护和蓝色经济的可持续发展构成了重大挑战。传统的水深测绘主要依赖于船载单波束或多波束回声测深仪，能够提供高精度的测量结果。然而，在非常浅的水域中，由于船舶吃水限制和触底风险，其有效性显著下降。此外，其高昂的操作成本和有限的空间覆盖范围也使其难以用于大规模或频繁的测绘。

遥感技术因其快速获取和广泛空间覆盖的优势，已成为大规模水深测绘的关键方法，尤其是在传统方法难以到达的区域。光学方法通常依赖于地表反射率（或辐射度）与现场水深测量之间的统计或分析关系。根据是否纳入物理原理，光学方法通常被分为经验型、半经验型和物理型模型。然而，太阳辐射的穿透深度通常受到限制，仅在光学清晰的水域中可达约30米，而在浑浊或光学复杂条件下，有效深度往往更浅，这也使光学方法对水体透明度极为敏感。此外，光学方法在高底反射率的浅水区域容易出现饱和，这可能导致水深的低估。光学方法对水体透明度的高度敏感性，结合其依赖于场地特定校准和经验公式的特点，往往限制了其在不同环境下的通用性和鲁棒性。

相比之下，合成孔径雷达（SAR）水深测绘通过雷达后向散射或表面波特征的变化来推导海底形态，如线性波的色散和折射。虽然SAR方法对大气状况的依赖较小，但其复杂的成像机制使其在处理底面粗糙度、表面洋流和风速等影响因素时较为困难。这些因素常常影响近岸区域的水深反演精度，并引入大量不确定性。

与之相对，水深激光雷达（LiDAR）作为一种主动遥感技术，发射蓝绿激光脉冲，能够穿透空气-水界面，并精确记录水面与海底返回的延迟时间，从而实现对浅水区域的直接测量。机载水深LiDAR已被广泛应用于局部浅水区域的高分辨率测绘，但由于空域法规和高昂的操作成本，其更广泛的应用受到限制。而空间LiDAR则作为一种有前景的替代方案，用于大面积、高效且高精度的水深测绘。NASA于2018年发射的冰、云和陆地高程卫星-2（ICESat-2），配备先进的地形激光测高系统（ATLAS），标志着卫星高程测量技术的重大进展。ATLAS以10 kHz的高脉冲重复频率运行，发射六束激光，分为三对光束。光束对之间的间距约为3.3公里，而每对光束内部的间距约为90米。这种配置使得ATLAS能够在约6.6公里的宽幅范围内同时获取六条高程剖面。在轨道上，每个激光足点的直径约为10.9±1.2米，相邻足点之间的平均间距约为0.7米。

ICESat-2上的ATLAS系统采用单波长532纳米绿色激光和多光束、微脉冲光子计数系统，用于获取高精度地表高程。与近红外波长相比，绿色波长在水中的吸收和散射显著降低，使得激光脉冲能够在光学清晰的水域中穿透空气-水界面并到达海底。利用这一特性，ICESat-2在清澈浅水区域展现出出色的水深性能，其垂直精度可达分米级。这使其成为目前可用于大规模水深测绘的最精确的卫星遥感技术。为了从ICESat-2观测数据中获取水深，已开发了多种信号提取方法，用于分离底面光子与背景噪声和地表光子。基于密度的聚类算法被广泛应用，因为它们假设底面光子在水面上方形成密集的集群。同时，ICESat-2项目科学办公室正在开发沿轨道的Level-3水深产品（ATL24），用于分类沿海和近岸区域的地表和底面光子。该产品还提供了水表面和折射校正后的底面高程，以及光子分类置信度和高程不确定性。这些算法和产品主要设计用于光学清晰的沿海区域，其中水体允许可靠的光子穿透和返回，使得光子计数LiDAR能够有效检测海底信号。相比之下，在浑浊水域中，由于光子无法穿透水体，ICESat-2无法提供可靠的海底信息，但仍然在海面检测方面具有独特优势。受益于ATLAS的高脉冲重复频率（10 kHz）和卓越的垂直精度，ICESat-2能够高精度地测量海面绝对高程。与依赖地表纹理特征间接获取波特征的SAR方法不同，ICESat-2提供了精确的、基于物理的海面剖面测量。这些剖面为探索光学复杂环境中的间接水深反演提供了有价值的替代方案。

然而，ICESat-2光子数据本身的离散分布，使得从原始数据中生成空间连续的水深地图变得困难。当前的SDB方法通常通过建模光子反演深度与光学影像中的光谱特征之间的线性或非线性关系来实现。近年来，机器学习和深度学习技术因其能够捕捉复杂模式和提高预测精度而受到越来越多的关注。例如，Xie等人（2024）开发了一种结合浅水辐射传输过程的物理信息卷积神经网络（PI-CNN），该模型提升了水体环境的光谱表示，并提高了反演精度。ICESat-2提供了全球分布的深度样本，这有助于在缺乏现场数据的区域开发机器学习和深度学习模型。

尽管将ICESat-2光子数据与多光谱影像相结合的方法在清澈水域中显示出良好的效果，但目前的空间LiDAR水深测绘在更复杂的环境中仍面临显著挑战，特别是在深度穿透能力和空间覆盖范围方面。这些限制主要归因于两个关键因素。首先，在高悬浮沉积物或有机物含量的浑浊水域中，激光脉冲会经历显著的散射和吸收，常常导致底面光子信号弱、噪声大甚至完全缺失。这严重降低了有效海底测量的可用性，并限制了基于LiDAR的水深测绘的深度范围。其次，大多数现有的水深模型都是基于单一光学传感器的数据，并辅以稀疏的参考深度点。由于被动光学影像的水体穿透能力有限，这些模型在光学复杂或动态变化的浅水环境中经常难以达到足够的精度和鲁棒性。

为了解决这些挑战，本研究有两个主要贡献。第一，开发了一种“渐进自适应窗口用于局部波周期”（PAWLP）方法，用于基于光子计数LiDAR数据的间接水深反演。该方法采用渐进自适应窗口来保留多尺度波特征，并通过交叉频谱分析估算局部波周期，从而在缺乏底面光子返回的区域实现有效的深度估算。第二，构建了一个结合时间样本迁移策略的机器学习水深反演模型，该模型整合了ICESat-2、光学影像、SAR数据和海洋参数。这种多源融合策略旨在扩展水深反演的空间覆盖范围和深度范围，减少环境变化引入的噪声，并增强模型在不同水体透明度条件下的适应性。

本研究选取了两个具有代表性的开放水域作为研究区域，以评估在不同水体透明度条件下水深反演方法的有效性：美国东海岸的巴港（Fig. 1(b)）和加勒比海的美国维尔京群岛（Fig. 1(c)）。巴港区域代表了一个浑浊的沿海环境，其中水体内的信号衰减显著限制了ICESat-2的海底光子检测能力。而美国维尔京群岛则是一个光学清晰的水域，能够提供可靠的光子穿透和返回。这两个区域的选择有助于全面评估所提出方法在不同环境下的适用性。

在方法论部分，本研究探讨并实现了基于波的间接水深反演算法。首先，该方法采用自适应滑动窗口来估算局部波参数，包括波长和周期，并使用短时傅里叶变换（STFT）进行深度反演。随后，将反演结果与多源遥感数据相结合，包括多光谱影像、SAR数据、潮汐高度和潮汐速度，以构建基于机器学习的水深反演模型。通过这种多源数据融合策略，模型能够更全面地捕捉水深变化的复杂性，并提高预测的准确性和稳定性。

为了评估基于波的间接水深反演方法的性能，本研究选取了四个ICESat-2地面轨道，在光学清晰和浑浊水域区域进行比较分析，结果如表3所示。图5展示了不同方法在浑浊水域区域的波基间接水深反演结果，其中y轴表示相对于北美垂直基准（NAVD88）的正高。使用正高进行验证确保了不同数据集之间的一致性，并避免了因基准不同而产生的误差。通过这种方式，本研究能够更准确地评估模型在不同环境下的表现。

海洋环境的动态和多变特性使得从空间光子计数LiDAR数据中准确获取波周期变得困难。波周期是基于波反演的关键参数，其估算的不确定性可能传播到深度计算中，从而影响整体反演精度。为了评估波周期变化对水深反演的影响，本研究分析了ICESat-2数据集（轨道：20181122gt2r），并进行了一系列测试。通过这些测试，我们能够更全面地了解波周期变化对水深反演的影响，并进一步优化模型的性能。

本研究的结论表明，我们探索了一种基于ICESat-2光子计数LiDAR数据的新型间接水深方法。PAWLP方法能够自适应地捕捉波周期的变化，从而扩展水深反演的深度范围，超越传统光学方法的限制。此外，我们还开发了一个多源数据融合框架，通过时间样本迁移策略整合光学影像、SAR和海洋参数，以实现更精确的水深测绘。该框架不仅提高了模型的预测能力，还增强了其在不同水体透明度条件下的适应性。通过结合多源数据和时间样本迁移策略，我们的方法在提高水深地图精度和空间覆盖范围的同时，也缓解了光学饱和效应，为在多样化沿海环境中实现可靠的水深反演提供了可扩展的解决方案。

本研究的作者贡献声明表明，Zijia Wang负责撰写、审阅与编辑、可视化、验证、方法论、形式分析和数据管理。Sheng Nie负责撰写、审阅与编辑、监督、资金获取、形式分析、概念化和方法论。Cheng Wang负责撰写、审阅与编辑、监督、项目管理、资金获取。Jian Zuo负责撰写、审阅与编辑和方法论。Xiaohuan Xi负责撰写、审阅与编辑、监督、资源和资金获取。此外，本研究的作者还声明没有已知的与本研究相关的竞争性财务利益或个人关系。

本研究的致谢部分表明，本工作得到了中国国家自然科学基金（No. 425300104, U22A20556, 42201380）和中国国家重点研发计划（2024YFF0810400）的支持。作者感谢国家积雪和冰川数据中心（NSIDC）提供了ICESat-2数据。本研究中使用的Sentinel-1和Sentinel-2数据集由欧洲航天局（ESA）提供。作者还感谢国家海洋数据与信息中心（NCEI）提供了用于现场验证的数字高程模型（DEM）数据。这些数据和资源的支持为本研究的顺利进行提供了重要保障，并有助于验证所提出方法的有效性。