无人机影像在极浅水域测绘中的多路径处理方法与精度评估研究

针对浅水区测绘中折射误差和太阳耀斑干扰的难题，波兰研究团队提出基于无人机(UAV)影像的多路径处理框架，集成SfM(Structure-from-Motion) photogrammetry、几何折射校正和机器学习算法(SVR/MLR)，在Powidzkie湖验证中实现DEM模型平均误差3.2-5.4 cm，为海岸带监测提供高性价比解决方案。

　　

随着全球气候变化加速，海岸带生态环境监测面临严峻挑战。浅水区域作为海洋生物重要栖息地，其地形测绘对洪水模拟、考古研究和珊瑚礁保护至关重要。然而传统测量技术如船载单波束测深仪(Single-Beam Echo-Sounder, SBES)成本高昂且效率低下，而卫星遥感又难以满足厘米级精度需求。更棘手的是，水体折射效应会导致无人机(Unmanned Aerial Vehicle, UAV)影像的深度测量产生系统性偏差，太阳耀斑(sun glint)则会掩盖关键海底特征。这些技术瓶颈严重制约着海岸带精细化管理的实施。

针对这一系列难题，波兰弗罗茨瓦夫理工大学的研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表创新性研究。他们以波兰Powidzkie湖为实验区，系统评估了无人机影像处理的不同技术路径。研究团队首先采用DJI Matrice 300无人机搭载Zenmuse P1相机（35mm焦距，7.1mm地面采样距离）获取941张高重叠度影像，同时结合GNSS-RTK（平面精度8mm+1ppm）和自主研发的无人船BATDRON（测深精度4cm）采集验证数据。通过设计包含6种处理路径的完整工作流，重点解决了太阳耀斑干扰消除、水下折射校正等关键技术难题。

在方法学层面，该研究展现出三大技术创新：首先提出基于InceptionResNetV2-UNet的深度学习耀斑检测法，相比传统RGB阈值法将准确率提升至95.7%；其次系统比较了基于Snell定律的几何校正、多元线性回归(MLR)和支持向量回归(SVR)三种折射校正方法；最后创新性地将水下控制点(GCP)纳入SfM处理，使高程误差降低50%。

4.1 摄影测量处理
通过Agisoft Metashape软件对比两种SfM处理方案发现：仅使用陆上控制点时，检查点高程误差(RMSZ)为17.2cm；而加入水下控制点后，虽然平面精度保持1.6cm，但高程误差激增至6.6cm。点云密度分析显示水下区域可获得1.73亿个折射未校正点（占总点数33%）。

4.2 太阳耀斑掩膜
改进的InceptionResNetV2-UNet模型在验证集取得0.957准确率和0.911 Dice系数，显著优于RGB阈值法（误掩植被率达30%）。实际应用证明该算法能有效消除>1cm的耀斑，使正射影像中海底特征识别率提升40%。

4.3 折射校正
三种校正方法在3.5m水深范围内的对比显示：几何法虽无需训练数据，但平均误差(5.4cm)高于MLR(0.2cm)和SVR(0.3cm)；而基于回声测深数据训练的SVR模型表现最优(R²
=0.98)。值得注意的是，当训练数据最大深度<1m时，所有模型误差均增加2-3倍，凸显深度范围对模型泛化能力的关键影响。

4.4 最终成果
研究成功生成空间分辨率1.43cm的DEM和7.14mm的正射影像，其中折射校正使水下地形精度达到工程应用要求（<5cm误差）。

这项研究的突破性在于首次系统评估了无人机浅水测绘的全链条技术方案。实践表明，在无验潮数据时，基于Snell定律的几何校正法是最稳健选择（误差11.1cm）；而当具备足够测深数据时，SVR能实现亚分米级精度。团队开发的BATDRON-USV测深系统与无人机形成空地协同观测网络，为海岸带立体监测提供了范式。未来通过融合多光谱数据和改进U-Net架构，有望进一步提升深水区（>5m）的测绘能力，这项技术对全球90%的珊瑚礁监测区具有直接应用价值。

论文的结论部分特别强调：在气候变化导致海岸线加速变迁的背景下，本研究提供的"无人机+AI"解决方案，将传统需要数周的测绘工作压缩至单日内完成，成本仅为船载LiDAR的1/20。这种高效低耗的技术路径，为发展中国家实施SDG14（水下生物保护）目标提供了切实可行的技术支撑。