半自动化方法在测深数据中检测沉船：整合机器学习与地形推断的创新工作流程

为解决海底文化遗产(UCH)快速检测的挑战，本研究开发了一个结合机器学习(ML)和地形推断的半自动化工作流程。研究人员通过优化高潜力区域划分，应用SSD、Faster R-CNN等算法在测深数据多可视化（如hillshade、curvature）中进行沉船检测。结果显示，地形过滤方法可减少96%数据量并识别78%沉船，ML模型在曲率数据上表现最佳（F1=0.57）。该工作流程显著提升检测效率，适应多样化海床环境，为全球海底测绘和文化遗产管理提供关键技术支撑。

　　

在当今全球海底测绘的浪潮中，水下文化遗产(UCH)尤其是沉船遗址正面临前所未有的机遇与挑战。联合国教科文组织估计全球沉船数量超过300万艘，但大多数位置仍未知。随着海洋测绘分辨率的提升和离岸开发（如海上风电）的加速，沉船不仅承载着历史与考古价值，更易受人类活动影响。然而，传统人工检测方法在“大数据”时代显得力不从心：效率低、主观性强，且难以应对复杂海床环境。例如，英国海域记录有约37,000处沉船，但其中高达40%存在误判问题。这些问题凸显了对高效、自适应检测工具的迫切需求——既能处理海量数据，又能适应沙质、岩质等多样化海床。

为应对这一挑战，研究人员开展了一项创新研究，结合机器学习(ML)与地形推断方法，开发了一个半自动化工作流程。论文发表于《Journal of Archaeological Science》，聚焦于提升沉船检测的精度与效率。研究采用分阶段策略：首先通过地形特征（坡度slope、曲率curvature、地形位置指数TPI）过滤高潜力区域，减少数据量；随后应用多种ML算法（包括SSD、Faster R-CNN和Mask R-CNN）在优化后的区域进行检测。测试覆盖英国南部海岸3,131 km2的1米分辨率测深数据，评估了不同可视化（hillshade、shaded relief、curvature）对模型性能的影响。

关键技术方法包括：1) 使用ArcGIS Pro平台处理测深数据，生成多可视化图层；2) 通过Raster Extraction方法整合坡度、曲率和TPI，识别高潜力区域；3) 训练ML模型（基于ResNet50/34骨干网络）并应用数据增强（如旋转、亮度调整）；4) 评估性能指标（召回率recall、精确度precision、F1分数）以UKHO沉船数据库为基准。样本源自英国海道测量局公开数据集，确保覆盖多样沉船类型（如完整金属沉船与小型残骸）。

4. 结果

• 地形过滤效能：Raster Extraction方法成功过滤96%测试数据（约3,000 km2），同时检测到78%的沉船（253处中197处）。对完整沉船（conspicuous wrecks）的召回率达98%，但精确度仅6%，表明需后续ML优化。
• 机器学习模型表现：曲率可视化训练的SSD模型综合表现最佳（召回率73%，精确度47%，F1=0.57）；而shaded relief SSD对完整沉船检测最优（召回率90%）。ESRI预训练模型（Mask R-CNN）经微调后召回率仅55%，突显区域适应性局限。
• 错误来源分析：主要假阳性源于岩质地貌、沙波纹等复杂特征，区域如Selsey Bill与Beachy Head占比超80%错误。

5. 讨论

• 地形推断的价值：该方法高效缩小搜索范围，尤其适合完整沉船检测，但需结合海床分类（如平坦沙质vs.复杂岩质）优化阈值以提升小型残骸识别率。
• 机器学习适应性：曲率数据虽不易人工判读，却为ML提供高区分度特征，验证了“计算机友好”可视化的重要性。背景训练（如添加负样本）可显著降低假阳性。
• 应用与意义：工作流程为全球海底测绘倡议（如GEBCO）提供可扩展工具，支持文化遗产优先级管理（如区分完整与残骸遗址）。在实时AUV(自主水下航行器)调查中，该方法有望加速现场决策。

研究结论强调，整合地形推断与机器学习能显著提升沉船检测效率：Raster Extraction作为预处理步骤减少计算负担，ML模型在曲率数据中实现最佳平衡。这一框架不仅推动水下考古进入“半自动化时代”，更启示跨学科合作（如融合海洋地质与计算机视觉）以应对海床环境多样性。未来方向包括开发动态阈值系统及扩展至其他UCH类型（如古港口），为文化遗产可持续管理奠定基础。