利用Sentinel-2的短时间序列数据应用神经网络进行水深估算：以葡萄牙塞图巴尔-特罗亚地区为例

《Remote Sensing Applications: Society and Environment》：Application of Neural Networks for Bathymetric Estimation Using a short time-series of Sentinel-2. A Case Study: Setúbal - Troia, Portugal.

该研究构建基于Sentinel-2多光谱数据的序列神经网络模型，融合时间、空间及光谱特征，有效提升葡萄牙Sado河口区0-10米水深反演精度，测试集MAE达0.47米。研究证实神经网络在动态浑浊环境中的适用性，但需通过深度范围过滤解决高浊度区域预测偏差问题。

　　本研究旨在通过构建一种基于神经网络的模型，利用Sentinel-2多光谱数据和水深测量数据来估算浅水区域的水深。这种方法与传统的卫星水深估算技术有所不同，因为模型不仅考虑了水体的光谱信息，还引入了数据获取的时间和地点，以捕捉空间和时间上的变化特征。研究的重点在于0.0至10.0米的水深范围，这在沿海和河口等环境中的应用尤为重要。

通过训练和验证，模型展现出较高的预测准确性，其测试集的平均绝对误差（MAE）为0.47米。然而，外部验证（使用多波束测深数据）表明，模型的误差在不同区域存在显著差异，特别是在开阔水域和河口环境之间。在高度浑浊的河口区域，误差波动较大，这强调了在预测过程中进行水深范围筛选的重要性，以确保结果的可靠性。

在开阔水域中，模型的最大相关系数达到了0.95，这表明预测结果与实际观测数据之间存在高度一致。外部验证主要集中在开阔水域的浅水区域，使用了单波束回声测深仪和ICESat-2测深数据。这些验证进一步确认了模型的准确性，误差值在±0.5米范围内保持稳定。这一结果表明，该模型在动态和浑浊环境中具有良好的应用潜力。

随着技术的发展，传统方法在估算水深方面存在诸多局限性。例如，早期的水深估算依赖于基于物理模型的方法，这些方法通常通过水体反射率与深度之间的线性回归进行计算，尽管这些方法能够提供低成本、高频次和大范围的覆盖，但其适用性受到水体光学特性、底质类型、浑浊度和悬浮物含量等环境因素的限制。为了克服这些限制，研究人员开发了半分析倒模型，这些模型利用辐射传输理论，将观测到的表层反射率与水体的固有光学特性（IOPs）和水深联系起来。这些模型在多种环境中实现了更广泛的深度估算，但仍然面临诸如IOPs估算的不确定性、底面反射率的变化以及底质特定的光谱响应等挑战。

近年来，深度学习（DL）作为一种基于人工神经网络的机器学习方法，显著提高了水深估算的准确性。DL模型能够自动从原始光谱数据中提取层次化的特征表示，不仅能够检测与深度变化相关的基础光谱特征，还能揭示浑浊度、悬浮物和底质变化之间的复杂相互作用。这种方法在沿海和河流环境中表现出色，即使在浑浊的水域中也能提高估算的准确性。例如，在河流环境中，使用深度学习模型与多源卫星数据结合，可以实现较低的平均绝对误差（MAE），从而在复杂环境中提供可靠的水深估算。

然而，尽管深度学习方法在水深估算中表现出色，其性能仍然受到数据集特性和环境变化的影响。一些研究指出，不同的深度学习架构在不同环境中表现出不同的性能。例如，Sagawa等人（2019）的研究表明，机器学习方法在少数特定区域中可以实现较低的平均均方根误差（RMSE），但在异质环境中估算水深仍然面临挑战。Liu等人（2024）则展示出将固有光学特性（IOPs）整合到神经网络模型中可以显著提高估算精度，特别是在浑浊水域中，误差值可以降至0.48米。

卷积神经网络（CNNs）在提高水深估算精度方面表现出色，其误差值在0.0至20.0米的水深范围内达到0.73至3.03米，而在使用多时相图像时，误差值可降至0.56至2.36米。这种方法在处理复杂的光谱数据时，能够自动提取多层次的特征，从而提高估算的准确性。相比之下，捕捉时间动态的算法，如循环神经网络（RNNs）和长短期记忆（LSTM）模型，虽然能够分析时间序列数据中的模式，但其性能受到卫星图像获取时间间隔不规则的限制。这种不规则性可能导致计算复杂度增加和序列深度学习方法的过拟合风险。

为了解决这些问题，一些研究提出使用短时间序列数据和时间平均技术来提高水深估算的性能。例如，Niroumand-Jadidi等人（2022a）的研究表明，这种方法在复杂环境中可以显著提高估算精度。此外，Tran等人（2024）在潟湖环境中使用了光梯度提升机（LGBM）模型，其误差值可降至0.35米，这进一步证明了深度学习在复杂环境中的应用潜力。

为了进一步提高估算的准确性，本研究采用了一种顺序神经网络（SNN）模型，该模型利用了Sentinel-2卫星影像中前四个光谱波段的短时间序列反射率数据，并将地理位置和时间信息作为模型训练的新型输入特征。这种方法旨在增强水深估算的准确性，特别是在具有复杂水道网络、动态水体浑浊度和多样化底质类型的环境中，如萨多河口。该模型能够捕捉特定时间和地点的关系，这对于在研究区域和环境条件下的水深预测至关重要。

为了确保模型在真实数据上的有效性，研究选择了与高精度多波束回声测深仪（MBES）调查时间相匹配的卫星图像。这些图像提供了萨多河口区域的准确海底表示，从而为模型的训练和验证提供了可靠的数据支持。此外，研究还使用了单波束回声测深仪和ICESat-2激光雷达数据进行更广泛的验证，进一步确认了模型的准确性。

本研究的发现表明，深度学习在卫星水深估算中具有广阔的应用前景，特别是在动态和浑浊的环境中。通过整合光谱、空间和时间特征，模型能够有效地捕捉水深的变化，同时应对浑浊度、底质异质性和光衰减等挑战。在开阔水域中，模型的平均绝对误差值约为0.48至0.85米，这一结果与国际水文标准相一致。

研究团队在模型训练过程中，采用了多种方法和工具，以确保模型的准确性和可靠性。例如，在训练过程中，模型经过了150个训练周期，显示出明显的损失和平均绝对误差（MAE）下降趋势。在最初的训练周期（1-10），模型表现出快速的改进，因为它从随机初始状态调整到更稳定的预测模式。然而，训练和验证数据集之间的误差差异表明，模型在处理大规模和多样化数据时可能面临挑战，但这种差异也表明了正则化在模型训练中的重要性。

为了确保模型的可靠性，研究团队还采取了多种数据筛选和验证方法。例如，在河口等浑浊环境中，通过引入水深范围筛选技术，可以有效地减少误差波动，提高预测的准确性。此外，使用多种卫星数据源和地面实测数据进行验证，能够确保模型在不同环境下的适用性。这些方法不仅提高了模型的准确性，还增强了其在动态环境中的鲁棒性。

本研究的成果表明，深度学习方法在卫星水深估算中具有显著优势，特别是在复杂和动态的环境中。通过整合光谱、空间和时间特征，模型能够更准确地捕捉水深的变化，并有效应对浑浊度、底质异质性和光衰减等挑战。这种方法不仅提高了估算的准确性，还为沿海监测和遥感应用提供了重要的工具，支持更精确和一致的水深估算。

在研究过程中，团队还考虑了数据的伦理使用和合规性。研究使用的Sentinel-2多光谱影像和ICESat-2激光雷达数据均来自公开可用的数据集，确保了数据的合法性和合规性。此外，研究团队还遵循了相关的数据共享政策，以确保研究结果的透明性和可重复性。

本研究的成果不仅为水深估算提供了新的方法，也为未来的遥感研究和沿海监测提供了重要的参考。通过深度学习方法，研究团队能够更有效地处理复杂的光谱数据，提高估算的准确性，并在动态环境中提供可靠的水深信息。这些方法的结合不仅提高了模型的性能，还为水深估算提供了更广泛的应用前景。