无人驾驶航空系统导航与传感器技术对超浅水区测深测绘的影响

《International Journal of Remote Sensing》：Impacts of Unoccupied Aerial Systems navigation and sensor technology on ultra-shallow bathymetry mapping

　　**摘要**
无人驾驶航空系统（UAS）已成为使用结构从运动（SfM）或基于光谱的海深测量（SDB）方法进行超浅水（<2米）地形测绘的强大工具。然而，设备选择对这些方法生成的海深图精度的影响尚未得到充分研究。本研究探讨了不同UAS导航和成像传感器如何影响海深精度，以及这种影响在基于SfM和SDB的方法之间是否存在差异。我们在两种珊瑚礁生境中评估了五种常见的UAS。实时运动学或后处理运动学定位对于精确的基于SfM的海深测量至关重要（RMSE = 0.14 ± 0.02米）。然而，即使在仅使用10个地面真实样本训练的Stumpf波段比率算法下，其在浅水环境中的表现也始终优于SfM方法（RMSE = 0.11 ± 0.003米）。基于光谱的支持向量机和单层神经网络表现出最佳性能（RMSE = 0.09 ± 0.005米），但需要200个地面真实测量数据才能达到这种精度。多光谱传感器提高了基于光谱的海深图的精度，但宽带RGB相机也表现良好（RMSE差异≤0.06米）。基于SfM的海深测量可以与光谱模型结合使用，以改善纹理较差的沙质生境中的海深重建。然而，这种组合模型的整体精度仍受原始SfM重建精度的限制。最终，在地面真实数据稀少时，使用红色图像波段的Stumpf波段比率方法是基于UAS的超浅水海深测量的最实用和最准确的方法；而在地面真实数据丰富的情况下，光谱机器学习模型表现最佳。

**关键词**：海深测量；无人机；无人驾驶航空器；珊瑚礁；结构从运动；基于光谱的海深测量；Stumpf；机器学习

**1. 引言**
海底地形通过影响关键物理参数（如光照可用性、温度和波浪暴露）来塑造珊瑚礁等沿海生态系统的功能（Baird等人，2018年；Done等人，1983年；Kennedy等人，2021年）。此外，海深数据对于各种下游应用至关重要，包括水文测量（Chénier、Faucher和Ahola，2018年）、海岸侵蚀监测（Misra和Ramakrishnan，2020年）、水动力建模（Green、Lowe和Buckley，2018年）以及栖息地制图（Brown等人，2011年；Misiuk和Brown，2024年）。鉴于海深测量的重要性，已经开发出许多方法，可以准确高效地在广泛的空间尺度和分辨率下将水下栖息地的深度和形态数字化（Li等人，2023年；Mandlburger，2022年）。基于船舶的多波束声纳测深（SoNAR）是大多数沿海环境中创建高分辨率数字海深图（DBM）的标准方法（Li等人，2023年；Mayer等人，2018年）。然而，基于船舶的方法在超浅水（<2米深）或高度复杂的环境中面临后勤限制。在这种情况下，无人驾驶航空系统（UAS）已成为一种有效的新型海深测绘工具（Joyce、Fickas和Kalamandeen，2023年；Li等人，2023年；Mandlburger，2022年）。目前有三种基于UAS的遥感方法被认为是光学浅水高分辨率海深测量的领先方法（Mandlburger，2022年）：1. 海深光检测与测距（LiDAR），它发射短激光脉冲，并根据反射脉冲返回所需的时间计算海深（Pricope和Bashit，2023年；Szafarczyk和To?，2022年）；2. 结构从运动（SfM）摄影测量，它识别重叠图像中的匹配“关键点”并跟踪它们的位移以三角测量相机姿态和关键点的3D位置，随后通过迭代束调整程序进行精细化（Dietrich，2017年；Westoby等人，2012年；Woodget等人，2015年）；3. 基于光谱的海深测量（SDB），它将观测到的遥感反射率与地面真实深度测量值或端元反射光谱相关联，以基于光衰减估计海深（Alevizos、Oikonomou等人，2022年；Dekker等人，2011年；Lyzenga，1978年；Stumpf、Holderied和Sinclair，2003年）。虽然海深LiDAR通常被认为是最准确的气载遥感海深测量技术，但由于LiDAR传感器的高成本，其在环境科学中的应用受到限制（Pricope和Bashit，2023年；Szafarczyk和To?，2022年）。相比之下，基于SfM和SDB的海深测量提供了更易于实现的超浅水海深测绘解决方案，因为它们可以使用标准UAS相机进行（Alevizos和Alexakis，2022年；Pricope和Bashit，2023年；Slocum等人，2019年；Woodget等人，2015年）。UAS有多种配置，从紧凑且价格合理的“消费级”模型（例如DJI Mavic）到支持高级功能的“专业级”系统（例如DJI Matrice），后者具有可更换相机或先进的实时运动学（RTK）和后处理运动学（PPK）定位系统。通常认为更先进的UAS配置能够生成更高精度的海深图（Slocum等人，2019年）。然而，特定机载技术对海深测量精度的影响在基于SfM和SDB的方法之间可能有所不同。我们确定了可能影响不同UAS配置海深测量精度的三个关键技术方面：

- **定位精度**：消费级UAS通常配备标准全球导航卫星系统（GNSS）传感器，其定位精度为几米。而更专业的UAS配置可能配备多频GNSS传感器，可以处理原始卫星导航数据，通过PPK或RTK实现厘米级的定位精度。更高的定位精度限制了SfM的迭代束调整过程，从而获得更精确的SfM重建（Przybilla等人，2020年；Taddia、Stecchi和Pellegrinelli，2020年）。这在海洋环境中尤为重要，因为波浪和折射会扭曲关键点位置，引入SfM处理中的噪声（Chirayath和Earle，2016年；Makris等人，2024年；Scilla等人，2025年；Slocum等人，2019年）。
- **光谱分辨率**：通常，UAS配置配备消费级的宽带RGB相机，这些相机在可见光谱的三个宽且重叠的范围内捕获红、绿、蓝光（Alevizos和Alexakis，2022年；Burggraaff等人，2019年）。然而，UAS也可以配备多光谱相机，这些相机设计用于捕获具有精确定义的光谱特性的窄且不重叠的光谱带反射率（Alevizos和Alexakis，2022年；MicaSense Inc.，2020年，2022年）。这种多光谱相机提供的更高光谱分辨率，无论是从图像带的数量还是每个带的特异性来看，都预计将提高基于光谱的DBM的精度。
- **空间分辨率**：在标准高度下操作时，不同UAS配置根据成像传感器上的像素数量和镜头的焦距，将以不同的细节水平捕获海底。除了影响最终海深图的分辨率外，更高的空间分辨率还预计通过促进在空间分辨率较低的传感器可能看起来均匀的区域中检测关键点来提高SfM重建的精度（Slocum等人，2019年；Westoby等人，2012年）。

随着UAS越来越多地用于通过SfM或SDB方法重建超浅水海深（Joyce、Fickas和Kalamandeen，2023年；Mandlburger，2022年），并且更先进的UAS配置在偏远或海上地点进行环境监测时可能过于昂贵或不可行，因此了解设备选择如何影响海深精度至关重要。迄今为止，利用基于SfM和SDB方法的不同UAS配置之间的直接比较仍然有限。因此，本研究评估了五种UAS配置在两种不同的珊瑚礁生境中的超浅水（<2米）水域的海深测量精度，这些UAS配置从消费级到专业级都有。

**2. 方法**
2.1. 工作流程概述
我们使用基于SfM和SDB的方法评估了五种UAS配置的海深重建精度。完整的工作流程概述见图1；各步骤在以下部分中解释。
图1. 描述本研究主要过程的流程图。
GNSS：全球导航卫星系统。DBM：数字海深图。SfM：结构从运动。UAS：无人驾驶航空系统。完整大小的图表可以在文章的在线版本中查看。

2.2. 研究区域
本研究在红海中部（22.34°N，39.09°E）进行，研究地点包括一个分离的礁坪和一个沿海泻湖礁（图2）。这两个地点都很浅（<3米深），并且具有沙子、海草、大型藻类和礁石生境的混合（Nieuwenhuis等人，2022年）。大部分礁坪深度不到1米且相对平坦。在礁坪的避风侧，有一个较深的沟壑（1-2米深）（图2c）。相比之下，泻湖礁有深水池（≥1.5米深），其间散布着较浅的（<1米深）礁石框架，形成了更复杂的海底地形（图2d）。一个极浅的沙坪（<0.4米深）沿着泻湖礁的陆地一侧延伸，周围是一片灰色的红树林（Avicennia marina (Forssk.) Vierh.）。
图2. 研究区域和地面真实数据采集情况。（a）研究区域在沙特阿拉伯红海沿岸的位置。（b）调查的礁坪和泻湖礁之间的相对位置。（c、d）分别用‘Zenmuse P1’无人驾驶航空系统创建的正射影像上的礁坪和泻湖礁的地面真实数据（表1）。地图包含ESRI World Imagery和Natural Earth数据。

2.3. 无人驾驶航空系统
为了研究设备选择对生成的DBM精度的影响，每个研究区域都使用了五种不同的UAS配置进行了测绘。我们比较了三种DJI四旋翼无人机：配备固定相机的Mavic 2 Pro和Phantom 4 RTK，以及支持可更换载荷的Matrice 300 RTK（SZ DJI Technology Co. Ltd.，2018年；2020年，2023b）（表1）。Matrice 300 RTK配备了三种不同的相机：DJI Zenmuse P1、MicaSense Altum-PT和MicaSense RedEdge-MX Dual（MicaSense Inc.，2020年，2022年；SZ DJI Technology Co. Ltd.，2021年）（表1）。为简便起见，这五种UAS配置分别称为“Mavic 2 Pro”、“Phantom 4 RTK”、“Zenmuse P1”、“Altum-PT”和“RedEdge-MX”。表1总结了这些配置的主要技术规格。与每种配置相关的成本概述见补充表S1。

表1. 本研究中使用的无人驾驶航空系统的技术规格。
GNSS：全球导航卫星系统。RTK：实时运动学。PPK：后处理运动学。GSD：地面采样距离。AGL：地面以上高度。RGB：红、绿、蓝。UAV：无人驾驶航空器。

在可能影响海深测量能力的三个关键方面，这五种UAS配置的比较如下：
- **定位精度**：Phantom 4 RTK、Zenmuse P1和Altum-PT支持RTK或PPK导航技术，定位精度约为0.05米（表1）。相比之下，Mavic 2 Pro和RedEdge-MX配备的消费级导航传感器的定位精度约为2米（表1）。为了对Zenmuse P1和Phantom 4 RTK的图像进行地理定位，我们采用了Nieuwenhuis等人（2022年）描述的PPK工作流程，而Altum-PT的图像则通过DJI D-RTK2基站进行RTK定位（SZ DJI Technology Co. Ltd.，2023a）。
- **光谱分辨率**：Mavic 2 Pro、Phantom 4 RTK和Zenmuse P1配置配备了消费级的宽带RGB相机（表1）（Alevizos和Alexakis，2022年；Burggraaff等人，2019年）。相比之下，Altum-PT和RedEdge-MX配备了5个和10个校准的窄带传感器（表1）（Alevizos和Alexakis，2022年；Burggraaff等人，2019年；MicaSense Inc.，2020年，2022年）。
- **空间分辨率**：得益于其45MP传感器，Zenmuse P1具有最高的空间分辨率，在100米高度时的地面采样距离（GSD）仅为1.22厘米/像素（表1）（SZ DJI Technology Co. Ltd.，2021年）。Mavic 2 Pro的空间分辨率其次，GSD为2.28厘米/像素，紧随其后的是Phantom 4 RTK，为2.67厘米/像素（表1）。多光谱的Altum-PT和RedEdge-MX的GSD分别为4.31厘米/像素和6.94厘米/像素，这说明了空间分辨率和光谱分辨率之间的权衡（表1）。

2.4. 航空调查
所有UAS配置都在100米的高度上以割草机模式飞行，最大飞行速度为5米/秒，同时拍摄具有90%正面重叠和75%侧面重叠的俯视图像。在高挑战性的海洋环境中，使用高重叠设置以最大化SfM处理质量（Joyce等人，2019年；Nieuwenhuis等人，2022年；Slocum等人，2019年）。RGB相机的快门速度至少设置为1/400秒，以最小化运动模糊。由于初始的固定曝光测试产生了不一致的结果，因此根据制造商的建议，Altum-PT和RedEdge-MX设置为自动曝光（MicaSense Inc.，2021年）。无人驾驶航空系统（UAS）的调查在日出后3.5小时内进行，选择的风速较低（<1 m s?1）的日子，以最小化波浪扭曲、阳光反射和焦散效应的影响（表2）（Joyce等人，引用2019；Slocum等人，引用2019）。在调查计划中未考虑潮汐阶段，因为该地区的潮汐幅度很小（<0.2 m），且监测不足，因此认为低风速条件更为重要（Madah等人，引用2015；Pugh、Abualnaja和Jarosz，引用2019）。珊瑚礁平地的调查是在2023年2月进行的，而泻湖珊瑚礁的调查则是在2023年6月进行的。表2总结了每次无人驾驶航空系统调查期间的环境条件。日出时间来自NOAA太阳计算器（NOAA，引用2025）。风速数据来自位于研究地点约5.7公里处的近岸KAUST气象浮标（2月）和约0.5公里处的近岸气象浮标（6月），以及位于研究地点约13公里处的远岸气象浮标。下载CSV文件。表2.5显示了运动结构（Structure-from-Motion, SfM）处理过程。SfM处理使用了常用的商业软件Pix4Dmapper v.4.8.4（Pix4D SA，引用2023）。所有SfM处理设置在不同UAS配置之间保持一致。图像对齐采用了“Alternative”校准方法，该方法专为低纹理内容的相对平坦地形上的垂直摄影图像优化（Pix4D SA，引用n.d.-b）。多光谱相机Altum-PT和RedEdge-MX的对齐使用了绿色560纳米波段的图像作为主要对齐依据。其他所有图像波段的对齐基于它们在相机装置中的相对位置与已对齐的绿色图像波段的位置关系。默认的装置处理设置为“Optimize Relative Rotation with a subset of secondaries”（Pix4D SA，引用n.d.-a）。由于即使结合RTK或PPK定位技术，也需要至少几个（1-5个）地面控制点（GCPs）来创建准确的基于UAS的数字地形模型（DBMs），因此在珊瑚礁平地和泻湖珊瑚礁上分别分布了五个和四个GCPs（James等人，引用2017；Przybilla等人，引用2020；Taddia、Stecchi和Pellegrinelli，引用2020）。GCPs使用Emlid Reach RS2双频GNSS接收器进行地理定位，该接收器安装在一根2米长的杆子上（Emlid Tech Kft，引用2025）。这使我们能够直接测量海底高度（减去杆子长度后），而不受水面高度的影响。GCPs的位置测量至少持续了一分钟。原始GNSS测量数据使用Emlid Studio v.1.9中的“Stop & Go”工作流程进行处理（Emlid Tech Kft，引用2024），该流程执行PPK并计算测量期间的平均位置，得到的垂直和水平均方根误差（RMSEs）分别为0.02 ± 0.0003米和0.06 ± 0.002米（平均值±标准误差）。点云密度优化使用了“High”点密度设置，至少4个匹配点，以及9×9像素的匹配窗口大小，以提高DBMs的质量（Nieuwenhuis等人，引用2022）。基于SfM的DBMs通过三角测量和“Sharp”表面平滑技术构建。反射率地图是通过使用Altum-PT和RedEdge-MX系统提供的光谱稳定的反射率面板，通过“仅使用相机”辐射校准方法生成的（Alevizos和Alexakis，引用2022）。SfM处理设置的详细信息见补充表S2.2。2.7 未配备人员的航空系统（Unoccupied Aerial System）派生地图的共配准使用分布在珊瑚礁平地和泻湖珊瑚礁上的10个和12个检查点（CPs）来验证地理定位精度（图2）。这些CPs在SfM处理中被排除，作为独立的验证点，但其他方面与前面提到的GCPs相同。平均地理定位精度为0.15米，但仍有超过0.3米的异常值，特别是在缺乏RTK/PPK功能的配置中（补充图S1a）。为了确保可以从水平地理定位的任何偏差中独立评估水深重建精度，进行了UAS调查的手动共配准。Zenmuse P1调查使用了PPK地理定位，其地面采样距离（GSD）最小，被指定为手动共配准的参考数据集。所有其他UAS调查使用QGIS v.3.34.4中的Georeferencer工具和三阶多项式变换以及最近邻重采样方法重新对齐到这个参考数据集（QGIS Association，引用2024）。至少使用了48个可识别的位置，如GCPs、CPs和具有高对比度的自然特征（如珊瑚礁框架中的洞穴），来手动匹配不同UAS配置的正射影像。最后，所有基于SfM的DBMs和反射率地图都被双线性重采样到相同的分辨率，以确保评估的位置完全一致。所有栅格都重新采样到RedEdge-MX的空间分辨率，因为这种配置的GSD最大（表1）。这种方法成功地将UAS调查之间的水平偏移减少到了亚像素级别（补充图S1b，c）。2.8 地理真实数据（Ground Truthing Data）基于UAS的水深图使用与用于地理定位GCPs和CPs的相同Emlid Reach RS2 GNSS仪器在水下进行的GNSS测高数据进行了评估。原始GNSS测量数据按照GCPs的处理方法进行了PPK处理，得到的垂直和水平RMSEs分别为0.01 ± 0.0001米和0.05 ± 0.0009米。通过应用将UAS派生的DBMs转换为水深的相同偏移量，将得到的椭球高度转换为水深（Woodget等人，引用2015）。在珊瑚礁平地和泻湖珊瑚礁上分别进行了474次和477次PPK处理的GNSS测量（图2）。DBMs的精度使用与GNSS水深测量数据进行线性回归得到的RMSE和决定系数（R2）指标进行评估。平均结果以平均值±标准误差的形式显示。2.9 光谱水深测量（Spectral Bathymetry Derivation）我们研究了Stumpf的波段比率与三种光谱训练的机器学习算法的有效性：随机森林（RF）、支持向量机（SVM）和单隐藏层神经网络（NN）。SDB模型分别在10个或200个随机选择的水下GNSS深度测量数据上进行训练，以模拟地面真实数据非常有限和相对丰富的条件。剩余的深度测量数据，珊瑚礁平地上有464个或274个，泻湖珊瑚礁上有467个或277个，用于测试。为了考虑水柱光学特性的时间变化（例如由于悬浮沉积物或浮游植物爆发），分别对每次调查进行了光谱模型训练。模型的性能使用它们各自的测试集上的RMSE进行评估。为了确保结果的稳健性，随机采样、模型训练和评估都进行了三次，并对结果进行了平均。Stumpf的波段比率在公式（3）中表示，其中m1和m0是通过线性回归确定的校准系数，Rrs是波长λi或λj处的遥感反射率，n是一个常数，确保对数始终为正且与深度成线性关系。按照惯例，n固定为1000（Zhu等人，引用2020）。Stumpf的波段比率最初是为卫星派生的水深测量创建的，使用蓝色（λi）与绿色（λj）反射率的比率（Stumpf、Holderied和Sinclair，引用2003）。最近的研究表明，在超浅水区域（<2米），使用红色光作为分母的Stumpf波段比率效果很好（Alevizos、Nicodemou等人，引用2022；Caballero和Stumpf，引用2020）。因此，我们比较了蓝色/绿色、蓝色/红色和绿色/红色的比率性能。对于具有多个蓝色、绿色和红色波段的RedEdge-MX配置，评估了所有可能的组合。我们还研究了两种多光谱相机的几种蓝色/红边比率，以确定红色边带的更强吸收是否有助于改善超浅水区域的水深测量。机器学习模型（即RFs、SVMs和NNs）在R v.4.2.2中使用tidymodels框架实现（Kuhn和Silge，引用2023；Kuhn和Wickham，引用2020；R Core Team，引用2022）。每个模型都使用了其相应UAS配置的所有可用反射率地图作为预测因子。因此，Mavic 2 Pro、Phantom 4 RTK和Zenmuse P1模型使用了三个预测因子：红色、绿色和蓝色。Altum-PT模型使用了六个预测因子：红色、绿色、蓝色、红边、近红外和全色（长波红外热图未使用）。RedEdge-MX使用了十个预测因子：红色（2倍）、绿色（2倍）、蓝色（2倍）、红边（3倍）和近红外。因此，与Stumpf的波段比率不同，这三个机器学习模型利用了多光谱相机捕获的额外光谱带，可能提高了水深测量的精度。为了优化机器学习模型的性能，通过五折交叉验证使用贝叶斯优化迭代调整了模型参数（Kuhn和Silge，引用2023；Shahriari等人，引用2016）。模型优化进行了15个周期，如果在5个周期后没有改进，则停止优化。对于RF模型，每个分割的预测因子数量（‘mtry’）被固定为三个。随后，表现最佳的光谱模型在每个区域使用500个随机SfM派生的深度测量数据进行了重新优化和重新训练，以确定在没有额外地面真实数据的情况下，结合SfM和SDB是否可以改善整体水深重建（Alevizos、Nicodemou等人，引用2022；He等人，引用2021；Slocum、Parrish和Simpson，引用2020；Starek和Giessel，引用2017；Wang等人，引用2022）。所有500个随机点与用于评估的水下真实GNSS深度测量数据之间的距离至少为1米。3. 结果（Results）3.1 基于运动结构（Structure-from-Motion）的水深测量大约0.23平方公里的珊瑚礁平地和0.30平方公里的泻湖珊瑚礁使用所有五种UAS配置进行了测绘。将SfM派生的DBMs与水下GNSS测量数据进行比较，发现SfM重建精度存在UAS配置依赖性差异（图3）。配备RTK/PPK导航传感器的Phantom 4 RTK、Zenmuse P1和Altum-PT在整个深度范围内与水下深度测量结果高度一致（RMSE = 0.14 ± 0.02米；R2 = 0.91 ± 0.02）（图3b-d，g-j）。这些UAS配置的误差呈现近似正态分布，方差较低，表明在整个研究区域内精度一致（图3g-i）。相比之下，缺乏RTK/PPK导航的Mavic 2 Pro和RedEdge-MX的精度较低，RMSE分别为0.27 ± 0.12米和0.45 ± 0.13米，R2值分别为0.53 ± 0.32和0.43 ± 0.04（图3a，e，f，j）。此外，它们的误差分布非正态，方差远大于配备RTK/PPK的UAS配置，表明其性能变化更大（图3f，j）。对于Mavic 2 Pro，在两个地点之间观察到了较大的性能差异：在潟湖礁石上的精度与配备RTK/PPK系统的系统相当（RMSE = 0.15米；R2 = 0.85），而在礁坪上的性能较差（RMSE = 0.39米；R2 = 0.21）。从RedEdge-MX数据生成的数字高程模型（DBM）显示出大规模的高程梯度，这与现实世界的水深情况不符，这解释了为什么这种无人机系统（UAS）配置表现不佳（图4e，补充图S2e）。尽管不如RedEdge-MX产生的误差那么极端，但在Mavic 2 Pro在礁坪上的DBM中也可以观察到类似的大规模错误高程梯度（图4a）。这些高程梯度的存在表明，它们很可能是由于束调整过程中的系统误差造成的，这种现象有时被称为“主导效应”（James等人，引用2017年）。图3。（a–e）将基于结构从运动（Structure-from-Motion）方法得到的水深图与水中的实际深度测量结果进行对比。“x”符号表示超出绘制区域的异常值；黑线表示完美的y = x关系。（f–j）显示了相关的误差分布。RMSE：均方根误差。不同无人机的结果如图中注释所示并排展示。

Pix4Dmapper生成的基于结构从运动方法的DBM具有与正射镶嵌图相同的分辨率。然而，基于结构从运动方法的DBM的有效分辨率取决于点云的密度。虽然点云密度主要由无人机配置的空间分辨率决定（补充图S3），但它也会随空间位置变化，反映了无人机的飞行模式和基底特征（图4f-j，补充图S2f-j）。在点云密度较低的区域，基于结构从运动方法的DBM中观察到了明显的人为处理伪影（尖锐的、不自然的高程偏移），从而降低了水深测量的精度（图4，补充图S2）。因此，基于结构从运动方法并未产生质量或分辨率均匀的水深图。这种效应在礁坪上最为明显，那里均匀的沙地导致除了Zenmuse P1之外的所有无人机配置的点云中都出现了较大的空缺（图4f-j）。Altum-PT和RedEdge-MX的空间分辨率最低，它们的点云中出现了特别大的空洞（图4f–j）。图4。（a–e）基于结构从运动方法得到的礁坪水深图。水深以当地海平面为参考显示。（f–j）相应的点云密度。白色像素表示点云中的空缺。不同无人机的结果如图中注释所示并排展示。补充图S2包含了潟湖礁石的相应地图。

3.2. 基于光谱的水深测量
不同光谱水深模型的性能差异显著，不同无人机配置之间存在一致的模式（图5）。在Stumpf的带比率的不同实现中，传统的蓝/绿带组合表现最差（RMSE = 0.28 ± 0.004米），蓝/红边带组合表现中等（RMSE = 0.16 ± 0.008米），而蓝/红和绿/红带组合表现最好（RMSE = 0.11 ± 0.003米）（图5）。虽然蓝/红和绿/红Stumpf带比率通常表现良好，但实现最低RMSE的具体带比率在不同无人机配置之间有所不同。对于Zenmuse P1，绿/红比率的表现优于蓝/红比率（RMSE = 0.11 ± 0.002米），而对于其他配备宽带RGB相机的无人机配置（即Mavic 2 Pro和Phantom 4 RTK），则没有差异（图5a–c，f–h）。对于窄带多光谱无人机Altum-PT，蓝475纳米/红668纳米比率表现最好（RMSE = 0.08 ± 0.004米）（图5d，i）。对于RedEdge-MX，绿560纳米/红650纳米比率表现最好（RMSE = 0.08 ± 0.005米），其次是蓝475纳米/红668纳米比率（RMSE = 0.09 ± 0.007米）和绿531纳米/红650纳米比率（RMSE = 0.09 ± 0.005米）（图5e，j）。除了Stumpf的带比率外，我们还评估了在不同训练样本量下基于机器学习的方法的有效性。随机森林（RF）模型的表现不如支持向量机（SVM）和神经网络（NN）（图5）。当使用200个训练样本时，SVM和NN的性能有所提升，平均RMSE分别减少了0.13米、0.12米和0.09米，这突显了更大训练数据集对基于机器学习的水深测量的重要性。这与Stumpf的带比率形成对比，后者在10个和200个训练样本之间的变化很小（平均RMSE减少 = 0.02米）（图5）。因此，当使用200个样本时，SVM和NN获得了最高的精度（RMSE = 0.09 ± 0.005米），略微优于最佳的Stumpf带比率（RMSE差异 ≤ 0.02米）（图5f–j）。相反，当地面真实数据稀缺时，蓝/红和绿/红Stumpf带比率的表现更好（图5a–e）。
光谱DBM的精度对无人机配置的依赖性小于基于结构从运动方法（SfM）得到的DBM（图3和5）。尽管如此，仍可以观察到传感器之间的差异（图5）。由于无人机配置使用不同的光谱带，以下比较仅限于基于RGB的Stumpf带比率和各种机器学习模型。此外，对于RedEdge-MX相机，仅考虑了从蓝475纳米、绿560纳米和红668纳米带得到的Stumpf带比率。多光谱配置获得了最高的精度，Altum-PT的RMSE为0.14 ± 0.009米，RedEdge-MX的RMSE为0.14 ± 0.01米。宽带Phantom 4 RTK和Zenmuse P1的表现中等（RMSE = 0.17 ± 0.01米），而Mavic 2 Pro的精度最低（RMSE = 0.20 ± 0.01米）。在200个训练样本的情况下，多光谱Altum-PT和RedEdge-MX的SVM和NN获得了最佳精度（RMSE = 0.06 ± 0.001米）。对于机器学习模型和Stumpf带比率，宽带RGB相机与多光谱相机之间的性能差距相似，尽管基于机器学习的方法可以利用多达七个额外的光谱带（图5f–j）。图5。平均均方根误差（RMSE）±标准误差，是基于水中的实际深度测量结果评估的光谱水深模型。光谱模型分别在（a–e）每个研究区域的10个和（f–j）200个地面真实点上进行训练。结构从运动方法得到的水深图的RMSE作为参考显示。x轴上的模型名称按图例中的缩写表示。用两种颜色标识的模型，如“蓝/绿”，指的是Stumpf带比率的不同实现。不同无人机的结果如图中注释所示并排展示。对于多光谱配置——Altum-PT和RedEdge-MX——每个带的中心波长（纳米）在上方标出。

3.3. 结合结构从运动方法和光谱水深测量
基于之前的结果，选择了SVM、Stumpf的蓝/红比率和Stumpf的绿/红比率，并用500个基于结构从运动方法得到的水深测量数据进行训练。只有在RedEdge-MX（RMSE减少 = 0.17 ± 0.05米）和Mavic 2 Pro在礁坪上（RMSE减少 = 0.18 ± 0.01米）的结合模型中，才观察到相对于原始SfM水深测量的显著改进（图3和6）。这些调查的特点是SfM得到的DBM精度较差，因为存在大规模的变形（图3和4）。结合SfM和光谱模型的精度提升主要是由于纠正了这些大规模的失真（图7，补充图S4）。在这些情况下，Stumpf的带比率（RMSE = 0.22 ± 0.02）的表现优于SVM（RMSE = 0.33 ± 0.05），可能是因为Stumpf的带比率在噪声较大的SfM数据上不太容易过拟合（图3和6）。尽管有这些改进，结合SfM和光谱模型的性能仍然受到底层SfM重建精度的限制。例如，RedEdge-MX的结合SfM和光谱模型的精度显著提高（R2 = 0.80 ± 0.07），与原始SfM重建相比（R2 = 0.43 ± 0.04）。然而，RedEdge-MX的结合SfM和光谱模型的精度相对于其他无人机配置仍然较低（RMSE = 0.28 ± 0.04米），因为预测的深度与水中的实际深度不成1:1的比例（图3和6）。因此，将SfM与经验光谱模型结合无法纠正原始SfM重建中的系统误差（图6）。因此，只有那些具有高精度SfM得到DBM的调查——即配备RTK/PPK的无人机和Mavic 2 Pro在潟湖礁石上——在全部深度范围内显示出结合SfM和光谱水深测量与地面真实测量之间的一致性（图6）。相比之下，在SfM得到的DBM已经很高的情况下，没有观察到改进（图3和6）。例如，在潟湖礁石上，Mavic 2 Pro的结合SfM和光谱模型的精度略有下降（RMSE增加 = 0.03 ± 0.001米），RTK/PPK配置的Stumpf带比率也是如此（RMSE增加 = 0.03 ± 0.007米）（图3和6）。SVM在RTK/PPK配置上的表现与原始SfM得到的水深测量相当（RMSE增加 = 0.002 ± 0.006米）。然而，即使整合了SfM和光谱模型，这些调查的总体精度略有下降，但该方法仍然提供了定性的改进。与原始SfM得到的水深测量不同，结合SfM和光谱模型产生了分辨率均匀的水深图（图7和补充图S4）。此外，这些模型成功地在纹理较差的沙质栖息地中预测了水深，因为SfM单独使用时由于关键点检测不足而无法解析深度，从而在局部提高了水深精度（图4和7）。图6。将基于结构从运动方法训练的光谱水深模型得到的水深图与水中的实际深度测量结果进行比较。（a–e）支持向量机，（f–j）Stumpf的蓝/红比率，以及（k–o）Stumpf的绿/红比率。“x”符号表示超出绘制区域的异常值；黑线表示完美的y = x关系。不同无人机的结果如图中注释所示并排展示。对于多光谱配置——Altum-PT和RedEdge-MX——使用了蓝475纳米/红668纳米（i，j）和绿560纳米/红668纳米（n，o）带组合。

4. 讨论
本研究比较了五种无人机配置在两种礁石栖息地中使用基于SfM和光谱方法的超浅水（<2米）水深测量能力。只有配备RTK/PPK定位系统的无人机配置获得了始终准确的水深图（RMSE = 0.14 ± 0.02米），而配备消费级GNSS系统的无人机配置即使加入了地面控制点（GCPs）也得到了不一致的结果。使用Stumpf带比率的浅水适应版本的光谱水深测量为所有无人机配置实现了更高的精度（RMSE = 0.11 ± 0.03米），即使仅基于10个地面真实样本进行训练。SVM和NN进一步提高了水深精度（RMSE = 0.10 ± 0.003米），但仅在基于200个地面真实样本进行训练时如此。结合SfM和光谱模型减少了局部SfM处理误差，并提高了有效分辨率，尽管绝对精度仍受原始SfM重建的限制。以下部分将在实际应用背景下讨论这些发现，首先讨论基于SfM的水深测量的性能和局限性。

4.1. 基于结构从运动方法得到的水深测量
根据Slocum等人的建议（引用2019），我们发现，对于配备RTK或PPK定位系统的无人机配置，基于SfM的方法产生了准确的水深图（RMSE = 0.14 ± 0.02米）。配备消费级GNSS传感器的无人机配置即使使用了GCPs也未能提供一致的结果。历史上，配备RTK/PPK的无人机配置比配备标准GNSS接收器的配置要昂贵得多（补充表S1），这限制了准确SfM水深测量的可获取性。尽管最近可以 retroactively 将RTK/PPK模块安装到消费级无人机上，使其成本更加可承受（SZ DJI Technology Co. Ltd. 引用2025；Ventura等人引用2023），但其成本仍然相当高（约770美元）。此外，环境监测工作，特别是在珊瑚礁研究的背景下，可能针对偏远或海上地点。在这些地点，由于缺乏附近的GNSS基站，RTK/PPK地理参考可能不可行，从而完全排除了基于SfM的水深测量。因此，我们认为依赖于RTK/PPK定位是SfM作为测深测绘技术的一个实际限制。SfM经常与光谱方法相对比，因为光谱方法不需要地面真实数据（Alevizos, Nicodemou等人，引用2022；He等人，引用2021；Slocum, Parrish和Simpson，引用2020；Starek和Giessel，引用2017；Wang等人，引用2022）。然而，即使无人机（UAS）配备了RTK/PPK定位系统，也需要有限数量的地理定位控制点（GCPs）才能从SfM调查中获得准确的高程数据（Casella等人，引用2017；James等人，引用2017；Przybilla等人，引用2020；Slocum等人，引用2019；Taddia, Stecchi和Pellegrinelli，引用2020）。在海洋环境中部署和回收GCPs既耗时又在物流上不可行（Slocum等人，引用2019）。此外，水下的GCPs可能会被波浪从海底冲走，被沙子覆盖，和/或被藻类覆盖。事实上，由于这些问题，本研究不得不排除13个GCPs。大多数基于UAS的测深研究通过在各自研究区域的海滩或岸边放置GCPs来解决这个问题（Alevizos, Nicodemou等人，引用2022；He等人，引用2021；Slocum, Parrish和Simpson，引用2020；Wang等人，引用2022）。然而，在我们研究的珊瑚礁平地这样的分离/离岸生态系统中，这是不可行的。因此，SfM调查中减少地面真实数据需求的论点仅适用于包括海岸线的研究区域。最后，SfM生成的测深图的准确性受到UAS配置的空间分辨率的影响，具有更高空间分辨率的传感器能够更好地在基底纹理有限的沙质区域检测关键点。因此，虽然SfM在超浅水域具有成为高精度测深测绘技术的潜力，但它仅适用于靠近海岸且基底纹理充足的RTK/PPK启用的UAS配置。

4.2. 光谱衍生的测深
由于Stumpf的波段比率是使用简单的线性回归进行校准的，它们可以用最少的地面真实数据获得准确的结果。在我们的实验中，适应浅水环境的Stumpf波段比率仅用10个地面真实点进行校准，产生的测深图（RMSE = 0.11 ± 0.003米）比每种UAS配置通过SfM创建的测深图更准确。值得注意的是，这些Stumpf波段比率的性能在训练10个或200个地面真实样本时几乎没有变化（平均RMSE减少 = 0.02米）。在海洋环境中，收集多达10个参考深度测量值来训练Stumpf波段比率在大多数情况下比部署必要的GCPs以创建准确的基于SfM的测深图更有效。因此，Stumpf波段比率提供了一种实用且稳健的方法，用于在难以到达的环境中绘制超浅水域的测深图，而不依赖于具有RTK/PPK定位系统的UAS。为了在超浅水域获得准确的测深图，我们通过使用红色波段作为分母，与蓝色或绿色波段作为分子来调整Stumpf波段比率。原始的蓝色/绿色Stumpf波段比率产生的准确性较低（RMSE ≥ 0.24米），这可能是由于在这些超浅深度下蓝色和绿色图像波段中的深度相关信号较弱（Alevizos和Alexakis，引用2022；Caballero和Stumpf，引用2019, 2020）。相反，使用蓝色/红色边缘波段配对降低了测深精度（RMSE = 0.16 ± 0.007米），因为红色边缘波段的吸收太强，无法可靠地记录基底的反射信号（Caballero和Stumpf，引用2020）。
Stumpf波段比率的易实现性和最小的地面真实数据要求使其成为一种非常实用的测深测绘技术。然而，模型的简单性也带来了一些固有的限制。首先，海底的组成（例如沙子、藻类、珊瑚、海草）对UAS相机观察到的反射信号有很强的影响，特别是在非常浅的水域（Alevizos, Nicodemou等人，引用2022；Stumpf, Holderied和Sinclair，引用2003）。虽然Stumpf波段比率旨在考虑基底反照率的变化（Stumpf, Holderied和Sinclair，引用2003），但不同的底栖群落也可能改变光谱不同部分的相对反射率（Hochberg, Atkinson和Andréfou?t，引用2003；Leiper, Phinn和Dekker，引用2012；Schalles等人，引用2000）。例如，使用Stumpf的绿色/红色比率时，可以预期藻类或海草斑块与裸露的沙子之间存在高度偏移，因为大型藻类和海草中的叶绿素会反射绿光而吸收红光。这种效应在图7a-e中很明显，尽管很微弱，但可以辨别出生境模式。其次，虽然我们发现Stumpf的蓝色/红色和绿色/红色比率能够准确预测超浅水域的测深，但在超过约2米的水深时，光谱中红色部分的基底反射信号变得太低，无法估计测深（补充图S5）。为了扩展Stumpf波段比率可以使用的深度范围，可以在深度依赖的切换模型中组合不同的波段配对（Caballero和Stumpf，引用2020）。第三，Stumpf波段比率依赖于成功的辐射度校正，以最小化光照条件变化或相机光谱响应的干扰（Alevizos和Alexakis，引用2022；Slocum, Parrish和Simpson，引用2020）。
理论上，基于机器学习的光谱模型可以克服Stumpf波段比率的限制。然而，它们的有效性取决于足够的光谱分辨率来区分深度信号和噪声，以及覆盖整个深度范围和要绘制的基底类型的大量代表性地面真实测量数据（Slocum, Parrish和Simpson，引用2020）。在像珊瑚礁这样的复杂环境中，可能很难确定这些要求是否得到满足。尽管如此，先前的工作已经证明，经过光谱训练的机器学习模型可以准确重建测深（Alevizos, Nicodemou等人，引用2022；Slocum, Parrish和Simpson，引用2020）。同样，我们发现当有足够的地面真实样本（200个）用于训练时，SVM和单隐藏层NN产生了本研究中最准确的测深图（RMSE = 0.09 ± 0.004米）。这些结果加强了光谱机器学习模型在测深应用中的潜力，前提是拥有足够大的训练数据集，例如来自配备SoNAR的无人水面车辆或机载LiDAR调查的数据集（Alevizos, Nicodemou等人，引用2022；Slocum, Parrish和Simpson，引用2020）。
在UAS配置中，多光谱Altum-PT和RedEdge-MX产生了最高准确度的光谱衍生的数字表面模型（DBMs）。例如，对于表现最好的光谱模型——在200个地面真实样本上训练的NN和SVM——Altum-PT和RedEdge-MX的RMSE均为0.06 ± 0.001米，而Phantom 4 RTK和Zenmuse P1的RMSE为0.09 ± 0.01米，Mavic 2 Pro的RMSE为0.13 ± 0.02米。与预期相反，多光谱相机与消费级宽带RGB相机在Stumpf波段比率和基于机器学习的测深推导方面的性能差异在幅度上相似（图5）。因此，基于多光谱图像训练的模型性能的提高似乎主要源于特定图像波段中更好的信噪比，而不是可用的光谱波段数量。Mavic 2 Pro的表现不如其他两种宽带RGB相机（RMSE = 0.20 ± 0.01米对比0.17 ± 0.01米）的原因尚不清楚，因为这些消费级相机的光谱响应记录不足（Burggraaff等人，引用2019）。
与SfM相比，光谱测深模型的一个明显限制是它们依赖于水柱来确定深度，因此无法准确重建任何露出的地形。相比之下，SfM可以生成无缝的地形-测深图，为仅部分淹没的区域提供全面的解决方案（David等人，引用2021；He等人，引用2021；Starek和Giessel，引用2017）。例如，在潟湖珊瑚礁上，SfM生成的高程图还提供了红树林冠层高度的测量值（此处未评估），而光谱测深模型则没有（补充图S2和S4）。

4.3. 环境条件的影响
SfM是本文介绍的所有测深测绘技术的基础，它对风引起的波浪造成的扭曲、焦散和反射敏感（Agrafiotis等人，引用2020；Chirayath和Earle，引用2016；Makris等人，引用2024；Scilla等人，引用2025）。为了最小化环境变化对不同UAS配置比较的影响，本研究仅包括了在接近最佳条件下进行的调查（表2）。然而，这样的最佳条件并不代表自然生态系统中典型的条件。特别是，风引起的波浪的存在和强度可能在单次UAS飞行期间发生变化。尽管SfM和光谱衍生的测深最终都依赖于SfM的输出，但增加的波浪活动通常会更快地降低基于SfM的DBMs的质量，而不是基于光谱的DBMs。例如，尽管该UAS的SfM重建的准确性较差（RMSE ≥ 0.39米，图3e，j），但从RedEdge-MX的反射图构建的光谱测深图的RMSE仍然低至0.06米（图5e，j）。为了获得完整且准确的SfM衍生的DBM，需要在整个研究区域内正确匹配和三角测量足够密度的关键点。相比之下，光谱测深模型依赖于反射图的正确正射校正，这是基于分布在图像中的数百到数千个匹配关键点来优化的。因此，图像对齐不受局部关键点缺失（例如由均匀基底斑块引起）的影响，并且对关键点位置的随机噪声更具鲁棒性，特别是如果UAS在足够的高度飞行（Slocum等人，引用2019；Westoby等人，引用2012）。因此，在波浪校正技术变得普遍可用并集成到SfM工作流程中之前（Chirayath和Earle，引用2016；Joyce等人，引用2019；Scilla等人，引用2025），光谱测深推导提供了在调查条件不佳时最稳健的测深测绘工作流程。

4.4. 限制和未来方向
本研究依赖于安装在杆上的GNSS系统来获取地面真实数据。尽管这种方法产生了非常准确的深度测量值（垂直RMSE = 0.01 ± 0.0001米），但手动收集GNSS测量值既耗时又限于水深小于2米的范围（杆的长度）。虽然超浅环境代表了与基于船舶的方法相比UAS衍生的测深最有前途的应用（Joyce, Fickas和Kalamandeen，引用2023；Li等人，引用2023；Mandlburger，引用2022），但未来的工作可以通过使用配备SoNAR的无人水面车辆或机载LiDAR调查来收集更大范围的地面真实数据，从而扩展比较的范围（Alevizos, Nicodemou等人，引用2022；Slocum, Parrish和Simpson，引用2020）。这对于开发基于光谱机器学习的方法特别有价值，因为我们的结果显示，当有更多训练样本（200个对比10个）时，性能有显著提高（RMSE减少了0.11米）。此外，在每次UAS调查期间测量瞬时水位可以通过减少折射校正引入的垂直不确定性来提高调查间比较的准确性。这在潮汐范围大于我们研究区域的情况（<0.2米）中尤为重要（Madah等人，引用2015；Pugh, Abualnaja和Jarosz，引用2019）。

5. 结论
本研究探讨了UAS导航和传感器技术如何影响UAS衍生的测深图在超浅水域的准确性，以及这些效应在SfM和光谱方法之间是否存在差异。为此，我们使用五种UAS配置（从消费级到专业级设备）绘制了两个珊瑚礁栖息地的测深图。我们发现，虽然基于SfM的方法可以生成高精度的测深图，但它们对RTK/PPK定位和GCP的依赖限制了其在离岸环境中的实用性。当地面真实数据稀少时，使用红色图像波段作为分母的Stumpf波段比率提供了最实用和准确的UAS基础超浅水域测深方法，无论UAS配置如何。当地面真实数据更丰富时，经过光谱训练的机器学习模型提供了最准确的测深图。多光谱相机在基于SDB的方法中表现最好；然而，宽带RGB相机也产生了可靠的结果。本文的研究结果表明，光谱方法，特别是Stumpf波段比率，为偏远或物流受限环境中的UAS基础测深提供了稳健且易于实现的解决方案。虽然SfM提供了高理论准确性，但其操作限制使其不太适合常规的离岸应用。将波动和折射校正技术整合到SfM（结构光测量）工作流程中，为未来旨在在复杂海洋环境中实际应用SfM的研究提供了有前景的方向。

**作者贡献**
概念设计：Brian Nieuwenhuis、Malika Kheireddine、Burton Jones；
形式分析：Brian Nieuwenhuis；
资金获取：Burton Jones、Francesca Benzoni；
研究实施：Brian Nieuwenhuis、Marta Ezeta Watts、Ioana-Andreea Cioc?naru、Kasper Johansen、Natalie Dunn、Eesaa Harris、Javier Blanco Sacristan；
资源提供：Burton Jones、Francesca Benzoni、Fabio Marchese、Kasper Johansen；
指导监督：Burton Jones、Malika Kheireddine、Javier Blanco Sacristan、Francesca Benzoni；
可视化处理：Brian Nieuwenhuis；
初稿撰写：Brian Nieuwenhuis；
审稿与编辑：Brian Nieuwenhuis、Javier Blanco Sacristan、Malika Kheireddine、Burton Jones、Kasper Johansen、Fabio Marchese、Natalie Dunn、Ioana-Andreea Cioc?naru、Marta Ezeta Watts、Eesaa Harris、Francesca Benzoni。

**关于生成式AI的使用声明**
在准备本论文的过程中，作者使用了ChatGPT-4来改进句子结构。使用该工具后，作者对内容进行了必要的审查和编辑，并对发表文章的内容负全责。

**补充材料**
补充材料（下载压缩包，大小11.5 MB）

**数据可用性声明**
支持本研究结果的数据（包括原始图像、SfM项目、正射影像和数字地形模型）可在KAUST仓库中公开获取：
http://hdl.handle.net/10754/703632
DOI：https://doi.org/10.25781/KAUST-8N8X2

本文的补充数据可在线获取：
https://doi.org/10.1080/01431161.2026.2618397