在数据稀疏条件下，利用NASA的ICESat-2卫星和多模态机器学习技术进行浅水区域的水深估算

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Shallow Water Bathymetry Estimation With NASA's ICESat-2 and Multimodal Machine Learning Under Sparse Data Conditions

　　

摘要：

精确的浅水区水深测绘对于理解海岸动态、支持海洋基础设施设计以及管理浅水生态系统至关重要。虽然可以从航空平台收集光谱数据和水深数据，但水深激光雷达调查成本高昂、覆盖范围有限，并非在所有地方都能常规进行。NASA的ICESat-2卫星配备了光子计数型高级地形激光高度计系统，能够通过检测水下表面特征反射的光子来高效地获取浅水区域的水深信息。为了解决ICESat-2水深数据覆盖范围有限和信号质量不稳定的问题，我们提出了一种基于光子置信度的多模态机器学习框架，该框架将卫星获取的光子数据与高分辨率的航空多光谱数据相结合。利用ICESat-2的水深数据、高分辨率的MagicBathyNet多光谱图像以及我们在波兰波罗的海沿岸Puck Lagoon站点获取的共注册参考水深数据，我们训练并验证了随机森林（RF）和极端梯度提升（XGB）模型。研究发现，在训练标签稀疏或噪声较大的情况下，随机森林模型表现更为稳健；而在高置信度标签较多的情况下，极端梯度提升模型的误差略低。此外，我们还提出了一种基于稀疏高置信度ICESat-2光子的场景级偏差校正方法，该方法可以有效降低预测误差，进一步凸显了光子质量在水深测量中的重要性。当校正数据来自高置信度区间（150–255）而非低置信度区间（0–150）时，平均绝对误差和均方根误差的降低幅度更大，这表明ICESat-2光子的置信度水平会影响偏差校正的效果。当训练样本和校正数据均来自高置信度区间时，随机森林模型实现了最低的校正误差...

显示更多