《Water》:Reconstructing Shallow River Bathymetry Through Sequence-Based Modeling Approach
Modestas Butnorius,
Timas Akelis,
Matas Vaitkevi?ius,
Dominykas Matulis,
Andrius Kri??iūnas,
Vytautas Akstinas and
Rimantas Barauskas
编辑推荐:
水文监测对于保护水生生态系统至关重要,尤其是在水电站下游,水位可能突然变化并导致河流内栖息地退化。传统的水位和河流测深监测方法大多依赖原位测量。近年来,基于无人机的遥感技术受到更多关注,其数据继而使用卷积神经网络(CNN)进行处理。本研究提出了一种新的基于序列
水文监测对于保护水生生态系统至关重要,尤其是在水电站下游,水位可能突然变化并导致河流内栖息地退化。传统的水位和河流测深监测方法大多依赖原位测量。近年来,基于无人机的遥感技术受到更多关注,其数据继而使用卷积神经网络(CNN)进行处理。本研究提出了一种新的基于序列的方法,该方法利用多帧图像来扩展可用上下文,并将其与现有方法(如Lyzenga、Stumpf、CNN和SfM)进行比较。本研究中表现最佳的模型是SfM和CNN,前者在河床清晰的河流上更准确,后者则最为稳定。序列模型显示出潜力,甚至在平均绝对误差(MAE)方面优于CNN,在多视角映射同一位置的河流中,实现了不同图像中最准确的结果。这表明利用多视角增加可用上下文可以提高基于多光谱视觉信息的河流水深估算精度。
水文监测对于理解并保护水生生态系统具有关键作用,尤其是在水电站等人类活动导致水位频繁波动的河流系统中。水电站在满足能源需求时快速增减下泄流量,可能引发河流水位的显著且反复变化,长期降低下游整体水位,导致栖息地质量退化并威胁淡水生态系统的稳定性。因此,持续监测河流水深——即河流测深(bathymetry)——对于评估这些影响并为可持续水资源管理提供依据至关重要。
传统测深调查依赖使用专业设备的原位测量,虽精度高但劳动强度大、成本高,且难以频繁或大规模实施。基于声呐的系统虽可提高效率,但在极浅河流中信号性能下降,通常仅适用于湖泊和海岸线等较深水体。声学多普勒流速剖面仪(ADCPs)已被证明可生成精确的浅水深测量,但仍不适用于极浅河流。随着卫星遥感的发展,可扩展、及时且非侵入性的测深制图新机遇涌现,成为河流环境监测日益活跃的研究领域,但受限于卫星影像的粗分辨率。
近年来,无人机(UAV)技术的进步进一步推动了基于无人机的河流测深遥感应用。无人机影像较卫星平台具有更高的空间分辨率和灵活性,研究表明无人机衍生测量在估算水深方面更为准确,尤其在浅窄河流系统中。搭载多光谱传感器的无人机更具潜力,因为额外的光谱波段提供了更丰富的河床光反射信息,从而改善了水深反演模型。传统光学测深方法通常建立基于光反射估算水深的回归模型;另一类成功的方法是摄影测量算法,如运动恢复结构(SfM),即利用一组河流图像重建河流的三维表征以计算水深。此外,随着各类机器学习算法的持续改进,其应用也在多种水体测深中得到验证并取得成功。由于这些方法利用光学图像估算河流深度,卷积神经网络(CNN)在此任务中表现尤为突出。
光学遥感的根本局限在于光在水体中的穿透能力,由于吸收和散射作用,穿透能力随深度迅速衰减。因此,视觉和多光谱方法在超过一定深度阈值后失效,限制了无人机测深在较深河段的应用。此外,不同多光谱波段具有不同的最大穿透深度,其中绿波段和近红外(NIR)波段通常表现最佳。另一挑战在于河床沉积物类型的多样性,增加了正确重建河床和计算水体潜在深度的难度。
现有研究多聚焦于海岸线、湖泊和大型河流系统等相对较深的水环境测深,针对浅河测深的研究明显不足,尤其在东欧地区,其水文动态和环境压力可能与已充分研究区域存在显著差异。本研究专门利用无人机获取的多光谱影像进行浅河测深,主要目标是对应用于无人机多光谱数据的多种水深估算技术进行比较,并探索人工智能(AI)方法以增强浅河环境中水深反演的准确性和稳健性,将结果与传统物理模型建立的基线进行对比。此外,大多数现有研究使用单一上下文来估算水体单个区域的水深,而本研究旨在利用来自多条河流的多视角、多时相数据,增加水深估算方法可用的上下文信息,从而提高此类方法的精度。
研究人员在立陶宛选取了三条河流的河段开展研究,使用DJI Mavic 3多光谱无人机采集RGB和多光谱影像数据,获取绿光、近红外(NIR)、红光和红边四个波段,同时采集高程控制点(GCPs)数据并进行原位水深测量以提供地面真值。数据处理阶段,研究人员针对SfM算法直接应用于原始多光谱数据会在正射影像和点云中产生显著数据空洞的问题,开发了一套包含水体识别、影像归一化、SfM处理及结果校准的预处理流程。首先通过归一化差异水体指数(NDWI)、归一化差异植被指数(NDVI)、归一化差异红边指数(NDRE)及亮度掩膜生成最终河流掩膜,将非水体像元线性重缩放至水体像元的反射率范围内,以平衡辐射度量表示;随后利用OpenDroneMap软件进行SfM处理生成点云和正射影像,并基于GCPs进行全局仿射变换和修正Shepard反距离权重(IDW)插值校准高程。
水深估算方法分为两类:基于物理的算法和基于几何的方法。物理方法包括Lyzenga单波段与多波段模型、Stumpf对数变换反射率比值模型,以及改进的全球校准Stumpf(GC-Stumpf)和自适应CNN-Stumpf混合方法。基于CNN的方法以地理校准后的正射影像为输入,提取N×N像元块构建N×N×7的张量,经两个卷积块和两个全连接层估算中心点水深。序列模型则利用SfM重建过程中生成的图像映射信息,将不同图像中对应同一地理位置的像元映射为图像序列,构建N×N×7×M的张量输入LSTM模型,按时间顺序排列的多视角图像作为序列输入以估算水深。评估采用留一河流交叉验证策略,以平均绝对误差(MAE)、均方误差(MSE)和平均绝对百分比误差(MAPE)为指标,并统计不同绝对误差阈值(10 cm、20 cm、50 cm)内的测深点比例。
SfM测深结果显示,应用折射率n=1.34的校正通常能改善结果,尤其是在?u?v?河段可将MAE降低一半,误差小于10 cm的点比例从71.429%提升至95.378%。然而,SfM重建质量高度依赖于环境条件:Mū?a河因植被和露出水面的巨石导致重建河床高于水面,估算水深为负值;Jūra 230914河因水体清澈导致SfM无法看清河床,重建深度显著大于实际深度;Jūra 230713河虽整体改善,但树木遮挡和水体阴影区域仍存在较高误差。最佳重建案例出现在?u?v?河,多光谱波段重建精度显著高于RGB,绿光和红光波段表现最佳,95%的区域误差小于10 cm,但近岸点因河岸高度和坐标偏移仍有较大误差。
图像测深方法的结果表明,各方法表现差异显著。Lyzenga模型对环境变化敏感,性能随水体浊度、光照和植被覆盖而变化;GC-Stumpf一致性略好但仍依赖环境条件;自适应CNN-Stumpf虽有所改善,仍难以一致泛化,尤其在?u?v?河表现不佳,表明自适应参数估计不足以完全补偿环境变量。CNN模型总体优于物理模型,其利用空间上下文(包括植被、反射和局部纹理线索)的能力比依赖预定义光谱关系更为重要。留一河流交叉验证显示,排除Mū?a河对结果影响最小,而排除Jūra或?u?v?河则影响较大。序列模型因能对同一位置使用多幅图像而引发高度期待,但由于图像对齐存在误差,精确表示测量点不可行,导致精确估算难以实现,大多数情况不如使用预处理正射影像的CNN高效。该模型还存在过拟合问题,部分折次快速丧失泛化能力。尽管如此,序列模型在?u?v?河仍超越了CNN模型,这与该河点云生成更准确、坐标到像元映射更可靠一致;相反,在Mū?a和Jūra河因湍流导致前期重建较差,映射精度下降。序列模型的性能主要受限于坐标到像元映射工作流的精度,该算法的任何改进都可能提升序列模型的最终质量。
研究结论指出,数据辐射归一化对于增强多光谱数据以实现可靠的SfM河流测深重建具有重要意义,将非水体像元调整到水体的辐射范围可有效缓解亮表面特征主导并改善深度估算。传统物理方法仅在熟悉条件下表现良好,缺乏泛化能力;基于光度测深的方法强烈受环境条件影响。相比之下,机器学习方法尤其是CNN在不同河流条件下实现了最一致和准确的总体结果。序列模型虽在理论上具有优势,但其性能高度依赖数据质量,仅在理想场景(如?u?v?河)优于CNN,在更复杂环境中通常表现较差,主因是低质量点云导致的图像失准,而这源于SfM输出中已识别的位置不准确性。提高点云精度或开发更可靠的像元到坐标映射方法,对于释放多视角方法的全部潜力至关重要,这些改进将增强视角间的空间一致性并保留关键视觉信息,最终 leading to 在挑战性环境中实现更可靠的深度估算。本研究发表于《Water》期刊。