基于ICESat-2约束的自适应分段秩统计融合多时相卫星测深(Satellite-Derived Bathymetry, SDB)方法

《Journal of Marine Science and Engineering》：A Multi-Temporal Satellite-Derived Bathymetry Fusion Method Based on Adaptive Segmented Rank-Statistic Fusion

　　

摘要：卫星测深(Satellite-Derived Bathymetry, SDB)因其广空间覆盖与重复观测能力，是浅海制图的高效手段。然而，源于大气条件、水体光学性质、底质反射率及成像几何差异的多时相光学影像测深结果常存在显著不一致；此外，不同深度区间通常表现出各异的不确定性特征，而传统全局融合法通常对整个深度范围施加单一统计策略。为解决此局限，研究人员提出了一种基于冰卫星-2(Ice, Cloud, and land Elevation Satellite-2, ICESat-2)约束的自适应分段秩统计(Rank-Statistic)融合框架用于多时相SDB。利用ICESat-2测深控制点将测深范围自适应划分为多个深度区间，并根据局部均方根误差(Root Mean Square Error, RMSE)评估为每个区间独立选取最优秩统计融合策略。该方法可有效抑制浅水异常值，同时缓解深水系统性低估。在甘泉岛(Ganquan Island)、东岛(Dong Island)及基比斯凯恩(Key Biscayne)开展的实验表明，所提框架稳定优于单景结果及传统均值、中值融合法；相比传统均值与中值融合，RMSE最高降低27.5%，决定系数(R2)达0.95，在较深测深区间及复杂底质环境中改善尤为显著。结果表明，自适应分段秩统计融合能有效表征深度相关的误差变化，实现浅水异常抑制与深水偏差校正的一体化优化。

论文解读：基于ICESat-2约束的自适应分段秩统计融合多时相卫星测深(SDB)方法

《Journal of Marine Science and Engineering》(JMSE)刊载的此文，针对当前光学遥感反演浅海地形（卫星测深，Satellite-Derived Bathymetry, SDB）受环境时空变异影响大、传统多时相全局融合法无法兼顾浅水离群噪声与深水系统性低估的问题，提出并验证了一种由ICESat-2（Ice, Cloud, and land Elevation Satellite-2）光子数据约束、按深度区间自适应选取最优秩统计（Rank-Statistic）策略的分段融合框架，显著提升了珊瑚礁及海草浅海区的SDB精度与稳健性。

主要关键技术方法：

研究人员选用三个研究区（中国西沙甘泉岛、东岛及美国佛罗里达Key Biscayne）的多时相Sentinel-2 Level-2A多光谱影像（每区5景无云/少云影像，重采样至10 m），以ICESat-2 ATL03光子计数测深数据经海面光子识别、DBSCAN（Density-Based Spatial Clustering of Applications with Noise）去噪及Snell定律折射改正后获取的高精度测深控制点进行模型训练、自适应分段及融合策略优选，并以现场单波束实测水深（甘泉岛、东岛）或NOAA高分辨率机载LiDAR DEM（Key Biscayne）为真值验证。先用BP（Backpropagation）神经网络以Sentinel-2蓝(B2)、绿(B3)、红(B4)、近红外(B8)波段反射率输入、ICESat-2测深作目标训练得到各时相初始SDB，建立二次残差补偿模型校正深度相关系统偏差；再依ICESat-2控制点水深分布等间隔划分深度区间（测试分段数m∈{2,3,4,5,6}取总体RMSE最小者），对各区间分别计算最小值、次小值、中位数、次大值、最大值五种候选秩统计量融合结果与ICESat-2控制点的RMSE，择最小RMSE对应策略逐像素按所属深度区间融合重构最终测深DEM；精度评价采用决定系数(R²)、均方根误差(RMSE)及平均绝对误差(ean Absolute Error, MAE)，并按深度分层析验。

研究结果

4.1 Bathymetry Results for Ganquan Island（甘泉岛测深结果）

4.1.1 定性评价显示最差单景含明显局部异常噪声及礁坡深水低估，最优单景有所改善但仍存局部不连续；所提融合结果空间连续性好，珊瑚礁边缘清晰，异常被有效抑制，与参考DEM一致性更高。4.1.2 定量评价：最差单景RMSE=1.92 m、R²=0.84，最优单景RMSE=1.32 m、R²=0.92，所提方法RMSE=1.12 m、R²=0.95，较最优单景RMSE降低约15.2%。4.1.3 不同测深区间精度分析：融合结果各深度层RMSE均最低，深水礁坡区改善尤其明显，证明框架可削减深度相关系统误差。

4.2 Bathymetric Results for Dong Island（东岛测深结果）

4.2.1 定性分析表明融合结果有效消除单景不连续与碎片异常斑块，深水低估缓解，礁坡过渡结构保留更好。4.2.2 定量评价：最差单景RMSE=2.19 m、R²=0.62，最优单景RMSE=1.55 m、R²=0.80，所提方法RMSE=1.28 m、R²=0.88，较最优单景RMSE降低约17.4%。4.2.3 不同测深区间精度分析：>10 m深水区单景误差剧增，融合结果各层RMSE稳定且显著低于单景，证实多时相融合可补偿弱光谱灵敏度导致的低估。

4.3 Bathymetry Results for Key Biscayne（Key Biscayne测深结果）

4.3.1 定性评价显示复杂海草底质下融合结果空间平滑且细节保留，浅水异常噪声被抑制。4.3.2 定量评价：最差单景RMSE=1.16 m、R²=0.52，最优单景RMSE=0.32 m、R²=0.93，所提方法RMSE=0.29 m、R²=0.94，较最优单景RMSE降低约9.4%。4.3.3 不同测深区间精度分析：虽整体水浅，融合仍各层RMSE最低，证明对复杂浅水环境具鲁棒性。

4.4 Comparative Analysis of Different Fusion Methods（不同融合法对比分析）

4.4.1 定性评价：均值融合过度平滑模糊陡坎细节且深水仍低估；中值融合抗浅水离群点但无法修正深水负偏；所提方法空间连续性佳、深水分段选用较高秩统计量缓解低估，浅水选用较低秩统计量抑异常。4.4.2 定量评价：甘泉岛均值RMSE=1.26 m、中值RMSE=1.25 m，所提方法1.12 m；东岛均值1.40 m、中值1.42 m，所提1.28 m；Key Biscayne均值0.40 m、中值0.31 m，所提0.29 m；所提方法全域精度最高。散点图显示所提结果更接近1:1线。4.4.3 残差评价：均值融合深水呈大面积负残差，中值融合局部仍有残差聚集，所提方法残差空间分布更均匀，深水和浅水异常残差均被削减。

4.5 Discussion（讨论）

研究人员指出该方法优势为：(1)依ICESat-2约束分段适配浅/深水不同误差机制实现局域最优化；(2)秩统计相较于均值对单景异常值具更强稳健性；(3)无需经验权重参数，物理意义明确且跨区域适用性良好。局限性在于当前采用等间隔分段，极复杂水深变化区可用聚类或误差分布驱动分段优化；仅用Sentinel-2，未来可融合WorldView等更高分辨率数据；ICESat-2光子受波浪浑水影响具一定不确定度，可结合机载LiDAR补充；未显式考虑潮汐与时变季节效应，后续可引入潮汐校正与时序分析。

结论（翻译自Conclusion部分）：

本研究提出了一种由ICESat-2测深控制点约束的自适应分段秩统计融合框架用于多时相卫星测深(SDB)。该方法依据ICESat-2观测自适应划分测深范围，并在各深度区间内自动选取最优秩统计策略，实现分段自适应测深优化。在甘泉岛、东岛及Key Biscayne开展实验，并与单景反演结果、传统均值及中值融合法进行全面对比。主要结论如下：(1)多时相融合较单景反演可有效提升SDB稳定性并降低随机反演噪声。(2)传统均值与中值融合法虽能压制部分随机噪声，但因采用全局统计策略，深水区仍存在明显系统性低估。(3)所提自适应分段秩统计融合法可根据局部测深误差特征自动识别最优融合策略，三研究区精度均为最高，整体RMSE最高降低27.5%，R²达0.95。(4)浅水区间较多选用中位数及低阶秩统计量，较深区间倾向选用高阶秩统计量，表明不同测深区间具相异不确定性特征，需匹配不同融合策略以实现最优重构。总体而言，该框架无需经验权重参数，具强鲁棒性、物理可解释性及跨区域适用性，为大范围高精度浅海测深制图提供了有效实用方案。其性能依赖ICESat-2测深控制点可用性及光学影像质量，后续将在更多海岸环境验证并探索更高效优化策略。