卫星遥感测深中Stumpf方法参数的经验性优化

《Remote Sensing》：Empirical Optimization of the Stumpf Method Parameter for Satellite-Derived Bathymetry

　　

研究人员基于Stumpf对数比值法（log-ratio method）的卫星遥感测深（Satellite-Derived Bathymetry, SDB）常规采用固定参数n=1000，该惯例极少被系统评估。本研究利用Sentinel-2影像、ACOLITE大气校正及?0.5至?6 m范围内的原位参考水深，在18个海岸站点31个近岸场景中经验性评估SDB误差随n的变化。各场景通过最小化相对参考测深的均方根误差（Root Mean Square Error, RMSE）检索最优n，并刻画误差对n的响应曲线。误差—n曲线呈现左、右两个稳定平台区，31个场景中26个最优值位于小n值的左平台。以站点特异最优n替代n=1000，平均R2由0.70升至0.84，RMSE平均降低21.9%（约18 cm）；可跨站点迁移的广义值nmedian(LP)=2.2可恢复大部分增益，而无标定的n=1本身相对n=1000已使RMSE平均降低15.9%，在31例中25例优于n=1000。调参可得增益与色调角（hue angle）、叶绿素a（Chlorophyll-a, Chl-a）及营养状态指数（Trophic State Index, TSI）强相关（Spearman），而浊度（turbidity）与塞奇盘深度（Secchi depth）无相关，符合光学浅水中后两者可靠性下降的特征。小n收益在偏绿、高Chl-a水体最大；极清蓝水（hue>160°、Chl-a<2 μg/L）下n=1000仍可取。结果支持在所列深度范围内以n≈2–3作为Stumpf SDB实用默认，并给出基于水质的调参预期收益判据，使较不清水体影像也可用于SDB提取，拓宽海滩监测可用影像范围。

研究背景方面，近岸水深测量是海岸形态动力过程、栖息地制图及风暴与海平面上升脆弱性评估的基础输入。传统单波束/多波束声学测量成本高且浅水通航受限，机载激光测深（Airborne LiDAR Bathymetry）虽精度高但难以支撑盆地尺度系统监测。卫星遥感测深（SDB）利用多光谱辐射在水柱的差衰减反演底深，其中Stumpf等提出的波段比值法因稳健而被广泛采用，其形式化为z=a+b·ln(n·R_w,blue)/ln(n·R_w,green)，惯例取n=1000仅为使对数恒正的数学校便，并非物理必需；已有少数研究试过n=100、n=10000或单点定标，但缺乏跨形态与水文条件的系统分析。该研究即填补此空白：在?0.5至?6 m深度内，用Sentinel-2（蓝Band2 490 nm作分子、绿Band3 560 nm作分母）配合ACOLITE大气校正，于18站31场景以暴力搜索n∈[0.1,10000]步长0.1求最小RMSE最优n，并关联ACOLITE导出的Chl-a、浊度、色调角、塞奇盘深及TSI。样本队列来自美国东西岸、五大湖及欧洲爱尔兰与西班牙官方/机构实测测深（NOAA Digital Coast、INFOMAR、IHCantabria、ICGC等），影像取无云无浪花无藻障的近时L1C。

关键技术方法上，研究人员首先按严格质量筛选Sentinel-2 L1C并跑ACOLITE v20260421（DSF暗谱拟合、残差辉光校正、输出10 m各带重采样及水体反射率/水质产品）；其次在?0.5~?6 m掩膜内对每一n做蓝绿对数比与实测水深线性回归得a、b，以RMSE最小定为站点最优n，并用R²<0.1操作化定义对数商不稳定区间；最后用Shapiro–Wilk与Wilcoxon符号秩检验比较n=1、n=1000、n_opt、左平台中位n_median(LP)=2.2的绩效，并以Spearman相关与逐步多元线性回归把水质参数与“相对n=1000的改进率”挂钩。

研究结果部分，3.1节“n参数评估：最优值与泛化”显示，误差—n曲线普适呈左平台（小n）、中部不稳定红区（绿带对数过零使分母→0）、右平台（大n）三态；31场景中26个最优在左平台，n=1000仅在5个极清蓝水场景（Kilmore Quay 7.2、Llobregat 11.1、Gavà 12.2、Cala Millor 16.1/16.2）属右平台最优。以n_opt替n=1000，平均R²0.70±0.23→0.84±0.10，RMSE 0.698→0.515 m（降21.9%±16.7%，约18±20 cm）；n=1已使R²达0.82±0.12、RMSE降15.9%，25/31例优于n=1000；左平台中位n_median(LP)=2.2跨站迁移后R²0.83±0.11、RMSE降16.8%±19.3%，接近逐站最优。理论不稳定界1/max(R_green)~1/min(R_green)与经验R²<0.1区间在31场中重合，最优n必落其外。3.2节“水质评估”指出，色调角、Chl-a、TSI与“相对n=1000的RMSE改进率”Spearman显著正相关（绿高Chl-a低hue→改进大），浊度与塞奇盘深无相关；逐步回归中TSI+hue可解释改进率方差64.86%，Chl-a单独可解释R²方差近70%，证实绿浑水调n收益高、蓝清水n=1000本底已佳。

讨论部分总结，研究人员强调n=1000自Stumpf原议以来属约定而非验证结果，本文多站证据支持?0.5~?6 m内左平台n≈1–3（实操取2.2）为默认，n=1为无参最简式且已回收约3/4可调增益；5个右平台场景的不退化正是小n建议的适用边界。理论/经验不稳定区间一致，说明中间n失准源于模型对数商本身而非数据噪声，可由场景反射率分布预判。水质指标中仅色调角/Chl-a/TSI可预告“是否值得调n”，浊度/Secchi因浅水底反射污染失效，故调n决策可与现场水质脱钩。局限在于深度限?0.5~?6 m、仅Sentinel-2蓝绿比、R²<0.1为操作化不稳定阈、参考测深异源误差传入RMSE；未来可拓至深带、WorldView/PlanetScope/Landsat-9、蓝红比及解析推优。

结论部分翻译：本研究在18站31场景?0.5~?6 m范围内经验评估Stumpf对数比值法n参数对SDB精度控制，得如下结论——常规n=1000在31场中26场次优，换逐站最优使R²由0.70升至0.84、RMSE平均降21.9%（约18 cm）；误差—n响应呈左小n平台与右大n平台，多数最优在左平台，跨站可迁移左平台中位n_median(LP)=2.2恢复大部增益；5个右平台最优场景均极透蓝水，构成小n建议的边界与n=1000可保留之域；不稳定n区间由模型自身得解析界1/max(R_green)~1/min(R_green)与经验R²<0.1重合，最优n恒在其外，故可由反射率分布预判无需全扫描；色调角、Chl-a、TSI与相对n=1000改进率强相关，浊度与塞奇盘深无相关，符光学浅水底信号污染。综合建议研究深度内默认n≈1–3（实测以2.2最佳），极清蓝水（hue>160°、Chl-a<2 μg/L）留用n=1000，n由任意约定转为具数值与经验依据的参量，水质判据使作业前可预估调参价值。该文发表于《Remote Sensing》。