《Science of Remote Sensing》：Hypertemporal Sentinel-2 images reveal deep seafloor features and significantly improve satellite-derived bathymetry
编辑推荐：
光学地球观测卫星为科学家和海岸管理者提供关于海底、水柱、环境参数、自然或人为压力、生态系统服务或生物多样性的多种信息。然而，遥感的使用受到液态水的强烈制约，液态水根据波长和深度衰减光信号。所有需要透过水柱感知底部的应用，如栖息地测绘和测深估计，因此受到约20米
光学地球观测卫星为科学家和海岸管理者提供关于海底、水柱、环境参数、自然或人为压力、生态系统服务或生物多样性的多种信息。然而，遥感的使用受到液态水的强烈制约，液态水根据波长和深度衰减光信号。所有需要透过水柱感知底部的应用，如栖息地测绘和测深估计，因此受到约20米极限的影响，超过该极限光信号变得太弱且有噪声，无法提供准确信息。本研究利用由哨兵2号（Sentinel-2）卫星长时间序列光学影像构成的超时相（HT）数据立方体来改善数据质量，并显著将这一普遍接受的极限扩展到70至80米深度。生成的多时相合成影像揭示了世界海洋偏远区域海底的细节，这些细节此前从未从太空被感知。使用这些新数据层以及随机森林（Random Forest）和XGBoost机器学习算法得到的卫星测深（SDB）估计，在100米空间分辨率下，与参考数据在扩展深度范围内显示出非常好的相关性。在地中海以及大西洋、印度洋和太平洋的研究站点（这些地点水质最清澈），在整个0-80米测深范围内获得了良好的估计，平均绝对误差（MAE）在马提尼克为3.21米，科西嘉为2.62米，留尼汪为1.88米，新喀里多尼亚为3.17米。北大西洋两个更浑浊的站点也保持了较低的MAE水平，即使当海底信号不再可见时，得益于HT影像提供的水柱属性信息：韦桑岛为4.74米，格莱南为2.10米。对云覆盖、时间序列长度、时间统计量、地理区域和水体类型的分析，具体说明了这些参数对数据质量的影响以及模型应用的极限。这里开发的利用全球可免费获取的哨兵2号卫星数据的处理链，能够实现快速和大规模数据生产的业务化实施。
**论文解读文章**
**研究背景与问题**
浅海沿岸区域位于陆海交界，承载着重要的生态、经济和社会价值，但受到城市化、污染、资源开采等直接人为压力以及气候变化导致的极端事件频发、海平面上升和海岸侵蚀的显著影响。为了有效保护这些生态系统，需要高分辨率、可重复且均质的空间数据来绘制其结构和分布，并监测长期变化。然而，目前根据国际水文组织（IHO）的数据，许多浅水区仍未被充分测绘，测深数据不可用或往往过时。卫星遥感技术，特别是多光谱传感器如哨兵2号（Sentinel-2，S2）和陆地卫星8号（Landsat-8），能够提供足够空间分辨率以检测清澈浅水中的水下结构，但受限于水体对光信号的衰减，传统卫星测深（SDB）方法通常仅能有效估计至约15-20米深度，从未超过这一极限。即使结合多次重复采集的影像，如选择最佳影像或合成数十至上百幅影像，也未能显著扩展测深范围。因此，迫切需要开发新方法以突破这一深度限制，获取更深处海底信息，从而支持更全面的海洋测绘和资源管理。
**研究目的与意义**
针对上述问题，研究人员利用超时相（HT）数据立方体——由数百幅哨兵2号卫星影像组成的长时间序列——来显著提升数据质量，并突破传统光学卫星遥感测深的20米极限，达到70-80米深度。该研究通过时间融合技术生成高质量的海底合成影像，并基于随机森林（RF）和XGBoost机器学习算法进行测深估计，在多个全球站点（包括大西洋、印度洋、太平洋和地中海）验证了方法的有效性。论文发表在《Science of Remote Sensing》。这项研究的意义在于：首次展示了利用长时间序列影像聚合可揭示深海海底特征，并大幅扩展了卫星测深的可应用深度范围，为难以到达的偏远海域提供了一种低成本、大范围、可重复的测深和海底测绘手段，对海洋生态监测、航海安全、资源管理以及全球海洋测绘计划（如GEBCO Seabed 2030）具有重要推动作用。
**主要关键技术方法**
研究人员使用了以下关键方法：1）基于哨兵2号卫星L2A级影像的长时间序列（每站点71-625幅影像，云覆盖<25%），通过Sen2Chain开源库实现数据下载和管理。2）时间融合：对每幅影像进行云掩膜（基于Sen2Cor场景分类SCL波段）、海面效应校正（减去近红外NIR波段反射率），然后对每个像素计算5%至95%百分位数之间的平均反射率（M5-95统计量），生成4个可见光波段（深蓝DB、蓝B、绿G、红R）的合成影像。3）利用自举法（bootstrap）分析时间序列长度、云覆盖阈值、时间统计量、地理区域和水体类型对影像质量（信噪比SNR）的影响。4）采用随机森林（RF）和XGBoost两种机器学习算法，使用合成影像的4个波段及其两两比值（共10个变量）训练测深模型，参考数据来自法国海洋开发研究院（Shom）的数字高程模型（DEM，空间分辨率100米），样本队列来源：马提尼克（MAR）、科西嘉（COR）、留尼汪（LAR）、新喀里多尼亚（NOU）、韦桑岛（OUE）、格莱南（GLE）6个站点，训练/测试按75%/25%随机划分。5）进行跨站点迁移实验，检验模型在不同站点间的泛化能力。
**研究结果**
**3.1 海底影像**
通过合成数百幅S2影像，研究人员获得了清晰显示深海海底特征的影像，在蓝光波段（B）中，海底细节可清晰分辨至60-70米深度，在罗德里格斯岛（ROD）站点，利用GEBCO测深数据交叉验证，确认了地形、地貌和生物组分的可见性。不同站点因水质差异，海底可见深度不同：科西嘉和留尼汪可超过50米，马提尼克和新喀里多尼亚在30-40米间逐渐消失，韦桑岛和格莱南在20米后即不可见。对于偏远海域的海山（如拉佩鲁斯海山LAP）、深水滩（苏丹滩SOU、萨亚德马哈滩SAY），首次从太空获得了海底结构、形态和分布信息，揭示了此前未知的珊瑚礁、海草床等特征。
**3.2 云覆盖管理**
通过分析各站点云覆盖数据，研究人员发现不同站点可用影像数量差异显著（从21%至59%），且呈现季节性变化。将最大云覆盖阈值设为25%是平衡影像质量和数量的良好折中。Sen2Cor云掩膜在海洋区域表现良好，对海底类型和水体浑浊度不敏感，但存在对亮色陆地（沙滩、城市）和波浪破碎区的过度检测。
**3.3 时间序列长度**
自举法分析表明，时间序列长度是影响影像质量的关键因素：信噪比（SNR）随影像数量增加而渐近提升，且所需影像数量随水深增加而增加。例如，在格洛里厄斯群岛（GLO）站点，5米水深约需40幅影像达到最优质量，而50米水深需超过160幅。大多数站点在数百幅影像后仍能继续改善SNR，说明长时间序列对于深水海底信号的提取至关重要。
**3.4 时间统计量选择**
比较了11种时间统计量，发现5%-95%百分位数均值（M5-95）在所有站点和深度上均能获得最高SNR，优于中位数、均值或单一百分位数。M5-95通过排除极端值（如残余云影、强海面效应）有效提高了合成影像质量。
**3.5 地理区域与水体属性**
不同站点的SNR随影像数量增加的曲线形态不同，反映了水体光学属性的差异。在清澈水体（如留尼汪、格洛里厄斯群岛），浅水区SNR快速收敛，深水区仍有明显改善；在浑浊水体（如韦桑岛、格莱南），海底信号在10-20米后即消失，SNR曲线与深海区重叠。据此可估计各站点海底信号可感知的最大深度：韦桑岛和格莱南约10-20米，马提尼克约20-30米，科西嘉约30-50米，格洛里厄斯群岛超过50米，留尼汪和新喀里多尼亚超过70米。
**3.6 卫星测深（SDB）**
利用随机森林模型在0-80米测深范围内进行预测，各站点决定系数R2均大于0.9，平均绝对误差（MAE）在1.88米（留尼汪）至4.74米（韦桑岛）之间。误差在不同深度范围内分布均匀，未出现传统方法中随深度急剧增大的现象。变量重要性分析显示，深蓝波段（DB）及其比值在清澈水体中贡献最大，绿色波段（G）在浑浊水体中更重要。XGBoost模型结果与RF高度一致。将测深范围扩展至0-500米时，发现MAE在海底信号消失处（如70-80米）急剧增大，但在具有稳定浑浊度梯度的站点（如格莱南），即使海底信号不可见，水柱属性信息仍可支持较准确的估计（MAE<2米至100米）。与短期合成影像（5、10、50幅）相比，完整HT合成影像的MAE降低了2-3倍，且深度越深优势越明显。跨站点转移实验表明，模型对站点特异性敏感，但多站点联合训练未显著降低精度，为未来大规模应用提供了可能。
**讨论与结论**
讨论部分总结了各参数（云覆盖、时间序列长度、统计量、水体属性）对影像质量和测深估计的综合影响，指出更长的长时间序列、更优的云检测算法（如深度学习OmniCloud）以及更高频率的卫星重访（如与Landsat融合）可进一步提升结果。研究还指出，参考数据中的误差（如新喀里多尼亚站点）可通过对比高分辨率HT影像进行识别和校正。结论部分翻译如下：
本研究利用哨兵2号卫星的长时间序列影像来提升海洋区域的数据质量。数百个时相的超时相数据立方体的融合显著提高了信噪比，揭示了未知的深海海底细节。自举法分析强调了参数对时间合成质量的影响，如云覆盖、时间统计量、测深、站点位置和时间序列长度。结果产生了新的光谱波段，消除了这些扰动强烈的水下区域卫星影像中常见的人工伪影。生成的数据展示了在卫星测深估计中的强大潜力，能够在远超传统20米极限的宽测深范围内进行准确预测。当海底信号随深度逐渐消失（在清澈水体中可达70米以上），影像提供的水柱属性信息能在更深处维持高精度估计，尤其是在浑浊水体且海底平坦的情况下。哨兵2号卫星的深蓝波段（DB）与蓝（B）、绿（G）波段一起为估计精度提供了重要信息。该方法扩展了水下遥感影像的能力，为从极浅水到更深水域的广泛水下区域提供了新信息。所达到的深度通常为光学成像所无法触及，而只能由更昂贵但空间受限的主动空中或原位方法（如潜水、ROV、激光雷达或多波束测深仪）获取。得益于哨兵2号数据的全球覆盖以及系统、规律的采集，所实施的方法能够快速、简便地为大型沿海和浅海区域生成高质量参考数据。在当前全球快速变化的背景下，迫切需要提升对仍大部分未经探索的浅海沿岸区域的认识和理解。该处理方法为众多应用打开了大门，特别是通过全面测绘脆弱生态系统和关键海洋栖息地（如珊瑚礁和海草床，其全球退化正在加剧）进行环境监测，并将通过生成更新、更深的卫星测深数据来改善沿海航行和风险管理，这些数据对于当今使用遥感技术制作的大多数海图至关重要。
