珊瑚礁浅水测深制图：基于Sigma-Clipping与Stumpf比值增强随机森林融合ICESat-2光子与多时相Sentinel-2影像的鲁棒方法

《International Journal of Digital Earth》：Robust coral reef bathymetric mapping from ICESat-2 photons and multitemporal sentinel-2 imagery using sigma-clipping and a Stumpf-ratio-augmented random forest

　　

浅水测深对珊瑚礁监测至关重要，但在复杂礁体环境中其反演仍具挑战，因为单时相光学影像易受瞬时污染影响，且现场深度测量数据有限。研究人员针对中国七连屿，将ICESat-2衍生的测深点与94景多时相Sentinel-2影像相结合，采用Sigma-Clipping合成与Stumpf比值增强随机森林（RF）模型开展研究。研究人员从ICESat-2 ATL03数据中提取测深点，并对Sentinel-2影像序列应用Sigma-Clipping以抑制太阳耀斑与云污染。基于Mapper5000机载测深激光雷达（LiDAR）的独立像元验证显示，均方根误差（RMSE）为1.08 m，平均绝对误差（MAE）为0.82 m，决定系数（R2）为0.923。在相同合成策略下，随机森林模型相较Stumpf对数比值模型将RMSE降低60.0%。对保留ICESat-2 ATL03轨道的五折轨迹不相交验证中，合并袋外RMSE为1.164 m，MAE为0.482 m，R2为0.910。结果表明，鲁棒的多时相合成可支撑七连屿珊瑚礁测深制图。

研究背景与立项依据

珊瑚礁支撑海洋生物多样性、碳储与海岸减灾，高分辨率浅水测深是量化地貌演化、波能耗散与航行安全的基础。七连屿位于南海西沙群岛东北部，具有礁坪—陡坡快速过渡、淹没礁体多、水动力复杂的特点；船载声呐受吃水与重复测绘成本限制，传统现场勘测难以为继。卫星测深（Satellite-derived bathymetry, SDB）可缓解该瓶颈，但早期Lyzenga辐射传输线性组合与Stumpf等提出的对数比值（log-ratio）模型属半经验物理方法，假设水体光学均质，在异质底质与陡梯度礁区易产生深度饱和或系统偏差。数据驱动的随机森林（RF）与神经网络虽能刻画非线性，但依赖高质量训练标签，远海礁区现场标签稀缺。ICESat-2/ATLAS光子计数激光雷达可提供沿轨稀疏水下光子，经空气—水折射校正后可作为无现场勘测区的测深控制点；然而单时相Sentinel-2仍受太阳耀斑、碎波、薄云等瞬时效应干扰，均值合成易被离群值拉偏，中值合成会平滑礁坪细部。因此研究人员提出一套主动—被动融合框架：以自适应分位—鲁棒统计滤波从ATL03提取标签，以迭代Sigma-Clipping抑制多时相光学离群，并将Stumpf对数比值作为物理驱动特征注入RF预测变量集，在《International Journal of Digital Earth》报道其在七连屿的精度与空间一致性评估。

主要关键技术方法

研究人员使用三类数据：46条ICESat-2 ATL03轨道（2019–2024，PhoREAL_v3.30导出全量光子不预筛置信度）、94景Sentinel-2 L2A影像（云量<10%，BOA反射率，重采样10 m）、Mapper5000机载测深LiDAR（2018，15 pts/m²重采样至10 m栅格作独立验证）。关键技术包括：（1）ATL03光子处理——EGM2008基准转换、200 m沿轨分箱取80分位构海面参考、候选水下光子判据（低于海面≥0.3 m）、±60 m邻域鲁棒Sigma-Clipping（1.4826×MAD阈值2.0σ_robust）提海底光子、Snell定律折射校正（n_air=1.00029，n_sw=1.34116）、FES2022潮汐校正，保留0.5–20 m标签58634个；（2）光学合成——MNDWI+NDWI动态水掩膜，逐像元迭代Sigma-Clipping（默认2σ）替代均值/中值；（3）建模——Stumpf对数比值（蓝/绿BOA反射率，n=1000）经RANSAC拟合作基线，RF输入含原始谱带（红B04、绿B03、红边1 B05等）+Stumpf双比值+MNDWI/NDWI，五折轨迹不相交GroupKFold（按RGT×cycle×beam分轨防泄漏），超参内嵌内层交叉验证。

研究结果

4.1 单时相SDB时间变异

研究人员对94景单日期Sentinel-2分别训练RF验证于Mapper5000，RMSE均值4.627 m（σ=0.467）、MAE均值2.906 m，最优景RMSE 3.75 m（R²=0.58），最差景RMSE 5.93 m（R²=-0.06），证明单时相精度不可靠，构成多时相合成动机。

4.2 多时相合成精度提升

相同RF下，Sigma-Clipping合成RMSE 1.08 m、MAE 0.82 m、R² 0.923；中值合成RMSE 1.27 m（R² 0.893）；均值合成RMSE 1.52 m（R² 0.845）。Stumpf模型下Sigma-Clipping亦最优（2.70 m vs 均值2.84 m/中值2.86 m）。2σ阈值兼顾离群剔除与有效样本数（均值k=71.34），所有像元序列均在15次内收敛。表明逐像元迭代Sigma-Clipping较均值/中值更有效压制瞬时辐射异常。

4.3 模型性能与鲁棒性

4.3.1 轨迹不相交内部验证：五折合并袋外789个ATL03样本RMSE 1.164 m、MAE 0.482 m、bias -0.017 m、R² 0.910；各折RMSE 0.817–1.389 m，深段（15–20 m）折次误差偏高，残差分析显示约10–12 m略高估、>14 m低估，证明模型对未参与训练轨道具泛化性但深段需谨慎。

4.3.2 Stumpf比值预测重要性：分组置换重要性显示联合置换Stumpf双比值致外测RMSE升0.808±0.466 m，高于单带B04（0.594 m）与B05（0.294 m）；无Stumpf特征的RF基线精度下降，证实“Stumpf比值增强”在特征层提供互补物理信息而非摆设。

4.3.3 RF与Stumpf模型比较：Sigma-Clipping下RF较Stumpf RMSE由2.70降至1.08 m（降幅60.0%），R²由0.504升至0.923；分层显示Stumpf误差随深度单调增大，RF较平稳。

4.3.4 地貌单元空间误差：误差热区集中于礁坡过渡、潟湖缘、外坡等陡梯度带，系混合像元所致；RF-Sigma-Clipping残差最聚零，Stumpf配置深水分广泛高估（暖色）。

4.3.5 集成框架总体表现：Sigma-Clipping+Stumpf比值增强RF在七连屿礁坪—潟湖—礁坡各单元取得最低LiDAR验证误差与最一致空间格局。

讨论部分总结

多时相合成策略讨论指出均值对离群敏感、中值牺牲有效样本数且过平滑，Sigma-Clipping两阶段剔离群后平均在七连屿条件最优，但最佳阈值随传感器与污染类型而异。半经验vs数据驱动讨论明确Stumpf模型在异质底质与陡梯度下物理假设失效，RF虽非线性但Stumpf比值作为特征（非架构约束）提升可解释性与精度，故称为“比值增强”而非物理引导模型；置换重要性证其互补性但非因果。模型选择上因标签为沿轨离散点而非连续深度图，卷积深度学习空间上下文优势受限，RF在中等样本下更适配且支持特征重要性。不确定性源于三源空间支持度差异（ATLAS约17 m足迹、Sentinel-2 10 m、Mapper5000重采样10 m）、2018 LiDAR与2019–2024光学时序失配使产品代表时段平均面而非某日海底、跨区迁移未验证。未来方向含高分辨/超分光学减混合像元、时空深度学习（如ChangeMamba）、短窗口时序变化检测、外区独立验证。

结论翻译

本研究评估了一套工程化流程，将标准Sigma-Clipping合成与Stumpf比值增强随机森林结合，以抑制单景辐射污染并用ICESat-2观测作测深标签。（1）94景单日期SDB精度变异大（RMSE均值4.63 m，σ 0.47 m），支持多时相合成；（2）三种合成中Sigma-Clipping下RF独立LiDAR验证最优（RMSE 1.08 m，MAE 0.82 m，R² 0.923），优于均值1.52 m与中值1.27 m；（3）同Sigma-Clipping下RF较Stumpf模型RMSE由2.70降至1.08 m（降60.0%），深度依赖偏差更小；（4）五折轨迹不相交GroupKFold合并ATL03袋外RMSE 1.164 m、MAE 0.482 m、bias -0.017 m、R² 0.910，证明对留轨泛化性并降低沿轨自相关致乐观估计风险；（5）Mapper5000独立验证显示七连屿礁坪—潟湖—礁坡格局一致，支持该流程在清水珊瑚礁环境应用，但外区迁移需再验证。