综述：多层级多传感器数据融合在水深测量建模中的系统综述

《Sustainability》：Multi-Level Multi-Sensor Data Fusion in Bathymetric Modeling: A Systematic Review

　　

精确的水下地形建模对于水生生态系统的可持续管理至关重要，然而单传感器水文测量仍然受到环境限制的制约。通过系统综述，本研究旨在评估多层级、多传感器数据融合方法（声学、光学、激光雷达（LiDAR）和卫星）在水深测量建模中的有效性。检索了五个电子数据库（Scopus、Web of Science、IEEE Xplore、ScienceDirect、SpringerLink），截止至2026年8月14日，以识别相关的同行评审研究。从685条初始记录中，最终纳入62项研究进行系统综合。采用定制的六领域偏倚风险框架评估了符合条件研究的方法学质量。结果表明，与单源基线相比，在复杂的陆-水过渡带中，空间覆盖范围和精度显著提高，深度反演误差降低了18%至50%以上，并达到了亚分米级精度（均方根误差（RMSE）< 0.10 m）。特征级地理空间人工智能（GeoAI）进一步增强了非线性环境建模和底栖栖息地分类（准确率> 98%）。本综述发现，多传感器融合有效提高了水深测量精度，为可持续水资源管理提供了关键基础。虽然标准化不确定性量化仍然是操作瓶颈，但集成预测性4D数字孪生的未来干预措施在长期生态监测、洪水风险缓解和气候适应性基础设施规划方面展现出巨大潜力。

1. 引言
1.1 研究背景与多传感器集成需求
精确的水下地形表征是现代水文测量和环境分析的基础。数字水深模型（DBM）为航海制图、水利工程、泥沙预算、洪水风险评估、河流修复、栖息地测绘等提供几何基础。传统上，单波束回声测深仪（SBES）和多波束回声测深仪（MBES）提供高精度深度数据，但受船只吃水、航线几何、作业成本和安全要求限制。机载激光雷达测深（ALB）、基于运动恢复结构（SfM）的无人机（UAV）摄影测量、卫星测深（SDB）及ICESat-2光子计数激光测高扩大了覆盖范围，但各自存在环境约束。陆-水过渡带的“白色条纹”区域尤其难以独立覆盖。无人平台（UAV、USV、AUV、ROV）、机器学习（ML）/深度学习（DL）以及开放卫星数据的发展，促使研究焦点从识别单一最优传感器转向多源异构观测的智能集成。

1.2 研究空白与综述贡献
现有综述多集中于单一传感器、特定环境或广义遥感应用，缺乏在统一框架下整合声学、光学、激光、卫星和无人平台的多层级融合分析。此外，现有研究对GeoAI的不确定性量化、模型泛化、跨传感器互操作性以及AI产品与作业水文测量标准的兼容性关注不足。本综述通过数据级、特征级和决策级融合的层次化框架，弥补了这一空白。

1.3 理论框架：多层级数据融合
采用层次化框架，将多传感器集成视为由信息抽象水平驱动的递进过程。数据级融合解决空间配准和几何集成；特征级融合从显式物理建模转向地理空间人工智能（GeoAI），利用神经网络学习非线性环境关系；决策级融合通过概率推理、集成模型和证据推理管理不确定性与传感器冲突。

1.4 数据特征与集成挑战
异构数据面临空间异质性（不同数据结构，如SBES一维剖面、MBES三维点云、栅格影像）、时间不一致性（不同时相导致形态变化）、尺度不匹配（局地高分辨率与区域低分辨率）、环境敏感性（浊度、沉积物、折射、波浪等）以及不确定性不对称（如ICESat-2稀疏高精度与SDB连续低精度）等挑战。预处理中的坐标变换、校准、时间同步和不确定性传播对避免系统性畸变至关重要。

1.5 研究目标与研究问题
基于PRISMA 2020框架，制定了五个研究问题（RQ1-RQ5），涵盖传感器互补性、融合精度提升、ML/DL在特征级融合中的作用、决策级不确定性管理以及未来方向。

2. 材料与方法
2.1 系统综述协议
遵循PRISMA 2020指南，从环境维度、技术维度和方法维度三个维度分析，但未在PROSPERO注册。

2.2 数据库识别与检索策略
检索Scopus、Web of Science、IEEE Xplore、ScienceDirect和SpringerLink五个数据库，检索日期截至2026年8月14日。检索词分为环境域、分析域和技术域，限定2012-2026年英文同行评审文献，初始获得685条记录。

2.3 研究选择与资格标准
去重43条，自动化过滤111条，标题摘要筛除471条，补充参考文献28条，全文评估88篇，最终纳入62篇。排除缺乏独立验证、单传感器无融合、未提供定量信息的研究。

2.4 数据提取与质量评估
提取研究区域、环境、传感器配置、融合方法、融合层级、机器学习架构、验证策略和量化指标等。采用六域框架（传感透明度、经验验证、量化指标、融合透明度、数据独立性、可重复性）评分，低于3.5分的研究被排除。

2.5 证据综合与分析框架
采用定性与定量结合，由于异质性大，仅进行研究内直接比较，并构建环境-适应决策矩阵。

2.6 纳入研究的文献计量分析
时间分布显示2020年后研究激增，特别是2024-2026年。国家分布以中国、波兰和美国为主。

3. 结果
3.1 数据级融合
3.1.1 异质点云空间配准：通过直接地理参考、RTK、严格时间同步和校准实现多源点云集成。如结合机械扫描声呐与惯性测量单元（IMU）使三维重建RMSE降至6.2 cm；直接RTK实现陆地-水域亚分米精度（RMSE 0.08-0.10 m）；现场校准修正系统偏移和重影。
3.1.2 地统计镶嵌与加权栅格集成：采用加权融合、混合区和地统计插值生成无缝表面。例如沙滩SBT-DEM的RMSE为0.141 m，R²=0.996；融合区RMSE从0.20-0.24 m降至0.12-0.15 m。
3.1.3 主被动卫星校准：ICESat-2光子测量与Sentinel-2或Landsat影像结合，最大测深约36.27 m，平均绝对误差（MAE）0.24-0.31 m；Landsat-8融合辅助测深方法使RMSE降低43-64%。

3.2 特征级融合
3.2.1 光学-激光雷达特征融合：结合光学影像与LiDAR几何信息改进浅水测深，如DepthLearn框架、融合数字表面模型（DSM）的多光谱分析，用于纠正折射并提高底质分类精度。
3.2.2 主被动卫星融合：Sentinel-2与ICESat-2组合在机器学习框架中优于纯光学方法，多尺度分辨率融合模型（MuSRFM）提升岛礁和近岸环境精度。
3.2.3 多模态深度学习架构：卷积神经网络（CNN）整合纹理、地形和时间特征，集成学习策略提高SDB鲁棒性。
3.2.4 多源海底与栖息地分类：深度神经网络结合深度信息实现珊瑚礁栖息地分类，准确率>98%，平均交并比（mIoU）>90%。

3.3 决策级融合
3.3.1 不确定性驱动决策融合：融合多声呐数字地形模型（DTM），采用神经网络概率变换和证据推理，并参照国际海道测量组织（IHO）S-44标准评估成果质量。
3.3.2 集成与多模型决策融合：梯度提升机（GBM）、多时相集成显著提高精度，如R²为0.96-0.99，RMSE 0.42-1.18 m；数值模拟与DL结合实现归一化RMSE 0.25。
3.3.3 数据缩减与规则决策集成：模糊C均值聚类、数据缩减策略保留关键形态信息；合成孔径雷达（SAR）与光学水边线集成实现7.79-7.93 m精度。

3.4 定量综合与环境适应矩阵
数据级融合改进约20%-40%，垂直精度约0.1 m；特征级融合RMSE最低0.0801 m，R²接近0.99，分类准确率>98%；决策级融合R² 0.96-0.99，同时降低不确定性。环境适应矩阵表明，超浅水清澈水域适合特征级融合，动态河口和港口适合数据级融合，大面积SDB适合决策级融合。

4. 讨论
4.1 环境适应性与传感器互补性
多传感器融合并非普遍改进，有效性取决于环境和融合层级。声呐提供深度控制，LiDAR和光学扩展浅水区，卫星提供区域背景。传感器互补性是有条件的，最优配置因环境限制而异。

4.2 跨融合层级的方法权衡
数据级融合保留原始几何但易受配准误差影响；特征级融合适合非线性问题但泛化能力差；决策级融合解决冲突但依赖不确定性校准。各层级并非竞争关系，而是处理不同类型数据异质性的互补方法。

4.3 未解决的挑战与不确定性缺口
最关键的是不确定性量化缺口，AI模型缺乏显式空间误差分布和总传播不确定度（TPU），难以符合IHO认证要求。此外，融合模型与二维水动力建模（如洪水范围、流速）的联系不足，下游影响未被充分量化。

4.4 未来展望：迈向4D数字孪生
未来将向物理信息神经网络（PINN）、大规模地理基础模型、边缘人工智能（边缘AI）发展，实现自适应测量和预测性4D数字孪生。通过DEM差分（DoD）追踪泥沙输移、河岸侵蚀、床形迁移和动态航行风险。

4.5 综述局限性
包括数据库和语言偏倚、方法异质性导致无法进行定量荟萃分析、发表偏倚高估GeoAI有效性、分类边界流动性以及时间约束。

5. 结论
本系统综述表明，多传感器融合显著提高测深精度，减少深度反演误差约18%至50%以上，在受控环境中达到亚分米精度。特征级GeoAI实现高精度栖息地分类和测深反演；决策级不确定性管理提高鲁棒性。然而，不确定性量化、模型泛化等问题仍限制其与IHO标准的兼容。未来应发展智能自主水文系统和4D数字孪生，将水文测量从回顾性制图转变为预测性环境监测框架。