Estimering af kystvandsdybde fra rummet via satellit-afledt bathymetri

Siden oldtiden har kendskab til dybden af ​​kystvande været nøglen til sikker og vellykket sejlads og udnyttelse af havets ressourcer. I dag er batymetri - måling af havdybde - endnu vigtigere, idet den spiller en væsentlig rolle i vores forståelse af marine miljøer og udviklingen af ​​store marine strukturer.

Med udviklingen af ​​skibsbårne ekkolod i det tidlige 20. århundrede, så batymetriske undersøgelser massive spring i både nøjagtighed og bekvemmelighed. Men selv med moderne ekkolod er der stadig mange vanskeligheder at overvinde, når man udfører batymetriske undersøgelser. Disse omfatter høje omkostninger, uforudsigeligt vejr, høj skibstrafik og potentielle geografiske eller diplomatiske problemer, for at nævne nogle få.

For at løse disse problemer har forskere over hele verden udviklet satellit-afledte batymetri-teknikker (SDB), som estimerer vanddybden ud fra multispektrale satellitbilleder. Disse metoder kan nogle gange give nøjagtige resultater, især for dybder op til 20 meter.

Desværre blev de fleste SDB-modeller udviklet ved hjælp af data fra kystområder med klart vand og en ensartet fordeling af havbundssediment. Da lys reflekteres forskelligt afhængigt af vandets turbiditet og havbundens sammensætning, har det vist sig at være udfordrende at udvikle SBD-modeller med ensartet ydeevne gennem forskellige kystmiljøer.

På denne baggrund har et forskerhold fra Korea udviklet en ny SDB-model, der udnytter maskinlæring til at kaste lys over de forskellige faktorer, der kan kompromittere nøjagtigheden og dermed bane vejen for potentielle løsninger. Deres seneste undersøgelse, som omfattede Dr. Tae-ho Kim fra Underwater Survey Technology 21 (UST21), er offentliggjort i Journal of Applied Remote Sensing .

Et af hovedmålene med denne undersøgelse var at analysere, hvordan modellen trænet på forskellige kystområder ville blive påvirket af hver regions unikke karakteristika. Til dette formål udvalgte de tre områder omkring den koreanske halvø:Samcheok, karakteriseret ved sit klare vand; Cheonsuman, kendt for sit grumsede vand; og Hallim, hvor havbunden indeholder forskellige typer sedimenter.

Holdet indhentede multispektrale satellitdata fra disse regioner fra Sentinel-2A/B-missionerne, åbent leveret af European Space Agency, og udvalgte flere billeder af disse områder på forskellige tidspunkter med klar himmel. For at træne SDB-modellen på disse data, erhvervede de også ekkolod-afledte søkort fra Korea Hydrographic and Oceanographic Agency (KHOA); disse diagrammer blev brugt som sandhed.

Selve SDB-modellen var baseret på en veletableret teoretisk ramme, der forbinder, hvordan lys, der kommer fra solen, reflekteres af atmosfæren, havet og havbunden, før det når en satellit. Hvad angår maskinlæringsdelen af ​​modellen, brugte teamet en tilfældig skovalgoritme på grund af dens evne til at justere til flere variabler og parametre, mens de håndterede store mængder data.

Efter træning og afprøvning af regionsspecifikke forekomster af SDB-modellen fandt forskerne ud af, at nøjagtigheden generelt var acceptabel for Samcheok, med en root-mean-squad-fejl på omkring 2,6 meter. I modsætning hertil var nøjagtigheden markant lavere for både Cheonsuman og Hallim, med satellitbaserede dybdeforudsigelser, der afvigede væsentligt fra KHOA-målinger.

For at forstå disse uoverensstemmelser bedre forsøgte forskerne først at korrigere forudsigelserne ved at inkludere et turbiditetsindeks i beregningerne. Dette forbedrede resultaterne primært for Cheonsuman. Derefter, for yderligere at undersøge fejlkilderne, erhvervede holdet højopløselige satellitbilleder fra WorldView-3-missionen samt billeder på stedet. Analyser afslørede, at havbundssedimenternes reflektansegenskaber havde en stor indflydelse på dybdeestimeringer, hvor mørkfarvet basalt førte til en konsekvent overestimering.

"Hvis vi inkorporerer yderligere rumlige havbundsdata i træningsdatasættet i fremtiden, forventer vi forbedringer i modellens ydeevne," sagde Dr. Kim. "Et sedimentfordelingskort, skabt ud fra luftbåren hyperspektral billeddannelse, er planlagt til at blive leveret af R&D-projektet."

Til sidst testede forskerne derefter generaliseringsevnen af ​​deres tilgang ved at anvende regionsspecifikke SDB-modeller på andre kystområder med lignende karakteristika.

"I modsætning til tidligere undersøgelser, der kun præsenterede SDB-modelresultater for farvande med høj gennemsigtighed, udviklede vi individuelle SDB-modeller, der kan anvendes på farvande med forskellige karakteristika, og foreslog metoder til at opnå forbedrede resultater," sagde Dr. Kim.

Med lidt held vil disse bestræbelser føre til forbedringer i SDB-teknologi og bane vejen for mere bekvem kystdybdekortlægning.

Tilfreds med resultaterne konkluderer Dr. Kim:"I sidste ende vil SDB-resultater blive anvendt som dybdeovervågningsdata for at lette sikker skibspassage i kystområder samt inputdata til numeriske havmodeller, der bidrager til forskellige videnskabelige områder."

Flere oplysninger: Jae-yeop Kwon et al., Estimation af lavvandet batymetri ved hjælp af Sentinel-2-satellitdata og tilfældig skovmaskinlæring:et casestudie for Cheonsuman, Hallim og Samcheok Coastal Seas, Journal of Applied Remote Sensing (2024). DOI:10.1117/1.JRS.18.014522

Leveret af SPIE