基于Landsat 8衛(wèi)星的江蘇北部近岸海域水深遙感反演研究

李經(jīng)緯，楊 紅*，王春峰，丁 駿

(1. 上海海洋大學 海洋生態(tài)與環(huán)境學院，上海 201306；2. 上海市海洋監(jiān)測預報中心，上海 200062)

引 言

江蘇近岸海域地形復雜，類別多樣。其中北至連云港贛榆區(qū)，南至南通如東縣遍布著寬闊的潮灘資源，潮灘北部以砂質為主，南部以淤泥質為主，具有豐富的底質類型和多樣的生物資源，岸外發(fā)育有聞名于世的輻射狀沙脊群如條子泥、蔣家沙等，規(guī)模巨大，形態(tài)特異[1]。大量灘涂、島礁、沙灘以及海洋生物資源，在增加蘇北的潛在土地資源、提高海岸防護能力、保持豐富的生態(tài)環(huán)境等方面具有重要價值。因此，研究當?shù)亟逗Ｓ虻臎_淤變化對于當?shù)厣鷳B(tài)環(huán)境、航運和近岸工程有著重要的意義。

水深數(shù)據(jù)是進行淺海演變、潮灘沖淤分析的必備資料，傳統(tǒng)的水下測量依賴于長時間、大范圍的人工觀測，耗時耗力。遙感技術的發(fā)展，為海洋勘察開辟了一條新的途徑。遙感數(shù)據(jù)具有大范圍、時效性強、數(shù)據(jù)的綜合性和可比性強等特點，獲取途徑很多，應用廣泛。通過對水體遙感反射率和水深值進行回歸分析，可以反演研究區(qū)水深，從而為研究海岸帶沖淤變化提供依據(jù)。水深反演前，需要對遙感圖像進行高精度大氣校正，消除大氣散射引起的輻射誤差。水深遙感常用的大氣校正方法有FLAASH[2]、6S[3]和ACOLITE[4]，不同校正方法結果差別很大。針對水深反演，目前少有研究對比不同的大氣校正效果。目前國內(nèi)外在水深遙感反演領域研究較為深入，取得不少成果。Polcyn[5]建立了水底反射率的水深反演模型，提出水底的反射輻射能量和水深成反比；Stumpf[6]通過改正線性模型得到對數(shù)波段比值模型，效果良好；Lyzenga[7]提出一種新的計算水深和水底底質信息的計算方法，在一定程度上彌補了波段比值算法的不足之處。國內(nèi)則在應用方面做了許多研究，朱俊鳳[8]建立了珠江口2個試驗區(qū)，探討了不同懸沙濃度下遙感測深的可能；程潔[9]基于香港平洲島的GF-2數(shù)據(jù)采用不同波段組合的對數(shù)線性模型構建了適合于中等淺水區(qū)域的模型；邱耀煒[10]利用甘泉島的WorldView2遙感影像，結合機載LiDAR實測水深數(shù)據(jù)，使用隨機森林算法構建了淺海水深反演非線性回歸模型。這些研究說明在不同地區(qū)建立水深模型來進行水深反演是可行的。目前已有的江蘇近海水深遙感研究多反演局部海域水深，如田慶久[11]通過實測水深和光譜數(shù)據(jù)，選取TM4、TM3波段建立對數(shù)回歸模型反演水深，然而隨著水深增加，預測水深反而減小，與實際偏差過大；少數(shù)研究整個江蘇近海，如Guanghui Song[12]根據(jù)江蘇近海地貌不同，基于Landsat 7影像選取四個水深斷面建立了水深反演線性和指數(shù)模型，效果較好，但樣點過少、斷面不連續(xù)且并未考慮到泥沙因素影響，有局限性。綜合來看，針對江蘇近岸海域的遙感定量水深反演相對較少，精度較低；且用于水深反演的遙感圖像多采用FLAASH大氣校正，缺乏一定的對比性；此外研究區(qū)緯度地理分布較長，南北泥沙含量有明顯差異，當前研究缺乏一定的分區(qū)對比。因此，在江蘇近岸海域，擬按不同泥沙濃度劃分研究區(qū)并分別用FLAASH、6S、ACOLITE大氣校正方法處理研究區(qū)遙感影像，選擇合適的大氣校正方法，建立相關的水深反演模型以用于沖淤分析。

1 研究區(qū)概況及試驗區(qū)選擇

圖1 研究區(qū)示意圖Fig.1 Schematic diagram of the study area

研究區(qū)具體范圍為北邊海州灣至南邊瓊港的近岸海域，水位整體呈現(xiàn)北深南淺的格局，北邊泥沙濃度、地形特征與南邊有明顯差異。海州灣位于蘇魯隆起與蘇北南黃海拗陷的過渡地帶，主要位于江蘇連云港贛榆區(qū)，是一個半開闊海灣，海底自西向東緩傾，灣口水深。海州灣北段繡針河口至興莊河口為沖刷后退的砂質海岸[13]；中段興莊河口到西墅為淤泥質海岸；再南則為基巖海岸。南邊灌河口至射陽河口屬于侵蝕型淤泥質海岸，岸灘較窄；射陽河口至瓊港屬于輻射沙洲岸段，中部岸灘寬闊順直，南部岸灘泥沙淤積，育有條子泥等形狀各異的淤泥質潮灘[1]。由此可見，北邊近海與南邊有明顯差異，北邊地勢深且岸段多為砂質、基巖海岸，泥沙濃度較低；南邊地勢平緩，淤泥質潮灘眾多，泥沙淤積，濃度較高。本文針對不同的泥沙濃度和地形特征，將研究區(qū)劃分為兩個試驗區(qū)，分別進行遙感圖像預處理和水深反演，最終選擇云量較少的兩景影像，如圖1。試驗區(qū)1北至日照，南達濱海，涵蓋連云港海州灣和鹽城的小部分淤泥質潮灘。試驗區(qū)2北至鹽城濱海，南達南通如東，遍布淤泥質潮灘。

2 數(shù)據(jù)來源和預處理

2.1 數(shù)據(jù)來源

本次研究主要用到海圖和遙感影像數(shù)據(jù)，海圖用于獲取水深點，遙感影像用于反演水深，具體如下。Landsat 8是NASA Landsat系列的第八顆衛(wèi)星，攜帶有OLI和TIRS傳感器，重訪周期16 d。OLI成像儀包括9個波段，除全色波段空間分辨率為15 m，其余均為30 m。其中前七個波段(海藍、藍、綠、紅、近紅外、短波紅外1和短波紅外2)波長依次遞增，海岸帶水深反演常用前七個波段進行計算。針對試驗區(qū)1和2，本文分別選取了2013年12月1日和2014年1月27日海表面云量最少的兩景影像，下載于USGS網(wǎng)站(https://earthexplorer.usgs.gov/)。海圖數(shù)據(jù)購自舟山海圖信息科技有限公司，包括1∶15萬比例尺的研究區(qū)海圖矢量文件和若干實測水深點數(shù)據(jù)，測量時期為2013年12月。海圖的水深數(shù)據(jù)以海圖水深基準面為起算面，即理論最低潮面，將不同時刻水深歸算到這個面，水深經(jīng)過周邊驗潮站潮汐數(shù)據(jù)換算來矯正出實際水深，再記錄進海圖。為消除潮汐引起的誤差，本文獲取了連云港港和大豐港在衛(wèi)星過境當天的潮汐表，通過插值計算出衛(wèi)星過境時刻連云港港和大豐港的潮位分別為4.180 m和2.803 m。在水深反演前，將海圖水深值加上潮位值得到瞬時水深，建立反演模型，模型反演后再減去潮位值得到反演的水深值。

2.2 數(shù)據(jù)預處理

首先將水深數(shù)據(jù)地理坐標同步為遙感影像的WGS84地理坐標系，分別投影到UTM 50°和51°帶。由于遙感影像空間分辨率為30 m，為了保證水深數(shù)據(jù)和光譜數(shù)據(jù)的空間位置一致性，需要將水深數(shù)據(jù)重采樣為30 m×30 m。文中使用的遙感影像是L1T級產(chǎn)品，已經(jīng)過幾何校正，所以只需進行輻射定標和大氣校正。即通過影像定標系數(shù)中的增益值gain和偏移值offset把量化的DN值轉變?yōu)檩椛渎?Radiance)進行輻射定標，見公式(1)，然后再進行大氣校正把輻射率轉變?yōu)樗w遙感反射比，

radiance=gain×DN+offset

(1)

大氣校正是水深反演極其重要的一步，其結果精確度直接關系到水深反演的效果。本文分別對試驗區(qū)1和2應用FLAASH、6S和ACOLITE大氣校正，以期獲得更高影像質量，輸出水體遙感反射比Rrs，用于和水深數(shù)據(jù)建立回歸模型。FLAASH大氣校正利用MODTRAN4+輻射傳輸模型對水汽、氧氣、二氧化碳或氣溶膠引起的輻射偏差逐像素校正，提高了定量反演的精度[2]。6S大氣校正考慮了地表非朗伯體情況，解決了地表BRDF與大氣相互耦合的問題，提高了精度，簡化了參數(shù)[3]。這兩種大氣校正方法是發(fā)展比較完善的輻射傳輸模型，多用于陸地衛(wèi)星的大氣校正，在水深遙感領域應用較少。經(jīng)過大氣校正，其輸出是擴大了104倍的地表反射率，需要將其處理成水體遙感反射比(Rrs)。如公式(2)，其中Rt是輻照度反射率，L(θ,φ)是天頂角θ和方位角φ觀測下經(jīng)由水面反射的輻亮度，Ed為下行輻照度。ACOLITE大氣校正中氣溶膠校正采用Vanhellemont和Ruddick[4]提出的基于兩個短波紅外波段的算法，核心思想是假設SWIR1和SWIR2波段的離水反射率為0，且SWIR1和SWIR2波段的氣溶膠反射比為常數(shù)，進而推算各波段的離水反射率及水體遙感反射比，適用于沿岸渾濁水體，尚未應用于江蘇近海。

(2)

3 結果與分析

3.1 大氣校正后影像質量評價

對試驗區(qū)1、2應用三種大氣校正方法并比較遙感反射率大小，效果好的大氣校正會削弱大氣瑞利散射和氣溶膠散射增加的輻射通量。圖2從左到右分別是兩個試驗區(qū)在淺水區(qū)、中間區(qū)域和深水區(qū)的光譜反射率曲線圖，上下側圖分別對應試驗區(qū)1、2。從反射率角度分析大氣校正的效果，試驗區(qū)1中三種大氣校正方法得到的影像反射率較為接近，從小到大依次為6S、ACOLITE、FLAASH，因此6S大氣校正效果最好，ACOLITE其次，F(xiàn)LAASH略差；試驗區(qū)2有所不同，ACOLITE大氣校正后的影像反射率遠低于其他方法，從小到大依次為ACOLITE、6S、FLAASH，因此效果最好的是ACOLITE，6S其次，F(xiàn)LAASH最差。對比兩個試驗區(qū)可以發(fā)現(xiàn)FLAASH大氣校正效果相對較差，6S大氣校正則較為穩(wěn)定，而ACOLITE在泥沙濃度較大的試驗區(qū)2的大氣校正效果明顯好于試驗區(qū)1。

為了更精確地評價大氣校正的效果，本文又計算了水深值與不同波段水體遙感反射比的相關系數(shù)來進行分析，相關性越大說明影像和實際數(shù)據(jù)的一致性越高，影像質量越高。提取水深點對應的水體遙感反射比后，得到試驗區(qū)1樣本點820個，水深范圍0～35 m；試驗區(qū)2樣本點820個，水深范圍0～20 m。最后分別對兩塊試驗區(qū)取7成點數(shù)作為訓練集，3成點數(shù)作為驗證集。

圖2 試驗區(qū)1、2 FLAASH/6S/ACOLITE大氣校正光譜曲線(上試驗區(qū)1/下試驗區(qū)2)Fig.2 Atmospheric correction spectral curve of research area1/2 with FLAASH/6S/ACOLITE

表1 試驗區(qū)1、2三種大氣校正方法下水深和水體遙感反射比相關系數(shù)Table 1 Correlation coefficients of water depth and remote sensing reflectance under three atmospheric correction methods in research area 1、2

計算試驗區(qū)1水深值和各波段水體遙感反射比的相關系數(shù)，其中前四個波段與水深的相關性更強，著重比較。由表1知，與水深值相關系數(shù)最高的是6S大氣校正后的水體遙感反射比，F(xiàn)LAASH、ACOLITE相差不大。這是由于試驗區(qū)1中大部分區(qū)域位于海州灣，砂質海岸和基巖海岸比較多，只有南邊是淤泥質海岸，泥沙濃度較小。從相關系數(shù)大小可以看出，相關性最強的三個波段分別為綠、藍和紅波段，短波紅外波段相關性最小，這與清澈水體中藍綠波段反射最強，近紅外和短波紅外波段反射最弱的結論一致[14]。同樣計算試驗區(qū)2水深值和各波段水體遙感反射比的相關系數(shù)。由表1知ACOLITE大氣校正方法得出的水體遙感反射比和水深值相關性最強，遠超過6S和FLAASH。這是因為試驗區(qū)2的岸段都是淤泥質潮灘且南部聚有輻射沙洲，泥沙濃度很大，而ACOLITE方法可以很好地校正高濃度泥沙地區(qū)的遙感圖像。ACOLITE大氣校正后，試驗區(qū)2相關性最好的波段為近紅外、兩個短波紅外和海藍波段，這是因為試驗區(qū)2泥沙含量較高，波譜反射峰紅移。結合2個試驗區(qū)遙感影像大氣校正結果得到以下結論。同為2類水體但泥沙濃度分布有差異的區(qū)域，不能僅使用同一種大氣校正，因不同泥沙濃度下同一大氣校正計算的水深相關性并不穩(wěn)定，一定程度上影響到水深反演效果。應因地制宜，對低濃度泥沙地區(qū)用6S大氣校正，對高濃度泥沙地區(qū)用ACOLITE大氣校正，從而得到更好的校正結果。此外，盡管使用了合適的大氣校正方法，但高濃度地區(qū)的數(shù)據(jù)相關性與試驗區(qū)1相比仍較低，這說明合適的大氣校正方法只能削弱泥沙對于水深反演的影響，作用程度有限。

3.2 水深遙感反演

3.2.1 相關性提升

根據(jù)Polcyn[5]的研究，對反射率取對數(shù)可以提高數(shù)據(jù)的相關性，故對兩個試驗區(qū)的水體遙感反射比取對數(shù)并計算其與水深值的相關性。Stumpf[6]提出了對數(shù)轉換比值模型，說明對數(shù)因子做比值可以進一步提高數(shù)據(jù)相關性，因此對相關性較好的四個對數(shù)因子做比值。由表2可知，試驗區(qū)1中對數(shù)因子提高了數(shù)據(jù)的相關性，按相關性從大到小依次選取LNB3、LNB4、LNB2、LNB1四個因子。取比值后，可以發(fā)現(xiàn)部分比值相關系數(shù)提高，其中LNB2/LNB3的相關系數(shù)達到了0.809。對試驗區(qū)2，對數(shù)因子提升效果良好，近紅外和短波紅外的相關性提升明顯，這主要是懸沙水體光譜紅移的原因。按相關性從大到小選取LNB5、LNB6、LNB7、LNB1四個對數(shù)因子，取比值后發(fā)現(xiàn)相關性反而降低。

表2 試驗區(qū)1、2波段對數(shù)及比值相關性Table 2 Correlation of the logarithm and ratio of band in research area 1, 2

王艷嬌[15]的研究成果說明引入懸沙濃度影響因子能削弱懸浮泥沙對遙感測深的影響，江蘇近海屬于懸浮泥沙濃度較大水域，其研究成果具有一定的適用性。借鑒其研究成果，分別引入低濃度泥沙因子XD=(B3+B4)/(B2/B3)和高濃度泥沙因子XG=(B3+B5)/(B2/B5)。B3為Landsat8 OLI影像波段3的水體遙感反射比，其他類推，構建B1/XD、B2/XD、B3/XD、B4/XD、B5/XD、B6/XD和B7/XD。對高濃度泥沙因子采取同樣操作，分別計算各自的相關系數(shù)。由表3，對試驗區(qū)1，低濃度泥沙因子明顯提高了數(shù)據(jù)相關性，其中B1/XD、B2/XD、B3/XD相關系數(shù)分別為0.806、0.805、0.792，相關性良好。而高濃度泥沙因子雖然提高了短波紅外波段的相關性，但卻大幅減小了前幾個波段的相關性，總體效果甚微，這也與試驗區(qū)1泥沙濃度較低的情況一致。然而試驗區(qū)2中引入泥沙因子的效果并不好，低濃度泥沙因子雖然提高了長波部分的數(shù)據(jù)相關性，但卻大幅減小了短波部分的數(shù)據(jù)相關性；而高濃度泥沙因子雖然提高了短波部分的數(shù)據(jù)相關性，但也大幅減小了長波部分的數(shù)據(jù)相關性。整體來看，效果一般。

3.2.2 建立回歸模型

(3)

(4)

(5)

表3 引入泥沙因子的數(shù)據(jù)相關性Table 3 Correlation of introduced sediment factor

表4 試驗區(qū)1、2建模及驗證結果Table 4 Modeling and verification results of research area 1,2

對試驗區(qū)1，在單波段線性回歸模型中，選取相關系數(shù)最高的LNB3對數(shù)因子和B1/XD低濃度泥沙因子分別進行擬合，從表4中可以看出LNB3擬合的誤差較大，而B1/XD因子的誤差較低，R2為0.66，優(yōu)于前者。選取LNB2/LNB3進行雙波段比值線性回歸，R2為0.66，與泥沙因子B1/XD相近。水深反演中，一般來說引入?yún)?shù)越多，反演效果越好，即多波段模型可以在一定程度上提高反演精度。這里選用前面反演效果較好的低濃度泥沙因子，逐次添加因子數(shù)目進行試驗，最終發(fā)現(xiàn)選取相關性最大的五個因子得到的結果最好，從表4中可以看出，RMSE和MAE大幅減小，R2為0.73。隨機森林作為一種機器學習算法，是對Boost aggregation集成思想和特征選取思想的組合，可以用于回歸分析，具有很強泛化能力，效果顯著[16]。對隨機森林決策樹的數(shù)目和最大特征選擇數(shù)手動調參，最終確定決策樹數(shù)量為1 000，最大特征選擇數(shù)為4。此時誤差最小，RMSE和MAE分別為4.05 m和2.97 m，R2達到0.79，效果較好。

對試驗區(qū)2，根據(jù)相關性大小，選取高/低泥沙因子建立單波段線性回歸模型，選取對數(shù)因子建立單波段和多波段回歸模型。在單波段線性回歸模型中，選取LNB5、B4XD、B4XG這三個相關性最大的因子進行回歸分析。在多波段模型中，選取所有對數(shù)因子進行線性回歸和隨機森林回歸，結果見表4，在驗證集中，單波段線性回歸模型中B4/XD的效果較好，RMSE和MAE分別為4.10 m和3.51 m，R2為0.23；多波段模型中隨機森林效果最好，RMSE和MAE分別為3.89 m和3.21 m，R2為0.40。

3.2.3 反演精度評價

綜上所述，試驗區(qū)1最適合的模型是B1/XD、B2/XD、B3/XD、B4/XD、B7/XD泥沙因子組成的多波段隨機森林模型，該模型在驗證集上水深預測值和真實值的關系見圖3(左)。在0～35 m的海域，該模型在驗證集上的RMSE、MAE分別為4.05 m和2.97 m，R2為0.79。試驗區(qū)2中最適合的模型是所有對數(shù)因子組成的多波段隨機森林模型。在0～20 m的海域，該模型在驗證集中的RMSE和MAE分別為3.89 m和3.21 m，R2為0.40，水深預測值和真實值關系見圖3(右)。

圖3 試驗區(qū)1、2水深預測值和真實值比較(真實值紅/預測值藍)Fig.3 Comparison of predicted and real water depth in research area1, 2 (real value red / predicted value blue)

(6)

分段統(tǒng)計試驗區(qū)1、2的驗證集在不同水深范圍內(nèi)的RMSE和平均相對誤差(MRE)。MRE公式見式(6)，式中△Zi是預測水深值與真實水深值之差，Zi是真實水深值，n是樣本點數(shù)。選取MRE是因為試驗區(qū)1水深范圍0～35 m，大于試驗區(qū)2的水深范圍(0～20 m)，僅憑RMSE的大小無法對比不同試驗區(qū)的建模精度。對試驗區(qū)1，由表5可知10～15、15～20和20～25 m水深反演效果最好，RMSE依次為2.04、2.13、2.31 m；5～10、25～35m效果略差，RMSE為2.33和2.96 m；0～5 m處效果最差，RMSE為3.24 m。試驗區(qū)1的MRE分段統(tǒng)計情況與RMSE相似，10～25 m較小、0～10 m較大，其中0～5 m區(qū)域MRE很大，達到了242.50%；25～35 m區(qū)域MRE較小，為6.16%，原因是深水區(qū)水更深，絕對誤差較大，相對誤差較小。對試驗區(qū)2，模型在5～10、10～15 m反演效果最好，RMSE分別為1.52 m和2.08 m，而0～5、15～20 m的RMSE分別為3.18、2.70 m，效果最差。試驗區(qū)2中MRE最大的仍是淺水區(qū)0～5 m，為376.57%；5～10、10～15、15～20 m區(qū)域MRE較小，分別為14.43%、11.91%和12.69%。由于深水區(qū)水更深，15～20m區(qū)域的RMSE雖然較大，但MRE較小。對比試驗區(qū)1、2的RMSE，可以發(fā)現(xiàn)反演水深中RMSE較大的區(qū)域集中于近岸和遠海處，其他區(qū)域誤差較小。對比試驗區(qū)1、2的MRE，可以發(fā)現(xiàn)除5～10 m區(qū)域外，試驗區(qū)1的MRE全面低于試驗區(qū)2，這與試驗區(qū)1的R2遠高于試驗區(qū)2的結果一致，說明試驗區(qū)1水深反演精度高于試驗區(qū)2。在0～5 m區(qū)域，試驗區(qū)1、2的MRE都超過了100%，反演精度很低，這可能是因為淺水區(qū)泥沙、懸浮物、浪花等較多，干擾到水體遙感反射率的計算，導致誤差很大。

表5 試驗區(qū)1、2水深RMSE和MRE分段統(tǒng)計Table 5 RMSE/MRE segmented statistics of water depth in research area 1,2

3.2.4 水深反演圖分析

將模型應用于試驗區(qū)1、2海域，結果如圖4。由圖知，試驗區(qū)1的水深反演結果基本反映該地的水深分布，呈現(xiàn)出由岸及海逐步變深的趨勢?？傮w來看，反演水深在近岸偏大，遠海偏小。近岸區(qū)域，海州灣以北水最深，這與海州灣近岸為基巖、砂質海岸，海底自西向東緩傾，灣口水深的描述一致；鹽城近海遍布淤泥質潮灘，水相對較淺；灌河口附近入海泥沙淤積，水最淺。而試驗區(qū)2中，南通地區(qū)反演的水深保持從近岸到遠海由淺入深的趨勢，而條子泥周圍水深較低，直到越過潮灘，水深才逐步抬升?？傮w來說，反演精度較低，但能大致反映該區(qū)域水深分布。此外，試驗區(qū)1的平均水深遠大于試驗區(qū)2，這與海州灣灣口水深和鹽城、南通淤泥質潮灘遍布的原因有關，兩幅水深反演圖都基本符合當?shù)氐乃罘植继卣鳌?/p>

圖4 試驗區(qū)1、2水深反演圖Fig.4 Water depth inversion maps of research area 1, 2

4 結論

本文以江蘇北部近海為研究區(qū)域，按泥沙濃度、地形特征不同選取兩塊典型試驗區(qū)，分別應用三種不同大氣校正方法，經(jīng)過反射率比較和水深相關性分析后發(fā)現(xiàn)試驗區(qū)1適合6S大氣校正，試驗區(qū)2適合ACOLITE大氣校正。接著引入對數(shù)因子、對數(shù)比值因子和泥沙因子提高數(shù)據(jù)相關性，選擇合適的因子建立單波段線性回歸、多波段線性回歸、多波段隨機森林回歸模型分別進行擬合，結果表明選取B1/XD、B2/XD、B3/XD、B4/XD、B7/XD低濃度泥沙因子的多波段隨機森林回歸模型最適合水深范圍0～35 m的試驗區(qū)1，RMSE為4.05 m，MAE為2.97 m，R2為0.79；選取對數(shù)因子的多波段隨機森林回歸模型最適合水深范圍0～20 m的試驗區(qū)2，RMSE和MAE分別為3.89 m和3.21 m，R2為0.40。分段統(tǒng)計水深RMSE、MRE進行精度評價，發(fā)現(xiàn)模型在近岸和遠海處誤差較大，其他區(qū)域精度尚可。此外試驗區(qū)1的MRE低于試驗區(qū)2，R2遠高于試驗區(qū)2，說明試驗區(qū)1的水深反演精度高于試驗區(qū)2，效果較好；而試驗區(qū)2的RMSE、MRE較大，R2較小，精度較低。反演成圖后可看出試驗區(qū)1、2預測的水深值基本符合由淺入深的趨勢，且部分地理要素引起的水深變化基本吻合，整體來看效果尚可。本文吸收采納了先前研究的優(yōu)點并有一定創(chuàng)新。以江蘇近海為研究區(qū)，分區(qū)比較不同大氣校正方法對水深反演的影響，得出6S適用于低濃度泥沙區(qū)域，而ACOLITE在高濃度泥沙區(qū)域效果良好的結論；引入了泥沙因子[15]，發(fā)現(xiàn)低濃度泥沙區(qū)域效果良好，但高濃度泥沙區(qū)域效果甚微，得出該泥沙因子更適合泥沙濃度較低的2類水體的結論；與先前研究的線性回歸模型不同，本文應用機器學習算法反演江蘇近海水深，結果表明隨機森林算法取得了更高的精度。

江蘇近岸海域雖然為2類水體，但水質和光學信息差異較大，只有分區(qū)發(fā)展適合的大氣校正算法，才能更好地提高水深反演精度；雖然引入泥沙因子、對數(shù)因子以及隨機森林算法提升了反演效果，但所得精度仍然有限。若要進一步提高水深反演精度，還需要獲取水體中泥沙、葉綠素和黃色物質等干擾因子對遙感反射率的影響，以達到抑制噪聲的目的。這些因素對水深反演的影響需要等獲取更多數(shù)據(jù)才能深入研究。