Sedan urminnes tider har kunskap om kustvattnets djup varit nyckeln till säker och framgångsrik navigering och för att utnyttja havets resurser. Idag är batymetri – mätning av havsdjup – ännu viktigare, eftersom det spelar en avgörande roll för vår förståelse av marina miljöer och utvecklingen av stora marina strukturer.

Med utvecklingen av fartygsburna ekolod i början av 1900-talet såg batymetriska undersökningar enorma språng i både precision och bekvämlighet. Men även med moderna ekolod finns det fortfarande många svårigheter att övervinna när man utför batymetriska undersökningar. Dessa inkluderar höga kostnader, oförutsägbart väder, hög fartygstrafik och potentiella geografiska eller diplomatiska frågor, för att nämna några.

För att ta itu med dessa problem har forskare runt om i världen utvecklat satellitbaserade batymetritekniker (SDB), som uppskattar vattendjupet från multispektrala satellitbilder. Dessa metoder kan ibland ge exakta resultat, särskilt för djup upp till 20 meter.

Tyvärr utvecklades de flesta SDB-modeller med hjälp av data från kustområden med klart vatten och en enhetlig fördelning av havsbottensediment. Eftersom ljus reflekteras olika beroende på vattnets grumlighet och havsbottens sammansättning, har det visat sig vara en utmaning att utveckla SBD-modeller med konsekvent prestanda i olika kustmiljöer.

Mot denna bakgrund har ett forskarlag från Korea utvecklat en ny SDB-modell som utnyttjar maskininlärning för att kasta ljus över de olika faktorerna som kan äventyra noggrannheten och därmed banar väg för potentiella lösningar. Deras senaste studie, som inkluderade Dr. Tae-ho Kim från Underwater Survey Technology 21 (UST21), publiceras i Journal of Applied Remote Sensing .

Ett av huvudmålen med denna studie var att analysera hur modellen som tränas på olika kustregioner skulle påverkas av varje regions unika egenskaper. För detta ändamål valde de ut tre områden runt den koreanska halvön:Samcheok, som kännetecknas av dess klara vatten; Cheonsuman, känd för sina grumliga vatten; och Hallim, där havsbotten innehåller olika typer av sediment.

Teamet fick multispektral satellitdata från dessa regioner från Sentinel-2A/B-uppdragen, öppet tillhandahållna av European Space Agency, och valde ut flera bilder av dessa områden vid olika tidpunkter med klar himmel. För att träna SDB-modellen på dessa data, skaffade de också ekolodshärledda sjökort från Korea Hydrographic and Oceanographic Agency (KHOA); dessa diagram användes som grundsanning.

Själva SDB-modellen baserades på ett väletablerat teoretiskt ramverk som kopplar samman hur ljus som kommer från solen reflekteras av atmosfären, havet och havsbotten innan det når en satellit. När det gäller maskininlärningsdelen av modellen använde teamet en slumpmässig skogsalgoritm på grund av dess förmåga att anpassa sig till flera variabler och parametrar samtidigt som de hanterade stora mängder data.

Efter träning och testning av regionspecifika instanser av SDB-modellen fann forskarna att noggrannheten var allmänt acceptabel för Samcheok, med ett rot-medelkvadratfel på cirka 2,6 meter. Däremot var noggrannheten markant lägre för både Cheonsuman och Hallim, med satellitbaserade djupförutsägelser som avviker avsevärt från KHOA-mätningar.

För att förstå dessa avvikelser bättre försökte forskarna först korrigera förutsägelserna genom att inkludera ett grumlighetsindex i beräkningarna. Detta förbättrade resultatet främst för Cheonsuman. Sedan, för att ytterligare undersöka felkällorna, skaffade teamet högupplösta satellitbilder från WorldView-3-uppdraget, samt bilder på plats. Analyser avslöjade att reflektansegenskaperna hos havsbottensedimenten hade en stor inverkan på djupuppskattningar, med mörkfärgad basalt som ledde till en konsekvent överskattning.

"Om vi ​​införlivar ytterligare rumslig data på havsbotten i träningsdataset i framtiden, förväntar vi oss förbättringar av modellens prestanda", säger Dr. Kim. "En sedimentfördelningskarta, skapad från luftburen hyperspektral avbildning, är planerad att tillhandahållas av FoU-projekt."

Slutligen testade forskarna sedan dess generaliseringsförmåga genom att tillämpa regionspecifika SDB-modeller på andra kustområden med liknande egenskaper.

"Till skillnad från tidigare studier som presenterade SDB-modellresultat endast för vatten med hög transparens, utvecklade vi individuella SDB-modeller som kan appliceras på vatten med olika egenskaper, och föreslog metoder för att erhålla förbättrade resultat," sa Dr. Kim.

Med lite tur kommer dessa ansträngningar att leda till förbättringar av SDB-tekniken och bana väg för mer bekväm kartläggning av kustdjup.

Nöjd med resultaten, avslutar Dr. Kim, "I slutändan kommer SDB-resultat att användas som djupövervakningsdata för att underlätta säker fartygspassage i kustområden, såväl som indata för numeriska havsmodeller, vilket bidrar till olika vetenskapliga områden."

Mer information: Jae-yeop Kwon et al, Uppskattning av ytlig batymetri med användning av Sentinel-2-satellitdata och slumpmässig skogsmaskininlärning:en fallstudie för Cheonsuman, Hallim och Samcheok Coastal Seas, Journal of Applied Remote Sensing (2024). DOI:10.1117/1.JRS.18.014522

Tillhandahålls av SPIE