从局部训练到大尺度测绘：机器学习与深度学习在可迁移卫星测深中的比较评估
该研究评估了随机森林与四种CNN（ResNet-50、ResNet-101、EfficientNet-B4、ConvNeXt-Large）在Sentinel-2影像上0-20米深度范围内的可迁移卫星测深表现。通过保持空间连续性（连续礁块而非随机斑块）和引入平滑权重函数（SWF）加权RMSE损失，实现了内区域RMSE低至0.26米（浅水区），跨区域RMSE在2.46-2.98米之间。在MagicBathyNet基准上，所提网络以更少参数达到0.19-0.22米RMSE，优于U-Net和专用Transformer。多时相重复影像可降低噪声，且已发布优化架构与预训练权重以促进新站点迁移。
卫星测深（SDB）技术通过多光谱影像估算水深，具有成本低、覆盖广的优势，但在不同海域之间的可迁移性较差，尤其是在光学特性复杂的沿岸环境。针对这一挑战，近期发表于《Remote Sensing》的一项研究（arXiv:2606.02764）系统比较了机器学习与深度学习方法在可迁移卫星测深中的表现，旨在实现从局部训练到全球大尺度测绘的跨越。
研究团队以欧洲空间局的Sentinel-2多光谱影像为数据源，针对0至20米的水深范围，对比了随机森林（Random Forest）基线与四种先进的卷积神经网络（CNN）：ResNet-50、ResNet-101、EfficientNet-B4以及ConvNeXt-Large。模型训练数据来自东沙岛（Pratas Island）和大堡礁的部分区域，随后在空间上完全独立的区域内和跨区域测试集上进行了严格评估。
实验结果表明，训练过程中保持数据的空间连续性——即使用连续的礁块而非随机裁剪的斑块——是影响模型泛化能力的首要设计决策。此外，研究者提出了一种平滑权重函数（Smooth Weight Function, SWF）加权的RMSE损失，该损失函数给予近地表浅水区更大的权重，从而提升了浅水测深的准确性。采用这些策略后，在区域内测试中，模型在0-20米全深度范围内的均方根误差（RMSE）为1.15至1.92米，而在水深2.99至3.78米的浅水区，误差低至0.26米。在更具挑战性的跨区域测试中，随机森林的RMSE上升至2.99至3.78米，而深度模型表现更为稳健，RMSE维持在2.46至2.98米之间。
在公开的MagicBathyNet航拍RGB基准数据集（0-16米水深）上，研究所提出的CNN网络以显著更少的参数取得了0.19至0.22米的RMSE，不仅大幅超越了U-Net基线，还优于一种专为卫星测深设计的Transformer架构。这一结果充分展示了CNN在可迁移测深任务中的潜力。
研究进一步利用了多时相重复影像：在训练阶段引入多时相数据增加了样本多样性，而在推理阶段对多次过境预测取中位数，可有效抑制由太阳角度变化、大气条件波动、水体性质改变以及潮汐升降引起的噪声。为促进该技术的规模化应用，团队已公开发布了优化后的网络架构代码和预训练权重，以便其他研究者能够便捷地将其迁移至新的测区。
该工作为卫星测深从局部实验走向全球应用提供了重要的方法论支撑和实用工具，对于海岸带管理、航海安全、生态监测等领域具有潜在价值。