從局部訓練到大尺度測繪：機器學習與深度學習在可遷移衞星測深中的比較評估
該研究評估了隨機森林與四種CNN（ResNet-50、ResNet-101、EfficientNet-B4、ConvNeXt-Large）在Sentinel-2影像上0-20米深度範圍內的可遷移衞星測深表現。通過保持空間連續性（連續礁塊而非隨機斑塊）和引入平滑權重函數（SWF）加權RMSE損失，實現了內區域RMSE低至0.26米（淺水區），跨區域RMSE在2.46-2.98米之間。在MagicBathyNet基準上，所提網絡以更少參數達到0.19-0.22米RMSE，優於U-Net和專用Transformer。多時相重複影像可降低噪聲，且已發佈優化架構與預訓練權重以促進新站點遷移。
衞星測深（SDB）技術通過多光譜影像估算水深，具有成本低、覆蓋廣的優勢，但在不同海域之間的可遷移性較差，尤其是在光學特性複雜的沿岸環境。針對這一挑戰，近期發表於《Remote Sensing》的一項研究（arXiv:2606.02764）系統比較了機器學習與深度學習方法在可遷移衞星測深中的表現，旨在實現從局部訓練到全球大尺度測繪的跨越。
研究團隊以歐洲空間局的Sentinel-2多光譜影像為數據源，針對0至20米的水深範圍，對比了隨機森林（Random Forest）基線與四種先進的卷積神經網絡（CNN）：ResNet-50、ResNet-101、EfficientNet-B4以及ConvNeXt-Large。模型訓練數據來自東沙島（Pratas Island）和大堡礁的部分區域，隨後在空間上完全獨立的區域內和跨區域測試集上進行了嚴格評估。
實驗結果表明，訓練過程中保持數據的空間連續性——即使用連續的礁塊而非隨機裁剪的斑塊——是影響模型泛化能力的首要設計決策。此外，研究者提出了一種平滑權重函數（Smooth Weight Function, SWF）加權的RMSE損失，該損失函數給予近地表淺水區更大的權重，從而提升了淺水測深的準確性。採用這些策略後，在區域內測試中，模型在0-20米全深度範圍內的均方根誤差（RMSE）為1.15至1.92米，而在水深2.99至3.78米的淺水區，誤差低至0.26米。在更具挑戰性的跨區域測試中，隨機森林的RMSE上升至2.99至3.78米，而深度模型表現更為穩健，RMSE維持在2.46至2.98米之間。
在公開的MagicBathyNet航拍RGB基準數據集（0-16米水深）上，研究所提出的CNN網絡以顯著更少的參數取得了0.19至0.22米的RMSE，不僅大幅超越了U-Net基線，還優於一種專為衞星測深設計的Transformer架構。這一結果充分展示了CNN在可遷移測深任務中的潛力。
研究進一步利用了多時相重複影像：在訓練階段引入多時相數據增加了樣本多樣性，而在推理階段對多次過境預測取中位數，可有效抑制由太陽角度變化、大氣條件波動、水體性質改變以及潮汐升降引起的噪聲。為促進該技術的規模化應用，團隊已公開發布了優化後的網絡架構代碼和預訓練權重，以便其他研究者能夠便捷地將其遷移至新的測區。
該工作為衞星測深從局部實驗走向全球應用提供了重要的方法論支撐和實用工具，對於海岸帶管理、航海安全、生態監測等領域具有潛在價值。