岛礁浅海区域水深数据的获取是海岸带管理、工程建设及航道安全等的关键前提。水深测量手段随着技术发展在精度和效率上实现了显著提升，传统调查技术手段代价高昂且作业条件限制使得其无法获取高时空分辨率的水深数据。随着对地观测卫星遥感技术的进步，卫星水深反演（Satellite Derived Bathymetry, SDB）提供了一种高效率的大面积浅海水域水深数据快速获取手段。但是目前基于多光谱遥感影像的SDB模型大多依靠单个像素或小尺度空间输入从而并未对空间感受野足够重视，并且缺乏对反演模型跨区域部署场景下外推泛化能力的评估。这些不足阻碍了SDB模型精度和稳健性的进一步增强。
研究内容自然资源部海底科学重点实验室“海底地形地貌探测与应用”团队的浙大联培博士研究生秦晓铭（第一作者）、吴自银研究员（通讯作者）等针对大范围空间尺度高效特征融合算法展开研究，提出了一种具有更高反演精度以及更强泛化能力的多尺度分辨率融合水深反演模型（MuSRFM），见图1。为克服模型感受野和计算复杂度之间的冲突，该模型首先利用多尺度层级采样器（MCHR）对输入的多光谱遥感影像进行连续裁剪以及重采样处理，如图2(a)所示不同分支具有其对应的空间分辨率以及尺度范围，对应内容则随着分辨率增强而逐渐精细。与之对应，MuSRFM编码器由四个阶段组成且每个阶段内配置多编码器分支用于独立的处理其对应空间分辨率输入影像，并在每个阶段后利用如图2(b)所示的裁剪对齐融合模块（CAFM）来实现跨尺度层级的特征融合并更新输出。MuSRFM的解码器则通过拼接各阶段最高分辨率分支输出特征后通过简单的映射得到输出水深。
为评估MuSRFM的精度与泛化能力，本研究在全球范围内选择了五个较大规模的实验区域组成了研究数据集（图3），其中维京群岛的圣克鲁斯岛被用于构建训练集和测试集，其余四个区域则组成一个真实世界数据集用于评估MuSRFM及基线模型的迁移能力。将MuSRFM与基线模型在测试集和真实世界数据集上部署，并计算对应的精度指标。结果显示，MuSRFM在测试集上显著超越了所有对比模型，提升幅度明显；而在真实世界数据集上，MuSRFM同样显著的优于精度第二高的模型，在绝大多数的精度指标上都保持显著的提升。图4所示是MuSRFM在真实世界数据集中的瓦胡岛（Oahu）和塞班岛-天宁岛（Saipan & Tinian）区域的推理结果，其整体分布与真值非常接近，并且在某些特殊地形地貌区域例如塞班岛西侧的潟湖区域仍能保持较好的效果，表现出了足够的泛化能力。
文章信息上述研究成果已在线发表在摄影测量与遥感领域顶级期刊ISPRS Journal of Photogrammetry and Remote Sensing (中科院一区Top，影响因子10.6)，本研究得到了国家重点研发计划（2022YFC2806600，2022YFC2806605）、上海交通大学深蓝基金（SL2020ZD204，SL2020ZD205）及国家重点研发计划（2022YFC3003800）联合资助。
论文引用：Xiaoming Qin, Ziyin Wu*, Xiaowen Luo, Jihong Shang, Dineng Zhao, Jieqiong Zhou, Jiaxin Cui, Hongyang Wan, Guochang Xu, 2024. MuSRFM: Multiple scale resolution fusion based precise and robust satellite derived bathymetry model for island nearshore shallow water regions using sentinel-2 multi-spectral imagery, ISPRS Journal of Photogrammetry and Remote Sensing, Volume 218, Part A, 2024, Pages 150-169.
