利用LiDAR波形估计海水物理参数的人工神经网络

光探测与测距（LiDAR）是地球观测领域快速发展的传感器。它是一种利用激光束测量距离并创建物体和环境的详细三维表示的遥感技术。全波形LiDAR的潜力远不止于高度估计和三维重建。信号的总体形状提供了关于水体性质的重要信息。然而，由于大多数LiDAR软件通过利用波形内的最大值来处理点云，FWL的形状尚未被探索。LiDAR数据分析领域的现有技术包括通过逆建模进行深度估计，以及通过对数强度和深度进行回归来近似衰减系数。然而，这些方法在精度上存在局限性。通过逆建模进行的深度估计仅提供近似值，且未考虑表面性质的变化，而衰减系数的回归方法只能通过多个数据点泛化一个值，缺乏精度并可能导致显著估计误差。此外，目前尚无用于预测底部反射率的成熟建模方法。本研究提出了一种基于神经网络的LiDAR数据分析参数估计新方案。通过利用神经网络的能力，所提出的方案成功学习了逆模型，能够预测深度、衰减系数和底部反射率等参数。通过在实际LiDAR数据上测试验证了模型的性能。未来，更多的数据可用性将提高此类模型的准确性和可靠性。