基于深度学习的无现场深度信息的遥感影像海洋浅滩深度恢复方法

准确、详尽且高频的海洋浅滩深度数据对于面临严重气候和人为压力的浅海区域至关重要。当前利用航空或卫星光学影像推算海洋浅滩深度的方法主要依赖于两种技术：一种是采用屈折校正的SfM-MVS方法，另一种是光谱推导海洋浅滩深度(SDB)。然而，SDB方法常需大量的现场勘测或昂贵的参考数据，而SfM-MVS方法即使经过屈折校正后，也面临数据缺口和噪声问题，尤其是在视觉纹理均匀的环境中，这会阻碍构建准确且完整的数字地表模型(DSM)。为解决这些挑战，本工作引入一种新方法，将SfM-MVS的高保真3D重建能力与最先进的屈折校正技术相结合，同时融合基于深度学习的海洋浅滩深度预测方法的光谱分析能力。这种集成方法实现了协同作用：将SfM-MVS推导的存在数据缺口的DSM作为训练数据，用于生成完整的海洋浅滩深度图。在此背景下，我们提出了Swin-BathyUNet，该模型将U-Net与Swin Transformer自注意力层及跨注意力机制相结合，专为SDB设计。Swin-BathyUNet旨在通过捕获长程空间关系来提高海洋浅滩深度的准确性，同时可作为独立于SfM-MVS输出的标准SDB解决方案，适用于各种训练深度数据。在地中海和比尔海的两个完全不同的测试场中，通过大量实验表明，所提出的方法在海洋浅滩深度的准确性、细节、覆盖范围和预测DSM噪声减少方面均取得了显著改善。代码已公开于https://github.com/pagraf/Swin-BathyUNet。