الحصول على عمق مائي للبحار الضحلة بدقة وكفاءة يمكن أن يوفر البيانات الداعمة للملاحة البحرية ومسح وحماية الموارد البحرية. في هذه الورقة، تم اقتراح طريقة لعكس الجغرافية كعنصر لبناء النموذج لعكس عمق المياه، وتم بناء نموذج لعكس عمق المياه بناءً على شبكة الأعصاب الدماغية BPNN (الشبكة العصبية الاصطناعية للانتشار العكسي)، وتمت اختبار هذه الطريقة في منطقة جزيرة ويجو في الصين ومنطقة جزيرة مولوكاي في الولايات المتحدة باستخدام صور الاستشعار عن بعد المختلفة مثل Sentinel-2، Landsat 9 وغيرها، وقد أظهرت النتائج: خلال عملية اختيار النموذج، وجد أن دقة نموذج التعلم الآلي أعلى من جميع النماذج التجريبية الأخرى، حيث كانت دقة نموذج BPNN أعلى. يمكن أن يحسن ادخال ميزة الجغرافية تحقيق دقة أعلى لعكس عمق المياه. تحققت النتائج التجريبية: تحسنت دقة منطقة جزيرة ويجو R ² من 0.7666 إلى 0.9952، انخفضت RMSE من 2.5016 متر إلى 0.3578 متر؛ وصلت دقة منطقة جزيرة مولوكاي R ² أيضًا إلى 0.9939، انخفضت RMSE من 3.0165 متر إلى 1.0189 متر. هذا يدل على أن نموذج عكس عمق المياه الذي تم بناؤه في هذه الورقة لديه دقة عالية وموثوقية قوية وقدرة جيدة على الانتقال، ويمكن استخدامه بشكل فعال لقياس عمق البحار الضحلة. بالإضافة إلى ذلك، لم يحصل إدخال ميزة الجغرافية في نفس الوقت مع ميزة مؤشر النبات على نتائج أفضل، بل جعل دقة النموذج تنخفض قليلاً، مما يدل على أن إضافة معايير البناء المكفوفة لا يمكن أن تحسن دقة النموذج، ويجب تحليل ترابط المعايير المختلفة وإجراء تحليل شامل لاختيار العوامل في بناء النموذج.

الاستشعار البصري، المياه القريبة، الميزات الجغرافية، نموذج BPNN، جزيرة ويجو، جزيرة مولوكاي، التحقق من الدقة