La surveillance de la profondeur de l'eau à haute résolution et sans contact est essentielle pour la gestion et la protection des paysages des lacs à floraison algale. La télédétection satellitaire ne peut pas capturer les caractéristiques fines des sédiments sous-marins dans les lacs à floraison algale. Ces dernières années, la technologie de télédétection par drones légers et compacts a été progressivement utilisée pour la détection de la profondeur de l'eau en ultra haute résolution dans les zones peu profondes. Cependant, le modèle logarithmique classique de recalage de la profondeur est difficile à adapter au phénomène de diffusion de Rayleigh largement présent dans les lacs à floraison algale. Par conséquent, cet article utilise des modèles d'apprentissage automatique pour mener une étude de recalage de la profondeur des lacs à floraison algale basée sur des images de drones. La zone expérimentale est la mer de Feu de Jiuzhaigou, dans la province du Sichuan, Chine. Les modèles de recalage de la profondeur basés sur la forêt aléatoire (RF), la machine à vecteurs de support (SVM) et le perceptron multicouche (MLP) ont été entraînés et validés, avec des erreurs quadratiques moyennes racines respectives de 0,816 m, 0,945 m et 0,832 m. Les résultats expérimentaux montrent que les modèles d'apprentissage automatique ont une précision plus élevée dans le recalage de la profondeur que le modèle logarithmique traditionnel. Parmi eux, les modèles de forêt aléatoire et de perceptron multicouche sont plus adaptés au recalage de la profondeur des lacs à floraison algale basés sur des images de drones que le modèle de machine à vecteurs de support.

lacs à floraison algale; drones; imagerie aérienne; inversion de la profondeur; apprentissage automatique; forêt aléatoire; machine à vecteurs de support; perceptron multicouche