Obtenir de manière efficace et précise la profondeur de l'eau en haute résolution spatiale peut fournir des données d'appui pour la navigation maritime, l'exploration et la protection des ressources marines, etc. Dans cet article, nous avons proposé une méthode d'inversion de la profondeur de l'eau intégrant la caractéristique de localisation géographique en tant qu'éléments de modélisation et avons construit un modèle d'inversion de la profondeur de l'eau basé sur le réseau neuronal BPNN (Back Propagation) en utilisant séparément des images satellitaires différentes telles que Sentinel-2, Landsat 9, et avons testé la fiabilité et la précision de la méthode proposée dans la région maritime de l'île de Weizhou en Chine et la région maritime de l'île de Molokai aux États-Unis. Les résultats montrent que : dans le processus de sélection du modèle, nous avons constaté que la précision du modèle d'apprentissage machine est supérieure à tous les autres modèles empiriques, et que la précision du modèle BPNN est la plus élevée. L'intégration de la caractéristique de localisation géographique peut améliorer considérablement la précision de l'inversion de la profondeur de l'eau. Les résultats de la vérification expérimentale montrent que : la précision de l'inversion de la profondeur de l'île de Weizhou R² a augmenté de 0.7666 à 0.9952, l'ERM a diminué de 2.5016 m à 0.3578 m ; la région de l'île de Molokai a également atteint 0.9939, l'ERM a diminué de 3.0165 m à 1.0189 m. Cela indique que le modèle d'inversion de la profondeur de l'eau que nous avons construit est de haute précision, fiable, portable, et peut être efficacement utilisé pour la mesure de la profondeur de l'eau peu profonde. De plus, l'ajout de la caractéristique de localisation géographique en même temps que l'ajout de l'indice de végétation n'a pas conduit à de meilleurs résultats, mais a légèrement diminué la précision de modélisation du modèle, ce qui indique que l'ajout aveugle d'éléments de modélisation ne conduit pas à une augmentation de la précision du modèle, et il faut analyser la corrélation entre les différents éléments de modélisation et mener une analyse complète pour choisir et abandonner les facteurs de modélisation.

optical remote sensing;Offshore waters;Geographic location characterization;BPNN model;Weizhou Island;Molokai Island;accuracy validation