Эффективное и точное получение неглубокой морской глубины с высоким пространственным разрешением может обеспечить данные в поддержку морской навигации, морского ресурсоведения и охраны. В данной статье предложен метод обращения к географическим функциям в качестве элементов моделирования обращения к глубине воды, создана модель обращения к глубине воды на основе нейронной сети обратного распространения BPNN (Back Propagation Neural Network), и использовались различные реакционные изображения в отличии от Sentinel-2, Landsat 9 и другие, для тестирования точности и применимости предложенного метода в морских районах острова Учжоу в Китае и острова Молокаи в США. Результаты показывают: в процессе отбора моделей обнаружено, что точность модели машинного обучения выше, чем у всех остальных эмпирических моделей, причем точность модели BPNN наивысшая. Введение географической функции может значительно улучшить точность обращения к глубине воды. Подтвержденные результаты опытов: точность обращения к глубине воды в районе Учжоу R² повысилась с 0,7666 до 0,9952, RMSE уменьшилось с 2,5016 м до 0,3578 м; район Молокаи R² также достиг 0,9939, RMSE сократилось с 3,0165 м до 1,0189 м. Это указывает на то, что модель обращения к глубине воды, построенная в данной статье, обладает высокой точностью, сильной надежностью и хорошей переносимостью, которая может эффективно использоваться для измерения неглубоких морских глубин. Кроме того, введение географической функции одновременно с введением функции индекса растительности не дало лучших результатов, а, наоборот, снизило точность моделирования, что значит, что слепое увеличение элементов моделирования не может повысить точность модели, следует проанализировать взаимосвязь различных элементов и провести комплексный анализ выбора моделирующих факторов.

Оптическое зондирование, ближнеморская область, географические функции, модель BPNN, Учжоу, Молокай, подтверждение точности