Obtener de manera eficiente y precisa la profundidad del agua de mar poco profunda de alta resolución espacial puede proporcionar datos de apoyo para la navegación marítima, la exploración y protección de recursos marinos, etc. En este artículo, presentamos un método de inversión de la profundidad del agua que incorpora la característica de ubicación geográfica como elementos de modelado y construimos un modelo de inversión de la profundidad del agua basado en la Red neuronal de retropropagación (BPNN) utilizando imágenes satelitales diferentes como Sentinel-2, Landsat 9, por separado, y probamos la fiabilidad y precisión del método propuesto en el área marina de la isla de Weizhou en China y en el área marina de la isla de Molokai en los Estados Unidos. Los resultados muestran: En el proceso de selección del modelo, encontramos que la precisión del modelo de aprendizaje automático es mayor que todos los demás modelos empíricos, siendo la precisión del modelo BPNN la más alta. La incorporación de la característica de ubicación geográfica puede mejorar considerablemente la precisión de la inversión de la profundidad del agua. Los resultados de la verificación experimental muestran: la precisión de la inversión de la profundidad del área de la isla de Weizhou R² aumentó de 0.7666 a 0.9952, el RMSE disminuyó de 2.5016 m a 0.3578 m; la región de la isla de Molokai también alcanzó 0.9939, el RMSE disminuyó de 3.0165 m a 1.0189 m. Esto indica que el modelo de inversión de la profundidad del agua que construimos tiene una alta precisión, fiabilidad y portabilidad, y puede utilizarse de manera efectiva para la medición de la profundidad del agua poco profunda. Además, la adición de la característica de ubicación geográfica al mismo tiempo que la adición del índice de vegetación no condujo a mejores resultados, sino que disminuyó ligeramente la precisión de modelado del modelo, lo que indica que la adición ciega de elementos de modelado no conduce a un aumento de la precisión del modelo, y se debe analizar la correlación entre los diferentes elementos de modelado y realizar un análisis integral de la selección y abandono de factores de modelado.

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