La obtención eficiente y precisa de una baja profundidad marina con alta resolución espacial puede proporcionar datos de apoyo a la navegación marítima, a la exploración y protección de los recursos marinos. En este artículo se propone un método de inversión de las características geográficas como elementos de modelado de la inversión de la profundidad del agua, se construyó un modelo de inversión de la profundidad del agua basado en la red neuronal de retropropagación BPNN (Back Propagation Neural Network), y se utilizaron diferentes imágenes satelitales como Sentinel-2, Landsat 9, etc. para probar la precisión y aplicabilidad del método propuesto en las regiones marinas de la isla de Weizhou en China y la isla de Molokai en los Estados Unidos. Los resultados muestran: durante el proceso de selección del modelo, se encontró que la precisión del modelo de aprendizaje automático fue mayor que la de todos los demás modelos empíricos, siendo la precisión del modelo BPNN la más alta. La introducción de las características geográficas puede mejorar considerablemente la precisión de la inversión de la profundidad del agua. Los resultados de las experimentaciones confirman: la precisión de la inversión de la profundidad del agua en la región de Weizhou R² pasó de 0,7666 a 0,9952, el RMSE pasó de 2,5016 m a 0,3578 m; la región de Molokai también alcanzó 0,9939 R², el RMSE pasó de 3,0165 m a 1,0189 m. Esto indica que el modelo de inversión de la profundidad del agua construido en este artículo tiene una alta precisión, una fuerte fiabilidad y una buena transferibilidad, y puede utilizarse eficazmente para medir las bajas profundidades marinas. Además, la introducción de las características geográficas al mismo tiempo que la introducción de las características del índice de vegetación no dio mejores resultados, sino que incluso disminuyó ligeramente la precisión del modelado, lo que indica que el aumento ciego de los elementos de modelado no puede mejorar la precisión del modelo, y que se debe analizar la correlación entre los diferentes elementos y llevar a cabo un análisis completo para elegir los factores de modelado.

Detección remota óptica, zona marítima cercana, características geográficas, modelo BPNN, isla Weizhou, isla Molokai, verificación de la precisión