CN115060656B - 基于稀疏先验实测点的卫星遥感水深反演方法 - Google Patents

Abstract

本发明涉及一种基于稀疏先验实测点的卫星遥感水深反演方法，属于空间遥感技术领域。本发明包括如下步骤：S1：构建源域水深模型、S2：源域模型结构及参数：建立源域水深反演模型，并保存模型；S3：构建目标域模型；S4：目标域模型的精度评价：将模型迁移后预测的目标域水深值与收集到的实测水深值对比。本发明所述的基于稀疏先验实测点的卫星遥感水深反演方法，采用迁移学习方法将具有实测数据的水深反演模型迁移到其他区域；同时，该模型加入稀疏先验实测点后，可以大大提高模型精度，接近于由大量实测数据直接建立的模型的精度。本发明可广泛运用于空间遥感场合。

Description

基于稀疏先验实测点的卫星遥感水深反演方法

技术领域

本发明涉及一种基于稀疏先验实测点的卫星遥感水深反演方法，属于空间遥感技术领域。

背景技术

卫星遥感测深(SDB)正成为快速、高效获取大规模、高分辨率测深信息的一种经济有效的方法。目前，常用的多光谱水深反演模型有很大的局限性，因为需要将大量的先验水深数据作为必要条件，但在许多岛礁难以满足。许多学者整合现有的遥感影像资源，有效挖掘多源、多时相、多角度等多维信息，开展了水深光学遥感反演方法研究。Sagawa t et al.(2019)利用随机森林方法和多时相卫星图像，提出了一种适用于无实测水深点区域的水深反演模型。Xia H等人(2020)结合对数比和半解析模型(L-S模型)，提出了一种无实测数据的遥感影像水深反演方法。Ma Y(2020)通过改进的点云处理算法，从ICESat-2原始数据光子中提取探空点，代替常规探空数据，并基于多时相遥感图像建立经典经验模型(即线性模型和比率模型)。尚缺少一种将有实测点的岛礁建立的反演模型迁移到稀疏先验数据的岛礁的方法。

发明内容

针对现有技术存在的上述缺陷，本发明提出了一种基于稀疏先验实测点的卫星遥感水深反演方法。

本发明所述的基于稀疏先验实测点的卫星遥感水深反演方法，包括如下步骤：

S1：构建源域水深模型：包括如下小步：

S11：将具有实测水深数据的岛礁设定为源域Ds，源域Ds＝{(x¹ _s1,x² _s1,x³ _s1,x⁴ _s1,y_s1),…,(x¹ _sn,x² _sn,x³ _sn,x⁴ _sn，y_sn)}，其中x_si∈Xs是四个波段光谱值，y_si∈y是对应的实测水深值；特征空间Xs＝{x¹,x²,x³,x⁴}∈Xs；

S12：源域利用带有四个常用波段的影像数据，并通过收集到的真实水深数据，对影像数据和水深数据作如下预处理：

S121：影像数据的预处理包括辐射定标、大气校正、影像去噪；

S122：水深数据的预处理包括潮汐改正、投影转换、建立水深点与影像对应关系；

S2：源域模型结构及参数：建立源域水深反演模型，并保存模型，包括如下小步：

S21：建立源域水深反演模型：

第1层：z⁽¹⁾＝f(w⁽¹⁾×Xs+b⁽¹⁾)

第1至n-1层：z⁽ⁱ⁾＝f(w⁽ⁱ⁾×z^(i-1)+b⁽ⁱ⁾)

第n层：z⁽ⁿ⁾＝w⁽ⁿ⁾×z⁽ⁿ-¹⁾+b⁽ⁿ⁾

式中：n为层数，n为大于等于1的自然数；m⁽ⁱ⁾为每层的结点，i＝[1,n]；Xs为源域的四个波段的光谱特征，Xs＝[x_s ¹,x_s ²，x_s ³，x_s ⁴]；w⁽ⁱ⁾为每层的权重，i＝[1,n]；b⁽ⁱ⁾为每层的偏移参数，i＝[1,n]；z⁽ⁱ⁾为每层的活性值，i＝[1,n]；f为激活函数；

S22：选择训练数据(X_i，y_i),i∈N，训练样本个数为N，对上述模型进行训练，使得损失函数最小，通过下式求得w和b：

式中：L(y_i，f(x_i|w，b))为每个样本的模型输出值与训练样本实测值的差值，为正则化因子，/>w和b包含了每一层的权重矩阵和偏置向量；

S23：将计算得到的参数值w和b输入步骤S21中的模型，通过不断调试确定模型层数n、节点m，以及激活函数f，得到输出值即预测水深值

S3：构建目标域模型：包括如下小步：

S31：将具有稀疏先验实测点的的岛礁设定为目标域，目标域数据Dt＝{(x¹ _t1,x² _t1,x³ _t1,x⁴ _t1,y_t1),…,(x¹ _tn,x² _tn,x³ _tn,x⁴ _tn，y_tn)}，其中输入x_ti∈Xt和y_ti∈y是相应的输出；

S32：目标域利用带有四个常用波段的影像数据，以源域影像数据作为参考数据对目标域影像数据进行相对辐射归一化，采用伪不变特征归一化方法；

目的：解决由于大气校正中难以完全消除大气影响，而无法获得真实地表反射率，导致同一地物存在辐射差异；分别选取源域影像和目标域影像中茂密植被、裸土、沙滩、深水作为不变特征,建立不变特征样本集，记为Vs和Vt，Vs＝{(x¹ _s1,x² _s1,x³ _s1,x⁴ _s1),…,(x¹ _sn,x² _sn,x³ _sn,x⁴ _sn)}，Vt＝{{(x¹ _s1,x² _s1,x³ _s1,x⁴ _s1),…,(x¹ _sn,x² _sn,x³ _sn,x⁴ _sn)，其中n为样本个数；

利用这些特征在不同时相的反射率呈线性关系的理论基础，建立线性模型，如下：

Vs＝Vt×a+b

求解a和b；

然后相对归一化后的目标域影像光谱值：

Xt′＝Xt×a+b

S33：将源域水深反演模型迁移到目标域，构建目标域模型：将经过预处理及Xt′后的目标域的光谱特征直接输入上述模型，得到目标域的预测水深值；

将经过预处理及相对归一化后的目标域的四个波段的光谱特征直接输入步骤S3中已训练好的模型中，得到：

第1层：z⁽¹⁾＝f(w⁽¹⁾×Xt′+b⁽¹⁾)

第1至n-1层：z⁽ⁱ⁾＝f(w⁽ⁱ⁾×z^(i-1)+b⁽ⁱ⁾)

第n层：z⁽ⁿ⁾＝w⁽ⁿ⁾×z^(n-1)+b⁽ⁿ⁾

得到目标域的预测水深值

S34：利用目标域的稀疏先验实测点，对模型参数进行修正；

若目标域具有稀疏先验实测点，则在模型预测值和实测水深值y之间建立偏移模型，偏移模型公式为：

式中：a是系数，b是偏移常数；偏移模型包含两个未知数，至少需要两个先验点；

则，经偏移改正后，最终的结果为：

S4：目标域模型的精度评价：将最终预测的目标域水深值与收集到的实测水深值对比，评价指标计算如下：

式中：MAE为平均绝对误差，MRE为平均相对误差，y_i为实测值,为模型最终预测值,/>为实测值的平均值，n为样本个数。

优选地，所述步骤S121影像数据的预处理中，辐射定标是将卫星传感器仪器响应的DN值转化为表观辐射亮度值或表观反射率的过程，其转换公式为：

式中：L(λ_i)为第i波段的辐亮度值；absCalFactor_i为第i波段的绝对定标系数；DN_i为第i波段的像元灰度值；Δλ_i为第i波段的等效波段宽度。

优选地，所述步骤S121影像数据的预处理中，大气校正用于消除遥感影像中由大气散射引起的辐射误差，由于水体遥感中传感器接收的辐射包括水底反射光、悬浮物反射光、水面反射光和天空散射光，因此需要对影像进行大气校正处理，大气校正模型分为基于图像特征、经验回归模型和大气辐射传输理论，基于大气辐射传输理论校正模型分为6S、FLASSH和MODTRAN。

优选地，所述步骤S121影像数据的预处理中，影像去噪用于去除少量太阳耀斑、波浪破碎产生的白冠、海面漂浮物体噪声。

优选地，所述步骤S122水深数据的预处理中，潮汐改正、投影转换、建立水深点与影像对应关系的具体方法如下所示：

潮汐改正：计算公式如下：

Z＝H+L+tide

式中：Z为影像过境时瞬时水深；H为海域稳态水深；L指理论深度基准面到平均海面距离；tide指影像过境时距离平均海面的瞬时潮位；

投影转换：采用坐标转换工具进行投影转换；

建立水深点与影像对应关系：假设影像左上角坐标为(x，y)，多光谱波段分辨率为f，水深点A坐标为(X，Y)，则水深点落在影像位置为(m,n)，

m＝Roundup(X-x)/f

n＝Roundup(Y-y)/f

式中：Roundup函数表示向上舍入数字。

优选地，所述步骤S33构建目标域模型中，利用稀疏先验实测点建立迁移模型。

优选地，所述步骤S4目标域模型的精度评价中，稀疏先验实测点数量为三个、水深0-20m时，偏移模型的精度为MAE＜0.63m，MRE＜6.26％。

本发明的有益效果是：本发明所述的基于稀疏先验实测点的卫星遥感水深反演方法，采用迁移学习方法将具有实测数据的水深反演模型迁移到其他区域；同时，该模型加入稀疏先验实测点后，可以大大提高模型精度，接近于由大量实测数据直接建立的模型的精度。

附图说明

图1是本发明的原理流程框图。

图2(a)是A岛的卫星遥感预处理后图。

图2(b)是B岛的卫星遥感预处理后图。

图3是A岛(X轴)和B岛(Y轴)不变特征的关系图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

实施例：

本实施例中以南海的A岛和B岛为试验区，对本发明做进一步解释。

如图1所示，所述的基于稀疏先验实测点的卫星遥感水深反演方法，包括如下步骤：

S1：构建源域水深模型：包括如下小步：

S11：将具有实测水深数据的岛礁设定为源域Ds，源域Ds＝{(x¹ _s1,x² _s1,x³ _s1,x⁴ _s1,y_s1),…,(x¹ _sn,x² _sn,x³ _sn,x⁴ _sn，y_sn)}，其中x_si∈Xs是四个波段光谱值，y_si∈y是对应的实测水深值；特征空间Xs＝{x¹,x²,x³,x⁴}∈Xs；

S12：源域利用带有四个常用波段的影像数据，并通过收集到的真实水深数据，对影像数据和水深数据作如下预处理：

S121：影像数据的预处理包括辐射定标、大气校正、影像去噪；

S122：水深数据的预处理包括潮汐改正、投影转换、建立水深点与影像对应关系；

S2：源域模型结构及参数：建立源域水深反演模型，并保存模型，包括如下小步：

S21：建立源域水深反演模型：

第1层：z⁽¹⁾＝f(w⁽¹⁾×Xs+b⁽¹⁾)

第1至n-1层：z⁽ⁱ⁾＝f(w⁽ⁱ⁾×z^(i-1)+b⁽ⁱ⁾)

第n层：z⁽ⁿ⁾＝w⁽ⁿ⁾×z^(n-1)+b⁽ⁿ⁾

式中：n为层数，n为大于等于1的自然数；m⁽ⁱ⁾为每层的结点，i＝[1,n]；Xs为源域的四个波段的光谱特征，Xs＝[x_s ¹,x_s ²，x_s ³，x_s ⁴]；w⁽ⁱ⁾为每层的权重，i＝[1,n]；b⁽ⁱ⁾为每层的偏移参数，i＝[1,n]；z⁽ⁱ⁾为每层的活性值，i＝[1,n]；f为激活函数；

S22：选择训练数据(X_i，y_i),i∈N，训练样本个数为N，对上述模型进行训练，使得损失函数最小，通过下式求得w和b：

式中：L(y_i,f(x_i|w,b))为每个样本的模型输出值与训练样本实测值的差值，为正则化因子，/>w和b包含了每一层的权重矩阵和偏置向量；

S23：将计算得到的参数值w和b输入步骤S21中的模型，通过不断调试确定模型层数n、节点m，以及激活函数f，得到输出值即预测水深值

S3：构建目标域模型：包括如下小步：

S31：将具有稀疏先验实测点的的岛礁设定为目标域，目标域数据Dt＝{(x¹ _t1,x² _t1,x³ _t1,x⁴ _t1,y_t1),…,(x¹ _tn,x² _tn,x³ _tn,x⁴ _tn，y_tn)}，其中输入x_ti∈Xt和y_ti∈y是相应的输出；

S32：目标域利用带有四个常用波段的影像数据，以源域影像数据作为参考数据对目标域影像数据进行相对辐射归一化，采用伪不变特征归一化方法；

目的：解决由于大气校正中难以完全消除大气影响，而无法获得真实地表反射率，导致同一地物存在辐射差异；分别选取源域影像和目标域影像中茂密植被、裸土、沙滩、深水作为不变特征,建立不变特征样本集，记为Vs和Vt，Vs＝{(x¹ _s1,x² _s1,x³ _s1,x⁴ _s1),…,(x¹ _sn,x² _sn,x³ _sn,x⁴ _sn)}，Vt＝{{(x¹ _s1,x² _s1,x³ _s1,x⁴ _s1),…,(x¹ _sn,x² _sn,x³ _sn,x⁴ _sn)，其中n为样本个数；

利用这些特征在不同时相的反射率呈线性关系的理论基础，建立线性模型，如下：

Vs＝Vt×a+b

求解a和b；

然后相对归一化后的目标域影像光谱值：

Xt′＝Xt×a+b

S33：将源域水深反演模型迁移到目标域，构建目标域模型：将经过预处理及Xt′后的目标域的光谱特征直接输入上述模型，得到目标域的预测水深值；

将经过预处理及相对归一化后的目标域的四个波段的光谱特征直接输入步骤S3中已训练好的模型中，得到：

第1层：z⁽¹⁾＝f(w⁽¹⁾×Xt′+b⁽¹⁾)

第1至n-1层：z⁽ⁱ⁾＝f(w⁽ⁱ⁾×z^(i-1)+b⁽ⁱ⁾)

第n层：z⁽ⁿ⁾＝w⁽ⁿ⁾×z^(n-1)+b⁽ⁿ⁾

得到目标域的预测水深值

S34：利用目标域的稀疏先验实测点，对模型参数进行修正；

若目标域具有稀疏先验实测点，则在模型预测值和实测水深值y之间建立偏移模型，偏移模型公式为：

式中：a是系数，b是偏移常数；偏移模型包含两个未知数，至少需要两个先验点；

则，经偏移改正后，最终的结果为：

S4：目标域模型的精度评价：将最终预测的目标域水深值与收集到的实测水深值对比，评价指标计算如下：

式中：MAE为平均绝对误差，MRE为平均相对误差，y_i为实测值,为模型最终预测值,/>为实测值的平均值，n为样本个数。

所述步骤S121影像数据的预处理中，辐射定标是将卫星传感器仪器响应的DN值转化为表观辐射亮度值或表观反射率的过程，其转换公式为：

式中：L(λ_i)为第i波段的辐亮度值；absCalFactor_i为第i波段的绝对定标系数；DN_i为第i波段的像元灰度值；Δλ_i为第i波段的等效波段宽度。

所述步骤S121影像数据的预处理中，大气校正用于消除遥感影像中由大气散射引起的辐射误差，由于水体遥感中传感器接收的辐射包括水底反射光、悬浮物反射光、水面反射光和天空散射光，因此需要对影像进行大气校正处理，大气校正模型分为基于图像特征、经验回归模型和大气辐射传输理论，基于大气辐射传输理论校正模型分为6S、FLASSH和MODTRAN。

所述步骤S121影像数据的预处理中，影像去噪用于去除少量太阳耀斑、波浪破碎产生的白冠、海面漂浮物体噪声。

所述步骤S122水深数据的预处理中，潮汐改正、投影转换、建立水深点与影像对应关系的具体方法如下所示：

潮汐改正：计算公式如下：

Z＝H+L+tide

式中：Z为影像过境时瞬时水深；H为海域稳态水深；L指理论深度基准面到平均海面距离；tide指影像过境时距离平均海面的瞬时潮位；

投影转换：采用坐标转换工具进行投影转换；

建立水深点与影像对应关系：假设影像左上角坐标为(x，y)，多光谱波段分辨率为f，水深点A坐标为(X，Y)，则水深点落在影像位置为(m,n)，

m＝Roundup(X-x)/f

n＝Roundup(Y-y)/f

式中：Roundup函数表示向上舍入数字。

所述步骤S33构建目标域模型中，利用稀疏先验实测点建立迁移模型。

所述步骤S4目标域模型的精度评价中，稀疏先验实测点数量为三个、水深0-20m时，偏移模型的精度为MAE＜0.63m，MRE＜6.26％。

本发明提出了一种新稀疏先验实测点的岛礁测深反演模型。以南海的A岛和B岛为试验区，A岛作为源域，B岛作为目标域，如图2(a)和2(b)。首先进行预处理，影像数据的预处理包括辐射定标、大气校正、影像去噪；水深数据预处理、大气校正、潮汐校正。

根据影像时间查询潮汐表查得，两遥感影像过境时间对应得瞬时潮高分别为0.5m、0.2m，影像投影为UTM投影，原始水深点资料投影为高斯投影，因此需要将水深点进行投影转换，与影像投影一致。

然后利用多层感知机算法，建立源域的测深反演模型,并进行模型训练，保存模型结构和参数model。建立了层数为4，结构为8-16-16-1，激活函数选择tanh算法的多层感知机模型，选取了2000个样本点对模型进行训练，1000个样本点作为验证，并与常用的多项式模型和比值模型进行对比，结果对比见下表1。

对目标域影像进行相对归一化处理，目的是消除源域影像和目标域影像之间的辐射差异，这里采用了A岛和B岛茂密植被、裸土、沙滩、深水作为不变特征样本，共选了16个样本，建立线性回归模型的方法，以A岛影像作为参考值，将B岛影像进行相对归一化，如图3；

得到的线性回归模型参数为a＝[0.8173,0.7649,0.9174,0.8626],b＝[112.8702,66.8725,106.0644,346.5544]

将经过相对归一化后的目标域光谱特征输入至模型model，并添通过稀疏先验点对模型参数进行修正，得到最终的预测水深值。

表1：源域A岛水深反演模型的精度表

表2：目标域B岛在无先验点、稀疏先验数据及大量实测点情况下模型精度对比表

结果表明：

(1)多层感知机模型的精度明显优于多项式模型和比值模型，以A岛为例，分别提高了11.02％和12.05％。

(2)目标域B岛只加入3个先验点，精度可以得到巨大的改善，平均相对误差MRE为6.62％。与无先验数据的水深反演模型相比，精度分别提高了15.6％。

(3)对比目标域B岛利用大量实测点(2000个样本点)构建的水深模型(表2)，本稀疏模型(3个先验点)精度要高于多项式模型和比值模型，与多层感知机模型的精度(平均相对误差MRE＝5.25％)接近。

综上所述，本发明的主要创新点如下：采用迁移学习方法实现了从有大量实测数据的模型到稀疏实测数据的模型的迁移，仅依靠稀疏实测数据也可达到较高精度。结果表明，当只需要三个测点时，迁移模型的精度可高达0.63m(MAE)和6.26％(MRE)(0-20m)，这接近由大量测量数据(平均相对误差MRE为5.25％)直接建立模型的精度。

本发明可广泛运用于空间遥感场合。

Claims (7)

1.一种基于稀疏先验实测点的卫星遥感水深反演方法，其特征在于，包括如下步骤：

S1：构建源域水深模型：包括如下小步：

S11：将具有实测水深数据的岛礁设定为源域Ds，源域Ds＝{(x¹ _s1,x² _s1,x³ _s1,x⁴ _s1,y_s1),…,(x¹ _sn,x² _sn,x³ _sn,x⁴ _sn，y_sn)}，其中x_si∈Xs是四个波段光谱值，y_si∈y是对应的实测水深值；特征空间Xs＝{x¹,x²,x³,x⁴}∈Xs；

S12：源域利用带有四个常用波段的影像数据，并通过收集到的真实水深数据，对影像数据和水深数据作如下预处理：

S121：影像数据的预处理包括辐射定标、大气校正、影像去噪；

S122：水深数据的预处理包括潮汐改正、投影转换、建立水深点与影像对应关系；

S2：源域模型结构及参数：建立源域水深反演模型，并保存模型，包括如下小步：

S21：建立源域水深反演模型：

第1层：z⁽¹⁾＝f(w⁽¹⁾×Xs+b⁽¹⁾)

第1至n-1层：z⁽ⁱ⁾＝f(w⁽ⁱ⁾×z^(i-1)+b⁽ⁱ⁾)

第n层：z⁽ⁿ⁾＝w⁽ⁿ⁾×z^(n-1)+b⁽ⁿ⁾

式中：n为层数，n为大于等于1的自然数；m⁽ⁱ⁾为每层的结点，i＝[1,n]；Xs为源域的四个波段的光谱特征，Xs＝[x_s ¹,x_s ²，x_s ³，x_s ⁴]；w⁽ⁱ⁾为每层的权重，i＝[1,n]；b⁽ⁱ⁾为每层的偏移参数，i＝[1,n]；z⁽ⁱ⁾为每层的活性值，i＝[1,n]；f为激活函数；

S22：选择训练数据(X_i，y_i),i∈N，训练样本个数为N，对上述模型进行训练，使得损失函数最小，通过下式求得w和b：

式中：L(y_i，f(x_i|w，b))为每个样本的模型输出值与训练样本实测值的差值，为正则化因子，/>w和b包含了每一层的权重矩阵和偏置向量；

S23：通过不断调试确定模型层数n、节点m，以及激活函数f，将计算得到的参数值w和b输入步骤S21中的模型，得到输出值即预测水深值

S3：构建目标域模型：包括如下小步：

S31：将具有稀疏先验实测点的的岛礁设定为目标域，目标域数据Dt＝{(x¹ _t1,x² _t1,x³ _t1,x⁴ _t1,y_t1),…,(x¹ _tn,x² _tn,x³ _tn,x⁴ _tn，y_tn)}，其中输入x_ti∈Xt和y_ti∈y是相应的输出；

S32：目标域利用带有四个常用波段的影像数据，以源域影像数据作为参考数据对目标域影像数据进行相对辐射归一化，采用伪不变特征归一化方法；

分别选取源域影像和目标域影像中茂密植被、裸土、沙滩、深水作为不变特征,建立不变特征样本集，记为Vs和Vt，Vs＝{(x¹ _s1,x² _s1,x³ _s1,x⁴ _s1),…,(x¹ _sn,x² _sn,x³ _sn,x⁴ _sn)}，Vt＝{{(x¹ _s1,x² _s1,x³ _s1,x⁴ _s1),…,(x¹ _sn,x² _sn,x³ _sn,x⁴ _sn)，其中n为样本个数；

利用这些特征在不同时相的反射率呈线性关系的理论基础，建立线性模型，如下：

Vs＝Vt×a+b

求解向量a和b；

然后相对归一化后的目标域影像光谱值：

Xt′＝Xt×a+b

S33：将源域水深反演模型迁移到目标域，构建目标域模型：将经过预处理及Xt′后的目标域的光谱特征直接输入上述模型，得到目标域的预测水深值；

将经过预处理及相对归一化后的目标域的四个波段的光谱特征直接输入步骤S3中已训练好的模型中，得到：

第1层：z⁽¹⁾＝f(w⁽¹⁾×Xt′+b⁽¹⁾)

第1至n-1层：z⁽ⁱ⁾＝f(w⁽ⁱ⁾×z^(i-1)+b⁽ⁱ⁾)

第n层：z⁽ⁿ⁾＝w⁽ⁿ⁾×z^(n-1)+b⁽ⁿ⁾

得到目标域的预测水深值

S34：利用目标域的稀疏先验实测点，对模型参数进行修正；

若目标域具有稀疏先验实测点，则在模型预测值和实测水深值y之间建立偏移模型，偏移模型公式为：

式中：a是系数，b是偏移常数；偏移模型包含两个未知数，至少需要两个先验点；

则，经偏移改正后，最终的结果为：

S4：目标域模型的精度评价：将最终预测的目标域水深值与收集到的实测水深值对比，评价指标计算如下：

式中：MAE为平均绝对误差，MRE为平均相对误差，y_i为实测值,为模型最终预测值,/>为实测值的平均值，n为样本个数。

2.根据权利要求1所述的基于稀疏先验实测点的卫星遥感水深反演方法，其特征在于，所述步骤S121影像数据的预处理中，辐射定标是将卫星传感器仪器响应的DN值转化为表观辐射亮度值或表观反射率的过程，其转换公式为：

式中：L(λ_i)为第i波段的辐亮度值；absCalFactor_i为第i波段的绝对定标系数；DN_i为第i波段的像元灰度值；Δλ_i为第i波段的等效波段宽度。

3.根据权利要求1所述的基于稀疏先验实测点的卫星遥感水深反演方法，其特征在于，所述步骤S121影像数据的预处理中，大气校正用于消除遥感影像中由大气散射引起的辐射误差，由于水体遥感中传感器接收的辐射包括水底反射光、悬浮物反射光、水面反射光和天空散射光，因此需要对影像进行大气校正处理，大气校正模型分为基于图像特征、经验回归模型和大气辐射传输理论，基于大气辐射传输理论校正模型分为6S、FLASSH和MODTRAN。

4.根据权利要求1所述的基于稀疏先验实测点的卫星遥感水深反演方法，其特征在于，所述步骤S121影像数据的预处理中，影像去噪用于去除少量太阳耀斑、波浪破碎产生的白冠、海面漂浮物体噪声。

5.根据权利要求1所述的基于稀疏先验实测点的卫星遥感水深反演方法，其特征在于，所述步骤S122水深数据的预处理中，潮汐改正、投影转换、建立水深点与影像对应关系的具体方法如下所示：

潮汐改正：计算公式如下：

Z＝H+L+tide

式中：Z为影像过境时瞬时水深；H为海域稳态水深；L指理论深度基准面到平均海面距离；tide指影像过境时距离平均海面的瞬时潮位；

投影转换：采用坐标转换工具进行投影转换；

建立水深点与影像对应关系：假设影像左上角坐标为(x，y)，多光谱波段分辨率为f，水深点A坐标为(X，Y)，则水深点落在影像位置为(m,n)，

m＝Roundup(X-x)/f

n＝Roundup(Y-y)/f

式中：Roundup函数表示向上舍入数字。

6.根据权利要求1所述的基于稀疏先验实测点的卫星遥感水深反演方法，其特征在于，所述步骤S33构建目标域模型中，利用稀疏先验实测点建立迁移模型。

7.根据权利要求6所述的基于稀疏先验实测点的卫星遥感水深反演方法，其特征在于，所述步骤S4目标域模型的精度评价中，稀疏先验实测点数量为三个、水深0-20m时，偏移模型的精度为MAE＜0.63m，MRE＜6.26％。