Desde a antiguidade, conhecer a profundidade das águas costeiras tem sido fundamental para uma navegação segura e bem-sucedida e para a exploração dos recursos do mar. Hoje, a batimetria – a medição da profundidade do mar – é ainda mais importante, desempenhando um papel essencial na nossa compreensão dos ambientes marinhos e no desenvolvimento de grandes estruturas marinhas.



Com o desenvolvimento dos ecobatímetros embarcados no início do século 20, os levantamentos batimétricos tiveram grandes saltos em precisão e conveniência. No entanto, mesmo com ecobatímetros modernos, ainda existem muitas dificuldades a serem superadas na condução de levantamentos batimétricos. Estes incluem custos elevados, condições meteorológicas imprevisíveis, elevado tráfego de navios e potenciais questões geográficas ou diplomáticas, para citar alguns.

Para resolver estas questões, cientistas de todo o mundo têm desenvolvido técnicas de batimetria derivada de satélite (SDB), que estimam a profundidade da água a partir de imagens multiespectrais de satélite. Às vezes, esses métodos podem produzir resultados precisos, especialmente para profundidades de até 20 metros.

Infelizmente, a maioria dos modelos SDB foram desenvolvidos utilizando dados de regiões costeiras com águas límpidas e uma distribuição uniforme de sedimentos no fundo do mar. Como a luz reflete de forma diferente dependendo da turbidez da água e da composição do fundo do mar, o desenvolvimento de modelos SBD com desempenho consistente em diferentes ambientes costeiros tem se mostrado um desafio.

Neste contexto, uma equipa de investigação da Coreia tem vindo a desenvolver um novo modelo SDB que aproveita a aprendizagem automática para esclarecer os vários factores que podem comprometer a precisão, abrindo assim o caminho para potenciais soluções. Seu estudo mais recente, que incluiu o Dr. Tae-ho Kim da Underwater Survey Technology 21 (UST21), foi publicado no Journal of Applied Remote Sensing. .

Um dos principais objetivos deste estudo foi analisar como o modelo treinado em diferentes regiões costeiras seria afetado pelas características únicas de cada região. Para tanto, selecionaram três áreas ao redor da Península Coreana:Samcheok, caracterizada por suas águas límpidas; Cheonsuman, conhecida por suas águas turvas; e Hallim, onde o fundo do mar contém vários tipos de sedimentos.

A equipa obteve dados multiespectrais de satélite destas regiões a partir das missões Sentinel-2A/B, fornecidas abertamente pela Agência Espacial Europeia, e selecionou múltiplas imagens destas áreas em diferentes momentos com céu limpo. Para treinar o modelo SDB com base nesses dados, eles também adquiriram cartas náuticas derivadas de ecobatímetros da Agência Hidrográfica e Oceanográfica da Coreia (KHOA); esses gráficos foram usados ​​​​como informações básicas.

O próprio modelo SDB baseou-se num quadro teórico bem estabelecido que liga a forma como a luz proveniente do Sol é reflectida pela atmosfera, pelo mar e pelo fundo do mar antes de atingir um satélite. Quanto à parte do modelo de aprendizado de máquina, a equipe empregou um algoritmo de floresta aleatória devido à sua capacidade de se ajustar a múltiplas variáveis ​​e parâmetros enquanto lida com grandes quantidades de dados.

Ao treinar e testar instâncias específicas da região do modelo SDB, os pesquisadores descobriram que a precisão era geralmente aceitável para Samcheok, com um erro quadrático médio de cerca de 2,6 metros. Em contraste, a precisão foi marcadamente menor tanto para Cheonsuman como para Hallim, com as previsões de profundidade baseadas em satélite desviando-se significativamente das medições KHOA.

Para compreender melhor estas discrepâncias, os investigadores primeiro tentaram corrigir as previsões incluindo um índice de turbidez nos cálculos. Isso melhorou os resultados principalmente para Cheonsuman. Depois, para investigar mais aprofundadamente as fontes do erro, a equipa adquiriu imagens de satélite de alta resolução da missão WorldView-3, bem como fotos no local. As análises revelaram que as características de reflectância dos sedimentos do fundo do mar tiveram um grande impacto nas estimativas de profundidade, com o basalto de cor escura levando a uma superestimação consistente.

“Se incorporarmos dados espaciais adicionais do fundo do mar no conjunto de dados de treinamento no futuro, antecipamos melhorias no desempenho do modelo”, disse o Dr. "Um mapa de distribuição de sedimentos, criado a partir de imagens hiperespectrais transportadas pelo ar, está programado para ser fornecido pelo projeto de P&D."

Finalmente, os investigadores testaram a capacidade de generalização da sua abordagem aplicando modelos SDB específicos da região noutras áreas costeiras com características semelhantes.

“Ao contrário de estudos anteriores que apresentaram resultados de modelos SDB apenas para águas com alta transparência, desenvolvemos modelos SDB individuais que podem ser aplicados a águas com diversas características e sugerimos métodos para obter melhores resultados”, disse o Dr.

Com alguma sorte, estes esforços levarão a melhorias na tecnologia SDB e abrirão caminho para um mapeamento mais conveniente da profundidade costeira.

Satisfeito com os resultados, o Dr. Kim conclui:"Em última análise, os resultados do SDB serão aplicados como dados de monitoramento de profundidade para facilitar a passagem segura de navios em áreas costeiras, bem como dados de entrada para modelos numéricos oceânicos, contribuindo para vários campos científicos".

Mais informações: Jae-yeop Kwon et al, Estimativa de batimetria rasa usando dados do satélite Sentinel-2 e aprendizado de máquina florestal aleatório:um estudo de caso para Cheonsuman, Hallim e Samcheok Coastal Seas, Journal of Applied Remote Sensing (2024). DOI:10.1117/1.JRS.18.014522
Fornecido por SPIE