水深反演模型选择方法、装置、电子设备及存储介质

技术领域

本发明涉及图像水深反演技术领域，尤其涉及一种水深反演模型选择方法、装置、电子设备及存储介质。

背景技术

遥感图像水深反演技术是一种利用卫星遥感数据，通过分析目标水域(如海水或河水)表面反射光谱，推算出该目标水域的水深的技术。目前，该遥感图像水深反演技术已被广泛应用于海洋和河流的水深测量、水文模拟、水资源管理和环境保护等方面。

现有的水深反演方法往往分别采用多光谱卫星遥感数据、高光谱卫星遥感数据和立体测绘数据，对目标水域进行水深反演，得到对应的估计水深。其中，多光谱卫星遥感数据对应的水深反演误差较大，达不到实际应用的需求；高光谱卫星遥感数据对应的水深反演误差较小，但该高光谱卫星遥感数据的空间分辨率较差，普适性不强，有时也会导致水深反演结果不够准确；而立体测绘数据在水深反演方面的应用较少，反演精度和精细化应用方面仍有待研究。

综上，现有的水深反演方法都具有一定的局限性，导致无法对不同水域的水深进行准确反演。

发明内容

本发明提供一种水深反演模型选择方法、装置、电子设备及存储介质，用以解决现有的水深反演方法都具有一定的局限性，导致无法对不同水域的水深进行准确反演的缺陷，通过大量的卫星遥感数据和实测水深，对多种水深反演模型进行筛选，以得到一个最优水深反演模型，进而实现对不同水域的水深进行准确反演，也即，采用该最优水深反演模型，就能够确定准确性较高的估计水深，整个过程适用于大范围水域水深反演，且反演精度高。

本发明提供一种水深反演模型选择方法，包括：

获取多种水深反演模型，并获取目标水域对应的多个卫星遥感数据和多个实测水深；

针对各水深反演模型，将所述多个卫星遥感数据分别输入至水深反演模型中，得到所述水深反演模型输出的多个估计水深；根据所述多个估计水深和所述多个实测水深，确定所述水深反演模型对应的目标误差；

将所有目标误差中最小目标误差对应的水深反演模型，确定为所述目标水域对应的最优水深反演模型。

根据本发明提供的一种水深反演模型选择方法，所述根据所述多个估计水深和所述多个实测水深，确定所述水深反演模型对应的目标误差，包括：根据所述多个估计水深和所述多个实测水深，确定所述水深反演模型对应的均方根误差，并将所述均方根误差确定为所述目标误差；或，根据所述多个估计水深和所述多个实测水深，确定所述水深反演模型对应的均方根误差，并根据所述均方根误差和所述多个实测水深对应的平均实测水深，确定所述目标误差。

根据本发明提供的一种水深反演模型选择方法，所述卫星遥感数据的数量与所述实测水深的数量相同，所述根据所述多个估计水深和所述多个实测水深，确定所述水深反演模型对应的均方根误差，包括：根据第一误差公式，确定所述水深反演模型对应的均方根误差；其中，所述第一误差公式为：

根据本发明提供的一种水深反演模型选择方法，所述根据所述均方根误差和所述多个实测水深对应的平均实测水深，确定所述目标误差，包括：根据第二误差公式，确定所述目标误差；其中，所述第二误差公式为：

根据本发明提供的一种水深反演模型选择方法，所述获取目标水域对应的多个卫星遥感数据，包括：获取所述目标水域对应的多个初始卫星遥感数据；对所述多个初始卫星遥感数据分别进行预处理和/或数据增强，得到所述多个卫星遥感数据；其中，所述预处理包括以下至少一项：原始影像质检、大气校正、正射校正、影像配准、影像融合和影像镶嵌；所述数据增强包括去噪处理和/或对比度增强。

根据本发明提供的一种水深反演模型选择方法，在所述数据增强为所述去噪处理的情况下，对所述多个初始卫星遥感数据分别进行数据增强，得到所述多个卫星遥感数据，包括：针对各初始卫星遥感数据均执行以下操作：根据初始卫星遥感数据的噪声方差和信号方差，确定贝叶斯去噪参数；根据所述初始卫星遥感数据中各像素点对应的高频子带系数，以及所述贝叶斯去噪参数，对所述初始卫星遥感数据进行去噪处理，得到所述卫星遥感数据。

根据本发明提供的一种水深反演模型选择方法，在所述数据增强为所述对比度增强的情况下，对所述多个初始卫星遥感数据分别进行数据增强，得到所述多个卫星遥感数据，包括：针对各初始卫星遥感数据均执行以下操作：确定所述初始卫星遥感数据中各像素点对应的高频子带系数的模糊对比度；对所有模糊对比度进行非线性变换，并调整非线性变换后的各像素点所对应的隶属度；根据所有隶属度，对所述初始卫星遥感数据进行对比度增强，得到所述卫星遥感数据。

本发明还提供一种水深反演模型选择装置，包括：

获取模块，用于获取多种水深反演模型，并获取目标水域对应的多个卫星遥感数据和多个实测水深；

误差确定模块，用于针对各水深反演模型，将所述多个卫星遥感数据分别输入至水深反演模型中，得到所述水深反演模型输出的多个估计水深；根据所述多个估计水深和所述多个实测水深，确定所述水深反演模型对应的目标误差；

模型选择模块，用于将所有目标误差中最小目标误差对应的水深反演模型，确定为所述目标水域对应的最优水深反演模型。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述水深反演模型选择方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述水深反演模型选择方法。

本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述水深反演模型选择方法。

本发明提供的水深反演模型选择方法、装置、电子设备及存储介质，通过获取多种水深反演模型，并获取目标水域对应的多个卫星遥感数据和多个实测水深；针对各水深反演模型，将所述多个卫星遥感数据分别输入至水深反演模型中，得到所述水深反演模型输出的多个估计水深；根据所述多个估计水深和所述多个实测水深，确定所述水深反演模型对应的目标误差；将所有目标误差中最小目标误差对应的水深反演模型，确定为所述目标水域对应的最优水深反演模型。该方法通过大量的卫星遥感数据和实测水深，对多种水深反演模型进行筛选，以得到一个最优水深反演模型，进而实现对不同水域的水深进行准确反演，也即，采用该最优水深反演模型，就能够确定准确性较高的估计水深，整个过程适用于大范围水域水深反演，且反演精度高。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的水深反演模型选择方法的流程示意图；

图2a是本发明提供的重叠区中几何位置关系的示意图；

图2b是本发明提供的航迹方向的示意图；

图3是本发明提供的水深反演模型选择装置的结构示意图；

图4是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，本发明实施例涉及的执行主体可以是水深反演模型选择装置，也可以是电子设备，可选的，该电子设备可以包括：计算机、移动终端及可穿戴设备等。

下面以电子设备为例对本发明实施例进行进一步地说明。

如图1所示，是本发明提供的水深反演模型选择方法的流程示意图，可以包括：

101、获取多种水深反演模型，并获取目标水域对应的多个卫星遥感数据和多个实测水深。

其中，目标水域指的是有一定含义或用途的水体所占有的区域，包括陆地水域和水利设施用地。

卫星遥感数据指的是利用卫星传感器获取的地球表面信息的数字数据。其中，这些数字数据包括各种地物(如目标水域)的电磁波大小，如遥感图像，该遥感图像可以包括航空像片和/或卫星相片等。可选的，该卫星遥感数据可以包括以下至少一项：多光谱卫星遥感数据、高光谱卫星遥感数据和立体测绘数据等。

实测水深指的是通过水深测量设备测量目标水域的实际深度。可选的，该水深测量设备可以包括：水深计、声呐和水下摄像机等。

水深反演模型指的是用于对目标水域进行水深反演/估计的模型。可选的，该水深反演模型可以包括：多光谱半理论半经验水深反演模型、立体探测模型、高光谱神经网络模型和高光谱半分析模型等。

其中，多光谱半理论半经验水深反演模型指的是一种基于多光谱卫星遥感数据，利用半理论半经验算法，实现对目标水域进行水深反演的模型。

立体探测模型指的是一种利用立体视觉原理，通过对立体测绘数据进行立体观测，实现对目标水域进行水深反演的模型。

高光谱神经网络模型指的是一种对高光谱卫星遥感数据进行特征提取和分类，实现对目标水域进行水深反演的模型。

高光谱半分析模型指的是一种利用半分析算法对高光谱卫星遥感数据进行处理，提取出该高光谱卫星遥感数据中的特征信息，实现对目标水域进行水深反演的模型。

需要说明的是，电子设备获取多种水深反演模型与该电子设备获取目标水域对应的多个卫星遥感数据和多个实测水深的时序不限。

在一些实施例中，电子设备获取目标水域对应的多个卫星遥感数据，可以包括以下至少一种实现方式：

实现方式1：电子设备获取目标水域对应的多个初始卫星遥感数据；该电子设备对多个初始卫星遥感数据分别进行预处理，得到多个卫星遥感数据。

其中，预处理可以包括以下至少一项：原始影像质检、大气校正、正射校正、影像配准、影像融合和影像镶嵌。

原始影像质检用于对初始卫星遥感数据进行质检，检查该初始卫星遥感数据的质量是否合格，如是否存在噪点、伪影等。

大气校正用于对初始卫星遥感数据进行大气校正，去除该初始卫星遥感数据中的大气影响，如色散、辐射定标等。

正射校正用于对初始卫星遥感数据进行正射校正，将该初始卫星遥感数据投影到正射投影平面上，保证该初始卫星遥感数据的投影方向正确性。

影像配准用于对部分初始卫星遥感数据进行配准，将这些初始卫星遥感数据合并成一个高分辨率影像。

影像融合用于将部分初始卫星遥感数据进行融合，得到一张高分辨率、多种信息的综合影像。

影像镶嵌用于将部分初始卫星遥感数据进行镶嵌，得到一张完整的地图或景观图像。

实现方式2：电子设备获取目标水域对应的多个初始卫星遥感数据；该电子设备对多个初始卫星遥感数据分别进行数据增强，得到多个卫星遥感数据。

其中，数据增强可以包括去噪处理和/或对比度增强。

去噪处理指的是对初始卫星遥感数据中的噪声干扰进行降噪处理，去除该初始卫星遥感数据中的噪声。

对比度增强指的是对初始卫星遥感数据进行对比度增强处理，使对应的卫星遥感数据中的细节更加清晰，便于区分目标水域和非目标水域，提高图像的可读性。

结合上述实现方式1和实现方式2，电子设备在获取目标水域对应的多个初始卫星遥感数据之后，由于这多个初始卫星遥感数据的质量不佳，所以，为了提高这些初始卫星遥感数据的质量，可对所有的初始卫星遥感数据分别进行预处理和/或数据增强，得到多个质量较佳卫星遥感数据，为后续选择最优水深反演模型提供数据支撑。

在一些实施例中，在数据增强为去噪处理的情况下，电子设备对多个初始卫星遥感数据分别进行数据增强，得到多个卫星遥感数据，可以包括：针对各初始卫星遥感数据均执行以下操作：电子设备根据初始卫星遥感数据的噪声方差和信号方差，确定贝叶斯去噪参数；该电子设备根据初始卫星遥感数据中各像素点对应的高频子带系数，以及贝叶斯去噪参数，对初始卫星遥感数据进行去噪处理，得到卫星遥感数据。

其中，噪声方差指的是初始卫星遥感数据中随机噪声的方差，用于衡量该初始卫星遥感数据的噪声水平。

信号方差指的是指初始卫星遥感数据对应信号的方差，用于衡量该初始卫星遥感数据对应信号的清晰度和精度。

贝叶斯去噪参数指的是在贝叶斯收缩(Bayes Shrink)自适应阈值去噪方法中用于调整降噪参数的参数，用于提高降噪效果。

高频子带系数指的是初始卫星遥感数据中高频分量的系数，用于提取该初始卫星遥感数据中的高频信息，如目标水域等。

电子设备在基于贝叶斯收缩自适应阈值去噪方法，对初始卫星遥感数据进行去噪处理的过程中，可先确定该初始卫星遥感数据对应信号的噪声方差和信号方差，再对该噪声方差和该信号方差进行计算，得到贝叶斯去噪参数，进而结合该初始卫星遥感数据中各像素点对应的高频子带系数，对所有的像素点进行去噪处理，得到质量较佳的卫星遥感数据。

具体的，针对各初始卫星遥感数据，电子设备在根据初始卫星遥感数据，确定对应的卫星遥感数据的过程中，可先对该初始卫星遥感数据进行非线性静态压缩感知(Nonlinear Static Compressed Sensing，NSCT)转换，得到转换后的遥感图像，该遥感图像包括m*n个像素，m≥2，n≥2。其中，该遥感图像对应m行n列的子带系数矩阵，该遥感图像中的像素点与该子带系数矩阵中的高频子带系数一一对应。

然后，该电子设备根据公式T＝λT

接着，该电子设备再根据公式

其中，NSCT转换方法指的是一种基于稀疏表示的压缩感知方法，通过将初始卫星遥感数据对应的原始信号映射到低维度空间中，实现对该原始信号的压缩和重构，具有较好的鲁棒性和准确性。

可选的，电子设备根据公式

该电子设备根据公式

该电子设备根据公式

在一些实施例中，在数据增强为对比度增强的情况下，电子设备对多个初始卫星遥感数据分别进行数据增强，得到多个卫星遥感数据，可以包括：针对各初始卫星遥感数据均执行以下操作：电子设备确定初始卫星遥感数据中各像素点对应的高频子带系数的模糊对比度；该电子设备对所有模糊对比度进行非线性变换，并调整非线性变换后的各像素点所对应的隶属度；该电子设备根据所有隶属度，对初始卫星遥感数据进行对比度增强，得到卫星遥感数据。

其中，模糊对比度指的是初始卫星遥感数据中像素点的明暗差异程度。

隶属度指的是像素点在初始卫星遥感数据中的重要程度。

电子设备在基于NSCT转换方法，对初始卫星遥感数据进行对比度增强的过程中，可先确定该初始卫星遥感数据中各像素点对应的高频子带系数，进而确定所有高频子带系数各自对应的模糊对比度；然后，该电子设备再对所有模糊对比度进行非线性变换，并调整非线性变换后的各像素点所对应的隶属度，进而根据所有隶属度，对所有的像素点进行对比度增强，得到质量较佳的卫星遥感数据。

具体的，针对各初始卫星遥感数据，初始卫星遥感数据是一幅灰度级为[0，Q-1]，大小为m*n的初始遥感图像，Q≥1。电子设备在根据该初始卫星遥感数据，确定对应的卫星遥感数据的过程中，可先对该初始卫星遥感数据进行NSCT转换，得到转换后的遥感图像，该遥感图像包括m*n个像素，m≥2，n≥2。其中，该遥感图像对应m行n列的子带系数矩阵，该遥感图像中的像素点与该子带系数矩阵中的高频子带系数一一对应。

然后，该电子设备再先对该遥感图像进行模糊对比度映射，得到一个m*n的初始模糊对比度矩阵，该初始模糊对比度矩阵可用X＝∪{μ(x

然后，该电子设备对所有初始模糊对比度进行归一化处理，即采用

接着，该电子设备根据公式F

最后，该电子设备根据公式d′

可选的，电子设备根据公式

102、针对各水深反演模型，将多个卫星遥感数据分别输入至水深反演模型中，得到水深反演模型输出的多个估计水深；根据多个估计水深和多个实测水深，确定水深反演模型对应的目标误差。

其中，估计水深指的是水深反演模型对于卫星遥感数据进行处理后，对目标水域进行水深反演后得到的一个模型预测数值。

目标误差指的是实测水深数据(如实测水深)与模型预测数值(如评估水深)之间的差异程度。

电子设备在获取多个水深反演模型之后，针对各水深反演模型均执行以下操作：首先将获取的任一卫星遥感数据分别输入至水深反演模型中，该水深反演模型对该卫星遥感数据进行处理，以得到对应的估计水深，基于此，有多少个卫星遥感数据，该电子设备通过该水深反演模型就能获取多少个估计水深；然后，该电子设备再根据所有估计水深以及之前获取的多个实测水深，来确定该水深反演模型对应的目标误差，这样一来，有多少个水深反演模型，该电子设备最终就会获取多少个目标误差，为后续确定最优水深反演模型提高数据支撑。

可选的，在卫星遥感数据为多光谱卫星遥感数据的情况下，水深反演模型为多光谱半理论半经验水深反演模型；在卫星遥感数据为高光谱卫星遥感数据的情况下，水深反演模型可以包括：高光谱神经网络模型和/或高光谱半分析模型；在卫星遥感数据为立体测绘数据的情况下，水深反演模型为立体探测模型。

不同的水深反演模型对应的输入数据也是不同的。在卫星遥感数据较为丰富的情况下，电子设备获取的水深反演模型的种类也是较为丰富的，这样一来，在后续该电子设备就能够从大量的水深反演模型中选择出最优水深反演模型。

在一些实施例中，电子设备根据多个估计水深和多个实测水深，确定水深反演模型对应的目标误差，可以包括以下其中一种实现方式：

实现方式1：电子设备根据多个估计水深和多个实测水深，确定水深反演模型对应的均方根误差，并将均方根误差确定为目标误差。

实现方式2：电子设备根据多个估计水深和多个实测水深，确定水深反演模型对应的均方根误差，并根据均方根误差和多个实测水深对应的平均实测水深，确定目标误差。

电子设备可以通过精度验证来评价水深反演模型的适用性，具体通过实测水深数据与模型预测数值进行比较，采用均方根误差(Root Mean Squared Error，RMSE)或相对均方根误差(RMSEr)来评价水深反演模型的准确度。一般情况下，较低的RMSE或较低的RMSEr意味着水深反演模型与卫星遥感数据样本之间的拟合程度较好，该水深反演模型具有较高的适用性。

因此，针对各水深反演模型，电子设备可以根据多个估计水深和多个实测水深，确定水深反演模型对应的均方根误差，进而直接将该均方根误差确定为目标误差，或，进而先确定多个实测水深对应的平均实测水深，再结合该均方根误差，来确定目标误差，为后续确定最优水深反演模型提高数据支撑。

在一些实施例中，电子设备卫星遥感数据的数量与实测水深的数量相同，根据多个估计水深和多个实测水深，确定水深反演模型对应的均方根误差，可以包括：电子设备根据第一误差公式，确定水深反演模型对应的均方根误差。

其中，第一误差公式为：

RMSE表示均方根误差；N表示卫星遥感数据的数量或实测水深的数量，N≥2；y

电子设备利用上述第一误差公式，可准确确定所有水深反演模型各自对应的均方根误差。

在一些实施例中，电子设备根据均方根误差和多个实测水深对应的平均实测水深，确定目标误差，可以包括：电子设备根据第二误差公式，确定目标误差。

其中，第二误差公式为：

RMSE

电子设备利用上述第一误差公式，可准确确定所有水深反演模型各自对应的目标误差。

103、将所有目标误差中最小目标误差对应的水深反演模型，确定为目标水域对应的最优水深反演模型。

电子设备在确定多个水深反演模型各自对应的目标误差之后，可以将所有目标误差进行比较，确定出最小目标误差，进而将该最小目标误差对应的水深反演模型，确定为目标水域对应的最优水深反演模型，该最优水深反演模型具有较高的普适性。

在本发明实施例中，获取多种水深反演模型，并获取目标水域对应的多个卫星遥感数据和多个实测水深；针对各水深反演模型，将多个卫星遥感数据分别输入至水深反演模型中，得到水深反演模型输出的多个估计水深；根据多个估计水深和多个实测水深，确定水深反演模型对应的目标误差；将所有目标误差中最小目标误差对应的水深反演模型，确定为目标水域对应的最优水深反演模型。该方法通过大量的卫星遥感数据和实测水深，对多种水深反演模型进行筛选，以得到一个最优水深反演模型，进而实现对不同水域的水深进行准确反演，也即，采用该最优水深反演模型，就能够确定准确性较高的估计水深，整个过程适用于大范围水域水深反演，且反演精度高。

为更好地理解本发明实施例，进一步对上述多种水深反演模型进行详细阐述：

1、在水深反演模型为多光谱半理论半经验水深反演模型的情况下，该多光谱半理论半经验水深反演模型可以包括以下至少一项：单波段模型对应的第一水深反演模型、多波段模型对应的第二水深反演模型，以及波段比值模型对应的第三水深反演模型等。

对于第一水深反演模型、第二水深反演模型和第三水深反演模型的构建过程如下：

(1)第一水深反演模型

由于第一水深反演模型是在水域样本的水深为Z处时，基于辐射能量的变化，按指数的衰减规律而建立的模型，Z≥1，所以，由布格尔定理可知，该辐射能量对应的衰减规律如下：R(Z)＝R(0)e

假设光线是从水域样本的水面射入水体并到达了海底后，再反射出水面进入大气中，说明光线在水体传输过程中就经过了两次衰减，此时，根据上述衰减规律，得到单波段模型为：

进一步地，电子设备根据上述单波段模型，得到第一水深反演模型为：

(2)第二水深反演模型

第i个波段下，水域样本中不同底质类型各自对应的底部反射率的比值，对于整景多光谱卫星遥感数据来说为常数C，即：

根据上述单波段模型，能够推导出不受底部类型变化影响的双波段模型所对应的第四水深反演模型，可用

如果取

此时，底部反射率的比值对于整景多光谱卫星遥感数据来说为常数ln C，即

令

需要说明的是，由该第二水深反演模型可知，底部反射率

(3)第三水深反演模型

将两个单波段模型(如第一波段模型和第二波段模型)各自对应的水深反演模型做比值运算，得到第三水深反演模型，该第三水深反演模型为：

2、在水深反演模型为立体探测模型的情况下，光线从一种介质进入另一种介质时产生的折射现象可以用折射定律概括，即

为了简化上述折射模型，假设水域样本的水质均一，折射率为常数，水面为平面。该折射模型对应的坐标为，假设沿飞行方向为X轴构成的右手坐标系，此时，将立体像对重叠区分为航迹方向和航迹垂直平分线方向这2种情况，下面对这2种情况分别进行详细阐述：

情况1、航迹方向

如图2a所示，是本发明提供的重叠区中几何位置关系的示意图；如图2b所示，是本发明提供的航迹方向的示意图。从图2a和图2b中可以看出，同名折射点P

由于折射点P

由几何关系和折射定律可得：

基于此，真实位置P的X轴大小关系为：

情况2、航迹垂直平分线方向

在同名折射点P

此时，

3、在水深反演模型为高光谱神经网络模型的情况下，遥感测深受多种因素影响，可以看作是一个非线性过程。建立高光谱神经网络模型时，通常采用4层的神经网络模型，该神经网络模型包括输入层、输出层和两个隐含层(第一隐含层和第二隐含层)。

其中，输入层为α，即有α个输入神经元，对任一输入信号可用Xα表示，α≥1；第一隐含层为β

可选的，神经元的激励函数采用Sigmoid函数，该Sigmoid函数的基本形式为：

对于训练样本集合X＝[x

输出层第g个神经元对应的误差值为：e

为了方便计算，定义第g个神经元对应的误差能量为

神经网络模型的权值修正与误差对权值的偏导数成比例关系，以隐含层的最后一层t的第σ个神经元与输出层γ的第θ个输出神经元之间的权值修正量为例，可用

将上式微分项扩展为：

其中，

这样，通过化简为：

在激励函数采用Sigmoid函数的情况下，可以得到：

此时，定义神经元梯度为：

化简得到：

基于上述过程，可求得隐含层的最后一层t的第σ个神经元与输出层γ的第θ个输出神经元之间的权值修正量，在B+1次迭代过程中，该权值修正量可以调整为：w

需要说明的是，第一隐含层与第二隐含层之间的权值修正量的调整过程与上述推导过程相同，此处不作具体赘述。在神经网络模型的训练过程中，通过各个神经元之间的权值修正量的不断调整，直到满足训练次数阈值或计算误差小于给定的规定值训练结束。此时，将高光谱卫星遥感数据输入该神经网络模型之后，就可以得到该神经网络输出的估计水深样本。

4、在水深反演模型为高光谱半分析模型的情况下，该高光谱半分析模型是一种联合反演浅海水深和固有光学性质的半分析模型，可用

此外，对图1所述的水深反演模型选择方法进行实验，在已有的试验结果中，基于卫星遥感数据(如Landsat 8数据)反演所得的估计水深和现有的基于对数函数统计模型反演所得的估计水深，之间的最大相对误差为22％。且前者对应的水深反演精度达到了78％。

下面对本发明提供的水深反演模型选择装置进行描述，下文描述的水深反演模型选择装置与上文描述的水深反演模型选择方法可相互对应参照。

如图3所示，是本发明提供的水深反演模型选择装置的结构示意图，该水深反演模型选择装置可以包括：

获取模块301，用于获取多种水深反演模型，并获取目标水域对应的多个卫星遥感数据和多个实测水深；

误差确定模块302，用于针对各水深反演模型，将该多个卫星遥感数据分别输入至水深反演模型中，得到该水深反演模型输出的多个估计水深；根据该多个估计水深和该多个实测水深，确定该水深反演模型对应的目标误差；

模型选择模块303，用于将所有目标误差中最小目标误差对应的水深反演模型，确定为该目标水域对应的最优水深反演模型。

可选的，误差确定模块302，具体用于根据该多个估计水深和该多个实测水深，确定该水深反演模型对应的均方根误差，并将该均方根误差确定为该目标误差；或，根据该多个估计水深和该多个实测水深，确定该水深反演模型对应的均方根误差，并根据该均方根误差和该多个实测水深对应的平均实测水深，确定该目标误差。

可选的，误差确定模块302，具体用于根据第一误差公式，确定该水深反演模型对应的均方根误差；其中，该第一误差公式为：

可选的，误差确定模块302，具体用于根据第二误差公式，确定该目标误差；其中，该第二误差公式为：

可选的，获取模块301，具体用于获取该目标水域对应的多个初始卫星遥感数据；对该多个初始卫星遥感数据分别进行预处理和/或数据增强，得到该多个卫星遥感数据；其中，该预处理包括以下至少一项：原始影像质检、大气校正、正射校正、影像配准、影像融合和影像镶嵌；该数据增强包括去噪处理和/或对比度增强。

可选的，在该数据增强为该去噪处理的情况下，获取模块301，具体用于针对各初始卫星遥感数据均执行以下操作：根据初始卫星遥感数据的噪声方差和信号方差，确定贝叶斯去噪参数；根据该初始卫星遥感数据中各像素点对应的高频子带系数，以及该贝叶斯去噪参数，对该初始卫星遥感数据进行去噪处理，得到该卫星遥感数据。

可选的，在该数据增强为该对比度增强的情况下，获取模块301，具体用于针对各初始卫星遥感数据均执行以下操作：确定该初始卫星遥感数据中各像素点对应的高频子带系数的模糊对比度；对所有模糊对比度进行非线性变换，并调整非线性变换后的各像素点所对应的隶属度；根据所有隶属度，对该初始卫星遥感数据进行对比度增强，得到该卫星遥感数据。

如图4所示，是本发明提供的电子设备的结构示意图，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行水深反演模型选择方法，该方法包括：获取多种水深反演模型，并获取目标水域对应的多个卫星遥感数据和多个实测水深；针对各水深反演模型，将所述多个卫星遥感数据分别输入至水深反演模型中，得到所述水深反演模型输出的多个估计水深样本；根据所述多个估计水深样本和所述多个实测水深，确定所述水深反演模型对应的目标误差；将所有目标误差中最小目标误差对应的水深反演模型，确定为所述目标水域对应的最优水深反演模型。

此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的水深反演模型选择方法，该方法包括：获取多种水深反演模型，并获取目标水域对应的多个卫星遥感数据和多个实测水深；针对各水深反演模型，将所述多个卫星遥感数据分别输入至水深反演模型中，得到所述水深反演模型输出的多个估计水深样本；根据所述多个估计水深样本和所述多个实测水深，确定所述水深反演模型对应的目标误差；将所有目标误差中最小目标误差对应的水深反演模型，确定为所述目标水域对应的最优水深反演模型。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的水深反演模型选择方法，该方法包括：获取多种水深反演模型，并获取目标水域对应的多个卫星遥感数据和多个实测水深；针对各水深反演模型，将所述多个卫星遥感数据分别输入至水深反演模型中，得到所述水深反演模型输出的多个估计水深样本；根据所述多个估计水深样本和所述多个实测水深，确定所述水深反演模型对应的目标误差；将所有目标误差中最小目标误差对应的水深反演模型，确定为所述目标水域对应的最优水深反演模型。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。