Avec le développement des échosondeurs embarqués au début du 20e siècle, les levés bathymétriques ont connu des progrès considérables en termes de précision et de commodité. Cependant, même avec les échosondeurs modernes, il reste encore de nombreuses difficultés à surmonter lors de la réalisation de relevés bathymétriques. Ceux-ci incluent des coûts élevés, des conditions météorologiques imprévisibles, un trafic maritime élevé et des problèmes géographiques ou diplomatiques potentiels, pour n'en nommer que quelques-uns.

Pour résoudre ces problèmes, les scientifiques du monde entier ont développé des techniques de bathymétrie dérivée de satellite (SDB), qui estiment la profondeur de l'eau à partir d'images satellite multispectrales. Ces méthodes peuvent parfois produire des résultats précis, notamment pour des profondeurs allant jusqu'à 20 mètres.

Malheureusement, la plupart des modèles SDB ont été développés à partir de données provenant de régions côtières aux eaux claires et à la répartition uniforme des sédiments des fonds marins. Étant donné que la lumière se reflète différemment en fonction de la turbidité de l'eau et de la composition du fond marin, développer des modèles SBD avec des performances constantes dans différents environnements côtiers s'est avéré un défi.

Dans ce contexte, une équipe de recherche coréenne a développé un nouveau modèle SDB qui exploite l’apprentissage automatique pour faire la lumière sur les différents facteurs pouvant compromettre la précision, ouvrant ainsi la voie à des solutions potentielles. Leur dernière étude, à laquelle a participé le Dr Tae-ho Kim de Underwater Survey Technology 21 (UST21), est publiée dans le Journal of Applied Remote Sensing. .

L'un des principaux objectifs de cette étude était d'analyser comment le modèle formé sur différentes régions côtières serait affecté par les caractéristiques uniques de chaque région. À cette fin, ils ont sélectionné trois zones autour de la péninsule coréenne :Samcheok, caractérisée par ses eaux claires; Cheonsuman, connue pour ses eaux troubles; et Hallim, où les fonds marins contiennent divers types de sédiments.

L’équipe a obtenu des données satellite multispectrales de ces régions à partir des missions Sentinel-2A/B, fournies ouvertement par l’Agence spatiale européenne, et a sélectionné plusieurs images de ces zones à différents moments avec un ciel clair. Pour entraîner le modèle SDB sur ces données, ils ont également acquis des cartes marines dérivées d'écho-sondeurs de l'Agence hydrographique et océanographique coréenne (KHOA) ; ces graphiques ont été utilisés comme vérité terrain.

Le modèle SDB lui-même était basé sur un cadre théorique bien établi qui relie la manière dont la lumière provenant du soleil est réfléchie par l'atmosphère, la mer et les fonds marins avant d'atteindre un satellite. Quant à la partie apprentissage automatique du modèle, l'équipe a utilisé un algorithme de forêt aléatoire en raison de sa capacité à s'ajuster à plusieurs variables et paramètres tout en traitant de grandes quantités de données.

Après avoir formé et testé des instances du modèle SDB spécifiques à une région, les chercheurs ont constaté que la précision était généralement acceptable pour Samcheok, avec une erreur quadratique moyenne d'environ 2,6 mètres. En revanche, la précision était nettement inférieure pour Cheonsuman et Hallim, les prévisions de profondeur par satellite s'écartant considérablement des mesures de KHOA.

Pour mieux comprendre ces écarts, les chercheurs ont d’abord tenté de corriger les prédictions en incluant un indice de turbidité dans les calculs. Cela a amélioré les résultats principalement pour Cheonsuman. Ensuite, pour approfondir les sources d’erreur, l’équipe a acquis des images satellite haute résolution de la mission WorldView-3, ainsi que des photos sur place. Les analyses ont révélé que les caractéristiques de réflectance des sédiments du fond marin avaient un impact important sur les estimations de profondeur, le basalte de couleur foncée conduisant à une surestimation constante.

"Si nous intégrons à l'avenir des données spatiales supplémentaires sur les fonds marins dans l'ensemble de données de formation, nous prévoyons des améliorations des performances du modèle", a déclaré le Dr Kim. "Une carte de répartition des sédiments, créée à partir d'imagerie hyperspectrale aéroportée, devrait être fournie par le projet R&D."

Enfin, les chercheurs ont ensuite testé la capacité de généralisation de leur approche en appliquant des modèles SDB spécifiques à une région sur d'autres zones côtières présentant des caractéristiques similaires.

"Contrairement aux études précédentes qui présentaient les résultats du modèle SDB uniquement pour les eaux à haute transparence, nous avons développé des modèles SDB individuels qui peuvent être appliqués à des eaux présentant diverses caractéristiques et avons suggéré des méthodes pour obtenir de meilleurs résultats", a déclaré le Dr Kim.

Avec un peu de chance, ces efforts conduiront à des améliorations de la technologie SDB et ouvriront la voie à une cartographie plus pratique des profondeurs côtières.

Satisfait des résultats, le Dr Kim conclut :« À terme, les résultats du SDB seront appliqués comme données de surveillance de la profondeur pour faciliter le passage en toute sécurité des navires dans les zones côtières, ainsi que comme données d'entrée pour les modèles numériques océaniques, contribuant ainsi à divers domaines scientifiques. »