The shallow seawater depth inversion based on remote sensing technology is important for water depth detection, which is of considerable significance to marine engineering, shipping, and marine military security. In this study, we took the Taiping Island and its adjacent waters in the South China Sea as a test bed and developed a water depth inversion model on the basis of extreme learning machine (ELM) and extreme learning machine optimized by genetic algorithm (GA-ELM). In GA-ELM, the input weights and the hidden layer biases were optimized by genetic algorithm. The two models allowed the evaluation of nonlinear relationships between the reflectance of high-resolution imagery from WorldView-2 and actual water depth obtained from the S-57 sea chart. The eight bands of the high-resolution image and the actual water depth were used as the input layer and the output layer, and the sigmoid function was introduced as activation function. Finally, the model accuracy was evaluated by using mean relative error (MRE), root mean square error (RMSE), mean absolute error (MAE), coefficient of determination (R2), and the regression analysis between the retrieved water depth and the actual data. The simulation results showed that the two models had better stability than the second-order polynomial regression, BP neural network, and RBF neural network. Furthermore, GA-ELM had a more compact network structure and better generalization ability than ELM. Thus, we concluded that GA-ELM had higher precision and could achieve a better inversion result in the experimental area.

中文翻译：

---

基于 ELM 和 GA-ELM 的遥感影像水深检测

基于遥感技术的浅海海水深度反演对于水深探测具有重要意义，对海洋工程、航运和海上军事安全具有重要意义。本研究以南海太平岛及其邻近海域为试验台，基于极限学习机（ELM）和遗传算法优化的极限学习机（GA-榆树）。在 GA-ELM 中，输入权重和隐藏层偏差通过遗传算法进行优化。这两个模型允许评估 WorldView-2 高分辨率图像的反射率与从 S-57 海图获得的实际水深之间的非线性关系。将高分辨率图像的8个波段和实际水深作为输入层和输出层，引入sigmoid函数作为激活函数。最后，通过平均相对误差（MRE）、均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R2）以及反演水深与实际水深的回归分析，对模型精度进行评价。数据。仿真结果表明，这两种模型比二阶多项式回归、BP神经网络和RBF神经网络具有更好的稳定性。此外，GA-ELM 具有比 ELM 更紧凑的网络结构和更好的泛化能力。因此，我们得出结论，GA-ELM 具有更高的精度，可以在实验区取得更好的反演结果。并且引入了 sigmoid 函数作为激活函数。最后，通过平均相对误差（MRE）、均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R2）以及反演水深与实际水深的回归分析，对模型精度进行评价。数据。仿真结果表明，这两种模型比二阶多项式回归、BP神经网络和RBF神经网络具有更好的稳定性。此外，GA-ELM 具有比 ELM 更紧凑的网络结构和更好的泛化能力。因此，我们得出结论，GA-ELM 具有更高的精度，可以在实验区取得更好的反演结果。并且引入了 sigmoid 函数作为激活函数。最后，通过平均相对误差（MRE）、均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R2）以及反演水深与实际水深的回归分析，对模型精度进行评价。数据。仿真结果表明，这两种模型比二阶多项式回归、BP神经网络和RBF神经网络具有更好的稳定性。此外，GA-ELM 具有比 ELM 更紧凑的网络结构和更好的泛化能力。因此，我们得出结论，GA-ELM 具有更高的精度，可以在实验区取得更好的反演结果。平均绝对误差 (MAE)、决定系数 (R2) 以及反演水深与实际数据之间的回归分析。仿真结果表明，这两种模型比二阶多项式回归、BP神经网络和RBF神经网络具有更好的稳定性。此外，GA-ELM 具有比 ELM 更紧凑的网络结构和更好的泛化能力。因此，我们得出结论，GA-ELM 具有更高的精度，可以在实验区取得更好的反演结果。平均绝对误差 (MAE)、决定系数 (R2) 以及反演水深与实际数据之间的回归分析。仿真结果表明，这两种模型比二阶多项式回归、BP神经网络和RBF神经网络具有更好的稳定性。此外，GA-ELM 具有比 ELM 更紧凑的网络结构和更好的泛化能力。因此，我们得出结论，GA-ELM 具有更高的精度，可以在实验区取得更好的反演结果。GA-ELM 具有比 ELM 更紧凑的网络结构和更好的泛化能力。因此，我们得出结论，GA-ELM 具有更高的精度，可以在实验区取得更好的反演结果。GA-ELM 具有比 ELM 更紧凑的网络结构和更好的泛化能力。因此，我们得出结论，GA-ELM 具有更高的精度，可以在实验区取得更好的反演结果。