The rapid expansion of CubeSat constellations could revolutionize the way inland and nearshore coastal waters are monitored from space. This potential stems from the ability of CubeSats to provide daily imagery with global coverage at meter-scale spatial resolution. In this study, we explore the unique opportunity to improve the retrieval of bathymetry offered by CubeSats, specifically those of the PlanetScope constellation. The orbital design of the PlanetScope constellation enables the acquisition of image sequences with short time lags (from seconds to hours). This characteristic allows multiple images to be captured during a short period of steady bathymetric conditions, especially in dynamic environments like rivers. We hypothesize that taking the ensemble mean of a CubeSat image sequence can enhance bathymetry retrieval compared to standard single-image analysis. Along with the existing optimal band ratio analysis (OBRA) algorithm, we also use a new neural network-based depth retrieval (NNDR) technique to infer bathymetry from both individual and time-averaged images. The two methodologies are evaluated using field data from five different river reaches with depths up to 15 m and both top-of-atmosphere (TOA) radiance and bottom-of-atmosphere (BOA) surface reflectance PlanetScope data products. Despite low spectral resolution and concerns about the radiometric quality of CubeSat imagery, accuracy assessment based on in-situ comparisons indicates the potential (0.52 < R² < 0.7 for the NNDR method) of PlanetScope imagery to retrieve depths up to ∼ 10 m in clear water conditions. The proposed image averaging consistently improves bathymetry retrieval over single image analysis. The NNDR technique was found to outperform OBRA, illustrating the importance of leveraging all spectral bands through machine learning approaches. TOA data provided more robust bathymetry results than BOA data for the OBRA technique, but the NNDR technique was minimally impacted by the type of data product.

CubeSat 星座的快速扩张可能会彻底改变从太空监测内陆和近岸沿海水域的方式。这种潜力源于 CubeSats 以米级空间分辨率提供全球覆盖的日常图像的能力。在这项研究中，我们探索了改进 CubeSats，特别是 PlanetScope 星座提供的水深检索的独特机会。PlanetScope 星座的轨道设计能够以短时滞（从几秒到几小时）获取图像序列。这一特性允许在短时间内稳定的测深条件下捕获多幅图像，尤其是在河流等动态环境中。我们假设与标准的单图像分析相比，采用 CubeSat 图像序列的整体平均值可以增强水深检索。除了现有的最佳频带比分析 (OBRA) 算法，我们还使用一种新的基于神经网络的深度检索 (NNDR) 技术从单个图像和时间平均图像推断水深。使用来自深度达 15 m 的五个不同河流河段的现场数据以及大气顶部 (TOA) 辐射和大气底部 (BOA) 表面反射率 PlanetScope 数据产品对这两种方法进行了评估。尽管光谱分辨率低且对 CubeSat 图像的辐射质量存在担忧，但基于原位比较的准确度评估表明了潜力（0.52 < R 除了现有的最佳频带比分析 (OBRA) 算法，我们还使用一种新的基于神经网络的深度检索 (NNDR) 技术从单个图像和时间平均图像推断水深。使用来自深度达 15 m 的五个不同河流河段的现场数据以及大气顶部 (TOA) 辐射和大气底部 (BOA) 表面反射率 PlanetScope 数据产品对这两种方法进行了评估。尽管光谱分辨率低且对 CubeSat 图像的辐射质量存在担忧，但基于原位比较的准确度评估表明了潜力（0.52 < R 除了现有的最佳频带比分析 (OBRA) 算法，我们还使用一种新的基于神经网络的深度检索 (NNDR) 技术从单个图像和时间平均图像推断水深。使用来自深度达 15 m 的五个不同河流河段的现场数据以及大气顶部 (TOA) 辐射和大气底部 (BOA) 表面反射率 PlanetScope 数据产品对这两种方法进行了评估。尽管光谱分辨率低且对 CubeSat 图像的辐射质量存在担忧，但基于原位比较的准确度评估表明了潜力（0.52 < R 使用来自深度达 15 m 的五个不同河流河段的现场数据以及大气顶部 (TOA) 辐射和大气底部 (BOA) 表面反射率 PlanetScope 数据产品对这两种方法进行了评估。尽管光谱分辨率低且对 CubeSat 图像的辐射质量存在担忧，但基于原位比较的准确度评估表明了潜力（0.52 < R 使用来自深度达 15 m 的五个不同河流河段的现场数据以及大气顶部 (TOA) 辐射和大气底部 (BOA) 表面反射率 PlanetScope 数据产品对这两种方法进行了评估。尽管光谱分辨率低且对 CubeSat 图像的辐射质量存在担忧，但基于原位比较的准确度评估表明了潜力（0.52 < R²  < 0.7 用于 NNDR 方法）的 PlanetScope 图像，可在清水条件下检索高达 ∼ 10 m 的深度。与单图像分析相比，所提出的图像平均始终改进了水深检索。NNDR 技术的性能优于 OBRA，说明了通过机器学习方法利用所有光谱波段的重要性。对于 OBRA 技术，TOA 数据比 BOA 数据提供了更可靠的水深测量结果，但 NNDR 技术受数据产品类型的影响最小。