Анализ пространственно-спектрального разрешения с использованием гиперспектральных данных с дрона и мультиспектральных спутниковых изображений для мониторинга мелководных прибрежных вод

Почему это прибрежное исследование важно

Мелководные прибрежные воды являются домом для лужаек морской травы, рифов и зарослей водорослей, которые защищают берега, поддерживают промысел и накапливают углерод. Тем не менее эти местообитания трудно регулярно картировать и отслеживать только с помощью лодок. В этом исследовании показано, что полет гиперспектральной камеры на дроне в сочетании со спутниковыми обзорными снимками может дать детализированные, повторяемые карты глубины воды и типа донных местообитаний, помогая сообществам управлять уязвимыми побережьями в условиях растущего антропогенного и климатического давления.

Смотреть на море сверху

Исследователи сосредоточились на пляже Лас-Кантерас — городском побережье Гран-Канарии, охраняемом за богатую морскую жизнь, но интенсивно используемом жителями и туристами. Естественная каменная перемычка успокаивает воду и делает дно хорошо видимым сверху, что делает место идеальным для оптического дистанционного зондирования. Исторически здесь находились обширные лужайки морской травы, которые в значительной степени исчезли из‑за прибрежного строительства и изменения перемещения песка. Сегодня пятна зелёных, коричневых и красных водорослей вместе с песком и камнем образуют мозаичное дно, отражающее как естественные изменения, так и влияние человека.

Тестирование разных «глаз» над водой

В основе работы лежит умный эксперимент: вместо прямого сравнения камер, снятых в разное время или с разных платформ, команда начала с одного очень подробного дронового изображения, полученного гиперспектральным сенсором (97 узких цветовых полос с разрешением 10 см). Из этого эталона они математически «понизили» данные, чтобы имитировать коммерческий спутник с 8 широкими полосами и простую RGB-камеру с 3 полосами, каждую в двух разрешениях — мелком (10 см) и грубом (2 м). В результате получилось шесть контролируемых версий одной и той же сцены, свободных от различий в погоде, прозрачности воды или приливах. Затем эти изображения использовали для оценки глубины (батиметрии) и классификации типов дна (растительность, песок и камень) с помощью сочетания известных формул и современных методов машинного обучения.

Чтение глубины и местообитаний по цвету

Для восстановления глубины исследование сравнивало установленный математический подход, связывающий свет в двух цветовых полосах с глубиной, и более гибкую модель машинного обучения, которая учится на шаблонах во множестве полос одновременно. Для классификации донных местообитаний они обучили два типа классификаторов: опорные векторные машины и прямые нейронные сети, оба направлялись данными подводных съемок и фотографиями дна. Во всех тестах гиперспектральные данные с дрона показали наивысшую точность: ошибка по глубине составляла всего около 15 сантиметров, а точность классификации местообитаний — примерно 94%. Мультиспектральные изображения, похожие на данные распространённых коммерческих спутников, показали почти такое же хорошее качество, предлагая сильный компромисс между детализацией, покрытием и стоимостью. Более простая RGB-версия справлялась с определением глубины на приемлемом уровне, но испытывала трудности при надежном разделении разных типов дна в этом сложном сообществе, особенно при попытке отличить схожие виды водорослей.

Что важнее: четкость или богатство цвета?

Один из ключевых вопросов заключался в том, что важнее — более мелкие пиксели или более богатая спектральная информация. Для глубины ответ оказался неожиданным: изменение размера пикселя с 10 см до 2 м едва сказалось на точности. Поскольку глубина главным образом определяется тем, как свет затухает в воде, очень высокая пространственная детализация мало добавляет при глубинах в несколько метров и относительно ровной поверхности. Для картирования местообитаний, однако, важны и пространственная, и спектральная детализация. Мельче пиксели уменьшают смешение песка, камня и растительности внутри одного пикселя, что облегчает разделение классов. А когда требуется различать похожие виды водорослей, дополнительное количество спектральных полос явно помогает. Нейронная сеть лучше всего использовала эту дополнительную информацию, превзойдя более традиционный классификатор.

Отслеживание тревожной утраты морской растительности

Помимо тестирования методов команда также сравнила реальное спутниковое изображение 2016 года с данными дрона 2023 года, приведёнными к более грубому спутниковому разрешению. Они зафиксировали оценочную потерю около 7200 квадратных метров морской растительности, большая часть которой, вероятно, приходилась на лужайки зелёной водоросли Cymopolia barbata. В сочетании с уже задокументированным исчезновением исторической морской травы, локальным повышением температуры поверхности моря, интенсивным рекреационным использованием и периодическими проблемами качества воды, результаты указывают на то, что этот городской риф находится под значительным стрессом.

Что это означает для побережий и сообществ

Для неспециалистов посыл двоякий. Во‑первых, современные снимки с дронов и спутников, проанализированные с помощью машинного обучения, теперь могут давать точные, повторяемые карты глубины мелководья и жизни на дне без постоянных лодочных обследований. Это делает практичным наблюдение за изменениями прибрежных местообитаний на протяжении лет или даже сезонов. Во‑вторых, случай Лас-Кантерас показывает, почему такое наблюдение важно: ценные подводные «леса» могут сокращаться незаметно под воздействием как потепления моря, так и локального человеческого давления. Подход, представленный здесь, предлагает практичный набор инструментов для городов и природоохранных агентств, чтобы внимательнее следить за своими подводными соседствами и действовать, пока ключевые местообитания не будут утрачены.

Цитирование: Mederos-Barrera, A., Eugenio, F. & Marcello, J. Spatial-spectral resolution analysis using drone hyperspectral and satellite multispectral imagery for shallow coastal water monitoring. Sci Rep 16, 14511 (2026). https://doi.org/10.1038/s41598-026-38166-7

Ключевые слова: прибрежное картирование, гиперспектральная съемка с дрона, малоглубинная батиметрия, мониторинг бентонических местообитаний, утрата морской растительности