DOI: https://doi.org/10.59261/jequi.v8i1.252
تاريخ النشر: 2026-01-16
المؤلف: Muhammad Ichsan وآخرون
الموضوع الرئيسي: ديناميات السواحل والبحار
نظرة عامة
تستكشف هذه الدراسة فعالية قياسات الأعماق المستمدة من الأقمار الصناعية (SDB) باستخدام صور Sentinel-2 لرسم خرائط المياه الضحلة في البيئة البحرية الصعبة في راجا أمبات، جنوب غرب بابوا. تقارن الأبحاث بين ثلاثة نماذج انحدار تجريبية – انحدار طاقة النطاق الأخضر (النطاق 3)، انحدار طاقة النطاق الأزرق (النطاق 2)، وطريقة نسبة ستومب اللوغاريتمية – مقابل نهج التعلم الآلي باستخدام الغابات العشوائية. تم استخدام بيانات ميدانية من قياسات أجهزة كشف الأسماك لمعايرة النموذج والتحقق من صحته، مع إجراء جميع التحليلات على منصة Google Earth Engine.
تشير النتائج إلى أن نموذج النطاق الأخضر حقق أعلى دقة (R² = 0.7097)، مما يجعله الأمثل للأعماق من 0-20 م، بينما جاء نموذج النطاق الأزرق وطريقة ستومب في المرتبة التالية بقيم R² تبلغ 0.6194 و0.5693، على التوالي. تفوق نموذج الغابات العشوائية على الطرق التجريبية من خلال التقاط العلاقات غير الخطية بين الانعكاس الطيفي وعمق المياه بشكل فعال، خاصة في ظروف قاع البحر غير المتجانسة. تستنتج الدراسة أن دمج صور Sentinel-2 مع التعلم الآلي يوفر حلاً قابلاً للتوسع وفعالاً من حيث التكلفة لرسم خرائط الأعماق، وهو أمر حيوي للحفاظ على البيئة البحرية وإدارة الموارد الساحلية. ومع ذلك، تشير إلى وجود قيود مثل الاعتماد على صور ذات تاريخ واحد والفجوات المكانية في بيانات المعايرة، مما يقترح أن الأبحاث المستقبلية يجب أن تستكشف التحليل متعدد الأوقات وتقنيات النمذجة المتقدمة.
مقدمة
تؤكد مقدمة ورقة البحث على أهمية رسم خرائط الأعماق في راجا أمبات، وهي منطقة مشهورة بتنوعها البيولوجي البحري الاستثنائي ضمن مثلث الشعاب المرجانية. تسلط الدراسة الضوء على قيود طرق قياس الأعماق التقليدية لرسم خرائط الأعماق البحرية الضحلة، خاصة في المناطق الكبيرة والنائية، وتقدم تقنية قياسات الأعماق الضحلة (SDB)، التي تستخدم بيانات الاستشعار عن بعد لتقدير أعماق المياه. تعتمد SDB على العلاقة التجريبية بين الانعكاس الضوئي الذي تلتقطه أجهزة الاستشعار الفضائية وعمق المياه، مما يجعلها فعالة بشكل خاص في المياه الصافية حيث تخترق أشعة الشمس إلى قاع البحر.
على الرغم من التقدم في منهجيات SDB، تحدد الورقة فجوة بحثية حاسمة في دمج تقنيات الانحدار التجريبية مع نهج التعلم الآلي لرسم خرائط الأعماق في البيئات الاستوائية المعقدة. ركزت الدراسات السابقة إما على النماذج التجريبية أو طرق التعلم الآلي بشكل منفصل، مما يفتقر إلى مقارنة منهجية لأدائها في مناطق مثل راجا أمبات، التي تتميز بوضوح المياه العالي وتنوع تكوينات القاع. تهدف هذه الدراسة إلى معالجة هذه الفجوة من خلال استخدام إطار منهجي هجين يجمع بين نماذج الانحدار التجريبية مع خوارزمية التعلم الآلي باستخدام الغابات العشوائية، تم التحقق منها عبر فئات عمق متعددة. من المتوقع أن تعزز النتائج كل من الفهم النظري والتطبيقات العملية لـ SDB، مما يدعم في النهاية الحفاظ على البيئة البحرية وإدارة الموارد في الظروف الهيدروغرافية الفريدة لراجا أمبات.
النتائج
تركز نتائج الدراسة على فعالية عملية إخفاء اليابسة ونماذج الانحدار لتحليل الأعماق باستخدام صور Sentinel-2. استخدمت عملية إخفاء اليابسة نطاق الأشعة تحت الحمراء القريبة (NIR) (B8) لتمييز اليابسة عن البحر، مع استخدام عتبة قدرها 1200 لانعكاس NIR. تم تصنيف البكسلات ذات القيم فوق هذه العتبة على أنها يابسة (قيمة 0)، بينما تم تصنيف تلك التي تحتها على أنها بحر (قيمة 1)، مما أدى إلى إنشاء قناع ثنائي يعزز دقة التحليلات البحرية اللاحقة. تم تصور الإخفاء باستخدام Google Earth Engine، مما يضمن أن التقييمات الهيدروغرافية كانت محصورة في المناطق البحرية، وبالتالي تقليل التحيز الناتج عن التأثيرات الأرضية.
تم تطوير ثلاثة نماذج انحدار لتقدير عمق المياه بناءً على الانعكاس الطيفي من النطاق الأخضر (B3)، النطاق الأزرق (B2)، ونسبة ستومب اللوغاريتمية. حقق نموذج النطاق الأخضر أعلى معامل تحديد (R² = 0.7097)، مما يشير إلى أنه يفسر حوالي 70.09% من تباين العمق، مما يجعله الأكثر فعالية للمياه الضحلة. بينما كان نموذج النطاق الأزرق فعالاً للمياه الأكثر وضوحًا، إلا أن له قيمة R² أقل تبلغ 0.6194، مما يشير إلى زيادة الأخطاء بسبب انعكاس القاع والتشتت. أنتجت طريقة ستومب، التي تجمع بين القيم اللوغاريتمية من كلا النطاقين، أقل قيمة R² تبلغ 0.5693 لكنها تبقى مفيدة في المناطق ذات التباينات المعقدة في القاع. بشكل عام، كان نموذج النطاق الأخضر الأكثر موثوقية لتوقعات العمق في منطقة راجا أمبات، على الرغم من أن العوامل البيئية مثل وجود الطحالب ووضوح المياه أثرت بشكل كبير على دقة جميع النماذج. تم تمثيل توقعات العمق بصريًا في تنسيق ملون، مما يشير إلى نطاقات عمق مختلفة، وأبرزت حسابات RMSE أداء كل طريقة عبر فئات عمق مختلفة.
المناقشة
في هذه الدراسة، تم تقييم فعالية طرق مختلفة لقياسات الأعماق المستمدة من الأقمار الصناعية (SDB) في المياه الضحلة لراجا أمبات، جنوب غرب بابوا، باستخدام صور Sentinel-2 وتقنيات التعلم الآلي. استخدمت الأبحاث ثلاثة نماذج تجريبية: النطاق الأخضر (B3)، النطاق الأزرق (B2)، وطريقة نسبة ستومب اللوغاريتمية، إلى جانب نموذج التعلم الآلي باستخدام الغابات العشوائية. أشارت النتائج إلى أن نموذج النطاق الأخضر قدم أعلى دقة (R² = 0.7097)، مما يجعله مناسبًا للأعماق من 0-20 مترًا، بينما تفوقت طريقة ستومب في الأعماق التي تزيد عن 20 مترًا بسبب استقرارها في ظروف الامتصاص العالي. أظهر نموذج الغابات العشوائية أداءً متفوقًا في المناطق ذات القاع المعقد، حيث التقط بشكل فعال العلاقات غير الخطية بين الانعكاس الطيفي وقياسات الأعماق.
تؤكد النتائج على أهمية اختيار طرق التنبؤ بالأعماق المناسبة بناءً على العمق وظروف المياه، مما يكشف أن النطاق الأخضر هو الأمثل للأعماق الضحلة إلى المتوسطة، بينما تعتبر طريقة ستومب أكثر موثوقية في المياه الأعمق. تتماشى نتائج الدراسة مع الأبحاث السابقة بينما تسلط الضوء على الخصائص البصرية الفريدة لمياه راجا أمبات. على الرغم من مزايا استخدام بيانات Sentinel-2 المتاحة مجانًا، تعترف الدراسة بوجود قيود مثل الصور ذات التاريخ الواحد والفجوات المكانية في بيانات المعايرة. تشمل اتجاهات البحث المستقبلية دمج التحليلات متعددة الأوقات وتقنيات التعلم الآلي المتقدمة لتعزيز تطبيقات SDB للحفاظ على البيئة البحرية وإدارة السواحل في إندونيسيا.
DOI: https://doi.org/10.59261/jequi.v8i1.252
Publication Date: 2026-01-16
Author(s): Muhammad Ichsan et al.
Primary Topic: Coastal and Marine Dynamics
Overview
This study investigates the effectiveness of Satellite-Derived Bathymetry (SDB) using Sentinel-2 imagery for shallow-water mapping in the challenging marine environment of Raja Ampat, Southwest Papua. The research compares three empirical regression models—green band power regression (Band 3), blue band power regression (Band 2), and the Stumpf logarithmic ratio method—against a Random Forest machine learning approach. Field data from fishfinder measurements were utilized for model calibration and validation, with all analyses conducted on the Google Earth Engine platform.
Results indicate that the green band model achieved the highest accuracy (R² = 0.7097), making it optimal for depths of 0-20 m, while the blue band model and Stumpf method followed with R² values of 0.6194 and 0.5693, respectively. The Random Forest model outperformed the empirical methods by effectively capturing non-linear relationships between spectral reflectance and water depth, particularly in heterogeneous seabed conditions. The study concludes that integrating Sentinel-2 imagery with machine learning offers a scalable and cost-effective solution for bathymetric mapping, which is crucial for marine conservation and coastal resource management. However, it notes limitations such as reliance on single-date imagery and spatial gaps in calibration data, suggesting future research should explore multitemporal analysis and advanced modeling techniques.
Introduction
The introduction of the research paper emphasizes the significance of bathymetric mapping in Raja Ampat, a region renowned for its exceptional marine biodiversity within the Coral Triangle. The study highlights the limitations of traditional echosounder methods for shallow marine depth mapping, particularly in large and remote areas, and introduces the Shallow Depth Bathymetry (SDB) technique, which utilizes remote sensing data to estimate water depths. SDB relies on the empirical relationship between light reflectance captured by satellite sensors and water depth, making it particularly effective in clear waters where sunlight penetrates to the seabed.
Despite the advancements in SDB methodologies, the paper identifies a critical research gap in integrating empirical regression techniques with machine learning approaches for bathymetric mapping in complex tropical environments. Previous studies have either focused on empirical models or machine learning methods in isolation, lacking a systematic comparison of their performance in regions like Raja Ampat, characterized by high water clarity and diverse substrate compositions. This study aims to address this gap by employing a hybrid methodological framework that combines empirical regression models with a Random Forest machine learning algorithm, validated across multiple depth classes. The findings are anticipated to enhance both theoretical understanding and practical applications of SDB, ultimately supporting marine conservation and resource management in Raja Ampat’s unique hydrographic conditions.
Results
The results of the study focus on the effectiveness of land masking and regression models for bathymetric analysis using Sentinel-2 imagery. The land masking process utilized the Near-infrared (NIR) Band (B8) to differentiate land from sea, employing a threshold of 1200 for NIR reflectance. Pixels with values above this threshold were classified as land (value 0), while those below were classified as sea (value 1), resulting in a binary mask that enhances the accuracy of subsequent marine analyses. The masking was visualized using Google Earth Engine, ensuring that bathymetric assessments were confined to marine areas, thus minimizing bias from terrestrial influences.
Three regression models were developed to estimate water depth based on spectral reflectance from the green band (B3), blue band (B2), and a logarithmic Stumpf ratio. The green band model yielded the highest coefficient of determination (R² = 0.7097), indicating it explained approximately 70.09% of the depth variation, making it the most effective for shallow waters. The blue band model, while effective for clearer waters, had a lower R² value of 0.6194, suggesting increased inaccuracies due to substrate reflectance and scattering. The Stumpf method, which combines logarithmic values from both bands, produced the lowest R² value of 0.5693 but remains useful in areas with complex substrate variations. Overall, the green band model was the most reliable for depth predictions in the Raja Ampat region, although ecological factors such as algal presence and water clarity significantly influenced the accuracy of all models. The depth predictions were visually represented in a color-coded format, indicating various depth ranges, and the RMSE calculations highlighted the performance of each method across different depth classes.
Discussion
In this study, the effectiveness of various methods for Satellite-Derived Bathymetry (SDB) in the shallow waters of Raja Ampat, Southwest Papua, was evaluated using Sentinel-2 imagery and machine learning techniques. The research employed three empirical models: the green band (B3), blue band (B2), and Stumpf logarithmic ratio method, alongside a Random Forest machine learning model. Results indicated that the green band model provided the highest accuracy (R² = 0.7097), making it suitable for depths of 0-20 meters, while the Stumpf method excelled at depths greater than 20 meters due to its stability in high absorption conditions. The Random Forest model demonstrated superior performance in areas with complex substrates, effectively capturing non-linear relationships between spectral reflectance and bathymetry.
The findings underscore the importance of selecting appropriate bathymetric prediction methods based on depth and water conditions, revealing that the green band is optimal for shallow to medium depths, whereas the Stumpf method is more reliable in deeper waters. The study’s results align with previous research while highlighting the unique optical characteristics of Raja Ampat’s waters. Despite the advantages of using freely available Sentinel-2 data, the study acknowledges limitations such as single-date imagery and spatial gaps in calibration data. Future research directions include integrating multitemporal analyses and advanced machine learning techniques to enhance SDB applications for marine conservation and coastal management in Indonesia.