地球表面约71%被水覆盖，但迄今为止，仅有一小部分通过直接观测进行了测绘。准确、详细和高频率的水深数据，并结合复杂的语义内容，对于受到气候变化和人类活动影响的未充分测绘的浅海沿海地区至关重要。

一方面，声学方法在浅水区效率低下，受到波浪和暗礁的影响，并因多路径误差而失效；另一方面，激光雷达（LiDAR）成本高昂，且均缺乏视觉信息。为了解决这些问题，现如今广泛使用航空和卫星图像。光谱导出的水深（SDB）基于辐射强度随水深和波长的衰减，可以覆盖大面积的浅水区。目前，许多从遥感图像中反演水深或海底分类的方法依赖于非开放的数据源，这限制了深度学习技术在该领域的广泛应用。

多模态数据集MagicBathyNet#

MagicBathyNet是为解决这些问题而推出的数据集，这是一个新的多模态基准数据集，旨在支持在浅水区的基于机器学习的水深测绘和基于像素的海底分类。该基准数据集包括来自Sentinel-2和SPOT-6的卫星影像，以及航空摄影图像，配有相应的水深数据和不同海底分类类型的注释。该数据集包含：

来自Sentinel-2、SPOT-6和航空影像的图像块
栅格格式的水深数据
海底类别的注释

MagicBathyNet包含3355个Sentinel-2 (S2)、SPOT-6和航空影像的RGB三元组图像块，补充了1244个S2和SPOT-6的RGB二元组，3354个航空影像的数字表面模型（DSM）栅格块和3396个S2和SPOT-6的DSM栅格块。此外，它还包含533个标注的海底栖息地和类型的栅格块，支持基于有监督的像素分类。每个图像块覆盖180x180米的区域，在S2影像中用18x18像素表示，在SPOT-6影像中用30x30像素表示，在航空影像中用720x720像素表示。

MagicBathyNet主要特点#

包括：

多模态数据集：该数据集结合了不同来源的图像（卫星和航空），为深度学习模型提供了丰富的输入数据，增强了模型的泛化能力。
标注和无标注样本：数据集中包含533个标注的海底栖息地和类型的栅格补丁，支持监督学习。同时，数据集中还有大量未标注样本，可用于自监督学习和模型预训练。
高覆盖率和多样性：数据集覆盖了两个不同的沿海区域（塞浦路斯的Agia Napa和波兰的Puck Lagoon），代表了不同的水柱特征和底部类型，这有助于提高模型在各种环境下的适用性和准确性。
深度学习模型的基准测试：MagicBathyNet被用于评估最先进的深度学习方法，如修改后的U-Net架构，专门用于从RGB图像中估计水深。为各种深度学习模型提供了一个公开的基准，促进了算法的开发和评估，使研究人员能够测试和比较不同的学习方法在水深反演和海底分类任务中的表现。