使用深度学习和GIS进行近岸油污监测的及时和准确的方法

科学领域:

• 环境科学 环境科学
• 海洋污染 海洋污染
• 遥感 遥感 遥感 遥感

背景情况:

• 石油泄漏是海洋污染的主要来源,需要有效的检测方法.
• 传统的漏油监测技术存在局限性,学术关注度也很有限.
• 发现近海石油泄漏对于环境保护和减少污染至关重要.

研究的目的:

• 探索和比较近岸现场漏油检测和细分的深度学习模型.
• 开发使用地理信息系统 (GIS) 的验证系统,以提高深度学习模型的性能.
• 为了证明近岸漏油监测先进方法的可行性.

主要方法:

• 利用U-net和Mask基于区域的卷积神经网络 (R-CNN) 进行石油泄漏检测和细分.
• 实施了一个基于地理信息系统 (GIS) 的验证系统.
• 基于整体准确度评估模型性能.

主要成果:

• 与U-net (77.01%) 相比,Mask R-CNN实现了更高的初始精度 (89.02%).
• 整合GIS验证系统进一步提高了Mask R-CNN的准确性,达到90.78%.
• 通过GIS增强的深度学习方法在近岸油污泄漏监测中被证明是有效的.

结论:

• 深度学习模型,特别是带有GIS集成的Mask R-CNN,为近岸漏油监测提供了可行且准确的解决方案.
• 开发的GIS增强的深度学习方法显著改进了传统方法.
• 这项研究强调了在海洋环境保护中先进技术整合的潜力.