基于深度学习的有效无人机传感的蓝色细菌花朵,使用基于集团的特征提取方法
Jihoon Shin1, Gunhyeong Lee1, TaeHo Kim2
1School of Environmental Engineering, University of Seoul, Dongdaemun-gu, Seoul 02504, Republic of Korea.
The Science of the total environment
|December 25, 2023
概括
一个新的深度学习模型,分层连接变异自编码器 (HCVAE),使用超谱遥感精确监测有害藻类繁殖 (HABs). 该模型有效估计藻类颜料度,有助于内陆水域的HAB检测和管理.
科学领域:
- 环境科学 环境科学
- 遥感 遥感 遥感 遥感
- 数据科学数据科学数据科学
背景情况:
- 有害藻类繁殖 (HABs) 对内陆水生态系统构成重大威胁.
- 在空间和时间上监测HAB对于环境管理至关重要.
- 超光谱遥感为HAB检测提供了一个有前途的方法.
研究的目的:
- 开发一个高效和准确的深度学习生物光学模型用于HAB监测.
- 使用超光谱数据应用该模型来检索藻类颜料度.
- 评估模型在容易开花的地区的表现.
主要方法:
- 开发了一个层次连接变异自编码器 (HCVAE).
- 采用基于层层的集团隐性特征提取来降低计算负载.
- 基于图表的集群检测分组了相关的反射频谱.
- 该模型同时估计了叶绿素-a (Chl-a) 和植物素 (PC) 度.
主要成果:
- 在估计Chl-a (R2=0.76) 和PC (R2=0.82) 度方面,HCVAE取得了高准确度.
- 来自无人机数据的空间分布图成功识别了开花点.
- 沙普利的添加物解释确定了用于颜色估计的关键光谱区域.
- 一个轻量级网络 (DNNsel) 的性能与HCVAE相当.
结论:
- HCVAE的多层次层次架构对于使用无人机传感的近实时HAB评估是有效的.
- HCVAE证明了环境大数据分析的实用性,具有众多功能.
- 该模型提供了一种全面的方法来监测内陆水域的HAB.
