在海洋湖中使用卫星数据和深度学习方法估计海草分布的四个十年变化
Lulu Wang1, Hanwei Liang1, Shengqiang Wang2
1School of Geographical Sciences, Nanjing University of Information Science & Technology, Nanjing 210044, China.
The Science of the total environment
|February 15, 2024
概括
深度学习模型使用卫星数据准确地检测海草,揭示了四十年来天湖由于人类活动而大幅减少的面积. 最近的改进表明恢复和管理的潜力.
科学领域:
- 海洋生态学和遥感技术
- 深度学习在环境监测中的应用.
背景情况:
- 海草是受到退化威胁的关键海洋植物,需要有效的监测方法.
- 现有的海草检测遥感技术在准确性和性能上存在局限性.
- 深度学习模型提供了分析大型数据集和自动目标检测的高级功能.
研究的目的:
- 开发和评估基于深度学习的模型,使用Landsat卫星数据精确检测海草.
- 为了比较UNet和SegNet模型在各种尺度上用于海草识别的性能.
- 分析中国天湖的长期海草面积变化和季节性变化.
主要方法:
- 实施并比较了UNet和SegNet深度学习模型用于海草检测.
- 利用了来自中国天湖的Landsat卫星图像,用于模型训练和应用.
- 使用验证和测试数据集评估模型性能,重点关注准确性和损失指标.
主要成果:
- 在16x16像素的补丁尺度下,SegNet模型实现了高精度 (>95%) 的海草检测.
- 分析显示,海草覆盖的季节性变化很大,从1984年到2022年,海草覆盖面积总体下降.
- 人类活动被确定为海草下降和斑点性的主要驱动因素,尽管最近有所改善.
结论:
- 深度学习,特别是SegNet模型,为精确的海草监测提供了非常准确和有价值的方法.
- 该研究强调了天湖的关键长期海草动态,为有效的恢复和管理策略提供了见解.
- 结合遥感和深度学习是理解和管理重要沿海生态系统的强大工具.
