海洋石油污染监测基于一个形态注意力U-Net使用SAR图像

科学领域:

• 遥感 遥感 遥感 遥感
• 监测海洋污染 监测海洋污染
• 人工智能的人工智能

背景情况:

• 石油泄漏对海洋生态系统构成重大威胁,需要准确的检测方法.
• 合成孔径雷达 (SAR) 是石油泄漏监测的关键工具,因为它具有全天候,昼夜成像能力.
• 现有的深度学习模型往往难以以碎片化或不完全检测漏油区域.

研究的目的:

• 开发一个改进的深度学习模型,以使用SAR图像进行更完整,更准确的漏油检测.
• 通过减少结果的碎片化和漏洞来加强对漏油地区的检测.
• 提高模型在检测石油污染事件中的一般化能力.

主要方法:

• 提出了一个改进的全尺度聚合MobileUNet (FA-MobileUNet) 模型.
• 修改了卷积块注意模块 (CBAM) 的形态概念,以创建一个形态注意模块 (MAM).
• 在培训期间应用标签平滑,以解决数据集类别不平衡并提高概括性.

主要成果:

• 在FA-MobileUNet模型中,通过联盟 (mIoU) 实现了84.55%的平均交叉点.
• 这意味着与原来的U-Net模型相比,检测性能有17.15%的改善.
• 使用台湾石油污染事件进行的实验验证表明,检测范围与官方报告一致.

结论:

• 拟议的FA-MobileUNet模型与MAM有效减少碎片和洞,提供更完整的漏油区域检测.
• 该模型的提高准确性和概括能力提高了其适用于海洋石油污染监测的适用性.
• 该研究验证了模型在现实场景中的有效性,为环境保护机构提供了有价值的工具.