使用Sentinel-2图像检测藻类繁殖的U形深度学习网络:探索模型性能和可转移性
Ismail Colkesen1, Mustafacan Saygi2, Muhammed Yusuf Ozturk1
1Department of Geomatics Engineering, Gebze Technical University, Gebze, Kocaeli, Turkey.
Journal of environmental management
|April 3, 2025
概括
深度学习模型使用Sentinel-2卫星数据准确地检测和绘制湖泊中的藻类繁殖. 先进的U型网络,特别是RU-Net和ARU-Net,显示出高性能和可转移性,用于有效的环境监测.
科学领域:
- 环境科学 环境科学
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
背景情况:
- 内陆水体是面临气候变化和污染威胁的重要生态系统.
- 有效的监测对于保护这些资源和人类福祉至关重要.
- 遥感和人工智能为生态系统监控提供先进的解决方案.
研究的目的:
- 评估U形深度学习 (DL) 网络,用于检测和绘制藻类繁殖的地图.
- 为了比较U-Net,RU-Net,Attention U-Net,ARU-Net和SegNet使用Sentinel-2图像的性能.
- 评估模型在不同时间和地理环境中的可转移性.
主要方法:
- 采用了Sentinel-2卫星的多时光图像.
- 开发和训练DL模型,使用多种地面真实数据集 (高密度和低密度藻类).
- 使用Burdur湖,Chaohu湖和Turawskie湖的数据评估模型性能和概括性.
主要成果:
- RU-Net和ARU-Net表现出卓越的表现,获得高F分 (例如,伯杜尔湖的99.80%).
- ARU-Net表现出优异的概括能力,有效地检测出低密度的藻类繁殖.
- U形的DL网络被证明是有效的和可转移的藻类繁殖检测.
结论:
- U形DL网络对于精确的藻类繁殖检测和绘制非常有效.
- 由于ARU-Net的泛化能力,它显示出全面环境监测的巨大潜力.
- 这些发现支持改善内陆水生态系统的管理和保护战略.
