使用多光谱无人机图像和深度学习来检测红树林地区和绘制物种的方法
Xingyu Chen1,2, Xiuyu Zhang1,2, Changwei Zhuang1,2
1Institute of Ecological Civilization and Green Development, Guangdong Provincial Academy of Environmental Science, Guangzhou 510045, China.
Sensors (Basel, Switzerland)
|April 26, 2025
概括
这项研究引入了新的深度学习模型MangroveNet和AttCloudNet+,用于使用无人机图像准确检测红树林和物种识别. 这些先进的方法为沿海生态系统监测提供了高效和智能解决方案.
科学领域:
- 生态生态学 生态生态学
- 遥感 遥感 遥感 遥感
- 计算机科学 计算机科学
背景情况:
- 红树林生态系统对于沿海生物多样性和生态平衡至关重要.
- 有效和智能监测方法对于红树林的保护至关重要.
- 传统的红树林识别方法缺乏准确性和效率.
研究的目的:
- 开发和评估用于红树林检测和物种识别的新型深度学习模型.
- 整合多尺度的光谱和空间信息,以改善红树林地图.
- 通过使用高分辨率无人机图像来提高红树林监测的准确性和效率.
主要方法:
- 开发了"红树林网络" (MangroveNet) 来检测红树林区域,整合了光谱和空间信息.
- 开发了AttCloudNet+用于使用高分辨率多光谱无人机图像识别红树林物种.
- 将光谱和空间注意力机制纳入两个模型.
主要成果:
- 与其他深度学习模型相比,MangroveNet实现了更高的准确性 (99.13%) 和概括能力.
- 与传统和机器学习方法相比,AttCloudNet+在红树林物种识别方面表现最佳 (Kappa: 0.81,OA: 0.87).
- 两种模型都证实了对红树林及其物种实时监测的有效性.
结论:
- 开发的深度学习模型为红树林监测提供了高效和准确的解决方案.
- 双重注意力机制提高了模型在处理光谱和空间数据中的性能.
- 这些模型为保护和管理红树林生态系统提供了宝贵的工具.
更多相关视频
07:13Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy
Published on: February 25, 2021
3.7K
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
13.2K
