将神经网络方法与遥感相结合,用于检测和预测石油污染

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:

• 碳化合物污染对环境构成重大风险.
• 有效的监测和补救策略对于环境保护至关重要.
• 卫星图像为大规模环境监测提供了一个可扩展的解决方案.

研究的目的:

• 开发和验证一个神经网络模型,用Sentinel-2卫星图像来检测和分类石油污染.
• 评估模型在区分不同类型的石油污染 (湿湖,干湖,污染堆) 的性能.
• 为有针对性的环境干预创建修复重点地图.

主要方法:

• 分析了200多张Sentinel-2A图像,覆盖了大伯根油田.
• 从180个土壤样本中整合地面真相数据.
• 将数据处理成4320个图像补丁,使用基于区块的分区方法进行验证.
• 应用一个包含光谱指数的神经网络模型,用于增强检测.

主要成果:

• 神经网络模型在检测油污染时实现了高整体准确性 (97.054%) 和精度 (96.156%).
• 该模型在识别受油污染的堆方面表现强 (99.92%的召回),对于湿和干油湖 (74.362%的召回) 的成功更为有限.
• 定量评估显示F1得分高 (高达91.47%) 和交叉在欧盟 (IoU) (高达84.28%).

结论:

• 神经网络与Sentinel-2卫星图像的集成显示了有效的石油污染检测和绘图的重大前景.
• 开发的模型可以通过生成污染严重程度地图来帮助优先考虑整治工作.
• 建议在各种环境条件下进行进一步的验证,以提高该模型对更广泛应用的通用性.