基于时间序列融合网络模型的红潮检测方法:东中国海GOCI数据的案例研究

科学领域:

• 海洋生物学 海洋生物学
• 遥感 遥感 遥感 遥感
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 中国沿海地区的海水缩经常导致红潮,破坏海洋生态系统和渔业.
• 目前的深度学习模型因时间特征提取的局限性而难以连续多天检测红潮.

研究的目的:

• 开发一种先进的深度学习模型,用于准确,连续的多天红潮检测.
• 改进时空特征提取和红潮的动态变化建模.

主要方法:

• 提出了一个时间序列融合网络模型 (CSF-RTDNet),集成多时间GOCI卫星数据.
• 纳入了NDVI以增强红潮特征,并使用ECA通道注意力机制来提取光谱特征.
• 使用ASPC-DSC和ConvLSTM模块进行多尺度特征融合和时空集成.

主要成果:

• CSF-RTDNet实现了高检测精度 (95.89%),精度 (93.03%),回忆 (96.34%) 和卡帕系数 (0.95).
• 该模型展示了具有复杂边界和连续时间模式的红潮的强大检测.
• 与现有方法相比,观察到红潮检测准确度的显著提高.

结论:

• 拟议的CSF-RTDNet模型有效地解决了多天红潮检测的局限性.
• 这种方法为海洋环境监测和红潮管理提供了宝贵的技术支持.
• 时空特征和注意力机制的整合提高了检测性能.