一个混合深度学习框架,将变压器和后勤回归模型结合起来,用于使用Sentinel-1 SAR数据自动检测海洋粘液:在阿尔穆特卢-泽廷巴吉,马尔马拉海的一个案例研究

科学领域:

• 地球和海洋观测观测.
• 环境科学中的人工智能
• 遥感应用 遥感应用

背景情况:

• 海洋粘液事件对海洋生物和人类活动构成重大风险.
• 对这些事件的有效监测对于及时干预和缓解至关重要.
• 卫星成像为大规模环境监测提供了具有成本效益和方便的解决方案.

研究的目的:

• 开发一种自动化系统,利用卫星数据检测海洋粘液区域.
• 评估各种机器学习和深度学习模型用于粘液检测的性能.
• 为培训和测试环境监测人工智能模型创建一个独特的数据集.

主要方法:

• 使用 Sentinel-1 卫星图像 (VV-VH 极化) 进行时间序列分析.
• 从马尔马拉海的粘液和清洁水域收集和处理了2600个GPS记录的样本.
• 应用混合 (变压器+物流回归),深度学习 (RNN,CNN) 和机器学习 (决策树,天真贝叶斯,SVM) 模型.

主要成果:

• 在不同模型中实现了高检测准确度,从96%到100%不等.
• 证明了人工智能模型在自动识别受粘膜影响的区域中的有效性.
• 产生了一个有价值的数据集,用于未来的海洋环境监测研究.

结论:

• 深度学习和机器学习模型为检测海洋粘液提供了准确和高效的方法.
• 自动检测有助于早期干预,这对于减轻粘结事件的影响至关重要.
• 基于卫星的AI监测系统可以显著提高海洋生态系统保护的努力.