从卫星图像中识别水体,使用混合进化算法优化的U-Net框架.
Yue Yuan1,2, Peiyang Wei1,3,4, Zhixiang Qi3
1School of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing 400065, China.
Biomimetics (Basel, Switzerland)
|November 26, 2025
概括
本研究引入了一种完全自动化的深度学习框架,用于在卫星图像中识别水体. 该方法显著提高了环境监测和灾害管理的准确性和自动化.
科学领域:
- 遥感 遥感 遥感 遥感
- 环境科学 环境科学
- 计算机视觉 计算机视觉
背景情况:
- 从卫星图像中自动识别水体对于环境监测和水资源管理至关重要.
- 当前的深度学习方法通常需要手动的超参数调整,这限制了它们的自动化和稳定性.
- 复杂的多尺度场景对现有的细分技术构成挑战.
研究的目的:
- 为水体识别开发一个完全自动化的细分框架.
- 为了克服深度学习模型中手动超参数调整的局限性.
- 为了提高遥感图像分析的稳定性和自动化.
主要方法:
- 一个增强的U-Net模型与混合进化优化策略的整合.
- 开发一个完全自动化的框架,不需要人类干预.
- 该框架应用于公开的Kaggle和Sentinel-2数据集.
主要成果:
- 实现了96.79%的像素精度和94.75的F1-Score,超过了基线模型的10%以上.
- 有效地解决了与遥感数据固有的类不平衡问题.
- 证明了在不需要手动调的情况下增强功能表示能力.
结论:
- 拟议的框架为完全自动化的遥感图像分析提供了可行和高效的解决方案.
- 在大规模水资源监测和灾害管理方面有很大的应用潜力.
- 通过改进的深度学习技术,推进自动化环境监测领域.


