一种基于深度学习的方法,用于在海洋工程材料上的生物中进行碳酸碳储存的非破坏性估计
Haonan Huang1, Mengting Jia1,2, Qiang Xu1,2,3
1Ocean College, Zhejiang University, Zhoushan 316021, China.
Materials (Basel, Switzerland)
|February 27, 2026
概括
一个新的深度学习框架使用现场图像进行了非破坏性估计,用于碳酸的碳储存. 这种方法可以对海洋生物进行准确的长期监测.
科学领域:
- 海洋生物学 海洋生物学
- 生物地质化学生物地质化学
- 人工智能的人工智能是人工智能.
背景情况:
- 硬的海洋生物在它们的中捕获了大量的无机碳.
- 目前的量化方法涉及破坏性采样,限制了纵向研究.
研究的目的:
- 开发一种非破坏性的深度学习框架,用于估计外碳酸的碳储存.
- 为了能够长期监测海洋生物污染社区的碳捕获.
主要方法:
- 在近岸水域部署多种表面材料面板五个月.
- 利用改进的Mask R-CNN用于从in situ图像中识别和测量鱼和双鱼.
- 集成的图像衍生尺寸与二次测量模型和测量碳酸盐分数用于碳储存估计.
主要成果:
- 在复杂的近海环境中实现了高模型性能 (回忆/精度:0.86/0.89).
- 来自图像的外尺寸与手工测量有很强的一致性 (R2 = 0.95).
- 专家小组规模的碳估计误差始终低于15%.
结论:
- 开发的框架为评估外碳酸碳储存提供了一种非破坏性的定量方法.
- 这种方法促进了对不同材料和环境条件进行比较研究.
- 能够对海洋生物污染社区的碳捕获进行强有力的长期监测.


