海洋所利用深度学习技术提高浒苔边缘的提取精度

　　近日，中科院海洋所李晓峰研究团队基于哨兵一号卫星图像建立了人工智能模型，提高了浒苔提取的精度，并使用该模型提取了2019-2021年黄海绿潮的时间序列，发现2019年绿潮覆盖面积更大，爆发时间更长，而2021年绿潮对山东半岛南岸的影响更大。相关成果近日发表于地球科学和遥感领域Top期刊IEEE Transactions on Geoscience and Remote Sensing (影响因子8.125)。
" o( v' F' L3 h9 T% r 
6 l/ _" ]/ J) J: q5 b　　黄海绿潮自2007年爆发以来持续吸引相关研究者的关注。随着深度学习技术的发展，基于卫星影像的浒苔提取方法逐渐从阈值分割向语义分割过渡。不同于以往仅依赖于后向散射信息的数据驱动方式，李晓峰研究团队综合考虑浒苔的成像特点，使用卫星影像的后向散射及纹理特征，基于代表性语义分割模型U-Net构建了浒苔提取模型GA-Net (图1)。实验结果表明，该模型能有效提取不同场景下的浒苔信息，提高了浒苔边缘的提取精度 (图2)。
 
4 [+ j) D! l; T) r9 K- k  }& C

0 L) A9 C. a6 [$ _2 Y/ P) {7 h& L                               
登录/注册后可看大图

7 f% D4 a- E) x( r# n图1. 深度学习浒苔提取模型结构图
8 |& \1 w0 O' ]4 }8 o/ H

                               
登录/注册后可看大图

图2. 模型在不同场景下的浒苔提取能力。图(a)橙色/绿色/黄色框为近岸/低浒苔聚集度/高浒苔聚集度区域，对应图(b-f)/(g-k)/(l-p)
　　论文作者为中科院海洋所环流室硕士研究生郭媛（第一作者）、李晓峰研究员（通讯作者）、高乐副研究员，研究得到了基金委重大项目、中国科学院战略性先导科技专项等项目的联合资助。
 
　　论文信息：
4 ?: _4 M& i, X3 h9 F- t 
% z! E5 W  {: S# J1 b/ |) H　　Yuan Guo, Le Gao, Xiaofeng Li*, A deep learning model for green algae detection on SAR images, IEEE Transactions on Geoscience and Remote Sensing, 2022, doi: 10.1109/TGRS.2022.3215895.
( \; \( }3 N" Q' [# e2 X: F 
　　https://ieeexplore.ieee.org/document/9924230