基于深度学习与Sentinel-2卫星影像的不列颠哥伦比亚海岸线海带森林自动映射框架SKeMa
《Remote Sensing》:Deep Learning-Based Mapping of Floating Kelp Forests from Sentinel-2 Imagery
【字体:
大
中
小
】
时间:2026年10月21日
来源:Remote Sensing 4.3
摘要
海带森林是重要的海洋栖息地,具有重大的生态、文化和经济意义。这些生态系统沿海岸线分布,易受区域和全球性胁迫因素的影响,包括沿海开发和气候变化。本文提出了基于卫星的海带映射方法(SKeMa),这是一种利用Sentinel-2卫星影像自动绘制不列颠哥伦比亚省海岸线冠层型海带森林分布图的新型框架。SKeMa采用深度学习语义分割模型,为传统的、劳动密集且耗时的海带绘制方法提供了高效的替代方案。我们首先将SKeMa与两种传统非深度学习基线——NDVI阈值法和随机森林——以及多种替代深度学习架构进行了对比评估。对于表现最佳的模型,通过输入通道的消融研究确定了合适的输入配置,并通过独立测试集的交叉验证研究获得了平均交并比(IoU)为0.6024、F1分数为0.7491的结果。平均精确率和召回率分别为0.7261和0.7951。总体而言,中型至大型海带床图像的验证指标最高,而小型海带床图像的验证指标最低,这可能是因为Sentinel-2的空间分辨率限制了小型海带床的绘制。以上结果是在高度不平衡的类别分布下取得的,有标注的海带像素平均占Sentinel-2场景中所有像素的不到0.1%。结果表明,该模型具有在不同沿海区域检测海带冠层的能力,尤其是对中型至大型海带床。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号