一项关于 AI 遥感技能的研究为环球海洋清洁事情供应了一个强大的新工具。国际拍照丈量与遥感学会(ISPRS)的 Journal of Photogrammetry and Remote Sensing (ISPRS) 详细先容了这项打破性研究,公开了一个深度学习框架 MariNeXt,该框架能够利用高分辨率的 Sentinel-2 图像来检测和识别海洋污染。通过准确探测海面上的海洋垃圾和油污,MariNeXt 将为环球资源管理职员和机构监测和减轻海洋污染的办法带来变革。
该研究的第一作者、雅典国家技能大学博士后研究员 Katerina Kikaki 表示:“海洋垃圾目前被认为是最迫不及待的海洋污染问题之一。要想应对并减小这一危及生态系统康健和蓝色经济的重大威胁,关键之一在于能够自动准确识别海洋垃圾。”
油污、海洋垃圾和大量繁殖的藻类等污染源对人类康健、水生生物和经济造成了持续的威胁。过去,利用人工方法探测海洋污染物耗费了大量人力和韶光,结果却只能创造一小部分海洋污染物。
Kikaki 表示:“AI 已成为一种日益强大的海洋监测工具。结合遥感技能,AI 能够进行大空间和韶光尺度的自动数据采集与剖析,实现更加全面、经济的监测。”
有效的海洋污染监测系统在保障海洋环境的长期康健方面起到关键浸染,对付实现联合国的可持续发展目标至关主要,但目前的 AI 算法无法准确识别污染物。
大多数方法都是为了检测一种海洋污染物或少量海面特色而设计的。此外,这些方法每每只能在局部地区运行,无法进行大规模的监测。另一个难题是海洋污染物具有繁芜的光学特性,而目前的卫星传感器有时无法处理它们。
为了战胜这些局限性,雅典国家技能大学和阿卜杜拉国王科技大学的研究职员开拓了 MariNeXt。该深度学习框架整合了前辈的数据增强技能和一个多尺度卷积把稳力网络,能够学习各种情形和海面特色并进行归纳。
研究职员在海洋垃圾和油污(MADOS)数据集上对 MariNeXt 进行了演习,该数据集由这些研究职员利用约 150 万个带注释的像素创建而成。这 150 万个带注释的像向来自 2015 年至 2022 年期间在环球采集的 174 个卫星场景。这个综合数据集包含 15 个种别,包括漂浮的海洋垃圾、油污、马尾藻、天然有机物、船只、海涕以及各种与水有关的情形,如波浪、浑水或浅水等。
图 1. MADOS 图块概览,这些图块显示了在各种景象和海况条件 下注释的海洋污染物和海面特色
研究职员利用 cuDNN 加速的 PyTorch 框架,在两个显存为 24 GB 的 NVIDIA RTX A5000 GPU 上开拓并测试了该模型。这两个 RTX A5000 由NVIDIA 学术硬件帮助操持赠予。
研究报告的共同作者 Ioannis Kakogeorgiou 表示:“凭借巨大的 GPU 容量,该团队开拓出了超越随机森林等传统机器学习方法的前辈深度学习办理方案。这一高性能硬件使研究职员能够利用更大的模型、更高的输入分辨率和更大的批次规模,进行广泛的实验。”
在识别不同海洋条件下的海洋污染物和海面特色方面,MariNeXt 模型的总体准确率达到 89.1%。该 AI 框架还能够天生发展潜力巨大的预测舆图,并且表现优于其他机器学习基线模型,充分表示出其在理解和监测海洋环境方面的潜力。
只管 MariNeXt 是一个实用的海洋监测工具,但它也有局限性,比如数据集本身的不平衡。有些种别(如海水和油污)的数据非常丰富,而有些种别(如泡沫和天然有机物)则较少。
当在该数据集覆盖范围以外的区域检测数据较少的污染种别时,这种局限性可能会降落该模型的检测能力。研究职员目前正在努力提高 MariNeXt 的预测能力。
Kikaki 表示:“抛开局限性不谈,MADOS 是一个非常实用的数据集。它为根据公开的 Sentinel-2 数据来检测海洋污染的机器学习算法供应了基准,推动了未来可操作的海洋监测办理方案的发展。”
理解更多信息并访问 GitHub 上的开源代码:
https://github.com/gkakogeorgiou/mados?tab=readme-ov-file
阅读研究报告《利用 Sentinel-2 影像中的深度学习技能检测海洋污染物和海面特色》:
https://www.sciencedirect.com/science/article/pii/S0924271624000625