第七届青年地学论坛

大数据背景下如何充分挖掘海量数据中蕴含的关键信息已成为当下海洋学研究中的热点问题。近年来，深度学习算法在图像信息提取上展现出了明显优势，深层卷积神经网络（deep convolutional neural networks，DCNN）也被广泛用于卫星影像上复杂信息的提取工作，其通常采用“端对端”的特征学习，通过多层处理机制揭示隐藏于数据中的非线性特征。本研究提出了一种基于DCNN的光学卫星影像内波信号提取方法，该模型应用时无需重新训练或人工干预即可自动提取源自不同卫星传感器及不同空间分辨率影像中的海洋内波信号。该方法使用2016至2018年收集的近500景南海及周边海域Himawari-8静止卫星影像（1km分辨率）及MODIS极轨卫星影像（500m分辨率）进行DCNN语义分割模型的训练及验证。通过测试发现，当两类卫星遥感影像受云层及其它大气海洋现象干扰严重时，该模型仍有较高的提取精度（准确率precision为0.89,召回率recall为0.81）。本研究表明，这种基于DCNN的方法具有可观的泛化能力，即使在复杂的成像条件下，也可满足在多源多分辨率卫星影像中高效自动提取内波信号的需求。
 

人工智能,深度学习,海洋内波,卷积神经网络