590 / 2024-09-18 15:17:38
Remote Sensing Monitoring of Aquaculture in Sansha Bay Using U-Net Deep Learning
Aquaculture Monitoring; Remote Sensing; U-Net; Deep Learning
Session 54 - Remote sensing of coastal zone and sustainable development
Abstract Accepted
水产养殖是海洋生态系统的重要组成部分，具有低成本、高产量和可衡量的碳封存等优势。尽管其重要性，但准确有效地大规模监测水产养殖分布仍然是一项重大挑战。遥感技术具有广泛的空间和时间覆盖范围，已成为克服这一障碍的重要工具。本研究以福建省三沙湾为研究对象，利用分辨率为 3.2 m 的高分辨率 GF-2 卫星成像仪，开发了基于 U-Net 语义分割神经网络的水产养殖分类模型。该模型专为高精度识别和提取网箱和筏式水产养殖系统而设计。实验结果表明，该模型在筏式培养中实现了 94% 的平均交并比 （mIoU），在网箱培养中实现了 95% 的平均交叉比 （mIoU），总体提取准确率为 94.86%。与传统的遥感方法相比，这种方法为海水养殖区的大规模分类和提取提供了一种更简单、更高效的解决方案。所提出的模型为高精度水产养殖监测提供了一种有效的工具，可应用于渔业管理和环境保护。未来的工作将旨在扩展该模型以涵盖其他类型的水产养殖系统，并在各个海洋区域测试其性能。