摘要：中高空间分辨率宽波段光学卫星已成为赤潮监测的主要数据源,但与水色卫星传感器不同,中高空间分辨率卫星传感器主要面向陆地应用,其波段数量少、宽度大,由此对赤潮探测带来的影响尚待研究。为此,本文基于不同优势种赤潮实测高光谱数据、时空同步的GF-1 WFV2、GF-1 WFV3传感器影像、Sentinel-2A MSI传感器影像及GF-6 WFV传感器影像,探究了波段设置、光谱响应函数、信噪比及空间分辨率对赤潮探测的影响,并分析了红边波段赤潮探测优势。结果表明:波段设置对赤潮探测影响大,特别是红光波段和红边波段的中心波长和波段宽度;波段设置相同的情况下,赤潮探测精度受光谱响应函数的影响大,受信噪比的影响较小;空间分辨率对赤潮探测的影响较大,空间分辨率的提升有助于提高赤潮探测的精度。红边波段赤潮探测实验表明,较之红光波段,基于红边波段的赤潮探测具有明显的优势,平均F1-Score提高了11%。本文的研究结果一方面可为赤潮中高空间分辨率卫星探测的数据选取提供理论依据,另一方面可为中高空间分辨率卫星传感器的设计提供参考。

摘要：目的赤潮是一种常见的海洋生态灾害,严重威胁海洋生态系统安全。及时准确获取赤潮的发生和分布信息可以为赤潮的预警和防治提供有力支撑。然而,受混合像元和水环境要素影响,赤潮分布精细探测仍是挑战。针对赤潮边缘探测的难点,结合赤潮边缘高频特征学习与位置语义,提出了一种计算量小、精度高的网络模型RTD⁃Net(red tide detection network)。方法针对赤潮边缘探测不准确的问题,设计了基于RIR(residual-in-residual)结构的网络,以提取赤潮边缘水体的高频特征;利用多感受野结构和坐标注意力机制捕获赤潮水体的位置语义信息,增强赤潮边缘水体的细节信息并抑制无用的特征。结果在GF1-WFV(Gaofen1 wide field of view)赤潮数据集上的实验结果表明,所提出的RTDNet模型赤潮探测效果不仅优于支持向量机(support vector machine,SVM)、U-Net、Deep⁃Labv3+及HRNet(high-resolution network)等通用机器学习和深度学习模型,而且也优于赤潮指数法GF1_RI(Gaofen1 red tide index)以及赤潮探测专用深度学习模型RDU-Net(red tide detection U-Net),赤潮误提取、漏提取现象明显减少,F1分数在两幅测试图像上分别达到了0.905和0.898,相较于性能第2的模型DeepLabv3+提升了2%以上。而且,所提出的模型参数量小,仅有2.65 MB,约为DeepLabv3+的13%。结论面向赤潮探测提出一种基于RIR结构的赤潮深度学习探测模型,通过融合多感受野结构和注意力机制提升了赤潮边缘探测的精度和稳定性,同时有效降低了计算量。本文方法展现了较好的应用效果,可适用于不同高分辨率卫星影像的赤潮探测。