文献类型：期刊文章

作　　者：李潇凡[1] 王胜强[1] 翁轩[1] 孙德勇[1] 张海龙[1] 焦红波[4] 梁涵玮[2,3]

Li Xiaofan;Wang Shengqiang;Weng Xuan;Sun Deyong;Zhang Hailong;Jiao Hongbo;Liang Hanwei(School of Marine Sciences,Nanjing University of Information Science&e Technology,Nanjing,Jiangsu 210044,China;Key Laboratory of Coastal Zone Exploitation and Protection,Ministry of Natural Resources,Nanjing,Jiangsu 210024,China;School of Geographic Sciences,Nanjing University of Information Science&Technology,Nanjing,Jiangsu 210044,China;National Marine Data and Information Service,Tianjin 300171,China)

机构地区：[1]南京信息工程大学海洋科学学院,江苏南京210044 [2]自然资源部海岸带开发与保护重点实验室,江苏南京210024 [3]南京信息工程大学地理科学学院,江苏南京210044 [4]国家海洋信息中心,天津300171

出　　处：《光学学报》

基　　金：国家自然科学基金(41876203,41506200);国家对地观测科学数据中心开放基金项目(NODAOP2020009);自然资源部海岸带开发与保护重点实验室开放基金(2019CZEPK07);南京市留学人员科技创新项目(R2019LZ05);江苏省研究生科研创新计划(KYCX20_0959)。

年　　份：2021

卷　　号：41

期　　号：2

起止页码：12-20

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：基于语义分割神经网络UNet,利用GOCI(Geostationary Ocean Color Imager)卫星传感器数据,构建出能够有效提取大型漂浮藻类的深度学习模型,实现了对大型漂浮藻类信息端到端、像素到像素的分割识别。验证结果表明:所提出的深度学习模型对验证集中大型漂浮藻类的平均识别精度达到88.54%;通过与传统的归一化植被指数法和替代型漂浮藻类指数法进行对比,发现基于UNet构建的大型漂浮藻类监测模型具有更高的准确率且受云的影响较小。利用UNet大型漂浮藻类提取模型的识别结果对2017年东海藻类暴发过程进行了分析,模型显示出很好的实用性。

关 键 词：海洋光学 大型漂浮藻类  遥感监测 深度学习  语义分割  UNet  

分 类 号：O436]