从重建的高光谱卫星数据中检测有害藻华

《International Journal of Remote Sensing》：Detecting harmful algal blooms from reconstructed hyperspectral satellite data

有害藻华因营养过剩等问题加剧，本研究提出基于一维卷积神经网络的两阶段框架：首先用Sentinel-2多光谱数据重建高光谱数据（PCC>0.98），再利用重建数据分类夜光藻、红海藻和蓝藻（准确率97.3%）。该框架验证了多光谱数据经1D-CNN重建后对HABs分类的有效性，为全球监测提供了新方法。

　　

摘要

由于营养物质过量输入、人为污染和气候变化，有害藻华（HABs）对海洋、沿海和内陆水体的影响日益严重。因此，准确检测和分类有害藻华对于监测其影响并实施缓解策略至关重要。遥感技术已被证明是持续监测和检测有害藻华的有效工具。然而，现有的遥感技术面临重大挑战，尤其是由于多光谱传感器的光谱分辨率有限。为了解决这一问题，本研究提出了一种基于一维卷积神经网络（1D-CNN）的新型两阶段深度学习框架。第一个1D-CNN模型利用Sentinel-2多光谱数据重建高光谱反射光谱。该模型使用Hyperspectral Imager for the Coastal Ocean（HICO）的数据进行训练，并通过GLObal Reflectance community dataset for Imaging and optical sensing of Aquatic environments（GLORIA）进行验证。模型结果显示出一致的高PCC值（>0.98）以及较低的RMSE和MAE，表明重建光谱与实地光谱之间有很强的吻合度，并且关键光谱特征得到了有效保留。接下来，第二个1D-CNN模型利用重建的高光谱数据对三种常见的有害藻华进行分类，分别是Noctiluca scintillans、Trichodesmium erythraeum和Microcystis aeruginosa。该模型的总体准确率为97.3%，Macro-F1分数为0.970，Weighted-F1分数为0.973，显示出所有类别的高分类精度。较低的误分类率（2.7%）突显了模型的稳健性以及从重建高光谱数据中提取的光谱特征在捕捉特定类别变异方面的有效性。此外，该模型的适用性通过使用全球不同海洋环境下的Sentinel-2数据得到了验证。本研究展示了在高光谱传感器不可用时，高光谱重建技术在有害藻华分类中的潜力，从而支持实时监测和全球范围内减轻有害藻华生态和经济影响的努力。