编辑推荐：
水资源对地球生命至关重要，但面临诸多问题。研究人员开展基于无服务器卫星边缘计算架构监测湖泊岸线变化的研究，提出新架构和改进模型，评估结果显示其准确性超现有模型，有助于水资源管理。
水，作为生命之源，在人类发展和地球生态平衡中扮演着不可或缺的角色。它不仅是人类日常生活和工业生产的基础，更是维持全球生态系统稳定的关键因素。然而，如今水资源面临着严峻的挑战。水短缺问题日益严重，许多地区的人们面临着用水困难；水污染现象频发，大量的污水排放使得原本清澈的水源变得污浊不堪，威胁着生物的生存和人类的健康；此外，全球气候变暖导致冰川加速融化，引发海平面上升，给沿海地区带来了巨大的潜在危机。
在这样的背景下，对水资源的有效监测和管理变得至关重要。卫星图像和遥感技术为水资源监测提供了有力的手段，但传统卫星系统存在数据延迟和带宽效率低的问题。同时，现有的深度学习算法在利用卫星图像和遥感数据来识别水资源波动方面也存在不足，尤其是在跟踪水资源海岸线扩张方面缺乏足够的关注，且现有算法依赖的 Landsat 图像存在分辨率、大气干扰和重访时间等方面的局限。为了解决这些问题，研究人员开展了一项关于基于对比注意力孪生 Transformer（Siamese Transformer）的无服务器卫星边缘计算架构助力湖泊岸线变化监测的研究。研究成果发表在《Engineering Applications of Artificial Intelligence》上。
研究人员采用了无服务器卫星边缘计算技术、基于 Transformer 的 Siamese 深度学习模型以及在模型融合模块中加入对比注意力机制等关键技术方法。利用多卫星构成分布式卫星星座，以无服务器方式在边缘分发应用和任务；构建基于 Transformer 的 Siamese 网络识别水资源前沿变化；通过添加对比注意力提升模型准确性，并使用全球四个湖泊的真实历史卫星图像数据集进行评估。
无服务器卫星边缘计算架构
研究人员提出了一种全新的无服务器卫星边缘计算系统。利用边缘计算和多卫星组成分布式卫星星座的优势，能够以无服务器的方式在这些卫星的边缘分发应用和任务。这种方式摆脱了对特定卫星的依赖，只要是具备图像捕获和接收能力的卫星，都可以进行应用部署。
湖泊岸线变化检测模型
引入基于 Transformer 的 Siamese 网络来识别水资源前沿的变化。Siamese 网络擅长匹配和比较任务，在变化检测应用中表现出色，尤其适用于标记数据稀缺或获取成本高的情况。研究人员对基于 Transformer 的 Siamese 网络进行了改进，在模型的融合模块中加入对比注意力机制，进一步提升了模型的准确性。
数据集准备、实验设置、评估场景和结果
研究人员精心准备了数据集，选用全球四个湖泊的真实历史卫星图像数据。在实验设置上，进行了多方面的考量和规划。在评估场景中，通过多种方式对模型进行评估。最终的评估结果令人振奋，该模型在整体准确率上比最先进的模型至少高出 1.75%，在预测历史海岸线扩张方面表现优异，能够更精准地识别湖泊岸线扩张，这对于理解水体运动和长期合理的水资源管理具有重要意义。
研究表明，通过构建无服务器卫星边缘计算架构，并结合改进的基于 Transformer 的 Siamese 网络，在湖泊岸线变化监测方面取得了显著成果。该研究为水资源管理提供了更精准的技术支持，有助于更好地理解水资源动态变化，对推动可持续水资源管理策略的制定和实施具有重要意义。同时，这一研究成果也为相关领域的进一步发展提供了新的思路和方法，有望在未来的水资源监测和管理工作中发挥更大的作用，为保护珍贵的水资源贡献力量。
