基于自监督学习的Sentinel-2遥感数据自动检测浮水植被研究

本研究针对传统遥感指数法（如NDVI）检测浮水植被存在参数鲁棒性差、需人工干预等问题，提出基于自监督学习的自动检测模型。该模型仅需少量标注数据即可实现高精度图像检索，为水生入侵物种监测提供高效技术方案，对水生态环境管理具有重要意义。

　　

通过欧盟哥白尼计划中的Sentinel-2双星（Sentinel-2A/Sentinel-2B）获取13个波段（含可见光至短波红外）分辨率达10?m/像素的遥感影像，研究人员开发了浮水植被自动检测系统。传统依赖归一化植被指数(Normalized Difference Vegetation Index, NDVI)与水 segmentation的方法需人工设计特征且受大气校正效果制约。本研究采用自监督学习技术，仅需少量标注数据即可训练模型，在未微调阶段即具备图像检索能力，微调后精度达到同类研究水平。该技术为西班牙湖泊中入侵浮水植物的时空分布及成因分析提供了自动化解决方案，显著提升环境监测效率。