基于深度学习与光谱特征迁移的宽波段卫星遥感有害藻华优势物种细粒度识别方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Deep Learning-enabled Identification Dominant Species in Harmful Algal Blooms using Broadband Satellite Data

　　

摘要：

有害藻华（HABs）是全球性的海洋生态灾难，其特点是存在多种优势物种。由于这些物种具有不同的生态影响和毒性，识别这些物种至关重要。宽波段光学卫星为监测近岸精细尺度的HABs提供了优势。然而，大多数宽波段光学卫星光谱分辨率低、波段数量少，这对准确的物种识别构成了重大挑战。为解决这些问题，本研究开发了一种基于深度学习的HABs优势物种识别框架（RT-SGINet）。该框架整合了一种基于光谱特征迁移的样本生成策略，以产生高质量的三维赤潮样本，从而缓解物种特异性训练数据分布不均的问题。开发了基于跨空间特征融合的优势物种识别模块，通过联合提取光谱和空间结构特征来增强种间可分性。此外，引入了一种师生半监督学习策略，以提高模型在不同物种分布下的泛化能力。实验结果表明，样本生成模块能够保持高空间-光谱保真度，实现了小样本场景下的精确物种识别。RT-SGINet准确识别了三种优势物种，包括东海的血苔藻（Akashiwo sanguinea）、红色夜光甲藻（Noctiluca scintillans）和绿色夜光甲藻（Noctiluca scintillans），总体准确率达到94.5%。与现有方法相比，RT-SGINet显著提高了识别准确率3.52%至8.66%。该模型在不同区域和宽波段卫星传感器下均表现出强大的泛化能力。本研究为光谱受限和样本不平衡条件下细粒度HAB物种识别提供了一种可推广的深度学习方法。