基于多尺度去噪与双分支深度学习的北极浮冰高精度自动识别
《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:FloeD2-Net: A Dual-Branch Network with Multi-scale Denoising for Automatic Ice Floe Identification across the Arctic Pack Ice Zone Using Sentinel-1 SAR Imagery
【字体:
大
中
小
】
时间:2026年10月23日
来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 6.3
编辑推荐:
浮冰识别是提取冰流分布(FSD)的基础,而FSD是调节北极大气与海洋之间热量和动量交换的关键参数。目前,利用高分分辨率合成孔径雷达影像进行的细尺度浮冰识别方法受到后向散射强度异质性和自动化程度有限的影响,尤其是在冰浓度较高的北极浮冰区(PIZ)。然而,随着PIZ中海冰变薄,浮
浮冰识别是提取冰流分布(FSD)的基础,而FSD是调节北极大气与海洋之间热量和动量交换的关键参数。目前,利用高分分辨率合成孔径雷达影像进行的细尺度浮冰识别方法受到后向散射强度异质性和自动化程度有限的影响,尤其是在冰浓度较高的北极浮冰区(PIZ)。然而,随着PIZ中海冰变薄,浮冰倾向于分散,这对海冰动力数值模拟中传统的连续介质假设提出了挑战。为解决这些问题,我们通过多尺度图像去噪和分割-分类集成提出了FloeD2-Net。具体而言,结合空间域斑点滤波器和超像素技术,以在多个尺度上缓解后向散射强度的异质性。然后,通过将多尺度去噪嵌入现有方法,构建了一个2016年至2024年期间覆盖北极PIZ的新标注10米分辨率浮冰数据集。基于该数据集,进一步开发了一个双分支深度学习(DL)网络,由像素级分类分支和基于区域的分割分支组成,通过尺寸自适应投票策略进行融合。该架构能够实现语义和边缘特征的有效融合,从而产生自动且准确的浮冰识别结果。定性和定量比较表明,多尺度去噪将现有方法的准确率提高了10.8%。双分支DL网络的整体准确率超过98%,优于12个DL模型、4个非DL模型和3个基础模型,并且在识别小浮冰方面表现出特别的优越性。其在可变海冰条件下的应用进一步证明了良好的泛化能力。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号