基于深度学习的卫星图像自动海岸线提取：以Sentinel-2基准数据集为方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Deep Learning-Based Automated Coastline Extraction From Satellite Imagery: A Sentinel-2 Benchmark Dataset Approach

　　

摘要：

目前从卫星图像中提取海岸线的方法主要检测的是瞬时水边，因此得到的海岸线对潮汐变化极为敏感，且往往不符合长期海岸分析所需的地貌学定义。这一局限性还因缺乏可公开获取、大规模且具有多样地貌特征的标注数据集而进一步加剧，这阻碍了深度学习模型在不同类型海岸环境中的开发、评估与推广。为解决这一问题，我们建立了Sentinel-2海岸线训练数据集（SCTD），无需进行传统的水边检测和潮汐校正步骤，该数据集包含1,525组多场景图像-标签对（以沙滩海岸为主），涵盖了人工岛、河道、泻湖、小型渔港和沙嘴等多种地形。此外，我们还提出了一种带有边缘约束的混合自适应损失函数，其性能与其他常用损失函数相当，同时还能进一步提升深度学习模型直接提取海岸线的能力。我们使用了六种基于U-Net的卷积模型，并通过定量指标与定性分析相结合的方式进行训练与评估。结果表明，海岸线检测的性能取决于网络架构、损失函数设计以及地貌类型的共同作用，而不仅仅取决于模型结构本身。SCTD数据集及配套代码已公开发布，为遥感与机器学习领域的海岸线提取提供了参考标准。该方法有助于精准监测海岸侵蚀情况、评估工程干预效果，以及为气候适应性规划提供支持。通过整合多源数据和高分辨率数据，该框架还可应用于更广阔的区域和更复杂的海岸类型，代表了从瞬时检测到...

显示更多