基于深度学习的蓝藻水华长时序序列从Landsat影像中自动提取方法

《Remote Sensing》：Automated Extraction of Long-Term Cyanobacteria Blooming Series from Landsat Imagery Using Deep Learning

　　

蓝藻有害藻华（CyanoHABs）对内陆水体生态与环境安全构成严重威胁。尽管已有进展，但受限于数据集规模与分割模型精度，准确捕捉其长时序动态以支持有效治理仍具挑战。研究人员针对此缺口，构建了CyanoHABs数据集并提出新模型——多尺度空间注意力网络（MSA-Net），利用深度学习从Landsat影像中自动提取蓝藻水华。该模型在编解码框架中增强多尺度特征提取并引入混合注意力机制（HAM），性能优于其他模型，为复杂环境下基于遥感的CyanoHAB监测提供鲁棒方法与数据支撑。MSA-Net取得F1-score 88.34%、Precision 88.74%，超越所有基线方法；消融实验进一步验证空间特征增强机制（SFEM）与HAM对分割性能提升的有效性。结果凸显MSA-Net在准确识别CyanoHABs（尤其复杂多尺度环境）中的效用。本研究为CyanoHAB监测提供可迁移深度学习框架与长时序遥感数据集，为全球富营养化内陆水体的大尺度评估与管理提供洞见。

研究背景方面，快速经济发展、城市化与气候变化加剧了蓝藻有害藻华（CyanoHABs）频发，其对湖泊生态、饮用水安全及公共健康构成威胁。传统野外采样难以刻画其动态，卫星遥感因覆盖广、速度快成为替代方案；但目视解译耗时昂贵，半自动光谱指数法（如NDVI、FAI、AFAI）在云影干扰与阈值泛化上受限。已有CNN方法面临长时序大尺度监测的数据不足与局部-全局信息错位问题。为此，研究人员以安徽巢湖为对象，开展2000–2020年CyanoHABs长时序遥感提取研究，论文发表于《Remote Sensing》。

关键技术方法上，研究人员采用USGS Earth Explorer的Landsat 5 TM与Landsat 8 OLI的Collection 2 Level-2地表反射率产品（30 m），经辐射一致化与云掩膜后，用MNDWI提取水体，结合AFAI阈值敏感分析（?0.02至0.08）与双解译员目视校验（IoU一致性高）生成真值；滑动窗口裁切为256×256样本，7:2:1划分训练/验证/测试集，并做翻转镜像旋转增广，最终3126块样本。深度模型以编码器-解码器为基础，用Ghost卷积替代标准3×3卷积极简参量，嵌入空间特征增强模块（SFEM，含多分支空洞深度可分离卷与多尺度上下文对齐模块MCM）与混合注意力机制（HAM，通道+坐标空间注意力），以BCEloss+Adam优化，RTX 2080Ti/TensorFlow实现。

研究结果部分，在“不同CyanoHAB提取方法比较”中，MSA-Net在IoU（80.27%）、Precision（88.74%）、Recall（87.95%）、F1（88.34%）上均优于PSPNet、DANet、FCN-8s、SegNet、U-Net、WaterSCNet；定性显示其边界更清、微斑块遗漏更少（漏提误差OE 6.2% vs WaterSCNet 10.8%/U-Net 12.5%）。在“消融实验”中，基线→+SFEM→+HAM→完整MSA-Net逐次提升，证明SFEM保细粒度多尺度、HAM抑背景噪点的互补性。在“巢湖CyanoHAB时空分析及富营养化成因评价”中，月频显示5–11月为主发期、9–10月峰值，2004年后由夏秋偶发转全年发生；双年级频率图显示西岸（受合肥城市扩张、人口4.38→9.37百万、GDP 324.7亿→10045.72亿元驱动）富营养化最重，与颗粒磷长期上升一致。

讨论部分指出，深度学习依赖高质量真值、Landsat训练模型跨传感器泛化有限、高悬沙反射干扰光谱判别；建议融合Sentinel-2 MSI与Landsat 9 OLI-2构虚拟星座提升至2.9天重访，并补同步实测。结论部分翻译如下：本研究构建了面向CyanoHABs的遥感实例分割数据集以弥补训练样本缺口，提出集成HAM与SFEM的MSA-Net，增强多尺度上下文与细边界捕获、降低漏分率；实验证其优于既有深度方法。未来需轻量化与提速，并在多湖跨区数据结合同步实测验证泛化。数据集已公开于https://github.com/Remote-DL/Long-Time-Series-of-Cyanobacteria-Blooms-from-Landsat-Satellite-Imageries。