一項 AI 賦能的遙感研究為全球海洋清理工作提供了動態的新工具。該突破性成果在《ISPRS Journal of Photogrammetry and Remote Sensing》中詳細介紹，揭示了 MariNeXt，這是一種深度學習框架，可使用高分辨率 Sentinel-2 圖像檢測和識別海洋污染。MariNeXt 可以通過準確檢測海洋廢棄物和水面漏油事件，徹底改變資源管理人員和機構在全球范圍內監測和減輕海洋污染的方式。
Katerina Kikaki 說：“海洋廢棄物目前被認為是海洋污染中最緊迫的問題之一。自動準確識別廢棄物的能力對于應對和減少生態系統健康和藍色經濟面臨的重大威脅至關重要。”
漏油、海洋垃圾和藻華等污染源對人類健康、水生生物和經濟構成持續的威脅。在過去，使用人工方法檢測海洋污染物需要大量的人力和時間，因此只能識別一小部分。
Kikaki 說：“AI 是一種功能日益強大的海洋監測工具。它與遙感相結合，可以跨大空間和時間尺度自動收集和分析數據，從而實現更全面、更經濟高效的監測。”
有效的海洋污染監測系統對于實現聯合國可持續發展目標至關重要，因為它們在確保海洋環境長期健康方面發揮著關鍵作用。但是，當前的AI算法無法準確識別污染物。
大多數提議的方法都是為了檢測單個海洋污染物或少量海洋表面特征而設計的。此外，這些方法往往在本地運行，無法進行大規模監測。另一個挑戰是，海洋污染物具有復雜的光學屬性，而現有的衛星傳感器并不總是能夠處理這些污染物。
為了克服這些限制，來自National Technical University of Athens和King Abdullah University of Science and Technology的研究人員開發了MariNeXt。該深度學習框架集成了先進的數據增強技術和多尺度卷積注意力網絡，使其能夠從各種條件和海洋表面特征進行學習和泛化。
研究人員使用 Marine Debris and Oil Spill (MADOS) 數據集對 MariNeXt 進行了訓練，他們還使用從 2015 年到 2022 年期間在全球收集的 174 個衛星場景中收集的大約 1.5M 帶注釋的像素創建了該數據集。該全面的數據集包括 15 個類別，包括漂浮的海洋廢棄物、油泄漏、Sargassum macroalgae、自然有機物、船舶、海洋痂和水相關的狀況，如波浪、渾或淺水。
研究人員使用 cuDNN 加速的 PyTorch 框架在兩個 NVIDIA RTX A5000 GPU 上開發和測試了該模型，每個 GPU 都有 24 GB 的內存。研究人員作為 NVIDIA 學術硬件資助計劃的獲獎者，獲得了兩個 RTX A5000。
研究的聯合作者 Ioannis Kakogeorgiou 表示：“強大的 GPU 容量使團隊能夠開發出超越隨機森林等傳統機器學習方法的先進深度學習解決方案。這類高性能硬件允許對更大的模型、更高的輸入分辨率和更高的批量大小進行廣泛的實驗。”
MariNeXt 模型在識別不同海洋條件下的海洋污染物和海洋表面特征方面的總體準確率達到 89.1%。該 AI 框架還生成了前景光明的預測地圖，其表現優于其他機器學習基準模型，這凸顯了其在理解和監測海洋環境方面的潛力。
雖然 MariNeXt 是一種有用的海洋監測工具，但它存在局限性。數據集本質上是不平衡的，另外，一些類別，如海洋水和油泄漏，豐富，而泡沫和自然有機材料等其他類別則較少。
這可能會限制模型在超出數據集覆蓋范圍的區域中檢測較少代表類別的能力。研究人員目前正在致力于改進MariNeXt的預測能力。
Kikaki 表示：“暫且不談這些限制，MADOS 是一個寶貴的數據集，可根據開放的 Sentinel-2 數據對海洋污染物檢測的機器學習算法進行基準測試，從而為未來海洋監測解決方案的開發提供支持。”
了解詳情并訪問 GitHub 上的開源代碼。
閱讀 Sentinel-2 圖像中的研究：“使用深度學習檢測海洋污染物和海洋表面特征”。
?
