一项 AI 赋能的遥感研究为全球海洋清理工作提供了动态的新工具。该突破性成果在《ISPRS Journal of Photogrammetry and Remote Sensing》中详细介绍，揭示了 MariNeXt，这是一种深度学习框架，可使用高分辨率 Sentinel-2 图像检测和识别海洋污染。MariNeXt 可以通过准确检测海洋废弃物和水面漏油事件，彻底改变资源管理人员和机构在全球范围内监测和减轻海洋污染的方式。
Katerina Kikaki 说：“海洋废弃物目前被认为是海洋污染中最紧迫的问题之一。自动准确识别废弃物的能力对于应对和减少生态系统健康和蓝色经济面临的重大威胁至关重要。”
漏油、海洋垃圾和藻华等污染源对人类健康、水生生物和经济构成持续的威胁。在过去，使用人工方法检测海洋污染物需要大量的人力和时间，因此只能识别一小部分。
Kikaki 说：“AI 是一种功能日益强大的海洋监测工具。它与遥感相结合，可以跨大空间和时间尺度自动收集和分析数据，从而实现更全面、更经济高效的监测。”
有效的海洋污染监测系统对于实现联合国可持续发展目标至关重要，因为它们在确保海洋环境长期健康方面发挥着关键作用。但是，当前的AI算法无法准确识别污染物。
大多数提议的方法都是为了检测单个海洋污染物或少量海洋表面特征而设计的。此外，这些方法往往在本地运行，无法进行大规模监测。另一个挑战是，海洋污染物具有复杂的光学属性，而现有的卫星传感器并不总是能够处理这些污染物。
为了克服这些限制，来自National Technical University of Athens和King Abdullah University of Science and Technology的研究人员开发了MariNeXt。该深度学习框架集成了先进的数据增强技术和多尺度卷积注意力网络，使其能够从各种条件和海洋表面特征进行学习和泛化。
研究人员使用 Marine Debris and Oil Spill (MADOS) 数据集对 MariNeXt 进行了训练，他们还使用从 2015 年到 2022 年期间在全球收集的 174 个卫星场景中收集的大约 1.5M 带注释的像素创建了该数据集。该全面的数据集包括 15 个类别，包括漂浮的海洋废弃物、油泄漏、Sargassum macroalgae、自然有机物、船舶、海洋痂和水相关的状况，如波浪、浑或浅水。
研究人员使用 cuDNN 加速的 PyTorch 框架在两个 NVIDIA RTX A5000 GPU 上开发和测试了该模型，每个 GPU 都有 24 GB 的内存。研究人员作为 NVIDIA 学术硬件资助计划的获奖者，获得了两个 RTX A5000。
研究的联合作者 Ioannis Kakogeorgiou 表示：“强大的 GPU 容量使团队能够开发出超越随机森林等传统机器学习方法的先进深度学习解决方案。这类高性能硬件允许对更大的模型、更高的输入分辨率和更高的批量大小进行广泛的实验。”
MariNeXt 模型在识别不同海洋条件下的海洋污染物和海洋表面特征方面的总体准确率达到 89.1%。该 AI 框架还生成了前景光明的预测地图，其表现优于其他机器学习基准模型，这凸显了其在理解和监测海洋环境方面的潜力。
虽然 MariNeXt 是一种有用的海洋监测工具，但它存在局限性。数据集本质上是不平衡的，另外，一些类别，如海洋水和油泄漏，丰富，而泡沫和自然有机材料等其他类别则较少。
这可能会限制模型在超出数据集覆盖范围的区域中检测较少代表类别的能力。研究人员目前正在致力于改进MariNeXt的预测能力。
Kikaki 表示：“暂且不谈这些限制，MADOS 是一个宝贵的数据集，可根据开放的 Sentinel-2 数据对海洋污染物检测的机器学习算法进行基准测试，从而为未来海洋监测解决方案的开发提供支持。”
了解详情并访问 GitHub 上的开源代码。
阅读 Sentinel-2 图像中的研究：“使用深度学习检测海洋污染物和海洋表面特征”。
