利用 Sentinel-2 影像与机器学习模型检测海洋漂浮塑料
计算机视觉与模式识别
2021-06-09 v2 机器学习
摘要
日益严重的海洋塑料污染对海洋生态系统和生物多样性构成严重威胁。本研究尝试探索开放 Sentinel 卫星数据与机器学习（ML）模型在希腊 Mytilene、塞浦路斯 Limassol、意大利 Calabria 和黎巴嫩 Beirut 检测和分类漂浮塑料垃圾方面的全部功能。采用支持向量机（SVM）和随机森林（RF）两种 ML 模型进行分类分析。现场塑料位置数据收集自希腊 Mytilene 和塞浦路斯 Limassol 的控制实验，并用于模型训练。遥感波段和光谱指数均被用于构建 ML 模型。创建了塑料的光谱特征剖面，以区分漂浮塑料与其他海洋垃圾。新开发的指数核归一化植被指数（kNDVI）被纳入建模以检验其对模型性能的贡献。SVM 和 RF 在五种模型与测试案例组合中均表现良好。两种 ML 模型中，RF 性能最高。kNDVI 的加入被证明有效并提升了模型性能，模型 2 的平衡准确率提高反映了这一点（SVM 约 80% 至约 98%，RF 约 87% 至约 97%）。利用性能最佳的模型，开发了自动漂浮塑料检测系统并在 Calabria 和 Beirut 进行了测试。两处站点中，训练后的模型均以约 99% 的准确率检测到漂浮塑料。六个预测变量中，FDI 被证明是检测海洋漂浮塑料最重要的变量。这些发现共同表明，高分辨率遥感影像与自动化 ML 模型可作为具成本效益的海洋漂浮塑料检测的有效替代方案。
引用
@article{arxiv.2106.03694,
title = {Detection of marine floating plastic using Sentinel-2 imagery and machine learning models},
author = {Srikanta Sannigrahi and Bidroha Basu and Arunima Sarkar Basu and Francesco Pilla},
journal= {arXiv preprint arXiv:2106.03694},
year = {2021}
}
备注
30 pages