融合多光谱与高光谱卫星数据用于有害藻华监测的自监督与层次深度学习
机器学习
2026-02-03 v3 人工智能
摘要
我们提出了一种自监督机器学习框架，用于利用多传感器卫星数据检测和绘制有害藻华 (HAB) 的严重程度和种类。通过融合来自业务极轨卫星仪器 (VIIRS、MODIS、OLCI 和 OCI) 的反射率数据与 TROPOMI 太阳诱导荧光 (SIF)，我们的框架 SIT-FUSE 在不依赖各仪器标注数据集的情况下生成 HAB 严重程度和种类产品。该框架采用自监督表示学习和层次深度聚类，将浮游植物细胞丰度和物种分割为可解释的类别，并以 2018–2025 年墨西哥湾和南加州的现场数据进行验证。结果与总浮游植物、Karenia brevis 和 Pseudo-nitzschia spp. 的测量结果吻合良好。该工作推进了在地面真实观测有限的环境中开展可扩展的 HAB 监测，同时通过层次嵌入实现探索性分析，这是将自监督学习操作化用于全球水生生物地球化学的关键一步。
引用
@article{arxiv.2510.02763,
title = {Fusing Multi- and Hyperspectral Satellite Data for Harmful Algal Bloom Monitoring with Self-Supervised and Hierarchical Deep Learning},
author = {Nicholas LaHaye and Kelly M. Luis and Michelle M. Gierach},
journal= {arXiv preprint arXiv:2510.02763},
year = {2026}
}