HydroVision：基于计算机视觉预测表面水中光学活性参数

计算机视觉领域的持续进步，特别是在模式识别和场景分类方面，正在为环境监测带来新的应用。深度学习现在为评估水质和检测污染提供了非接触方法，这两者都是灾害响应和公共卫生保护的关键。本工作引入 HydroVision，一个基于深度学习的场景分类框架，用于估计表面水中光学活性水质参数，包括叶绿素-α、叶绿素、染色有机溶解物（CDOM）、共绿素、悬浮沉积物和浊度。HydroVision 支持对污染趋势的早期检测，强化监管机构在外部环境压力、工业活动和不可抗力事件期间的监测。该模型基于 2022 年至 2024 年从美国地质调查局水力学影像可视化与信息系统（Hydrologic Imagery Visualization and Information System）收集的超过 50 万个季节性变异图像进行训练。该方法利用广泛可用的 RGB 影像作为传统多光谱和高光谱遥感的可扩展、具成本效益的替代方案。评估了四个最先进的卷积神经网络（VGG-16、ResNet50、MobileNetV2、DenseNet121）和一个视觉转换器，通过迁移学习识别表现最佳的体系结构。DenseNet121 实现了最高的验证性能，CDOM 的 R2 分数达 0.89，证明了该框架在多样化条件下为实际水质监测提供了前景。虽然当前模型针对充足照明的影像进行了优化，但未来工作将致力于提高在低光照和受阻场景下的鲁棒性，以扩大其实际应用价值。