CN119394933A 一种基于深度学习的多光谱反射率海洋粘液检测方法 （中国海洋大学三亚海洋研究院）

一种基于深度学习的多光谱反射率海洋粘本申请公开了一种基于深度学习的多光谱利用MODIS数据的质量控制波段进行云掩膜操通过引入结合BCE和F1分数的新型损失函数，使2将标注的标签信息与对应的MODIS多光谱数据进行配对，提取MODIS数2.根据权利要求1所述的基于深度学习的多光谱反射率海洋粘液检测方法，其特征在3.根据权利要求2所述的基于深度学习的多光谱反射率海洋粘液检测方法，其特征在步骤1）中，获取中分辨率的多波段光谱遥感数据时，使用TMODIS传感器获取MOD09GA/MOYD09GA数据；MOD09GA/MOYD09GA数据包含500m分辨率的地表4.根据权利要求3所述的基于深度学习的多光谱反射率海洋粘液检测方法，其特征在质量控制波段以二进制数据形式保存，如果其中一个像素5.根据权利要求4所述的基于深度学习的多光谱反射率海洋粘液检测方法，其特征在3x*—(X-U)losa其中，x为MOD09GA/MOYD09GA数据中地表反射率值转换前的值，x*为6.根据权利要求5所述的基于深度学习的多光谱反射率海洋粘液检测方法，其特征在使用标注工具对WorldView快视图影像中的海洋粘液区域进行人工标注；基于人工标人工标注时，将标注的标签信息与对应的MODIS多光谱数据进行配对七组光谱反射率值的波段分别为波长为620_670nm的红光波段、波长为841_红外波段、波长为459_479nm的蓝光波段、波长为545_565nm的绿光波段、波长为1230_7.根据权利要求6所述的基于深度学习的多光谱反射率海洋粘液检测方法，其特征在8.根据权利要求7所述的基于深度学习的多光谱反射率海洋粘液检测方法，其特征在和F1分数的新型损失函数公式为loss=axBCE+(1-u)x(1⃞F1);其45中分辨率的多波段光谱遥感数据时，使用Terra和Aqua卫星上搭载的MODIS传感器获取原始数据的标准差；6使用标注工具对WorldView快视图影像中的海洋粘液区域进行人工标注；基于人;7获取中分辨率的多波段光谱遥感数据。主要使用Terra和Aqua卫星上搭载的[0023]获取WorldView提供的重采样处理快视图作为参考，能够用于精细标注海洋粘液利用MODIS卫星数据中的质量控制波段进行云掩膜操作。质量控制波段以二进制[0025]由于MOD09GA/MOYD09GA数据和WorldView数据的分辨率不同，为了确保数据的对齐一致性，需要将两者进行重采样。通过双线性插值或邻近插值方法，将高分辨率的WorldView数据降采样至与MODIS数据相同的500米分辨率，这样可以确保后续处理的计算使用LabelMe等标注工具对WorldView快视图影像中的海洋粘液区域进行人工8长为841_876nm得近红外波段、波长为459_479nm的蓝光波段、波长为545_565nm的绿光波程中将训练集再分出20%作为验证集。测试集作为独立部分来检验训练完成后模型的识别loss=XBCE+(1-u)x(1-F1)其中，BCE用于计算预测值与真实值的差样本的检测灵敏度。预测的海洋粘液像素占总像素的比例。precision(精度)：模型正确预测为藻类的像素9[