一项关于 AI 遥感技术的研究为全球海洋清洁工作提供了一个强大的新工具。国际摄影测量与遥感学会（ISPRS）的 Journal of Photogrammetry and Remote Sensing (ISPRS) 详细介绍了这项突破性研究，公开了一个深度学习框架 MariNeXt，该框架能够利用高分辨率的 Sentinel-2 图像来检测和识别海洋污染。通过准确探测海面上的海洋垃圾和油污，MariNeXt 将为全球资源管理人员和机构监测和减轻海洋污染的方式带来变革。

该研究的第一作者、雅典国家技术大学博士后研究员 Katerina Kikaki 表示：“海洋垃圾目前被认为是最迫在眉睫的海洋污染问题之一。要想应对并减小这一危及生态系统健康和蓝色经济的重大威胁，关键之一在于能够自动准确识别海洋垃圾。”

油污、海洋垃圾和大量繁殖的藻类等污染源对人类健康、水生生物和经济造成了持续的威胁。过去，使用人工方法探测海洋污染物耗费了大量人力和时间，结果却只能发现一小部分海洋污染物。

Kikaki 表示：“AI 已成为一种日益强大的海洋监测工具。结合遥感技术，AI 能够进行大空间和时间尺度的自动数据采集与分析，实现更加全面、经济的监测。”

有效的海洋污染监测系统在保障海洋环境的长期健康方面起到关键作用，对于实现联合国的可持续发展目标至关重要，但目前的 AI 算法无法准确识别污染物。

大多数方法都是为了检测一种海洋污染物或少量海面特征而设计的。此外，这些方法往往只能在局部地区运行，无法进行大规模的监测。另一个难题是海洋污染物具有复杂的光学特性，而目前的卫星传感器有时无法处理它们。

为了克服这些局限性，雅典国家技术大学和阿卜杜拉国王科技大学的研究人员开发了 MariNeXt。该深度学习框架整合了先进的数据增强技术和一个多尺度卷积注意力网络，能够学习各种情况和海面特征并进行归纳。

研究人员在海洋垃圾和油污（MADOS）数据集上对 MariNeXt 进行了训练，该数据集由这些研究人员使用约 150 万个带注释的像素创建而成。这 150 万个带注释的像素来自 2015 年至 2022 年期间在全球采集的 174 个卫星场景。这个综合数据集包含 15 个类别，包括漂浮的海洋垃圾、油污、马尾藻、天然有机物、船只、海涕以及各种与水有关的情况，如波浪、浑水或浅水等。

图 1. MADOS 图块概览，这些图块显示了在各种天气和海况条件 下注释的海洋污染物和海面特征

研究人员使用 cuDNN 加速的 PyTorch 框架，在两个显存为 24 GB 的 NVIDIA RTX A5000 GPU 上开发并测试了该模型。这两个 RTX A5000 由NVIDIA 学术硬件资助计划赠予。

研究报告的共同作者 Ioannis Kakogeorgiou 表示：“凭借巨大的 GPU 容量，该团队开发出了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。这一高性能硬件使研究人员能够使用更大的模型、更高的输入分辨率和更大的批次规模，进行广泛的实验。”

在识别不同海洋条件下的海洋污染物和海面特征方面，MariNeXt 模型的总体准确率达到 89.1%。该 AI 框架还能够生成发展潜力巨大的预测地图，并且表现优于其他机器学习基线模型，充分体现出其在理解和监测海洋环境方面的潜力。

尽管 MariNeXt 是一个实用的海洋监测工具，但它也有局限性，比如数据集本身的不平衡。有些类别（如海水和油污）的数据非常丰富，而有些类别（如泡沫和天然有机物）则较少。

当在该数据集覆盖范围以外的区域检测数据较少的污染类别时，这种局限性可能会降低该模型的检测能力。研究人员目前正在努力提高 MariNeXt 的预测能力。

Kikaki 表示：“抛开局限性不谈，MADOS 是一个非常实用的数据集。它为根据公开的 Sentinel-2 数据来检测海洋污染的机器学习算法提供了基准，推动了未来可操作的海洋监测解决方案的发展。”

了解更多信息并访问 GitHub 上的开源代码：

https://github.com/gkakogeorgiou/mados?tab=readme-ov-file

阅读研究报告《利用 Sentinel-2 影像中的深度学习技术检测海洋污染物和海面特征》：

https://www.sciencedirect.com/science/article/pii/S0924271624000625