Abstract Details
590 / 2024-09-18 15:17:38
Remote Sensing Monitoring of Aquaculture in Sansha Bay Using U-Net Deep Learning
Aquaculture Monitoring; Remote Sensing; U-Net; Deep Learning
Abstract Accepted
水产养殖是海洋生态系统的重要组成部分，具有低成本、高产量和可衡量的碳封存等优势。尽管其重要性，但准确有效地大规模监测水产养殖分布仍然是一项重大挑战。遥感技术具有广泛的空间和时间覆盖范围，已成为克服这一障碍的重要工具。本研究以福建省三沙湾为研究对象，利用分辨率为 3.2 m 的高分辨率 GF-2 卫星成像仪，开发了基于 U-Net 语义分割神经网络的水产养殖分类模型。该模型专为高精度识别和提取网箱和筏式水产养殖系统而设计。实验结果表明，该模型在筏式培养中实现了 94% 的平均交并比 （mIoU），在网箱培养中实现了 95% 的平均交叉比 （mIoU），总体提取准确率为 94.86%。与传统的遥感方法相比，这种方法为海水养殖区的大规模分类和提取提供了一种更简单、更高效的解决方案。所提出的模型为高精度水产养殖监测提供了一种有效的工具，可应用于渔业管理和环境保护。未来的工作将旨在扩展该模型以涵盖其他类型的水产养殖系统，并在各个海洋区域测试其性能。
Important Date
-
Conference Date
Jan 13
2025
toJan 17
2025
-
Sep 27 2024
Draft paper submission deadline
-
Feb 17 2025
Registration deadline
Sponsored By
State Key Laboratory of Marine Environmental Science, Xiamen University
Organized By
State Key Laboratory of Marine Environmental Science, Xiamen University
Department of Earth Sciences, National Natural Science Foundation of China
Department of Earth Sciences, National Natural Science Foundation of China
Contact Information
- Kejing GU
- xm******@xmu.edu.cn
- +86*********
