Mélytanulással pontosítják a műholdas mélységmérést, 2 méter alatti hibával dolgoznak
A mélytanulás új módszerei, mint a Smooth Weight Function (SWF) loss, 0,26 méteres hibával képesek mérni a 3 méter alatti mélységeket, jelentősen javítva a korábbi 1,15-1,92 méteres tartományt.
A műholdas képekkel végzett mélységmérés (satellite-derived bathymetry, SDB) költséghatékony, ám rosszul skálázódik, különösen az optikailag összetett tengerparti környezetekben. Kutatók gépi és mélytanulási modelleket értékeltek ki Sentinel-2 műholdas adatokon a 0-20 méteres mélységtartományban. A kutatás eredményeit előnyomtatott formában tették közzé az arXivon. (ArXiv CV)
A hagyományos Random Forest alapú módszer mellett négy konvolúciós neurális hálózatot (CNN) — ResNet-50, ResNet-101, EfficientNet-B4 és ConvNeXt-Large — teszteltek. A modelleket a Pratas-sziget és a Nagy-korallzátony egyes területein tanították be, majd független, térben elkülönített tesztterületeken értékelték őket. A legfontosabb fejlesztésnek a tanítás során a térbeli folytonosság megőrzése bizonyult, szemben a véletlenszerű foltokkal. Emellett bevezettek egy Smooth Weight Function (SWF) súlyozású RMSE loss függvényt, amely jobban kiemeli a felszínhez közelebb eső mélységeket.
Kapcsolódó: műholdképek értelmezése
Mélytanulási modellek és térbeli folytonosság
Ezekkel a fejlesztésekkel az intra-regionális RMSE 1,15 és 1,92 méter között mozgott a 0-20 méteres mélységtartományban. Különösen figyelemre méltó, hogy a 3 méternél sekélyebb vizekben az RMSE mindössze 0,26 méter volt. Ezzel szemben a Random Forest módszer jelentősen leromlott a régiók közötti átvitel során, míg a mélytanulási modellek robusztusabbnak bizonyultak.
Kapcsolódó: multispektrális adatfeldolgozás
Transzferálás és teljesítményteszt
A kutatók a MagicBathyNet légi RGB teljesítményteszten is tesztelték a hálózatokat, ahol 0,19-0,22 méteres RMSE-t értek el, felülmúlva egy U-Net alapmodellt és egy speciális transzformer architektúrát, kevesebb paraméterrel. A többidős ismételt műholdas felvételek használata diverzifikálta a tanítási adatokat, és az előrejelzések median-aggregálása csökkentette a változó napállásból, légköri viszonyokból, vízminőségből és árapályból adódó zajt. Az optimalizált architektúrákat és előre betanított súlyokat közzétették, hogy megkönnyítsék az új helyszínekre történő skálázható átvitelt.
Kapcsolódó: szuperfelbontású modellek
A ConvNeXt-Large modell 2024. március 10-én lett publikálva, 1,92 méteres RMSE-t ért el a 0-20 méteres mélységtartományban, míg a sekélyebb, 3 méter alatti vizekben 0,26 méteres hibával dolgozott a Sentinel-2 műholdas adatokon.
Kapcsolódó: változásdetekciós modellek