Die Überwachung schädlicher Algenblüten (HABs) stellt einen essenziellen Bestandteil des marinen Umweltschutzes und der nachhaltigen Entwicklung der maritimen Wirtschaft dar. Die hochdynamische Natur dieser kleinen Zielstrukturen, verstärkt durch die komplexe Wasserfarbeninterferenz in Küstengewässern mit häufigem Auftreten von HABs, führte jedoch dazu, dass traditionelle Methoden der Fernerkundungsüberwachung – insbesondere solche, die auf festen Schwellenwerten für Spektralindizes und pixelweiser Binarisierung beruhen – unter einer ungenauen Identifizierung in trüben Küstengewässern leiden, in denen Schwebstoffe, Wolkenbedeckung und Sonnenreflexionen spektrale Verwechslungen hervorrufen. Diese Methoden weisen zudem aufgrund manueller Schwellenwertanpassungen einen geringen Automatisierungsgrad sowie eine mangelhafte Übertragbarkeit auf unterschiedliche räumlich-zeitliche Bedingungen auf. Folglich können diese Verfahren den praktischen Anwendungsanforderungen kaum gerecht werden. Diese Studie etabliert ein auf einem U-net-Modell basierendes Fernerkundungs-Identifikationsframework für Rote Tiden unter Verwendung von HY-1D CZI-Bilddaten (50 m Auflösung, 1–3 day Wiederholrate), zielgerichteten Negativstichprobenstrategien und Validierungsmethoden für die Genauigkeit auf Ereignisebene, um eine effiziente Detektion mariner Roter Tiden zu erreichen. Die zielgerichtete Negativstichprobenauswahl beinhaltet die bewusste Auswahl spektral mehrdeutiger Regionen als Negativproben mit dem Ziel, die Erkennungsgenauigkeit und die Effizienz der Stichprobenauswahl zu steigern. Die Kombination von zielgerichtetem Sampling mit Deep Learning ermöglicht die Übertragbarkeit auf neue räumlich-zeitliche Kontexte, indem invariante spektral-räumliche Merkmale erlernt werden, anstatt sich auf szenenspezifische Schwellenwerte zu stützen. Experimentelle Ergebnisse zeigen, dass die Strategie der zielgerichteten Negativstichproben die falsch-negativen Ergebnisse des Modells auf Ereignisebene um 27%, die falsch-positiven Ergebnisse um 36% reduziert und den F1 score um 0.3217 erhöht. Bei identischer Stichprobengröße erzielt die zielgerichtete Stichprobenauswahlstrategie einen um 0.0479 höheren F1 score als das Zufallssampling. Um eine vergleichbare Erkennungsgenauigkeit zu erreichen, wäre eine größere Anzahl an Zufallsstichproben erforderlich. Vergleichende Experimente belegen, dass die vorgeschlagene Methode die Effizienz der Stichprobenauswahl um 87.5% verbessert. Die Übertragbarkeit wird durch die erfolgreiche Identifizierung von Flecken Roter Tiden in Gewässern vor Wenzhou am 13 April 2022 ohne erneutes Training des Modells demonstriert. Dies zeigt, dass die Fernerkundungserkennung Roter Tiden auf Basis einer zielgerichteten Stichprobenauswahl eine effiziente, präzise und automatisierte Identifizierung ohne menschliches Eingreifen ermöglicht und eine verlässliche technische Lösung für die operationelle Überwachung mariner Roter Tiden bereitstellt.
Fan et al. (Tue,) untersuchten diese Fragestellung.