一种基于风云四号A卫星数据的海雾检测新型深度学习方法

海雾是常见的海洋气象灾害，对海上交通安全和沿海经济活动构成严重威胁。现有的海雾检测模型仍然很难有效捕捉全球结构信息和局部纹理细节，同时云与雾之间的光谱混淆进一步限制了它们的性能。为了解决这些挑战，开发了一个白天海雾检测模型HA-ENASnet，使用中国风云四号A（FY-4A）卫星的数据，并与六个代表性的语义分割模型进行了比较。在七个模型中，HA-ENASnet的表现最佳，其次是SegMamba、scSELinkNet、SegMAN、ECATransUnet、DeepLabv3+和UNet++。在交并比（IoU）方面，HA-ENASnet分别比SegMamba和UNet++多出3.08和17.26个百分点。该模型的消融实验表明，引入结合局部和全局线性注意机制的协同机制有效增强了模型对海雾区域的感知能力。此外，自适应架构搜索（NAS）与高效通道注意力（ECA）的结合促进了光谱和空间多尺度特征的自适应融合，从而提高了模型在光谱混淆区域区分云和雾的能力。此外，所提出的模型在向日葵8号卫星数据上进行了验证，表现出令人满意的检测性能和良好的泛化能力。这为使用FY卫星系列进行海雾遥感监测提供了方法支持。