تشخیص لکه های نفتی در تصاویر ماهواره ای سنتینل-1 با استفاده از رویکرد یادگیری عمیق

آگاهی از مسایل حوزه دریایی برای مدیریت بحران در صورت بروز حوادث بسیار مهم است، نشت نفت یکی از تهدیدهای اصلی برای محیط های دریایی و ساحلی محسوب می شود و به طور جدی بر اکوسیستم دریایی تاثیر می گذارد و نگرانی های سیاسی و زیست محیطی ایجاد می کند، زیرا اکوسیستم شکننده دریایی و ساحلی را به طور جدی تحت تاثیر قرار می دهد. میزان تخلیه آلاینده ها و اثرات مرتبط با آن بر محیط دریایی، پارامترهای مهمی در ارزیابی کیفیت آب دریاها هستند. نظارت موثر، شناسایی زودهنگام و برآورد حجم این لکه های نقتی اولین و مهمترین مرحله برای یک عملیات پاکسازی موفق است. سنسورهای رادار دریچه مصنوعی (SAR) به دلیل قابلیت عملکرد موثر بدون توجه به وضعیت آب و هوا و شرایط روشنایی محیط و برداشت منطقه وسیعی از زمین، انتخاب بسیار مناسبی برای این منظور هستند. لکه های سیاه مربوط به نشت نفت را می توان به وضوح توسط سنسورهای SAR ثبت کرد، با این حال تمایز آنها از نظر ظاهری یک هدف چالش برانگیز است. در این مطالعه از تصاویر رادار ماهواره سنتینل-1 برای شناسایی نشت نفت استفاده شده است. این مطالعه یک چارچوب یادگیری عمیق برای شناسایی لکه های نفتی بر اساس یک مجموعه داده بسیار وسیع از نقاط مختلف دنیا اریه داده و با استفاده از ساختار شبکه های کانوولوشن U-Net و DeepLabV3+ و Fc-DenseNet طبقه بندی تصاویر را به دو کلاس انجام می دهد. در این پژوهش با تغییر تابع ضرر و حذف تصاویر تک کلاسه نتایج بسیار بهتری نسبت به کار های مشابه قبلی حاصل شد. به طوری که نتایج IoU برای مدل های U-Net، DeepLabV3+ و FC-DenseNet بترتیب برابر 0.547، 0.613 و 0.545 بدست آمد.