تشخيص لكه‌هاي نفتي در تصاوير ماهواره اي سنتينل-1 با استفاده از رويكرد يادگيري عميق

آگاهي از مسائل حوزه دريايي براي مديريت بحران در صورت بروز حوادث بسيار مهم است، نشت نفت يكي از تهديدهاي اصلي براي محيط‌هاي‌دريايي و ساحلي محسوب مي شود و به طور جدي بر اكوسيستم دريايي تأثير مي گذارد و نگراني هاي سياسي و زيست محيطي ايجاد مي كند، زيرا اكوسيستم شكننده دريايي و ساحلي را به طور جدي تحت تأثير قرار مي دهد. ميزان تخليه آلاينده ها و اثرات مرتبط با آن بر محيط دريايي، پارامترهاي مهمي در ارزيابي كيفيت آب درياها هستند. نظارت موثر، شناسايي زودهنگام و برآورد حجم اين لكه‌هاي نقتي اولين و مهمترين مرحله براي يك عمليات پاكسازي موفق است. سنسورهاي رادار دريچه مصنوعي (SAR) به دليل قابليت عملكرد موثر بدون توجه به وضعيت آب و هوا و شرايط روشنايي محيط و برداشت منطقه وسيعي از زمين، انتخاب بسيار مناسبي براي اين منظور هستند. لكه هاي سياه مربوط به نشت نفت را مي توان به وضوح توسط سنسورهاي SAR ثبت كرد، با اين حال تمايز آنها از نظر ظاهري يك هدف چالش برانگيز است. در اين مطالعه از تصاوير رادار ماهواره سنتينل-۱ براي شناسايي نشت نفت استفاده شده است. اين مطالعه يك چارچوب يادگيري عميق براي شناسايي لكه‌هاي نفتي بر اساس يك مجموعه داده بسيار وسيع از نقاط مختلف دنيا ارئه داده و با استفاده از ساختار شبكه‌هاي كانوولوشن‌ U-Net و DeepLabV3+ و Fc-DenseNet طبقه بندي تصاوير را به دو كلاس انجام مي‌دهد. در اين پژوهش با تغيير تابع ضرر و حذف تصاوير تك كلاسه نتايج بسيار بهتري نسبت به كار‌هاي مشابه قبلي حاصل شد. به‌طوري كه نتايج IoU براي مدل‌هاي U-Net، DeepLabV3+ و FC-DenseNet بترتيب برابر ۰.۵۴۷، ۰.۶۱۳ و ۰.۵۴۵ بدست آمد.