崔賓閣，方喜，路燕，黃玲，劉榮杰

1.山東科技大學計算機科學與工程學院，青島 266590；2.自然資源部第一海洋研究所，青島 266061

0 引言

赤潮是在特定環(huán)境條件下，海水中某些浮游植物、原生動物或細菌爆發(fā)性增殖或高度聚集的一種生態(tài)異常現(xiàn)象（卓鑫，2018）。近年來，我國沿海赤潮災害的發(fā)生呈現(xiàn)出次數(shù)增加、規(guī)模擴大以及有毒赤潮種類比例上升等趨勢（翟偉康 等，2016）。赤潮的頻繁發(fā)生使局部海域失去自凈能力，嚴重影響了海洋生態(tài)環(huán)境，對沿海捕撈業(yè)、水產(chǎn)養(yǎng)殖業(yè)和旅游業(yè)構(gòu)成了嚴重威脅（毛顯謀和黃韋艮，2003）。赤潮發(fā)生一般分為4 個階段：起始階段、發(fā)展階段、維持階段和消亡階段。在赤潮消亡階段，營養(yǎng)物質(zhì)耗盡，赤潮將會逐漸或突然消失，在此階段對于漁業(yè)的危害往往最大。及時、準確地探測赤潮的發(fā)生和分布面積，能夠為相關(guān)部門發(fā)布預警和做好防范措施提供重要的基礎(chǔ)數(shù)據(jù)。

赤潮發(fā)生具有持續(xù)時間短和變化速度快的特點，現(xiàn)場觀測很難滿足赤潮業(yè)務化監(jiān)測的要求。而遙感具有大面積和連續(xù)觀測的優(yōu)勢，已成為赤潮監(jiān)測的重要手段（宋彥 等，2021）。一直以來，水色衛(wèi)星在赤潮監(jiān)測中發(fā)揮了巨大作用，研究人員面向水色衛(wèi)星發(fā)展了系列赤潮探測方法。毛顯謀和黃韋艮（2003）分析了SeaWiFS（sea-viewing wide field sensor）與FY-1（Fengyun-1）衛(wèi)星各波段赤潮與海水的反射率，提出了多波段差值比值法，該方法還能夠有效排除海水中懸浮泥沙對赤潮提取的干擾。Ahn 和Shanmugam（2006）提出了基于SeaWiFS 第2 波 段（443 nm）、第4波段（510 nm）和第5波段（555 nm）的赤潮指數(shù)法，其能夠在成分復雜的水體中識別出赤潮發(fā)生區(qū)域。Siswanto 等人（2013）利用MODIS（moderate-resolution imaging spectroradiomete）傳感器的歸一化離水輻射率（normalized water leaving radiance，nLw）在光學性質(zhì)復雜的混合水域內(nèi)對赤潮水體進行了分類，通過判定nLw的峰值是否在547 nm來區(qū)分赤潮與非赤潮水體。Lou 和Hu（2014）利用GOCI（geostationary ocean color imager）衛(wèi)星第2 波段（443 nm）、第3波段（490 nm）和第4波段（555 nm）提出了改進的赤潮指數(shù)法，其能夠在近岸渾濁水體區(qū)有效探測赤潮。然而，由于空間分辨率低（>500 m）的海洋水色衛(wèi)星往往難以捕捉到赤潮的發(fā)生，并且由于混合像元問題，檢測結(jié)果可能被顯著高估（Liu等，2019）。因此，中高分辨率的遙感衛(wèi)星是近岸赤潮探測的首選。Rahman 和Aslan（2016）利用Landsat-8 的兩個藍光波段和一個綠光波段進行赤潮探測，兩個藍光波段的加入有利于排除其他非赤潮藻類的影響。Liu 等人（2019）分析了GF1-WFV（Gaofen1 wide field of view）數(shù)據(jù)中的赤潮光譜響應特征，利用綠光、紅光、近紅外三個波段構(gòu)建了GF-1 WFV 赤潮指數(shù)（Gaofen1 red tide index，GF1_RI）。之后，Liu等人（2022）提出了一種基于偽色度角的中高分辨率遙感影像的赤潮探測方法。上述赤潮探測方法受閾值影響大，赤潮探測易受水體環(huán)境要素干擾。

近年來，深度卷積神經(jīng)網(wǎng)絡(luò)在遙感影像目標檢測（李紅艷 等，2019）、語義分割（徐知宇 等，2021；董榮勝 等，2022）等領(lǐng)域展現(xiàn)了顯著的性能。深度卷積神經(jīng)網(wǎng)絡(luò)能通過大量有監(jiān)督訓練獲得更具表征能力的特征，目前已經(jīng)應用于赤潮探測中。Kim 等人（2019）利用U-Net 結(jié)合GOCI 數(shù)據(jù)開展了韓國海域赤潮提取工作，其能夠有效地檢測赤潮發(fā)生情況。Shin 等人（2021）利用U-Net 結(jié)合PlanetScope 衛(wèi)星影像開展了韓國南部海域的赤潮提取工作，其能夠檢測到間距小的水產(chǎn)養(yǎng)殖網(wǎng)箱間的赤潮。李敬虎等人（2022）提出了一種基于U-Net++和無人機影像的赤潮提取方法，可在復雜水體環(huán)境下有效提取赤潮。Zhao 等人（2022）基于U-Net 網(wǎng)絡(luò)模型，提出了面向HY-1D CZI（Haiyang-1D coastal zone imager）衛(wèi)星數(shù)據(jù)的赤潮檢測模型RDU-Net。上述基于U-Net 的赤潮提取網(wǎng)絡(luò)模型需要對輸入圖像進行下采樣，這將不可避免地丟失赤潮邊緣與位置信息，導致邊緣平滑以及漏提取現(xiàn)象（Pan等，2020）。

網(wǎng)絡(luò)深度已被證明對許多視覺識別任務至關(guān)重要（Zhang 等，2018）。為了緩解深層網(wǎng)絡(luò)中梯度消失的問題，He 等人（2016）提出了殘差網(wǎng)絡(luò)ResNet（residual network），通過跳躍連接構(gòu)造深層次的網(wǎng)絡(luò)，實現(xiàn)信息的跨層流動且不會因為多次疊加非線性變換而衰減。然而，通過簡單堆疊殘差塊的方式構(gòu)建更深的網(wǎng)絡(luò)很難獲得更好的性能（Zhang 等，2018）。Zhang 等人（2018）在ResNet 的基礎(chǔ)上提出了基于RIR（residual-in-residual）結(jié)構(gòu)的RCAN（residual channel attention network）超分辨率網(wǎng)絡(luò)，在其特征提取部分，RIR 允許豐富的低頻信息通過多個跳躍連接被繞過，使主網(wǎng)絡(luò)專注于學習高頻信息。低頻信息包含圖像的主要特征，例如圖像的基礎(chǔ)結(jié)構(gòu)；高頻信息則包含圖像的細節(jié)特征，例如圖像中物體的邊緣輪廓和方向紋理（孫潔琪 等，2022）。RIR 結(jié)構(gòu)對高頻信息的有效學習有利于圖像重建幾何和細節(jié)特征，在圖像超分辨率、目標識別等應用中能夠取得更好的效果。

赤潮的顏色受赤潮生物種類和數(shù)量影響較大。圖1 為廣東省陽江市海陵島東北部海域在2014 年11 月22 日發(fā)生的赤潮，赤潮生物種類為夜光藻，赤潮水體呈條帶狀或不規(guī)則形狀分布在海面上，其中心區(qū)域赤潮生物數(shù)量多，呈現(xiàn)亮紅色，水色異常明顯；邊緣區(qū)域赤潮生物數(shù)量相對較少且受到海洋噪聲影響，呈現(xiàn)淡紅色，水色異常不明顯。邊緣區(qū)域識別對于準確估計赤潮水體的面積非常重要，而深度學習強大的特征表達能力為邊緣區(qū)域赤潮水體深層特征學習提供了可能。RIR 結(jié)構(gòu)中的長跳和短跳連接使網(wǎng)絡(luò)能夠繞過中心區(qū)域赤潮的豐富低頻信息，從而專注于學習邊緣區(qū)域赤潮的高頻信息。本文基于RIR結(jié)構(gòu)提出了一種適用于高分辨率遙感影像的赤潮遙感探測網(wǎng)絡(luò)（red tide detection network，RTDNet）。該網(wǎng)絡(luò)考慮了赤潮中心區(qū)域與邊緣區(qū)域之間的位置語義關(guān)系，在RIR 結(jié)構(gòu)的每個殘差組（residual group，RG）內(nèi)引入了坐標注意力機制，并結(jié)合動態(tài)權(quán)重機制設(shè)計了一種雙分支殘差注意力模塊（dual-branch residual attention module，DRA）。赤潮水體的形態(tài)和尺度差異較大，為了準確提取不同形態(tài)和尺度的赤潮信息，RTDNet在每個殘差組之后引入了具有多種視野的感受野塊（receptive field block，RFB），以提取和融合赤潮多尺度特征。在赤潮數(shù)據(jù)集上開展的實驗表明，RTDNet能夠有效地提升赤潮水體邊緣區(qū)域的探測精度。

1 研究區(qū)域與數(shù)據(jù)準備

1.1 研究區(qū)域

本文研究區(qū)域位于廣東省陽江市海陵島風景區(qū)的東北部海域（112°5′—112°30′E，21°35′—21°50′N）（如圖2（a））以及位于珠江口西側(cè)的廣東省江門市下川島南部海域（112°30′—112°55′E，21°25′—21°50′N）（如圖2（b））。該區(qū)域臨近珠江口，沿岸人口密集、經(jīng)濟發(fā)達，人類活動對近岸水體影響大，是赤潮頻繁發(fā)生的區(qū)域。研究區(qū)域1 的影像獲取時間為2014 年11 月22 日11 時，傳感器為WFV3，軌道號為8491。研究區(qū)域2的影像獲取時間為2020年4 月28 日11 時，傳感器為WFV2，軌道號 為37767。從圖中可以看到，赤潮形狀呈不規(guī)則條帶狀分布。

1.2 數(shù)據(jù)源

高分一號衛(wèi)星于2013年12月正式投入使用，該衛(wèi)星配置了2 臺分辨率為2 m 全色以及8 m 多光譜的高分辨率相機和4 臺分辨率為16 m 的多光譜中分辨率寬幅相機，設(shè)置了藍、綠、紅、近紅外4 個波段。

1.3 樣本制作

5 位具有豐富圖像處理經(jīng)驗的專業(yè)人士受邀進行了赤潮水體的標注，并由專家提供統(tǒng)一的赤潮水體解譯標志和解譯技巧。赤潮像元標記為1，非赤潮像元標記為0。將5 幅候選赤潮真值圖進行逐像素求和，得到每個像元被認定為赤潮水體的票數(shù)。最后，采用多數(shù)投票法獲得較為可靠的赤潮真值圖。圖3 為赤潮圖像及真值圖，其中黑色部分為非赤潮區(qū)域，白色部分為赤潮區(qū)域。為防止網(wǎng)絡(luò)模型過擬合，需對數(shù)據(jù)進行增強。圖像經(jīng)過鏡面翻轉(zhuǎn)、旋轉(zhuǎn)（90°、180°、270°）操作，共獲得64 × 64 像素大小的1 050個樣本，其中660個樣本包含赤潮信息。

圖3 赤潮圖像及真值圖Fig.3 Red tide image and ground truth（（a）image；（b）ground truth）

圖4 RTDNet 總體架構(gòu)Fig.4 Overall architecture of RTDNet

2 方 法

2.1 赤潮探測網(wǎng)絡(luò)

本文提出了一種適用于高分辨率遙感影像的赤潮遙感探測網(wǎng)絡(luò)RTDNet（red tide detection network），其總體架構(gòu)如圖 4 所示。RTDNet 主體部分采用了殘差網(wǎng)絡(luò)結(jié)構(gòu)，其中殘差分支是由多個殘差組（RG）和多個感受野塊（RFB）交替構(gòu)成。每個殘差組內(nèi)部包含4 個雙分支殘差注意力模塊（dualbranch residual attention module，DRA）、1 × 1 卷積和長跳躍連接，用于提取赤潮的高頻特征。感受野塊（Liu 等，2018）是一種比空洞空間金字塔池化（atrous spatial pyramid pooling，ASPP）（Chen 等，2017）更優(yōu)的多尺度特征融合結(jié)構(gòu)，采用不同核大小（1，3，5）的卷積和不同膨脹率（1，3，5）的空洞卷積來擴大網(wǎng)絡(luò)的感受野。RFB 通過模擬人類視覺的感受野，增強了網(wǎng)絡(luò)的特征提取能力，使網(wǎng)絡(luò)在更大的區(qū)域和上下文中捕獲多尺度信息（Liu等，2018）。

2.2 雙分支殘差注意力模塊

考慮到赤潮邊緣水體水色異常不明顯，在RCAN 網(wǎng)絡(luò)的殘差通道注意力塊的基礎(chǔ)上引入了坐標注意力機制，用于捕獲赤潮中心區(qū)域與邊緣區(qū)域像素之間的位置語義關(guān)系。DRA 模塊的結(jié)構(gòu)如圖5所示。

圖5 雙分支殘差注意力模塊Fig.5 Dual-branch residual attention module

DRA 模塊采用殘差網(wǎng)絡(luò)結(jié)構(gòu)，其殘差分支首先使用兩個堆疊的卷積層來提取赤潮特征，然后引入了注意力機制來強化赤潮探測的有用特征。其中，坐標注意力分支用精確的位置信息捕獲了長期依賴關(guān)系（Hou 等，2021），這使得模型能夠描述赤潮邊緣水體與中心水體之間的位置語義關(guān)系；通道注意力分支顯式地建模特征通道之間的相互依賴關(guān)系，自適應地強化赤潮特征圖的重要通道。最后，兩個注意力分支的輸出通過一個動態(tài)權(quán)重模塊進行加權(quán)融合。上述過程可以表示為

式中，xn與xn+1分別表示第n個DRA模塊的輸入和輸出特征圖，F(xiàn)n表示從xn中提取的特征圖，f3×3表示3 × 3 卷積，δ表示ReLU（rectified linear unit）激活函數(shù)，HCoA表示坐標注意力模塊，HCA表示通道注意力模塊，λCoA與λCA表示動態(tài)權(quán)重模塊生成的兩個權(quán)重值。為了充分利用兩個注意力分支中的重要特征信息，設(shè)計了動態(tài)權(quán)重模塊來調(diào)整兩個分支的貢獻。

動態(tài)權(quán)重模塊首先通過全局平均池化和全局最大池化操作從整個圖像中捕獲全局特征，之后由1 × 1 卷積得到包含兩個分量的特征向量，最后將兩個特征向量相加，并經(jīng)過softmax 操作得到包含兩個注意力分支權(quán)重的概率向量。上述過程可以表示為

式中，F(xiàn)a表示經(jīng)過全局平均池化以及卷積之后得到的特征向量，F(xiàn)m表示經(jīng)過全局最大池化以及卷積之后得到的特征向量，f1×1表示1×1卷積，GAP（global average pooling）與GMP（global max pooling）分別表示全局平均池化和全局最大池化操作，σ為softmax激活函數(shù)。

3 結(jié)果與分析

3.1 實驗環(huán)境與參數(shù)設(shè)置

在本文中，提出的RTDNet 在以TensorFlow 為后端的Keras 2.4.0 深度學習框架下構(gòu)建，并采用Adam 優(yōu)化器進行模型優(yōu)化。所有的實驗都在Ubuntu 18.04 操作系統(tǒng)上進行，使用一個NVIDIA GeForce RTX 2080Ti 顯卡進行網(wǎng)絡(luò)訓練。初始化學習率（learning rate）設(shè)置為10-4，批處理大?。╞atch size）設(shè)置為2，迭代次數(shù)（epochs）設(shè)置為100。使用二元交叉熵（binary cross-entropy）作為網(wǎng)絡(luò)損失函數(shù)。

3.2 評價指標

本文基于混淆矩陣定量評估赤潮提取結(jié)果的精度。赤潮探測混淆矩陣如表1所示。

表1 赤潮探測混淆矩陣Table 1 Confusion matrix for red tide detection

基于混淆矩陣可以計算出精確率（precision，P）、召回率（recall，R）、F1 分數(shù)（F1-score，F(xiàn)1）以及交并比（intersection over union，IoU）四個評價指標。各指標取值范圍為［0，1］。對應計算為

式中，TP（true positive）表示赤潮像元被模型預測為赤潮水體的數(shù)量，F(xiàn)P（false positive）表示海水像元被模型預測為赤潮水體的數(shù)量，F(xiàn)N（false negative）表示赤潮像元被模型預測為海水的數(shù)量。

3.3 不同方法赤潮探測結(jié)果對比

本文選取了2014 年11 月22 日廣東省陽江市海陵島風景區(qū)東北部海域的赤潮GF-1 WFV 遙感影像進行實驗，實驗測試圖像及其真值圖如圖6 所示。第1 幅圖像中的赤潮水體特征較為明顯，背景噪聲水平較低，其地理位置如圖 2（a）綠色框所示；第2幅圖像存在較多背景噪聲，其地理位置如圖 2（a）藍色框所示。真值圖是由多位專家分別通過目視解譯進行獨立標注得到，并采用投票方式確定最終的結(jié)果。

圖6 赤潮遙感影像（GF1-WF）及真值圖Fig.6 Remote sensing image of red tide（GF1-WF）and ground truth（（a）test image；（b）ground truth）

本文將RTDNet 與基于光譜特征的GF-1 WFV赤潮探測方法GF1_RI（Liu 等，2019）、支持向量機（support vector machine，SVM）（Cortes 和Vapnik，1995）以及深度學習模型U-Net（Ronneberger 等，2015）、DeepLabv3+、（Chen 等，2018）、HRNet（high resolution network）（Sun 等，2019）、RDU-Ne（tred tide detection U-Net）（Zhao 等，2022）進行了對比，不同方法赤潮提取的結(jié)果如圖7所示。

圖7 赤潮提取定性結(jié)果Fig.7 Qualitative results of red tide extraction（（a）GF1_RI；（b）SVM；（c）U-Net；（d）RDU-Net；（e）HRNet；（f）DeepLabv3+；（g）RTDNet）

在圖7 中，白色與黑色為模型正確提取的赤潮與海水像素，紅色為模型漏提的赤潮像素，綠色為模型誤提的赤潮像素。從赤潮提取結(jié)果上看，基于波段比值法的GF1_RI 與傳統(tǒng)的機器學習模型SVM 能夠提取出赤潮的大致分布區(qū)域，但它們只考慮赤潮水體的光譜信息而忽略了其紋理、邊緣等空間信息，導致模型在赤潮水體邊緣區(qū)域出現(xiàn)較多的誤提與漏提現(xiàn)象，如圖7（a）（b）上下圖中藍框區(qū)域所示。U-Net與HRNet正確提取出了大部分赤潮像素，但其在條帶狀的赤潮區(qū)域存在較多的誤提與漏提現(xiàn)象，如圖7（c）（e）上下圖中藍框區(qū)域所示。RDU-Net 與DeepLabv3+的提取結(jié)果較為接近，DeepLabv3+在赤潮水體分叉區(qū)域提取結(jié)果更加準確，如圖7（d）（f）上圖中右下角藍框區(qū)域所示，但在分散的小尺度赤潮區(qū)域存在漏提現(xiàn)象，如圖7（d）（f）上圖中左上角藍框區(qū)域所示。RTDNet 在細小的條帶狀赤潮區(qū)域也存在漏提取現(xiàn)象，如圖7（g）下圖中右上角藍框所示，但總體上誤提與漏提現(xiàn)象都比較少，模型預測結(jié)果更接近真值圖。

本文對不同赤潮提取模型的精度進行了定量評估，結(jié)果如表2所示。從表2中可以看出，GF1_RI在兩幅圖像上的精確率和召回率都較低，SVM 的召回率較高但精確率較低，這兩種方法只考慮了光譜信息，其F1分數(shù)與交并比均較低?；谏疃葘W習的赤潮提取方法相較于傳統(tǒng)方法精度提高明顯，F(xiàn)1 分數(shù)與IoU 在測試圖像上分別高于0.8 和0.7。與U-Net相比，RDU-Net引入了通道注意力機制，在兩幅圖像上召回率提升明顯。DeepLabv3+通過引入ASPP 模塊來擴大感受野，提高了模型的召回率，在第2 幅圖像上其F1 分數(shù)與IoU 有明顯優(yōu)勢。RTDNet 引入了坐標注意力模塊以及感受野塊，在兩幅測試圖像上的召回率、F1 分數(shù)和IoU 都達到了最高。此外，RTDNet 模型的參數(shù)量為2.65 MB，遠小于U-Net、RDU-Net 和DeepLabv3+，相較于HRNet 也有3 倍多的差距。

表2 不同赤潮提取模型的定量結(jié)果Table 2 Quantitative results of different red tide extraction models

3.4 消融實驗

為了驗證雙分支殘差注意力模塊（DRA）與感受野塊（RFB）的有效性，本文對兩個模塊進行了消融實驗?；€網(wǎng)絡(luò)采用超分辨率網(wǎng)絡(luò)模型RCAN（residual channel attention network）（Zhang 等，2018），并去除最后的上采樣和重建模塊。消融實驗結(jié)果如表3所示，表3中的數(shù)據(jù)結(jié)果為所有測試圖像的總體精度評估結(jié)果。

表3 消融實驗結(jié)果Table 3 Ablation experimental results

從表3 中可以看出，加入DRA 模塊后網(wǎng)絡(luò)模型的精確率和召回率分別提升了1.6%和1.1%，加入RFB模塊后網(wǎng)絡(luò)模型的精確率和召回率分別提升了2.7%和0.6%。結(jié)合了DRA 模塊與RFB 模塊的網(wǎng)絡(luò)模型，精確率、召回率、F1 分數(shù)和IoU 都達到了最高，相比于基線模型分別提高了4.2%、1.4%、0.029和0.046。消融實驗結(jié)果驗證了DRA模塊和RFB模塊在赤潮提取任務中的有效性和互補性。

3.5 網(wǎng)絡(luò)模型有效性分析

為了展現(xiàn)網(wǎng)絡(luò)逐步精細化提取赤潮的過程，對RTDNet在不同階段的部分特征圖進行了可視化，結(jié)果如圖8所示。

圖8 不同層次特征圖可視化Fig.8 Visualization of feature maps at different levels（（a）input image；（b）shallow feature；（c）intermediate feature；（d）deep feature）

圖8（a）為網(wǎng)絡(luò)輸入的GF1-WFV 遙感影像，圖8（b）中的淺層特征來自于網(wǎng)絡(luò)的第1 個卷積層，圖8（c）中的中間層特征來自于網(wǎng)絡(luò)前兩組RG塊和RFB塊之后，圖8（d）中的深層特征來自于網(wǎng)絡(luò)的最后一個RFB 塊之后。可以看出，輸入圖像在經(jīng)過第1 個卷積層后只提取出了赤潮的主干和特征明顯的區(qū)域。經(jīng)過網(wǎng)絡(luò)前兩組RG 塊和RFB 塊之后，網(wǎng)絡(luò)識別的區(qū)域從赤潮主干向外延伸，赤潮中心以及邊緣區(qū)域信息逐漸增強，一些小尺度的赤潮也被識別出來，如圖8（c）紅框所示，同時海水區(qū)域變得更藍，說明海水信息被有效抑制。在深層特征圖中，赤潮主干、邊緣和細節(jié)信息基本被確定。深層特征通常包含更抽象的信息，但也會帶來一些偽信息，如圖8（d）中紅框所示。因此，將淺層特征與深層特征融合，能夠減弱海浪等海洋背景噪聲對赤潮分布探測的影響。

4 結(jié)論

本文提出了一種用于高分辨率衛(wèi)星影像赤潮探測的遙感網(wǎng)絡(luò)模型RTDNet，該模型聯(lián)合使用了residual-in-residual 結(jié)構(gòu)、坐標注意力和通道注意力機制來捕捉赤潮邊緣像素及其對赤潮中心像素的依賴。此外，該模型引入了RFB 模塊來擴大網(wǎng)絡(luò)模型的感受野，從而可以捕獲不同尺度的赤潮信息。在背景噪聲水平較低的赤潮影像中，RTDNet模型的精確率和召回率均超過了90%；在包含較多背景噪聲的赤潮影像中，RTDNet 模型的精確率超過了87%，召回率超過了92%。與其他深度學習方法和專門的赤潮檢測方法相比，RTDNet能夠捕捉到更多的赤潮邊緣信息，在定性和定量探測結(jié)果上都優(yōu)于其他方法，赤潮漏提取和誤提取的情況較少。同時，RTDNet模型的參數(shù)數(shù)量遠小于其他比較方法。然而，本文的方法也有不足之處。RTDNet 仍然不能完全準確提取赤潮邊緣水體的一些細小分支，可能是因為這些細小分支離赤潮水體中心過遠、赤潮細節(jié)信息太少等。

在接下來的工作中，一方面，考慮使用超分辨率技術(shù)來增強赤潮水體的細節(jié)信息，提高模型對條帶狀赤潮細小分支的探測能力；另一方面，考慮引入自監(jiān)督學習和對比學習技術(shù)，減少赤潮探測模型對大量標注樣本的需求，同時提高網(wǎng)絡(luò)模型的泛化能力。