Internationale Zeitschrift für Schwarmintelligenz und Evolutionsberechnung

Abstrakt

Effektiver Ansatz zur Überwachung von Ölverschmutzungen über dem Golf von Oman durch den Einsatz fortschrittlicher Tools für maschinelles Lernen und Data Mining

Aishah Saeed Jumah Alabdouli, Muhammed Sirajul Huda Kalathingal, Shaher Bano Mirza*, Fouad Lamghari Ridouane

Ölverschmutzungen wirken sich negativ auf die Umwelt aus, indem sie Meeresökosysteme und Küstenumgebungen gefährden. Die Umweltschäden durch eine Ölverschmutzung durch einen Tanker, eine Pipeline oder eine Offshore-Bohrinsel können fast sofort verheerend sein und Jahrzehnte andauern. Daher besteht der Zweck dieser Studie darin, Ölverschmutzungen im Golf von Oman zu erkennen. Um Ölverschmutzungen zu finden, werden Sentinel-2-Spektralbilder verwendet. Sentinel-2 unterteilt das Bild in N Gitter und verwendet das Sentinel-2-Bandverhältnis zur Kartierung von Ölverschmutzungen, um eine Instanzsegmentierung mithilfe eines Yolov7 durchzuführen und die Ölverschmutzungserkennung in einem einzigen Schritt durchzuführen. In unserem Experiment konnte das trainierte Yolov7-Sofortsegmentierungsmodell außergewöhnlich genaue Schnittmengen-über-Vereinigungsergebnisse erzielen und 91 % der tatsächlichen Ölverschmutzung korrekt identifizieren. Diese Ergebnisse erklären das Potenzial künstlicher Intelligenz und die erheblichen Auswirkungen, die auf die Umwelt erzielt werden können.