面向高效海洋环境监测的星载异常检测

海洋生态系统受到漏油、藻华和泥沙洪水等多种威胁的影响，这些威胁会扰乱栖息地、野生动物及人类活动。卫星影像和人工智能（AI）的发展提升了我们对这类危害进行早期检测和缓解的能力。本文提出了一种面向搭载多光谱或高光谱传感器的地球观测卫星的海洋事件检测流程。我们的方法包括一个自监督神经网络编码器，可将卫星图像压缩到更小的潜在空间中，从而实现高效的星载处理。机器学习异常检测模型通过识别偏离正常海洋模式的情况来检测环境异常。我们将其性能与 Isolation Forest、One-Class Support Vector Machine 和 Local Outlier Factors 等传统算法进行了比较。该轻量级、资源高效的流程针对计算资源有限的卫星进行了优化，适用于从嵌入式 CPU 到 AI 硬件加速器的各种平台。通过优先传输关键信息，我们的解决方案提升了系统响应速度，并优化了卫星通信带宽。该流程已在包括 European Space Agency（ESA）的 Phisat-2 任务以及 Microsoft/Thales Alenia Space 的 IMAGIN-e 任务在内的多个任务中开展集成应用，旨在通过提供及时告警和高效数据缩减，改善海洋环境监测。