编辑推荐：
为解决海岸研究中高分辨率标注数据集缺乏问题，研究人员创建 MADRID 数据集，助力海岸保护等研究。
一、研究背景
在地球的生态系统中，海岸线就像是陆地与海洋之间的一道动态 “边界线”，它不仅是许多生物赖以生存的家园，还对沿海地区的经济发展、人类生活有着至关重要的影响。然而，随着全球气候变化的加剧，海平面不断上升，极端天气事件如暴风雨频繁来袭，海岸线正面临着前所未有的挑战。这些变化不仅威胁着沿海地区的生态平衡，还可能引发洪水、侵蚀等灾害，严重影响人类的生活和财产安全。
在这样的背景下，利用人工智能（AI）技术实现海岸线的自动划分变得尤为重要。通过自动划分海岸线，人们可以更及时、准确地监测海岸线的变化，为海岸保护、灾害管理和规划提供有力支持。但目前，在沿海研究中，缺乏专门为 AI 量身定制的手动标注高分辨率数据集，这成为了 AI 技术在海岸线监测应用中的一大障碍。
为了填补这一空白，来自波兰什切青大学（University of Szczecin）的研究人员 Kamran Tanwari、Pawe? Terefenko、Jakub ?ledziowski 和 Andrzej Giza 开展了相关研究，他们的研究成果发表在《Scientific Data》上。
二、研究方法
研究人员创建了一个名为 MADRID（Manually Annotated DRone Imagery Dataset）的开源数据集。该数据集由无人机（Unmanned Aerial Vehicle，UAV）拍摄的高分辨率 RGB 图像组成，这些图像拍摄于波兰的两种不同类型海岸 —— 悬崖海岸（Miedzyzdroje）和沙丘海岸（Mrzezyno）。
数据采集方面，研究人员使用搭载 Zenmuse L1 传感器的 DJI Matrice 300 RTK 无人机，在 2022 - 2023 年的不同季节进行拍摄，确保数据涵盖了不同季节的海岸特征。为保证数据质量，拍摄选择在天气良好的日子进行。原始图像经过格式调整和尺寸缩放后，研究人员利用 CVAT 开源图像标注工具，采用新颖的折线标注技术，手动标注出海岸线。
为了准确地在不同海岸场景中划分海岸线，研究人员基于 U - Net 架构，利用预训练的 ResNet152 编码器训练了一个基线模型。在模型训练和评估过程中，采用了迭代注释细化技术，并结合多种先进的数据增强技术，如随机高斯噪声、颜色抖动、随机翻转等，以提高模型的泛化能力。
三、研究结果
3.1 数据集详情
MADRID 数据集包含 3691 张高分辨率图像，每张图像都配有手动标注的海岸线注释。数据被预先划分为训练集和测试集，其中训练集有 3553 个样本，测试集有 323 个样本。数据集以符合 FAIR 原则的方式进行组织和结构化，可在 Zenodo 存储库中公开获取，并遵循知识共享署名 4.0 国际许可协议。
3.2 模型性能评估
通过六个评估指标对基线模型进行评估，结果显示该模型在高分辨率无人机影像的海岸线检测中表现出色，总体准确率达到 98.95%。不过，模型的 Dice 分数相对较低，这意味着在高潮汐环境中，模型划分海岸线的能力可能受到限制。
四、研究结论与意义
MADRID 数据集是首个利用手动标注折线注释的综合性航拍影像数据集，专门用于各种海岸场景下海岸线的语义分割。该数据集的创建为海岸研究提供了宝贵的数据资源，有助于推动一系列研究工作的开展。
在实际应用中，MADRID 数据集可以为海岸保护和海洋生态系统的研究提供重要支持。通过分析不同季节、不同天气条件下的海岸线变化，研究人员可以更好地了解海洋生态系统的动态变化，为制定合理的保护策略提供科学依据。
从研究方法上看，研究人员利用无人机技术和深度学习算法，为海岸线监测提供了一种高效、准确的方法。这不仅克服了卫星影像的一些局限性，还为其他类似的地理监测研究提供了参考和借鉴。
尽管研究取得了重要成果，但也存在一些局限性，例如模型在高潮汐环境中的表现有待提高。未来，研究人员可以进一步探索更有效的算法，如尝试边缘检测算法（如 HED 和 Canny Edge Detector），以提高模型在复杂环境下的性能。同时，随着技术的不断发展，更多高分辨率、多模态的数据可能会被纳入研究，为海岸线监测和保护带来更多的机遇和挑战。
