Объединение данных с нескольких датчиков для обнаружения прибрежных границ с помощью реализации Res-U-Net с использованием изображений с БПЛА высокого разрешения

Экологическое планирование, мониторинг опасностей и управление прибрежной зоной критически зависят от точного определения береговой линии. В этой работе используются данные БПЛА высокого разрешения для разработки фреймворка глубокого обучения на основе архитектуры Residual U-Net для семантической сегментации береговой линии. Предлагаемая модель интегрирует блоки остаточного обучения в традиционную архитектуру U-Net для улучшения градиентного потока, улучшения извлечения признаков и сохранения мелких деталей границ в сложных прибрежных условиях. В рамках контролируемого обучения модель была обучена и проверена с использованием набора данных, включающего фотографии, полученные с БПЛА, и вручную аннотированные маски береговой линии. Предварительно обработанные входные данные были усилены геометрическими корректировками и нормализацией контраста для повышения устойчивости и обобщения. Оптимизатор Adam и бинарная потеря кросс-энтропии помогли модели обучиться в течение 150 эпох. Для количественной оценки производительности использовались показатели F1-score и пересечение по объединению (IoU). Результаты, полученные с пиковой оценкой F1 0,9483 и IoU 0,9018, демонстрируют, что Residual U-Net обеспечивает высокую точность сегментации, демонстрируя надежное пространственное соответствие аннотациям наземных данных. Визуальный анализ ожидаемых масок подтвердил применимость подхода к реальным ситуациям, выявляя согласованную локализацию береговой линии в различных условиях окружающей среды. В данной работе представлен масштабируемый и точный метод оперативного мониторинга береговой линии, демонстрирующий потенциал глубинных остаточных структур для картографирования прибрежных границ с использованием платформ БПЛА. Расширение фреймворка на многовременные и мультисенсорные данные может быть полезным как для крупномасштабной геопространственной аналитики, так и для обнаружения изменений в прибрежной зоне в режиме реального времени.

Multisensor Data Fusion for Coastal Boundary Detection by Res-U-Net Implementation Using High-Resolution UAV Imagery

Environmental planning, hazard monitoring, and coastal management depend critically on accurate shoreline definition. This work utilizes high-resolution UAV data to develop a deep learning framework based on a Residual U-Net architecture for shoreline semantic segmentation. The proposed model integrates residual learning blocks into the conventional U-Net architecture to enhance gradient flow, improve feature extraction, and preserve fine boundary details in challenging coastal settings. Under a supervised learning framework, the model has been trained and validated using a dataset including UAV-acquired photographs and manually annotated shoreline masks. The preprocessed input data has been reinforced by geometric adjustments and contrast normalizing to improve resilience and generalization. The Adam optimizer and binary cross-entropy loss helped the model be trained across 150 epochs. F1-score and intersection over union (IoU) measures have been used in quantitative performance evaluation. With a peak validation F1-score of 0.9483 and an IoU of 0.9018, the findings demonstrate that the Residual U-Net achieves great segmentation accuracy, showing robust spatial alignment with ground truth annotations. Visual analysis of the expected masks confirmed the approach’s applicability to real-world situations by revealing consistent coastline localization throughout diverse environmental circumstances. This work presents a scalable and accurate method for operational shoreline monitoring, demonstrating the potential of deep residual structures for coastal boundary mapping using UAV platforms. Large-scale geospatial analytics and real-time coastal change detection can both benefit from the framework’s extension to multitemporal and multisensor data.