海洋涡旋普遍存在于全球海洋中，在物质能源运输、再分配及全球气候变化等方面发挥着重要作用。受限于观测手段，传统的海洋涡旋研究主要集中在中尺度涡方面，针对亚中尺度和小尺度观测研究相对较少。广东省科学院广州地理研究所研究团队利用ERS-1/2、ENVISAT、Sentinel、GF-3 和 ALOS-2 等卫星影像，构建了一个包含亚中尺度与小尺度海洋涡旋的 SAR 影像数据集，涵盖了多源、多尺度的海洋涡旋目标。

基于构建的数据集，研究团队分别采用 RetinaNet、Faster R-CNN 和 Cascade R-CNN 三种深度学习目标检测网络进行实验，并对三种网络的检测速度、检测精度与抗背景干扰能力开展综合性对比分析。结果表明，在检测速度方面，RetinaNet 网络更快；在检测精度方面，Faster R-CNN比 RetinaNet 和 Cascade R-CNN 更高；在抗背景干扰方面，Cascade R-CNN 的抗背景干扰能力更强，在涡旋目标分布密集且与背景区分度较低的情况下，能够正确检测出更多的涡旋。

检测结果图

上述研究成果发表于《海洋科学进展》，省科学院地理所贾翊文助理工程师为第一作者，杨骥正高级工程师为通讯作者。研究得到国家重点研发计划项目、国家自然科学基金项目、广东省科技计划项目以及广东省科学院发展专项资金项目的支持。

来源：遥感地信部

稿/图：贾翊文

编辑：陈嘉桓

审核：夏欣

审定发布：吴旗韬