ISWM (Internal Solitary Wave Monitor)

這個專案利用深度學習技術，對可見光衛星影像中的海洋內波進行語意分割。我們使用 DeeplabV3+ 模型，旨在建立一套自動化系統，用於高效地預警與追蹤海洋內波現象。

專案結構

• datasets/: 包含用於資料處理與準備的腳本，將原始衛星影像和標籤轉換為模型可用的格式。
• metrics/: 存放多種評估指標的實作，用於量化模型在語意分割及時間序列分析上的效能。
• network/: 定義了專案所使用的神經網路架構，並支援多種骨幹網路（backbones）。
• utils/: 包含各種實用工具，如資料增強、自定義損失函數和視覺化腳本。

如何開始

1. 安裝依賴

請使用 pip 安裝所有必要的 Python 套件：

pip install -r requirements.txt

2. 準備資料集

由於原始資料集檔案龐大，我們並未將其納入版本控制。請將您的衛星影像資料集放置在 datasets/ 目錄中。

3. 執行訓練

專案提供了多個腳本來執行不同配置的訓練。以下是一個基本的訓練範例：

sh Original.sh

您可以根據需求修改這些腳本，來嘗試不同的模型架構、損失函數或資料增強策略。

4. 進行推論

訓練完成後，使用 predict.sh 腳本對新的衛星影像進行預測：

sh predict.sh

推論結果將會儲存到 Visualization/ 目錄中。

視覺化與分析

• MLFlow DataDraw/: 這裡儲存了模型訓練過程中的重要圖表，如損失曲線和各項評估分數，便於您深入分析模型效能。
• Visualization/: 存放模型推論後產生的視覺化結果，讓您能直觀地檢查模型的分割效果。

致謝 (Acknowledgements)

1. 本專案的神經網路架構大量參考了 VainF 所開發的 DeepLabV3Plus-Pytorch。我對此專案進行了修改，使其能應用於可見光衛星影像的海洋內波語意分割任務，包括損失函數調整、訓練流程和評估指標等。

2. 本專案的深度學習模型訓練與驗證，主要基於由 日本千葉大學環境遙測中心 (Center for Environmental Remote Sensing, CEReS) 所分發的 Himawari 8/9 衛星網格數據 (gridded data)。

該數據集的開發與維護，部分由日本文部科學省 (MEXT) 的虛擬實驗室 (VL) 計畫、科學技術振興機構 (JST/CREST TEEDA) 以及千葉大學的校長領導計畫所支持。

在此，我們對數據提供方與所有相關研究人員的無私貢獻，致上誠摯的感謝。

數據使用聲明

請注意，根據千葉大學 CEReS 的規定，此 Himawari 8/9 網格數據集僅限於非商業用途，並禁止向研究社群以外的第三方進行再分發。

若您對此專案有任何疑問或建議，歡迎隨時透過 Issue 或 Pull Request 提出，期待與您交流。