沿海藻华监测需要频繁、空间精细且全球一致的观测数据。Landsat-8/9和Sentinel-2 A/B/C卫星星座恰好提供了这样的能力：它们共同提供了超过十年的中等分辨率多光谱影像，每2-3天即可覆盖全球大部分区域。这种时间频率和空间分辨率使得检测破碎的藻华结构成为可能，而粗分辨率的海洋水色传感器则难以分辨这些细节。
然而，将这些卫星数据用于水生环境仍面临挑战，主要原因是光谱覆盖有限以及缺乏统一协调的反射率产品。传统生物光学方法在处理这些数据时存在局限。作为替代方案，基于深度学习的图像分类提供了一种数据驱动的方法，有望克服许多上述限制。
本研究首次成功实现了基于视觉Transformer的沿海藻华制图，使用30米分辨率的Landsat-Sentinel-2影像。研究团队生成了一个全球分布的藻华斑块数据集，覆盖了全球藻华频发的沿海热点区域。该数据集为模型训练和评估提供了多样化的样本。
为了评估不同架构的性能，研究比较了四种基于Transformer的模型与一个标准卷积基线在精细尺度藻华检测上的表现。这些模型在不同光学水体类型以及不同大气和表面条件下进行了测试。所有深度学习模型在检测漂浮藻华区域方面都表现出强大能力，遗漏误差和误报误差范围在8%到65%之间。
在时间序列中面临云层和太阳耀斑干扰时，Swin Transformer的表现优于传统光谱指数方法。传统方法在这种情况下会产生大量误报，而Swin Transformer能够有效避免受云和耀斑影响的像元。这表明该模型在复杂条件下具有更好的鲁棒性。
与MODIS衍生产品的比较进一步凸显了更高空间分辨率的优势。30米分辨率的影像能够检测到破碎和不规则受影响的藻华，而MODIS等粗分辨率传感器则可能遗漏这些细节。这对于理解藻华的动态和影响具有重要意义。
研究结果表明，深度学习是中分辨率、一致监测动态沿海环境中漂浮藻华的可靠工具。该工作为利用现有卫星资源进行业务化藻华监测提供了新的技术途径。