遥感技术是进行海洋漂浮藻类目标识别与变化监测的重要手段。GOCI遥感卫星影像具有高时间分辨率、低空间分辨率的特点，其低空间分辨率影响了海洋漂浮藻类遥感探测的效果。本研究通过对具有较高空间分辨率的Sentinel-2遥感卫星影像结构特征的迁移学习，应用ESRGAN超分辨率重建技术，将GOCI影像的空间分辨率提升至125 m;在此基础上，构建了基于超分辨率重建GOCI遥感影像的U-Net深度学习语义分割网络，实现了海洋漂浮藻类的较高精度探测。实验结果表明：超分辨率重建的GOCI影像显著提升了影像的空间细节清晰度，基于此实现的海洋漂浮藻类探测结果取得了较高的精度，其中面积相对误差下降了51.87%,F1值提高了2.41%。本研究是应用GOCI遥感影像进行海洋漂浮藻类高精度探测的一次成功实践，为实现海洋目标的动态精细化监测提供有益的参考。

国家自然科学基金项目(41971339)；山东科技大学科研创新团队支持计划项目(2019TDJH103)；

1 研究区及数据源
1.1 研究区概况
1.2 数据源
2 研究方法
2.1 超分辨率影像重建方法
1) 数据预处理。
2) 模型训练。
3) 迁移重建。
2.2 U-Net深度学习网络
2.3 评价精度指标
3 结果分析与讨论
3.1 GOCI影像的超分辨率重建
3.2 基于重建影像的漂浮藻类提取结果与分析
4 结论