基于无人机紫外与SAR的溢油遥感监测方法研究

溢油污染不仅会造成巨大的经济损失,而且给生态环境带来难以修复的破坏。准确、高效地监测海面溢油仍是当前亟需解决的问题。紫外传感器对油膜非常敏感,可快速发现,但存在误判;而SAR(SyntheticApertureRadar)溢油探测的精度较高,两者相结合可准确探测溢油。无人机平台可低成本地实现溢油快速应急响应,无人机载SAR和紫外传感器的载荷重量小,可同时集成于无人机上开展联合溢油探测,以满足业务化监测需求,此方面的研究尚未见有相关报道。本文拟研究溢油不同种类、厚度、在不同海洋环境条件下的紫外图像特征和SAR纹理特征、形状特征、散射特征,构建溢油特征数据库,并建立一种基于特征组合的溢油SAR与紫外联合探测方法;在此基础上研究对无人机数据获取模式和控制单元等的改造方案,进而实现溢油SAR和紫外图像的高效获取。     

海面太阳耀斑区的溢油光学遥感CNN检测方法研究

海面发生大面积溢油事故时,由于太阳耀斑区的存在,海面的油膜在遥感影像上会发生明暗的变化。这对溢油的检测会产生严重的干扰。如何在海面太阳耀斑区准确地检测出溢油是目前溢油检测的难题。针对这一问题,本文利用Landsat7 ETM+多光谱影像数据,开展了基于卷积神经网络(CNN)的海面太阳耀斑区溢油检测方法研究。通过设置对照实验,对比支持向量机、最大似然、随机森林等分类方法,我们发现在相同实验条件下CNN模型的分类精度为95%～99%, Kappa系数为0.92～1,均高于其他三种分类方法,表明了CNN模型在海面太阳耀斑区溢油的检测具有更高的精度与一致性。     

引入纹理特征的多光谱遥感影像 海面油膜信息提取

针对单纯依靠光谱特征油膜提取精度低、雷达影像油膜提取易受海况条件及假目标影响的问题,提出了一种结合光 谱特征与纹理特征的多光谱遥感影像油膜信息提取方法。以2011 年6 月蓬莱19-3 油田溢油事故为研究对象,选用HJ-1 星 CCD 遥感数据,利用灰度共生矩阵获取影像纹理特征,采用SVM 模型对结合纹理特征与光谱特征的影像进行分类,提取出 研究区油膜信息,并将分类提取结果与仅依靠光谱特征的SVM 模型分类结果进行了比较。结果表明：引入纹理特征的SVM 模型分类总精度达到90.29 %,比仅依靠光谱特征的分类精度提高了12.41 %;纹理特征的参与降低了原影像噪声对分类结果 的影响,油膜边缘提取更加清晰,油膜中心呈连续面状分布,引入纹理特征的SVM 模型可有效地用于多光谱遥感影像海面 油膜信息提取。     

海面溢油无人机高光谱遥感检测与厚度估算方法

海上溢油是海洋国家所面临的共同问题,但至今仍没有一种可靠实用的海上溢油准确识别和油量遥感监测方法。为此,本文以无人机高光谱遥感为手段,开展了海面溢油检测与厚度估算方法研究。实验中,通过搭建室外大型水槽溢油实验装置,获取了模拟真实海洋环境条件下不同溢油量的遥感和现场光谱数据,在此基础上,分析并提取了海上溢油特征光谱波段,给出了海上溢油高光谱检测模型;针对现场实验条件下水面油膜厚度难以测定的问题,设计了3种利用总体溢油量的油膜厚度估算模型。得到如下主要结论:（1）675 nm和699 nm是海上溢油检测的有效特征波段,但对极薄的油膜没有检测能力;（2）提出了归一化溢油指数模型、反比例模型和吸收基线模型等3种海上溢油油膜厚度估算模型,其中对于薄油膜（厚度≤ 5 μm）和厚油膜（厚度>50 μm）,反比例模型是溢油厚度反演的首选也是唯一选择。对于中厚度油膜,晴朗天气条件下,归一化溢油指数模型是油膜厚度反演的首选,同时反比例模型和溢油吸收基线模型也都有较好的反演能力,而在多云天气条件下,反比例模型效果最佳。     

基于二维激光观测的溢油及其乳化过程散射模式研究进展

合成孔径雷达(SAR)以其高分辨率、能不受雨云影响实施全天时全天候全方位监测,在海面溢油灾害应急监测过程中发挥着越来越重要的作用。溢油是因为海面油膜抑制了毛细波和重力波,在SAR图像上呈暗斑而被识别。然而,海面溢油的乳化过程直接影响SAR对海面溢油后向散射截面的观测精度。本研究以物理海洋学和激光原理以及海面电磁散射理论为基础,通过实验利用激光扫描仪观测海面溢油粗糙度,分别与溢油特征参数、后向散射系数建立对应关系;耦合海面溢油参数与后向散射截面的关系,利用电磁散射数值建模方法,建立海面溢油散射模型,研究海面溢油乳化过程对微波后向散射截面的影响。本项目的研究将为SAR监测海面溢油量、溢油厚度及油品分布格局提供了可能;将进一步揭示海面溢油的散射机制,提高SAR海面监测溢油的精度和能力。     

基于面向对象和模糊逻辑的SAR溢油检测算法

星载合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时、全天候的工作能力,已被众多学者认为是非常适合探测海面溢油污染的遥感器。然而在SAR影像中经常出现"类油膜"现象,这严重干扰了SAR溢油检测的精度。因此,如何有效区分SAR影像中的油膜和类油膜,对提升溢油检测精度具有重要意义。本文利用面向对象图像分析的方法,从20景ENVISAT ASAR影像中提取了较多的溢油和类油膜样本,对其基于对象的形状、物理和纹理特征进行了综合分析,找出了适合区分溢油和类油膜的特征量。利用特征分析的结论,本文建立了一种基于模糊逻辑的溢油检测算法。该算法可以有效区分SAR影像中的溢油和类油膜,还可以给出暗斑被判定为溢油的概率。溢油检测实验说明,本文方法能够得到令人满意的效果。     

海面水包油乳化液溢油量等效估算方法研究

激光诱导荧光(LIF)是一种主动光学探测技术,该技术已在海面未乳化溢油油种鉴别及油膜厚度评估方面取得了一定的研究成果,但乳化溢油的监测理论基础和探测方法尚未成熟。溢油乳化物的量化会直接影响溢油污染的应急处理和灾害评估,但目前对溢油乳化液溢油量的计算尚未有研究报道。本文以水包油乳化液为研究对象,基于等效思想,根据油量相等建立了水包油乳化液与油膜的荧光检测等效模型,并依据光的辐射传输机理推导出等效油膜厚度的估算公式,最后采用仿真实例对估算方法的适用性和有效性进行了验证。实验结果表明,当水包油乳化液含油率小于12×10^-6,厚度小于5.98 cm时,利用所提出的等效方法能有效计算出水包油实际溢油厚度。该方法可为海面乳化溢油量的估算提供一种创新性的方法,具有良好的借鉴意义和实际应用价值。     

基于热红外视频图像监测的海面溢油识别技术研究

针对现有海面溢油检测技术难以在石油泄漏初期（尚未形成海面大规模油膜覆盖）及时发现油膜的难题,本文在前期基于热红外图像测算海面油膜面积方法研究的基础上,结合油泄漏至海面后油膜的扩散特征,提出了一种基于热红外视频图像监测油膜面积变化以及时识别海面溢油的方法。首先,基于单帧热红外图像处理算法提取海面前景区域（包含油膜区域与相似物干扰区域）并计算各区域所代表的实际物理面积。基于视频图像处理技术跟踪测算前景区域中各连通区域的实际物理面积变化情况,根据各连通区域的面积变化率识别前景区域中是否存在油膜,从而判断海面是否发生溢油。实验结果表明:所提出的方法能有效识别不同黏度的石油泄漏至海面形成的扩散油膜,在水面包含波浪与相似物干扰时也具有良好的识别精度。该方法适用于特定场景下（如码头、船舶等）的溢油事故的鉴别,能为溢油事故的及时发现和预警提供技术支持。     

基于多核SVM决策融合模型的海面原油多光谱遥感检测研究

海面溢油事故发生后需要进行精准的溢油检测,从而为溢油事故现场应急响应与海面污染的快速有效处理提供支持。利用哨兵二号(Sentinel-2)多光谱遥感影像,基于最佳指数因子(OIF)构建光谱特征指数提取海面溢油光谱特征,基于灰度共生矩阵(GLCM)提取海面溢油纹理特征,利用巴氏距离法进行特征选择,构建海面溢油空谱特征数据集。提出了多核决策融合支持向量机(SVM)海面原油检测模型,对黄海4.27“交响乐号”油轮溢油事故开展检测研究。实验结果表明,在复杂水色背景下,经过筛选的最佳空谱特征数据集检测结果的总体精度可以达到89.25%,Kappa系数为0.854,F₁分数可达0.889;多核SVM决策融合后的总体精度可以达到90.26%,Kappa系数为0.866,F₁可达0.898,总体精度较单核提高了1.0%~8.2%,Kappa系数提高了0.013~0.122,F₁分数提高了0.009~0.097。实验结果表明,海面溢油检测模型具有较高的溢油检测精度和模型鲁棒性,适用于海面溢油检测研究。     

无人机海上溢油跟踪监测系统设计及仿真

海上环境变化多端,造成溢油的漂移和扩散会出现不可预测的情况,精确、实时地监测海上溢油是现今亟待解决的问题.无人机以其部署快、成本低、环境适应性强的优势在海上溢油监测领域得到重视,但单架无人机监测能力弱,而多架无人机监测的准确性仍需提高.为此,本文提出一种无人机群海面溢油自动导航跟踪监测的架构和方法,根据海上溢油浓度的变化进行路径规划.该方法包括建立溢油模型和设计无人机跟踪控制系统.溢油模型主要描述海上溢油时空变化的形态复杂性;控制器可控制无人机追踪和监测溢油漂移及扩散的情况.同时,将无人机跟踪控制系统与人工势场法相结合,避免无人机相撞.最后,进行数值仿真,结果表明该跟踪系统与溢油的重合率达到70％～80％,验证了该方法的可行性.未来,该系统可广泛应用于无人机群对不同环境现象和灾害的跟踪监测.     

全极化SAR图像中溢油极化特征研究

相比于单极化SAR图像,全极化SAR图像不仅能体现海面目标的几何特征、后向散射特征,还能体现目标的极化特征。因此,在溢油检测方面,极化SAR更具优势。特征提取作为溢油检测的关键步骤,直接影响到溢油检测的精度。在本文中,我们分析了全极化SAR图像中海面溢油的极化特征,如极化散射熵、平均散射角等。并提出了新的极化特征P,该特征参数能够反映海面目标电磁散射过程中布拉格散射机制和镜面散射机制的比例。为了研究极化特征溢油检测的能力,本文基于SIR-C/X-SAR和Radarsat-2全极化SAR图像开展了相关实验,并对比分析了溢油的多种极化特征。实验结果显示,在中低风速情况下,C波段溢油探测效果优于L波段;本文提出的极化特征P对海面散射机制敏感;基准高度和特征参数P在C波段比其他极化特征更适于溢油检测。     

Detection of oil spill based on CBF-CNN using HY-1C CZI multispectral images

Accurate detection of an oil spill is of great significance for rapid response to oil spill accidents. Multispectral images have the advantages of high spatial resolution, short revisit period, and wide imaging width, which is suitable for large-scale oil spill monitoring. However, in wide remote sensing images, the number of oil spill samples is generally far less than that of seawater samples. Moreover, the sea surface state tends to be heterogeneous over a large area, which makes the identification of oil spills more difficult because of various sea conditions and sunglint. To address this problem, we used the F-Score as a measure of the distance between forecast value and true value, proposed the Class-Balanced F loss function (CBF loss function) that comprehensively considers the precision and recall, and rebalances the loss according to the actual sample numbers of various classes. Using the CBF loss function, we constructed convolution neural networks (CBF-CNN) for oil spill detection. Based on the image acquired by the Coastal Zone Imager (CZI) of the Haiyang-1C (HY-1C) satellite in the Andaman Sea (study area 1), we carried out parameter adjustment experiments. In contrast to experiments of different loss functions, the F1-Score of the detection result of oil emulsions is 0.87, which is 0.03–0.07 higher than cross-entropy, hinge, and focal loss functions, and the F1-Score of the detection result of oil slicks is 0.94, which is 0.01–0.09 higher than those three loss functions. In comparison with the experiment of different methods, the F1-Score of CBF-CNN for the detection result of oil emulsions is 0.05–0.12 higher than that of the deep neural networks, supports vector machine and random forests models, and the F1-Score of the detection result of oil slicks is 0.15–0.22 higher than that of the three methods. To verify the applicability of the CBF-CNN model in different observation scenes, we used the image obtained by HY-1C CZI in the Karimata Strait to carry out experiments, which include two studies areas (study area 2 and study area 3). The experimental results show that the F1-Score of CBF-CNN for the detection result of oil emulsions is 0.88, which is 0.16–0.24 higher than that of other methods, and the F1-Score of the detection result of oil slicks is 0.96–0.97, which is 0.06–0.23 higher than that of other methods. Based on all the above experiments, we come to the conclusions that the CBF loss function can restrain the influence of oil spill and seawater sample imbalance on oil spill detection of CNN model thus improving the detection accuracy of oil spills, and our CBF-CNN model is suitable for the detection of oil spills in an area with weak sunglint and can be applied to different scenarios of CZI images.     

基于合成孔径雷达影像的海洋溢油纹理特征参数分析

溢油已是当前海洋生态环境破坏的主要因素之一,因此对海洋溢油的检测分析是当前海洋环境保护的一个重要课题。传统的溢油提取仅仅是单独依靠光学影像的光谱信息或者合成孔径雷达(SAR)影像的后向散射系数信息进行提取,这会造成很多同谱异物或者粗糙度相近似的地物错分,因此除了利用传统的影像信息以外,还需结合影像的纹理信息,从而提高溢油提取的精度,减少错分地物的数量。选用2006年渤海地区的三景同轨SAR影像作为数据基础,应用基于灰度共生矩阵的方法对其进行纹理分析。该方法可以很好地对图像区域和表面进行感知并能够从像元的灰度相关性上对纹理特征进行详细描述,因此适合于SAR影像的海洋溢油检测。在纹理分析的过程中有很多的参数需要选择,参数选择的好坏将直接影响最终提取结果的精度。通过对纹理分析过程中的参数进行讨论、实验、选择与验证,最终确定了基于灰度共生矩阵纹理分析中各参数的值,并选择了局部平稳、非相似性、对比度、变化量4个特征量作为溢油提取的纹理特征统计量。将纹理特征与SAR自身的后向散射系数相结合,通过神经网络分类法对其进行分类,并计算出分类精度为80.65%,分类效果良好。由此说明了将影像的传统信息与纹理信息相结合进行溢油提取是一种可行而有效的方法,同时也为后续的海洋溢油检测工作奠定了一定的基础。     

基于SAR极化比和纹理特征的海面溢油识别方法

针对海洋表面SAR影像的特点,采用基于灰度共生矩阵的纹理特征方法是提取海面溢油信息的常用方法,但实际海洋表面复杂的信息使得SAR图像上产生类似溢油现象的暗斑区域,这导致在利用纹理特征方法提取溢油信息时存在虚警率,降低了溢油信息的提取精度。基于RADARSAT-2 SAR四极化影像,本文提出基于SAR极化比影像的纹理特征识别方法对海面油膜进行识别提取。结果显示,基于SAR极化比影像的纹理特征识别方法可以有效且准确地提取海面溢油信息,相比于VV极化影像的纹理特征识别方法,溢油监测过程中的虚警率降低了17.96%,溢油监测总体精度达到96.83%。