基于遥感影像的溢油监测技术变为海洋大数据：高效溢油监测技术

近年来，国内外专家学者基于SAR影像监测海上溢油进行了大量的研究，在卫星遥感进行海上溢油监测的研究上，我国的起步比较晚，但也取得了一定的成果。

利用溢油和类油膜特征分析的结果，苏腾飞［10］建立了一种基于模糊逻辑（fuzzy logic，FL）的溢油检测算法。该算法利用模糊数学的优势，有效区分SAR影像中的溢油和类油膜；该算法还可以给出暗斑被分为溢油的概率，经过三景SAR影像的溢油检测实验，算法能够得到令人满意的效果。结合SAR溢油检测算法，还构建了一套SAR溢油检测软件系统。

环境保护部卫星环境应用中心熊文成等［18］，利用SAR图像，对2007年12月发生在韩国的溢油事件进行监测，解译勾画出溢油信息边界，利用GIS系统叠加风场、地形、其他重要信息数据，对溢油的分布、扩散以及对周边环境的影响进行分析评价，为决策者提供决策支持。

中国地质大学李琼［19］利用以SAR影像为主的多源遥感影像进行海面油膜检测，并在海况、海上交通、海洋设施、地质断裂构造、重磁异常、化探异常等信息辅助下，叠合不同期次、不同时相解译出来的历史油膜来判定污染油膜和渗漏油膜。

国家海洋局第一海洋研究所宋莎莎和苏腾飞等［20］研发的海上溢油SAR卫星遥感监测系统支持多种SAR数据处理，基于改进的凝聚层次聚类算法实现了SAR影像油膜自动识别与特征提取。系统具有溢油区域置信度分析、多源多时相分析、溢油事故源回溯与分析等溢油识别结果综合分析功能，其中溢油识别和综合分析结果可与电子海图叠加显示，还可以生成溢油信息专题图。

首都师范大学魏铼［21］采用SAR影像作为数据源，结合纹理分析进行溢油识别，并通过神经网络分类法进行溢油面积提取，在纹理分析过程中，探讨了不同参数对溢油面积提取结果的影响。

大连海事大学兰国新［22］针对多光谱影像，简化了海面油膜光学模型，分析了不同谱段的油膜光学性质，确立了油膜厚度与表观反射率的变化规律，结合实测光谱分析，建立了适用于多光谱传感器的油膜厚度识别算法，实地航飞实验证明该方法简单易行。

中国海洋大学刘朋［16］以海洋溢油为研究对象，分别讨论了利用单极化和多极化SAR数据进行海洋溢油检测与识别的方法，重点利用SAR数据对海洋溢油进行目标检测、特征提取、识别溢油与疑似溢油现象以及分类海湾地区溢油进行研究。

北京交通大学赵龙建立实时、无人监督的海洋监测系统，选用了低成本、全天时、全天候的SAR图像来进行海面溢油信息的监测，通过对无人监督海陆分割和暗区域（溢油）两方面的研究，找到了快速准确的方法，通过相应的实验验证了其可行性，同时开发完成了一体化SAR图像溢油监测框架系统。

大连海事大学李宝玉［23］根据星载SAR海面溢油图像“假目标”的成因、特点及发展趋势建立星载SAR海面溢油“假目标”分类规则，利用分类规则将“假目标”归类，与海面溢油的图像特征和溢油事件发生地的背景信息结合，作为专家知识库，由此实现对“假目标”的剔除。

国外对溢油监测技术做了大量的研究工作，取得了一系列方法和成果：

挪威、加拿大已经利用遥感监测系统开展了海上溢油业务化监测。其中，挪威KST（Kongsberg satellite services）溢油监测系统［24］，自1998年开始以卫星雷达遥感数据为主要数据源，向欧洲乃至全球用户提供近实时溢油应急服务。

在溢油与疑似溢油现象的区分研究中，Topouzelis等［25］则采用径向基函数（radical basis function，RBF）神经网络的方法进行SAR图像中海上溢油的监测，这种方法在一定程度上提高了识别精度。(www.xing528.com)

在油膜分割算法方面，Frery［26］基于极化SAR数据和B样条函数，对溢油SAR影像进行检测和分割，从而得到对溢油的准确监测。

Migliaccio等［27］提出了一种SAR溢油检测的物理方法。该方法首先计算溢油的衰减比，得到溢油检测的阈值；然后利用CFAR滤波技术检测SAR影像中的溢油，具体采用了ROA滤波器，以减少单视SAR影像斑点噪声对溢油检测的影响，并实现快速数据处理。

Akar等［28］发展了一种基于对象的SAR溢油检测算法，检测了黑海自然产生的溢油，为海洋石油资源的探测提供技术支持。

Marghany［29利用RADARSAT-1卫星图像数据，应用改进的Fay算法和多普勒频移模型，模拟了油膜在海面上的移动，获得了海面上油污的面积和移动方向。

Brekke［30］讨论了在可变条件下不同的卫星遥感和溢油监测性能，基于模式识别方法，对溢油区域和疑似区域进行了区分，对特征提取方法和油膜特征进行了总结。

Karantzalos ［31］设计了基于水平集的SAR溢油自动检测方法，将其应用在地理参考的SAR溢油图像上，得到了溢油形状和位置信息，进而推测其漂流扩散情况，具有良好的预测效果。

Mercier［32］利用小波方法对SAR影像分解，得到准确的影像特征提取，基于支持向量机，对溢油种类进行了分类研究。最后利用ENVISAT ASAR影像对算法进行验证，并对比分析了该算法和JRC算法的溢油检测效果。

Brekke等［33］将规律化的统计分类器引入SAR自动溢油检测方法，提高了溢油检测精度。将该方法和支持向量机分类方法做了对比分析，结果显示该方法可以大幅降低虚警率。通过76景SAR影像的验证，得出的规律是：SAR影像越复杂（即暗斑越多），油膜的置信度等级越低。

采用极化SAR影像的方法，Salberg等［34］建立了良好溢油监测模型；Skrunes等［35］利用多极化SAR影像，基于数据集RADARSAT-2和erraSAR-X，研究了溢油特征；Shirvany等［36］进一步提出双极化和混合极化的思想，使用RADARSAT-2C波段极化数据验证了旧金山湾船运溢油，使用L波段NASA/JPL UAVSAR数据验证了墨西哥湾船运溢油，都取得了良好效果。

Vespe和Greidanus［37］讨论了目前与海洋SAR影像相关的质量评测方法，介绍了一些量化方法用于卫星影像的处理和评测，最后提出了“应用适用性”概念，对溢油和船运监测进行了验证实验。

Singha等［38］利用不同的人工神经网络（artifical neural network，ANN），对溢油监测进行了研究，使用一组ANN分割SAR影像识别属于溢油特征的像素点，使用另一组ANN对这些特征点进行分类，用以区分溢油和疑似溢油，最后在ERS-2 SAR和ENVISAT ASAR数据集上进行了验证。

Fingas和Brown ［39］则分析了溢油的遥感特征，给出了主流的遥感技术在溢油监测中的介绍，对溢油遥感技术进行了总结和展望。