應用GF-3衛星探測海上溢油實驗研究

魯云飛，路曉慶*，鄒亞榮

（1.國家衛星海洋應用中心，北京 100081；2.自然資源部空間海洋遙感與應用重點實驗室，北京 100081）

隨著海上經濟活動的日益頻繁，海上溢油時有發生，2018年“桑吉”輪事件、2021年黃海油輪事故等造成溢油，對海洋生態環境影響巨大，及早發現溢油的位置和影響區域面積，對于溢油事件的處置具有重要的意義。衛星遙感具有監測范圍廣、受天氣影響小等特點，應用遙感開展溢油監測是主要技術手段，又由于微波遙感具有穿云透霧的能力，以及溢油對海洋的阻尼作用，在合成孔徑雷達（Synthetic Aperture Radar，SAR）圖像上表現出“黑斑”特征，因而SAR衛星數據在溢油監測中應用更為廣泛[1]。

國內外學者應用SAR衛星數據開展了大量的溢油信息提取研究，運用多種圖像處理方法對SAR圖像進行處理，提取溢油信息，例如ZHANG Y Z等[2]采用支持向量機方法，對生物膜與礦物質油膜進行區分；MERA D等[3]選取溢油幾何、散射等特征，采用機器學習等算法提取溢油信息；NUNZIATA F等[4]應用全極化的數據開展溢油信息提取，建立極化模型來監測溢油信息，區分了某些類溢油與溢油；ZOU Y R等[5]對溢油的極化特征進行分析，建立了溢油極化特征譜，從散射機理上對溢油探測進行了研究；也有學者通過實驗方法，對不同極化、不同角度探測溢油開展了研究[6-8]。這些研究基于國外SAR衛星進行，目前常用于溢油監測的SAR衛星主要為加拿大Radarsat-2、意大利Cosms-SkyMed、德國TerrSAR等，這些衛星具有多極化、不同分辨率的特點，但由于為國外運營，在數據保障性方面，尤其是滿足應急需要時，存在一定的困難，對溢油遙感監測影響較大。我國自主的高分三號衛星（GF-3）具有12個探測模式，可獲取全極化數據，最高分辨率為1 m，能滿足我國不同行業的業務需求。本文就GF-3衛星在海上溢油方面探測進行研究。

1 采用數據

采用2016年12月30日的L1A級GF-3全極化條帶模式1，分辨率為8 m，入射角46.94°～47.97°，幅寬為20～35 km，范圍為東經122.72°—122.98°，北緯36.87°—37.17°，覆蓋山東半島東側面積約300 km2海域。

2 溢油探測能力分析

不同的溢油種類在海水中的存在方式不同，油在海水中受到多種力的綜合作用，在溢油的不同階段表現不同，原油重油難以與海水溶解，燃料油與海水可發生反應，隨時間變化，會產生乳化效應與蒸發。一般情況，燃料油與海水進行融合，形成油在水中，或水在油中，本文針對的是燃料油與海水混合的油水混合物。

基于海上溢油對海水的阻尼作用，多位學者運用SAR數據，采用圖像處理、極化分解等方法開展了溢油信息的提取，對多起溢油事故進行了分析，但他們都是利用國外的SAR數據，在模式與分辨率，以及數據獲取等方面對溢油遙感監測業務有一定的限制，GF-3衛星具有多模式、全極化、多分辨率等特點，能夠滿足業務監測需要。

2.1 GF-3衛星數據噪聲分析

在圖像中，選取海水作為樣本進行分析，直方圖計算量小，可分析像元亮度值（DN值）的分布統計，因而采用圖像的直方圖計算，如圖1和表1所示，4個極化圖像均存在空值，以交叉極化圖像中為多，其中HV極化圖像DN值變化較大，均值達到96.96，標準差達到43.47，表明分布不均勻，為4個極化中最大。各極化的直方圖曲線波動都較大，尤其在曲線的頂端變化處，且曲線不呈高斯分布，說明噪聲呈現出不均勻分布，最大的頻度差別一般在100以內（圖1）。

圖1 海水樣本直方圖

表1 海水樣本直方圖計算結果

由于溢油對海洋毛細波的壓制，在圖像上呈現出黑斑特征，理論上溢油的值均一，從VV極化圖上溢油樣本值看，90%的值小于45，但直方圖上溢油曲線變化劇烈，在DN值20～40之間振幅達150（圖2），表明溢油區內數據起伏大，受噪聲影響較大。

圖2 溢油樣本直方圖

2.2 紋理分析

通過對圖像處理提取出紋理特征參數，從而揭示目標的紋理特性。

設定圖像為M×N大小，設圖像上灰度級分別為i、j，（k，l）與（m，n）表示圖像空間上的一個點對。

取像元對間距為d，兩像元連線的方向為θ。取不同間距d，不同方向θ的灰度共生矩陣為P（i，j，d，θ）。Pij為兩個相鄰像元在距離d和角度θ的概率。

基于不同θ，0°與180°的表達為：

其中變化參數計算公式如下。

其中：

圖3中，4個極化方式圖像的平均、方差、對比、分散四個紋理參數對溢油有表現，其中以方差、對比這兩個紋理參數對溢油的表現最為明顯，而一致、熵、二分量、相關4個紋理參數對溢油的表現不明顯，相關紋理參數則對溢油完全沒有表現。與VV、HH極化方式對溢油的表現相比，VH、HV極化對溢油的表現要弱。

圖3 紋理特征值

2.3 后向散射計算分析

根據GF-3衛星用戶手冊[9]，GF-3的后向散射系數可根據式（4）求出。

在L1A圖像中，PI=I2+Q2，I為1A級產品實部；Q為1A級產品虛部；QualifyValue為該景圖像量化前的最大值，可通過元數據文件QualifyValue字段獲取。

在GF-3影像中選取溢油與海水樣本，對樣本進行4個極化方式計算，結果如圖4和圖5所示。溢油與海水直方圖曲線均不平滑，有不同的起伏，表明GF-3圖像的噪聲較大，對溢油信息提取具有一定的影響。相對于溢油直方圖，海水直方圖曲線要平滑，這表明海水后向散射值相對均一，4個極化的溢油與海水直方圖曲線均未表現出正態分布，峰值向右偏移。溢油在VH、HV極化上差別不明顯，在VV極化圖像上，小于0的占27.88%，說明溢油與海水交融，而在海水的樣本直方圖上，小于0的占5.59%，從而在海水中能提取出油水混合信息。

從溢油樣本分析，4個極化中，VV極化的峰值在4左右，小于4的值占90%，而海水的峰值在12左右，小于峰值的值占90%，溢油與海水有較為明顯的差別，如圖4和圖5所示。溢油在HH極化的峰值在8左右，海水在HH極化的峰值在2左右，且溢油與海水的直方圖存在一定的重疊，這樣對溢油信息提取有一定的困難。4個極化方式，從溢油的后向散射分析，交叉極化VH、HV的后向散射系數比垂直VV、水平極化HH的后向散射小，難以從海水中提取出溢油信息。

圖4 不同極化方式的后向散射系數統計計算（溢油樣本）

圖5 不同極化方式的后向散射系數統計計算（海水樣本）

2.4 極化分解

目標的極化分解可反應目標的粗糙度等特性[10]。本文以極化分解為基礎，開發一套自主知識產權的溢油極化SAR處理系統，溢油極化SAR處理系統開發工作以SAR數據為數據源，在溢油極化SAR特征譜構建及精細提取研究的基礎上，基于極化分解，計算了熵、反射角等值。

式中，λ1、λ2、λ3為相干矩陣的特征向量，散射熵H表示為隨機散射的隨機性。

式中，反熵A表示除主要散射以外的兩個相對較弱散射之間的關系，僅H＞0.7時，為進一步識別來源，否則A包含過高的隨機噪聲。H值變大，則極化可分類別數下降。H值增大時，A作為散射分類意義明顯[10]。從熵計算結果，溢油信息在熵表現明顯，可以從海水提取。任意從溢油向海水做一直線，計算熵值的變化，計算結果如圖6所示。從溢油向海水過渡，DN值從高往低過渡，在10至35區間，DN值的變化從250降至50，表明溢油與海水有明顯的區分，熵是區分溢油與海水的有效參數。圖6中曲線波動顯著，說明噪聲的影響較大。從反熵A計算值看，在10至35區間，A值的變化從50左右升至250，曲線存在起伏，同樣表明噪聲較大。溢油與海水在熵與反熵的差別明顯，因而能夠從海水中提取溢油信息。在熵、反熵、角（HAAlpha）圖像中，溢油信息有明顯的表現，從剖面計算看，溢油在HAAlpha圖像中DN值為0，沒有波動，噪聲較小，在0至50的區間，DN值從10陡然升高到150左右，表明溢油與海水存在明顯的界限。海水在HAAlpha圖像中曲線有些波動，有噪聲的存在。

圖6 極化分解參數

3 基于極化分解的溢油信息提取

Freeman分解通常要求散射模型的總功率為1，將Freeman分解使用的面散射模型表示如下。

式中，β為復數，|β|≤1是為了保證模型的球面散射功率不會弱于二面角散射功率，對于普通雷達觀測地面來說，通常可以假定|β|≤0.5。

以面散射為主的一種最主要的地物類型就是海面。在SAR觀測的入射角范圍內（18°至50°），在不考慮其他長波情況下，海面的后向散射主要為布拉格（Bragg）散射。

該分解方法先對極化相干矩陣進行去定向操作，再進行Freeman三成分分解，且為了消除分解結果中負功率散射成分，使用了與“去定向三成分分解”中相同的“非負功率限制”處理。應用此方法開展溢油信息提取，結果見圖7（圖中黑色條帶部分），由于溢油對海面毛細波的壓制，導致回波信號弱，因而在圖像上呈現出黑斑，Ps為面散射，在修正Freeman分解的Ps圖像中，溢油與海水信息得到表示，溢油均值小于海水，溢油表現為黑色，與海水有較為明顯的區別，溢油信息能夠有效地從海水背景中提取。

圖7 基于Freeman極化的溢油信息提取

4 結 論

應用SAR數據開展海上溢油遙感監測是目前常用方法之一，GF-3衛星的發射為溢油遙感監測帶來巨大機遇。GF-3具有多模式、高分辨等特點，本文從溢油的噪聲、極化分解、極化分類等方面對GF-3衛星數據的溢油遙感探測能力進行分析。針對GF-3衛星具有多模式多分辨率的特點，開展了GF-3衛星數據的溢油遙感監測分析，溢油與海水的散射系數有較為明顯的差異，基于此建立的極化參數等模型能夠有效地從海水背景中提取出溢油信息，應用溢油的極化信息可有效地區分海水與溢油信息。

GF-3衛星圖像噪聲以交叉極化圖像中為多，其中HV圖像DN值變化大，均值達到27 716.94，為4個極化中最大，各極化的直方圖曲線波動較大，尤其在曲線的頂端變化處，且曲線不呈高斯分布；4個極化中，VV極化的峰值在4左右，小于4的值占90%，而海水的峰值在12左右，小于峰值的值占90%，溢油與海水有較為明顯的差別。溢油在HH極化的峰值在8左右，海水在HH極化的峰值在2左右，且溢油與海水的直方圖存在一定的重疊，對于溢油信息提取具有一定的干擾，從而影響溢油信息提取的精度。如何減少GF-3的噪聲，進而提高溢油的提取精度是下一步需要研究的方向。

從熵計算結果分析，隨著溢油向海水過渡，熵值從高往低過渡，在10至35區間，DN值的變化從250降至50，表明溢油與海水有明顯的區分，熵是區分溢油與海水的有效參數。從反熵A計算值看，在10至35區間，DN值的變化從50左右升至250，曲線存在起伏，同樣表明噪聲較大。溢油與海水在熵與反熵的差別明顯，因而能夠從海水中提取溢油信息。在極化分解方面，獲得的熵、反射角等參數能夠表現出溢油的散射特性；基于極化分解參數，能夠通過常用分類方法進行溢油信息提取。