海面太陽耀斑區的溢油光學遙感CNN檢測方法研究

杜凱, 馬 毅, 姜宗辰, 楊俊芳

海面太陽耀斑區的溢油光學遙感CNN檢測方法研究

杜凱1, 2, 馬 毅2, 3, 4, 姜宗辰1, 2, 楊俊芳5

(1. 山東科技大學, 山東 青島 266590; 2. 自然資源部第一海洋研究所, 山東 青島 266061; 3. 自然資源部海洋遙測技術創新中心，山東 青島 266061; 4. 空天地海一體化大數據應用技術國家工程實驗室, 陜西 西安 710072; 5. 中國石油大學(華東), 山東 青島 266580)

海面發生大面積溢油事故時, 由于太陽耀斑區的存在, 海面的油膜在遙感影像上會發生明暗的變化。這對溢油的檢測會產生嚴重的干擾。如何在海面太陽耀斑區準確地檢測出溢油是目前溢油檢測的難題。針對這一問題, 本文利用Landsat7 ETM+多光譜影像數據, 開展了基于卷積神經網絡(CNN)的海面太陽耀斑區溢油檢測方法研究。通過設置對照實驗, 對比支持向量機、最大似然、隨機森林等分類方法, 我們發現在相同實驗條件下CNN模型的分類精度為95%~99%, Kappa系數為0.92~1, 均高于其他三種分類方法, 表明了CNN模型在海面太陽耀斑區溢油的檢測具有更高的精度與一致性。

遙感; 海面溢油; 太陽耀斑區; 卷積神經網絡(CNN); 分類

根據國際油船所有者污染聯盟(ITOPF)的數據統計, 在20世紀90年代, 共有358次大、中型溢油事故, 造成約113萬噸石油泄漏。在20世紀初, 有181次大、中型溢油事故, 造成19.6萬噸石油泄漏。2010年至2018年, 發生了59起大、中型的溢油事故, 造成了16.3萬噸石油泄漏。海面溢油會污染海洋, 嚴重破壞海洋生態。2010年4月, 墨西哥灣深水地平線石油平臺發生泄漏, 污染了路易斯安那州160多千米的海岸線, 破壞了海灘, 殺死了大量的魚類, 破壞了整個墨西哥灣生態系統[1]。2011年6月, 山東省蓬萊19-3油田漏油事件, 污染了油田周圍及其西北部海域[2]。

海上溢油檢測主要以衛星遙感為主, 主要包括微波遙感和多光譜遙感兩種手段。在發生海面大面積溢油事故時, 由于太陽耀斑區的存在, 溢油在海面的油膜會在遙感影像上發生明暗的變化, 對遙感影像的分類產生嚴重的干擾, 如何在海面太陽耀斑區準確地檢測出溢油是目前海面溢油檢測面臨的難題。

為了解決噪聲影響溢油遙感檢測問題, 一些研究首先進行圖像濾波, 進而特征提取, 然后利用該特征對溢油進行分類[3]。許多研究人員采用傳統的模式識別方法, 如支持向量機、光譜角度匹配法、人工神經網絡算法等。如孫元芳等[4]輔加紋理特征量的光譜角度匹配法進行油膜提取, 精度高達90%以上。陳韓等[5]利用支持向量機分類法在TM遙感影像溢油識別上的總體精度可達99.96%。Del Frate等[6]提出了一種用于ERS-SAR圖像中溢油半自動檢測的神經網絡方法。

2006年, Hinton等[7]提出了一種基于人腦學習思想的深層神經網絡機器學習方法, 但受制于當時計算機較為落后的計算能力, 深層神經網絡機器學習方法沒有體現太大的優勢。近幾年來, 隨著數據量的指數式增長, 人類進入“大數據時代”, 計算能力也突飛猛進地發展, 這種基于人腦學習思想的深層神經網絡機器學習方法開始在各個領域廣泛應用。卷積神經網絡(convolutional neural networks, CNN), 已經成為直接從海量圖像數據中學習圖像特征表達的強大框架[8-12], 已成為遙感圖像分類研究的熱門。將卷積神經網絡(CNN)應用于太陽耀斑區溢油影像分類研究中, 有望提高其分類精度。

1 數據和方法

1.1 研究區概況

本文研究區是位于北美洲大陸東南沿海水域連接著大西洋和佛羅里達海峽的美國墨西哥灣, 開采石油的海上石油鉆井平臺位于坎佩切灣和海灣西部地區, 墨西哥灣是美國重要的石油和天然氣的供應地[12]。

英國BP公司的墨西哥灣石油平臺于2010年4月22日發生大規模漏油事件, 當時一個石油鉆探平臺遭遇爆炸并從距離路易斯安那州約80 km的海灣沉沒。溢油清理和罰款耗資650億美元[13]。

1.2 數據與處理

1.2.1 遙感數據與處理

本次實驗使用的數據是2010年5月1日的Lansat7 ETM+遙感影像數據。本次實驗選取了3個實驗區, 影像實驗區域大小分別為200×302、200×300和200×300,共8個波段。圖1為研究區多光譜影像的真彩色合成圖, 紅、綠、藍3個通道分別對應662.0 nm, 560.0 nm和483.0 nm。

圖1 實驗區真彩色影像

Landsat7衛星按近極點太陽同步軌道繞地球飛行, 軌道高度705.3 km, 軌道傾角98.2°, 每98.9 min繞地球一周, 16 d覆蓋地球一次, 降交點時間為當地時間上午10時。Landsat7搭載ETM+傳感器, 提供四種模式的地面測量: 可見光和近紅外(VNIR), 短波紅外(SWIR), 全色(PAN)和熱紅外(TIR)。2003年5月31日, 補償衛星前向運動的掃描校正器發生故障, 導致了大約四分之一的數據丟失, 產生條帶空白。本文使用插件對條帶空白進行了修復。

Landsat7 ETM+傳感器的主要參數見表1。

由于研究區影像的存在噪聲會影響分類精度, 故本文選用模板大小為3×3的中值濾波器對整幅多光譜影像進行濾波處理, 抑制噪聲對實驗結果的影響。本文在實驗前將三維的多光譜實驗數據進行降維處理, 轉化成CNN模型可以識別并讀取的二維光譜矩陣。

表1 ETM+各通道主要參數

本文在存在太陽耀斑的區域選取了大小分別為200×302和200×300的實驗區1和實驗區2共兩個實驗區域, 在非太陽耀斑區域選取了大小為200×300的實驗區3。Landsat7影像共有八個波段, 本文實驗在對影像進行輻射定標和大氣校正時, 為了保證各波段的空間分辨率相同舍棄了B6和B8波段, 故三個實驗區的數據分別為200×302×6、200×300×6和200×300×6的多光譜遙感影像, 通過矩陣重塑及降維操作, 將影像中每一個像素的光譜信息轉化為1×6維的光譜向量, 原始數據即轉變為了60 400×6、60 000×6和60 000×6的光譜向量。為了適應卷積神經網絡的輸入, 對其進行了復制擴展運算, 擴展為60 400×144、60 000×144和60 000×144的光譜向量, 然后運用升維操作將原來的二維數據轉化為三維數據, 即將光譜向量轉化為60 400×12×12、60 000×12× 12和60 000×12×12的光譜矩陣, 作為CNN模型輸入層神經元的輸入數據。

1.2.2 樣本數據

在實驗區1中選取制作了700個樣本點的訓練數據和3 142個樣本點的測試數據, 在實驗區2中選取制作了700個樣本點的訓練數據和1 510個樣本點的測試數據, 包括海水、暗油膜、亮油膜3個類別, 在非太陽耀斑區域實驗區3中選取制作了420個樣本點的訓練數據和390個樣本點的測試數據, 包括海水和暗油膜兩個類別。訓練樣本與測試樣本空間分布分別如圖2、圖3和圖4所示。

圖 2 實驗區1訓練數據和測試數據

圖3 實驗區2訓練數據和測試數據

1.3 基于卷積神經網絡的海面太陽耀斑區溢油檢測模型

卷積神經網絡(convolutional neural networks, CNN)是一種深度學習方法, 適合于圖像的特征提取, 可提高圖像分類的精度, 已廣泛應用于圖像處理中。本文綜合考慮海面太陽耀斑區溢油檢測模型的分類效果與訓練效率, 通過設置對照實驗, 比對模型的分類效率, 設計了卷積神經網絡的網絡結構, 如圖5所示。

圖4 實驗區3訓練數據和測試數據

圖5 卷積神經網絡結構

網絡輸入層用于接收輸入數據, 由于輸入數據為12×12×60 400的光譜矩陣, 因而將卷積神經網網絡的輸入層的大小為12×12。

卷積層用于提取輸入的不同特征, 卷積是一種有效的圖像特征提取方法[14]。一般情況下, 使用平方卷積核遍歷圖像中的每個像素。將卷積核中對應點的權值乘以圖像與卷積核重疊區域中每個像素的值求和, 再加上偏移量, 得到輸出圖像中的像素值, 公式為:

其中, Z表示卷積后的結果, p、q分別表示卷積核的行數和列數, wi、vi表示卷積核和輸入矩陣中i點的權值和像素值, b表示偏置值。

卷積后引入非線性激活函數進行激活, 主流的非線性激活函數有Relu、Sigmoid等[15]。本文實驗采用的是Sigmoid, 公式為:

其中, Sigmoid()表示表示激活后的值,表示激活前的值。

在本文中通過設置對照實驗, 考慮到海面太陽耀斑區溢油的空間尺度, 對比不同結構模型的分類精度, 確定了卷積層1和卷積層2的卷積核的大小均為3×3, 卷積層1輸出的特征圖個數為5, 卷積層2輸出的特征圖個數為7。

關于全連接層, 首先將卷積層2中輸出的特征圖連接成為一個(8×8)×7=448的向量, 作為單層感知機的輸入。根據海面太陽耀斑區溢油檢測的場景, 設置最后的輸出類別數為3, 即海水、暗油膜、亮油膜。

全連接層中的每個神經元與其前一層的所有神經元進行完全連接, 它可以整合卷積層或者池化層中提取到的區分性信息從而進行用于最后的分類工作[16]。全連接層中每個神經元均經過Sigmoid函數進行激活。

本文實驗中采用Softmax函數進行分類, 公式如下:

其中, Softmax(y)表示第個像素是各個類別的概率,y表示第個像素的值。

2 結果與分析

2.1 與經典方法分類精度對比分析

為了驗證本文方法的有效性, 實驗將其與近幾年文獻中用于溢油分類的支持向量機(support vector machine, SVM), 最大似然(maximum likelihood, ML)和隨機森林(random forests, RF)三種方法進行對比。在相同實驗條件下對處于太陽耀斑區的研究區亮油膜、暗油膜與海水進行分類實驗, 表2和表3展示了CNN模型分類結果的混淆矩陣。

表2 實驗區1CNN混淆矩陣

表3 實驗區2CNN混淆矩陣

通過計算得到相應分類方法的分類精度、品質因數、Kappa系數, 如表4和表5所示。

表4 實驗區域1不同分類方法結果對比

表5 實驗區域2不同分類方法結果對比

由表5、表6數據可以看出, 在兩個實驗區中CNN模型的分類精度分別為99.97%, 95.89%, Kappa系數分別為1, 0.92, 品質因數分別為1, 0.98, 均高于其他三種分類方法, 表明了本文所構建的CNN模型對于海面太陽耀斑區溢油的分類具有更高的精度與一致性, 而其他三種方法中, 隨機森林和最大似然的分類精度較高, 而支持向量機的分類精度最低。

表6 實驗區域3不同分類方法結果對比

由圖6、圖7中可以看出, 本文模型對太陽耀斑區下油膜分類效果很好, 精度可達95%~100%, 可以有效避免太陽耀斑對油膜分類的影響。本文模型對油膜邊緣的檢測精度高, 在一定程度上避免了油膜與海水的錯分, 而其他三種分類方法表現則相對粗糙, 產生了部分海水與油膜的錯分。這表明CNN的局部連接、權值共享等特點使得它能夠自動挖掘溢油的深層信息, 學習到更多更本質的特征, 從而獲得更好的分類準確率。

圖6 實驗區1分類成果圖

2.2 對非耀斑區溢油分類精度對比分析

在非太陽耀斑區, 本文提出的卷積神經網絡模型與近幾年文獻中用于溢油分類的支持向量機分類, 最大似然分類和隨機森林分類三種方法進行油膜與海水的分類實驗對比, 分類結果如圖8所示, 通過計算得到相應分類方法的分類精度、品質因數、Kappa系數, 如表6所示。

圖7 實驗區2分類成果圖

圖8 實驗區3分類成果圖

由圖8分類結果圖和表6數據可以看出, 在非太陽耀斑區域中, 隨機森林分類方法精度最高, 分類精度為97.72%, Kappa系數為0.97, 品質因數為1。本文的CNN模型分類精度次之, 與支持向量機分類精度相同, 分類精度、Kappa系數、品質因數分別為96.95%, 0.96, 1。而最大似然分類方法的精度最差, 分類精度僅為91.12%, Kappa系數為0.89。

2.3 亮油膜與暗油膜分類精度對比分析

表7、表8展示了CNN模型分類結果的混淆矩陣。借助混淆矩陣可以獲得各類方法對于亮油膜、暗油膜以及海水的分類精度, 如表9、表10所示。

表7 實驗區1CNN混淆矩陣

表8 實驗區2CNN混淆矩陣

表9 實驗區1不同類別分類結果對比

表10 實驗區2不同類別分類結果對比

由表7、表9數據可以發現, 在實驗區1中亮油膜、暗油膜與海水三者相互間的光譜差異較大, 卷積神經網絡模型能有效地識別出三者之間的光譜差異, 進行準確分類。而表8、表10中的數據顯示, 實驗區2中亮油膜與海水間的光譜有差異, 而暗油膜與海水則存在一定的異物同譜現象, 有少量的暗油膜樣本被錯誤地分類到了海水和暗油膜類別當中, 導致其分類精度相對亮油膜較低。

2.4 CNN網絡參數對分類精度的影響

通過調整CNN模型的各項參數, 包括卷積核大小、特征圖個數、學習率等, 分析各項參數對于CNN模型分類結果的影響。

2.4.1 卷積層

在實驗條件一致的基礎上, 對比卷積層1、卷積層2的卷積核大小為3×3, 5×5, 7×7時, 輸出特征圖個數為1, 2, 3, 4, 5, 6, 7, 8, 9, 10的分類精度。實驗結果如圖9、圖10所示。

圖9 卷積層1卷積核大小及輸出特征圖個數調整實驗

圖10 卷積層2的卷積核大小及輸出特征圖個數調整實驗

由結果圖9中可以發現, CNN模型對太陽耀斑區油膜的分類精度隨卷積層1的卷積核輸出特征圖的個數的增多而提高。當卷積層1的卷積核大小為3×3, 輸出特征圖個數為5時, 分類效果達到最佳。

在此基礎上對卷積層2的卷積核大小及輸出特征圖個數進行實驗, 結果如圖10所示。

從結果圖10中可以看出, 當卷積層2的卷積核大小為3×3, 輸出特征圖個數為7時, 分類效果達到最佳。

在本實驗中特征圖增多可以使得提取的特征更加多樣, 從而增強網絡的性能, 選用最小的3×3卷積核則是由于在本實驗中所用到的有效波段較少, 更小的卷積核可以提高效率, 減少性能浪費, 使得特征提取在空間上的視野更為寬廣。

2.4.2 學習率

卷積神經網絡模型是按照隨機梯度下降算法進行訓練, 需要引入學習率來調整訓練過程的節奏[17]。學習率表示了每次參數更新的幅度大小。學習率過大, 會導致待優化的參數不收斂; 學習率過小, 會導致待優化的參數收斂過慢。

本文通過調整學習率大小, 在其他實驗條件一致的基礎上, 對比學習率分別為0.25, 0.3, 0.35, 0.4, 0.45, 0.5, 0.55, 0.6, 0.65和0.7時的分類精度。實驗結果如圖11所示。

圖11 學習率調整實驗

結果表明卷積神經模型的分類精度隨學習率的變化而變化。學習率小于0.35時, CNN模型的分類精度隨學習率的提高而增加, 當學習率為0.35時, 卷積神經模型的分類精度達到最佳, 當學習率大于0.35時, CNN模型出現了過擬合的現象, 分類精度呈下降趨勢。

2.4.3 批訓練次數

在CNN模型的各項超參數都確定以后進行批訓練次數的調整實驗, 在其他實驗條件一致的基礎上, 對比訓練次數為30, 40, 50, 60, 70, 80, 90, 100時, CNN模型的分類精度。實驗結果如圖12所示。

圖12 訓練次數調整實驗

結果表明卷積神經模型的分類精度隨訓練次數的變化而變化。當訓練次數過低時, CNN模型的分類精度隨訓練次數的增加而提高, 迭代次數為50時, 模型分類精度達到最佳, 之后隨著訓練次數的增加, 模型出現了過擬合導致精度下降。

CNN的訓練過程分為兩個階段。第一個階段是數據由低層次向高層次傳播的階段, 即前向傳播階段, 其主要作用是網絡進行權值的初始化以及輸入數據經過卷積層、池化層、全連接層的向前傳播得到輸出值; 另外一個階段是反向傳播階段, 主要作用是求出網絡的輸出值與目標值之間的誤差, 根據求得誤差進行權值更新。CNN的多次訓練對于提高其分類精度十分重要, 但過多的訓練也可能會使卷積神經網絡對訓練數據產生過擬合, 從而導致其在測試數據集上的分類精度降低。

2.5 不同訓練樣本對分類精度的影響

在上節實驗的基礎上通過調整訓練樣本的數量, 對比訓練樣本數量分別為目前的訓練樣本數量, 1/2, 1/3, 1/4和1/5時的分類精度。

實驗結果如圖13所示, 從結果圖中可以看出, 當訓練樣本數量減半時, CNN模型對太陽耀斑去油膜的分類精度保持不變。當訓練樣本數量為原來樣本數量的1/3時, 分類效果下降到了95.21%, 隨后隨著訓練樣本數量的減少分類精度迅速下降, 可以得出當訓練樣本數量為原來的一半即750時, 為最佳的訓練樣本數量。

圖13 訓練樣本數量調整實驗

3 結論與展望

本文構建了一種基于卷積神經網絡的海面太陽耀斑區溢油的分類方法, 文中通過構建基于卷積神經網絡(CNN)的海面太陽耀斑區溢油提取模型, 實現了對海面太陽耀斑區油膜的提取, 并獲得了較好的分類結果, 通過與支持向量機、最大似然、隨機森林等經典分類方法進行比較, CNN模型在兩個實驗區的分類精度(OA)分別為99.97%、95.23%, Kappa系數為1、0.92, 均高于其他三種分類方法, 表明了本文所構建的CNN模型對于海面太陽耀斑區溢油的分類具有更高的精度與一致性, 事實上是CNN的局部連接、權值共享等特點使得它能夠自動挖掘溢油圖像的深層信息, 學習到更多更本質的特征, 從而獲得最優的分類準確率。

雖然本文研究可以發現CNN分類方法能夠有效提高海面太陽耀斑區溢油分類精度, 但是仍然存在不足之處, 例如所構建的CNN太陽耀斑區溢油提取模型只開展基于多光譜數據進行分類實驗, 高光譜數據的應用能力還需檢驗。

[1] 馬英杰, 于曉華. 美國《墨西哥灣恢復法》特點及其對我國海洋生態修復的啟示[J]. 中國海洋大學學報(社會科學版), 2016(2): 59-64. MA Yingjie, YU Xiaohua. The characteristics of Mexico Gulf restore act and inspirations for Chinese coastal ecogical restoration[J]. Journal of Ocean University of China (Social Sciences), 2016(2): 59-64.

[2] 吳文鋒. 葫蘆島港船舶溢油風險評價研究[D]. 大連: 大連海事大學, 2009.WU Wenfeng. The oil spill risk assessment of the port of Hu ludao[D]. Dalian: Dalian Maritime University, 2009.

[3] 李瑩. 基于SAR圖像的海洋溢油檢測系統的研究與設計[D]. 青島: 山東科技大學, 2012. LI Ying. Research and design of marine oil spill detection system based on SAR images[D]. Qingdao: Shandong University of Science and Technology, 2012.

[4] 孫元芳, 周斌, 蓋穎穎, 等. 遙感監測墨西哥灣溢油目標識別算法[J]. 測繪科學, 2015, 40(3): 63-67.SUN Yuanfang, ZHOU Bin, GAI Yingying, et al. Extraction algorithm of oil spill cases in Gulf of Mexico with RS data[J]. Science of Surveying and Mapping, 2015, 40(3): 63-67.

[5] 陳韓, 謝濤, 徐輝, 等. 基于TM遙感影像溢油識別方法的比較研究[J]. 武漢理工大學學報(信息與管理工程版), 2019, 41(3): 305-311.CHEN Han, XIE Tao, XU Hui, et al. Comparative analysis of oil spill recognition based on TM remote sensing image[J]. Journal of Wuhan University of Technology (Information & Management Engineering), 2019, 41(3): 305-311.

[6] DEL FRATE F, PETROCCHI A, LICHTENEGGER J, et al. Neural networks for oil spill detection using ERS- SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(5): 2282-2287.

[7] HINTON G, SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks[J]. Science, 2006, 313(5786): 504-507.

[8] BREKKE C, SOLBERG A H S. Oil spill detection by satellite remote sensing[J]. Remote Sensing of Environment, 2005, 95(1): 1-13.

[9] WANG T, SUN W, QI H, et al. Aerial image super reso-lution via wavelet multiscale convolutional neural net-works[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(5): 769-773.

[10] ZHONG C, MU X, HE X, et al. Classification for SAR scene matching areas based on convolutional neural net-works[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(9): 1377-1381.

[11] ZHAN Y, HU D, XING H, et al. Hyperspectral band selection based on deep convolutional neural network and distance density[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(12): 2365-2369.

[12] 陳怡. 海上石油鉆井平臺責任制度研究[D]. 上海: 復旦大學, 2012.CHEN Yi. Study on liability system of offshore oil drilling platform[D]. Shanghai: Fudan University, 2012.

[13] LAVROVA O Y, KOSTIANOY A G. Catastrophic oil spill in the Gulf of Mexico in April–May 2010[J]. Izvestiya, Atmospheric and Oceanic Physics, 2011, 47(9): 1114-1118.

[14] 陳琛, 馬毅, 胡亞斌, 等.一種自適應學習率的卷積神經網絡模型及應用——以濱海濕地遙感分類為例[J]. 海洋環境科學, 2019, 38(4): 621-627.CHEN Chen, MA Yi, HU Yabin, et al. A convolution neural network model with adaptive learning rate and its application - a case study of remote sensing classification of coastal wetland[J]. Marine Environmental Science, 2019, 38(4): 621-627.

[15] 李彥冬, 郝宗波, 雷航. 卷積神經網絡研究綜述[J]. 計算機應用, 2016, 36(9): 2508-2515. LI Yandong, HAO Zongbo, LEI Hang. Survey of convolutional neural network[J]. Journal of Computer Applications, 2016, 36(9): 2508-2515.

[16] 王飛飛. 基于改進卷積神經網絡算法的研究與應用[D]. 南京: 南京郵電大學, 2016, 36(9): 2508-2515.WANG Feifei. Research and applications based the improved convolutional neural network[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2016, 36(9): 2508-2515.

[17] 張偉, 鄭柯, 唐娉, 等. 深度卷積神經網絡特征提取用于地表覆蓋分類初探[J]. 中國圖像圖形學報, 2017, 22(8): 1144-1153.ZHANG Wei, ZHENG Ke, TANG Ping, et al. Land cover classification with features extracted by deep convolutional neural network[J]. Journal of Image and Graphics, 2017, 22(8): 1144-1153.

Detection of oil spill in the sun glint region of optical remote sensing data based on the convolutional neural network method

DU Kai1, 2, MA Yi2, 3, 4, JIANG Zong-chen1, 2, YANG Jun-fang5

(1. Shandong University of Science and Technology, Qingdao 266590, China; 2. First Institute of Oceanology, Ministry of Natural Resources, Qingdao 266061, China; 3. Technology Innovation Center for Ocean Telemetry, MNR, Qingdao 266061, China; 4. National Engineering Laboratory for Integrated Aero-Space-Ground-Ocean Big Data Application Technology, Xi’an 710072, China; 5. China University of Petroleum (East China), Qingdao 266580, China)

When a large oil spill occurs on the sea surface, it produces a sun glint region that changes the brightness and darkness levels of the optical remote sensing images of the oil spill, which seriously interferes with its classification. Developing a method for the accurate detection of oil spills in the sun glint region is an important problem. Given the urgent need for a solution and the associated practical difficulties, we conducted a study of oil-spill detection methods using Landsat7 ETM+ multi-spectral images in sun glint regions based on the convolutional neural network (CNN). By comparing its performance with that of the support vector machine, maximum likelihood, and random forest classification methods, we found that the CNN model under the same experimental conditions obtained a classification accuracy between 95% and 99%, and a Kappa coefficient of 0.921. These results that were higher than those obtained by the other classification methods prove that for the sun glint regions of oil spills, the CNN has higher classification accuracy and consistency.

remote sensing; oil spill; sun glint region; convolutional neural network (CNN); classification

Jan. 5, 2020

P76

A

1000-3096(2021)04-0022-09

10.11759/hykx20200105001

2020-01-05;

2020-05-23

國家自然科學基金重大項目課題(61890964); 山東省聯合基金項目(U1906217)

[National Natural Science Foundation of China Major Project, No. 61890964; National Natural Science Foundation of China Joint Fund, No. U1906217]

杜凱(1995—), 男, 碩士研究生,通信作者, 主要從事高光譜遙感圖像處理與應用研究, E-mail: rsdukai@fio.org.cn; 馬毅(1973—), 共同通信作者, 男, 研究員, 主要從事海島海岸帶遙感與應用研究, E-mail: mayimail@fio.org.cn

(本文編輯: 楊 悅)