基于LSTM 網絡的海水石油污染含量遙感預測模型

黃妙芬，王江穎，邢旭峰，王忠林，周 運

（廣東海洋大學數學與計算機學院，廣東 湛江 524088）

隨著海上石油開采活動以及沿海石油化工基地的相繼建設，相關海域不可避免地受到石油污染。開展相關海域石油污染含量的動態預測研究，對于推動我國生態文明建設，改善海域水質質量，具有重要的作用。將遙感技術引入區域海洋石油污染相關特性研究的工作已展開，包括其表觀光學特性、固有光學特性和熒光特性[1-4]，反演石油污染含量的遙感模型也相繼建立[5-7]。黃妙芬等[8]建立基于水體石油污染歸一化遙感反射比指數（Normalized Difference Petroleum Remote Sensing Reflectance Index，NDPRI）反演水中石油含量的遙感模式，其計算過程所需的輸入參數完全取自于遙感圖像本身，避免對其他附加輸入參數的依賴，從而實現遙感化，為將遙感技術用于研究水體石油污染含量的歷史變化特征和建立預測模型打下基礎。

美國陸地衛星 Landsat 系列的第一顆衛星Landsat 1 于1972 年成功發射，至今已經發射8 顆衛星，除Landsat 6 發射失敗之外，其余7 顆衛星積累了大量對地觀測遙感數據[9-10]，這些數據在海洋水質觀測中發揮了巨大的作用。依據該系列的數據源，學者們[11-12]分別建立提取葉綠素、懸浮泥沙、溶解性有機碳（dissolved organic carbon，DOC）等水體參數的遙感模型，取得良好效果。Landsat 系列所積累的時間序列數據，可為海洋石油污染含量Co遙感預測模型的建立提供數據源，但Landsat 是典型的遙感時序數據，若純粹基于其數據源建模來對相關數據進行預測，并不能深入挖掘出數據源時序特征，因而需尋找一種能將時序特性關聯起來考慮的方法。

近年來，基于神經網絡的信息提取算法取得長足進展[13]，不少學者[14-15]將這些算法用于遙感數據信息的提取和水質參數監測等。循環神經網絡（Recurrent Neural Network,RNN）[16]通常被認為是一種用于處理時間序列數據的深度學習網絡，它通過隱含層神經元的循環“記住”過去的信息，將現在的信息與過去的信息進行糅合，因此可產生相對準確的預測結果。長短期記憶網絡(Long Short-Term Memory，LSTM)，屬于循環神經網絡RNN 中的一種，主要解決RNN 在長期依賴上出現梯度爆炸與消失的問題。LSTM 的特點是能學習具有長時間跨度的時間序列并自動確定最優時間滯后預測，因而能更有效地利用長距離的時序信息建立高精度的預測模型，在眾多領域取得了良好的預測效果[17-19]。本研究將LSTM 引入到具有長時間時序的Landsat 遙感數據中，通過信息挖掘，對Co遙感預測模型的建立展開探索性研究，旨在為掌握相關海域海洋石油污染含量的動態變化特征提供一種新技術手段。

1 材料與方法

1.1 研究區域

研究區域選擇位于遼東半島南端大連市金州區的深水油港——大連新港。大連新港于1976 年正式投入使用，承擔著將大慶原油輸入油輪的任務。在該海域，歷史上曾發生多次溢油事件和嚴重的石油管道爆炸事件，加上日常的生產活動、油輪的運輸等，給周圍海域帶來一定的油污染，這使得它成為一個進行海洋石油污染特性研究的天然試驗場地[20-21]。

1.2 海水石油污染含量現場測量

海水石油污染含量現場測量數據主要用于預測模型的驗證和分析。采樣點中心位置的經緯度為：38°58.178' N，121°55.098' E。測量時間：1）2018 年8 月25 日7:00—17:00，采樣深度為表層（0 m），共計10 個樣本；2）2021 年1—5 月衛星過境時刻（上午10:00—11:00），采樣深度為表層（0 m），共計20 個樣本。

測量儀器采用美國特納TD-500D 便攜式紫外熒光測油儀，該儀器測定原理與分子熒光光度法（《SL 366-2006 水質 石油類的測定 分子熒光光度法》）相同，所使用的監測標準與我國的《海洋監測規范》GB17378.3-1998 相符。

1.3 遙感數據處理

1.3.1美國Landsat 系列衛星介紹 采用衛星遙感數據為Landsat 系列數據。考慮到大連新港油碼頭是1976 年投入使用，對海域的油污染有滯后效應，因此本研究采用1984 年之后發射的Landsat 5/TM、Landsat 7/ETM+、Landsat 8/OLI 這3 個傳感器采集的數據（表1）。

表1 Landsat 5/TM、Landsat 7/ETM+、Landsat 8/OLI 相關技術參數Table 1 Schedule of launch times and related technical parameters of the Landsat5/TM,Landsat 7/ETM+,Landsat 8/OLI

表1 顯示，1）Landsat 5/TM、Landsat 7/ETM+、Landsat 8/OLI 這3 種傳感器的空間分辨率都是30 m，時間分辨率都是16 d，時空分辨率高度一致；2）在可見光-近紅外波段（0.45～ 0.90 μm）都具有藍光、綠光、紅光和近紅外波段，波段設置也基本相近（除Landsat 8/OLI 設置2 個藍光波段，在此采用第2 個藍光波段）。

1.3.2遙感數據Landsat 系列衛星對地掃描覆蓋的設計原則是相鄰兩軌衛星之間存在一部分區域重疊，研究區域大連新港海域正好落在軌道號（Path/Row）為120/33 和119/33 的重疊區域，因而時間分辨率可由16 d 提高到8 d。利用1984—2020 年在大連新港海域過境的Landsat 衛星所采集的數據，共獲取遙感數據1680 景（數據下載網址：https://earthexplorer.usgs.gov/）。由于在部分日期衛星過境的時候，出現云覆蓋的情況，導致數據缺失。在1999—2011 年期間，研究區域可同時接收到ETM+和TM 的數據，因而通過這些密集的數據建立線性插值方程，來補齊缺失的數據。

Landsat 系列衛星遙感數據產品，存儲的數值是灰度值（Digital Number，DN），因而首先需將其轉換為傳感器接受到來自目標物的光譜輻亮度信息，即進行輻射校正，其次考慮到大氣的影響，需進一步對經過輻射校正的數據進行大氣校正。本研究中大氣校正方法采用美國 RSI（Research Systems Inc.）公司研發的遙感圖像處理軟件ENVI (The Environment for Visualizing Images)所提供的大氣校正模塊（Fast line-of-sight Atmospheric Analysis of Spectral Hypercube，FLAASH），經過大氣校正后最終得到各對應波段的Rrs(sr-1)[9]。

1.3.3海水石油污染含量遙感反演算法海水石油污染含量Co的獲取采用基于歸一化遙感反射比指數I（normalized difference petroleum remote sensing reflectance index，NDPRI）的石油污染含量遙感反演模型[8]。NDPRI 的計算公式為

基于NDPRI 反演出Co的遙感模式為

式（3）中，Co為海水石油污染含量，mg/L；x為I值，單位為1。

1.4 LSTM 網絡工作原理

LSTM 網絡通過在每個神經元結構中設置3 個門來控制細胞狀態的方式，以解決RNN 網絡在長期依賴上出現梯度爆炸與消失的問題，每個神經元結構如圖1。

圖1 LSTM 單個神經元結構Fig.1 LSTM single neuron structure

圖1 中，xt表示當前輸入值；ht表示當前隱藏層的輸出，ht-1表示上一隱藏層的輸出；Ct表示當前隱藏層的記憶細胞，Ct-1表示上一隱藏層的記憶細胞，表示記憶細胞狀態，記憶細胞的作用是控制記憶單元中信息傳播；ft為遺忘門，用來控制需要丟棄的信息；it為輸入門，用來控制需要保留的信息；ot為輸出門，用來控制需要輸出的信息。求解ft、it、ot，、Ct、ht的表達式如下：

式（4—9）中，Wf、Wc、Wi、Wo為權重矩陣，σ為sigmoid 函數，bf、bc、bi、bo為偏置矩陣，sigmoid和tanh 都是激活函數，兩者的表達式如式（10－11）。

1.5 模型性能評價

在參數確定過程中，選取均方根誤差R（Root Mean Square Error，RMSE）和平均絕對百分比誤差M（Mean Absolute Percentage Error，MAPE）作為評價模型性能的指標，計算公式如式（12—13），其中R表示模型的穩定性，其值越低表示模型越穩定；M用于表示模型的準確性，其值越低表示模型的精度越高，效果越好。由于實驗的結果具有一定的偶然性，評價指標均取3 次實驗的平均值。

其中，m為樣本數，yi為實測值，為預測值。

2 結果與討論

2.1 基于LSTM 網絡的Rrs 預測模型

2.1.1遙感數據運用遙感數據直接采集到的物理量是像元在各個波段的Rrs，因而本研究主要引入LSTM 網絡對可見光-近紅外波段的Rrs進行預測，然后通過一定的算法計算出對應像元的Co。為提高數據的準確性，在大連新港海域選擇一塊由3 行×3 列所構成的9 個像元的固定區域，將9 個像元平均值作為中心像元的數值，分別得到該區域在藍光、綠光、紅光和近紅外波段對應的Rrs。將該區域所有過境時刻數據取出，并與經過插值處理的數據一起構成時序數據集，共計1 680 個數據，按7∶2∶1的比例將它們分成訓練集、驗證集和測試集，其中訓練集數據用于訓練模型，以找出最佳的權重和偏置；驗證集數據用于對訓練模型進行篩選，以找出最佳的超參數；測試集數據用于對訓練好的模型進行性能評估。

2.1.2LSTM 網絡模型參數的優化 LSTM 網絡模型的超參數主要包括神經網絡層數、隱藏神經元節點數和回溯時間步長。在模型構建過程中，神經網絡層數設計太多會引起過擬合，導致訓練效果不理想，太少又會引起欠擬合，達不到訓練所需的效果；隱藏神經元節點數的大小是影響模型收斂速度的一個關鍵因素；在構建一個基于真實測量數據的預測模型時，如果回溯時間步長太短，則前后的時間依賴關系很弱，進行時間序列預測的意義就不大；如果時間步長越長，則梯度消失或爆炸的風險也就越高。

在對參數進行優化時，首先將訓練集數據分批加載進入模型進行訓練，此時，批處理大小（batch_size）設置為32，數據加載一批模型便迭代一次，訓練次數（epochs）設置為500，當驗證集上的損失（均方差）在10 次迭代中沒有下降，則將學習率降低到原來的80%，初始學習率為0.001，最低為0.000 01；其次對神經網絡層數、每層隱藏神經元數、回溯時間步長進行試驗，確定最優的超參數。

以藍光波段的Rrs數據為例，在神經網絡層數優化的過程中，分別取2、3、4 層進行實驗，并利用指標R和M對模型性能進行評估，結果如表2。分析表2 可見，神經網絡層數為3，指標R和M的數值最小，因而可認為最佳的神經網絡層數為3。

表2 設置不同神經網絡層數的模型評價指標值Table 2 Model evaluation index values of different neural network layers

采用3 層神經網絡，將LSTM 網絡的隱藏神經元節點分別設置為16、32、64、96 個進行實驗，結果如表3。分析表3 可見，在隱藏神經元節點數為64 時，指標R和M值最小。

表3 設置不同隱藏神經元節點數的模型評價指標值Table 3 Model evaluation index values of different number of hidden neuron nodes

采用3 層神經網絡，神經元節點數為64 的模型結構，分別采用不同回溯時間步長進行試驗。不同回溯時間步長下，各模型的評價指標比較如表4。分析表4 可見，可得最佳回溯時間步長為6。

表4 設置不同回溯時間步長的模型評價指標值Table 4 Model evaluation index values of different backtracking time steps

上面實驗對藍光波段的遙感反射比數據進行LSTM 預測模型構建參數選取，實驗結果表明，最佳組合為3 層神經網絡、隱藏神經元節點數為64、回溯時間步長為6。以同樣的試驗方法分別對綠光波段、紅光波段、近紅外波段的遙感反射比數據探究構建LSTM 預測模型的最佳參數（表5）。

表5 LSTM 模型在各波段中的最佳參數組合Table 5 Optimal parameter combination of LSTM model in each band

2.1.3預測模型驗證 在最佳參數組合下，圖2 為LSTM 模型對藍光波段、綠光波段、紅光波段、近紅外波段Rrs數據的預測數據與測試數據的對比結果。分析圖2 可見，Rrs的預測值曲線與其測量值曲線的變化趨勢基本一致。

圖2 4 波段Rrs 預測結果與實際測量結果對比Fig.2 Comparison of predicted and actual results of Rrs in four bands respectively

由表6 可見，在這4 個波段中，近紅外波段具有最小的R值和最大的M值，表明其預測模型的穩定性最好，但準確性相對就差一些。

表6 不同波段作為測試集的LSTM 模型預測效果Table 6 Prediction effect of LSTM model with different bands as test set

2.2 Co 的預測及驗證

基于LSTM 網絡所建立的預測模型，根據2021年1—5 月在研究區域衛星過境的對應日期，分別預測出過境時的4 個波段的Rrs，共計20 組數據。然后將這些預測的Rrs代入公式（6）進行歸一化處理，最后根據公式（7）和（8）計算出Co預測值。Co實測值的獲取時間和方法參見1.2 節。圖3 為2021 年1—5 月在大連新港實測值的Co與預測值的對比，圖中數據時間間隔為8 d，時間序號1—4 是1 月份的觀測值，5—8 為2 月份觀測值，依次類推。

圖3 油含量預測值與實際測量值對比Fig.3 Comparison of predicted and actual results of petroleum-pollution concentration

分析圖3 可見，1）Co的預測值總體高于測量值；2）從1 月份開始到5 月份Co變化趨勢呈現逐漸增加態勢，1 月份大連新港油含量比較低，2—3月油含量的增加幅度比較大，4—5 月增幅變緩，趨于平穩。這與氣溫的增加有著密切的關系，因為隨著溫度的增加，水溫增高，底層的油物質會產生揮發，使得水體的含油量增加。

從圖4 可看出，Co變化值在1.0～ 9.3 mg/L 之間，10:00—11:00 數值在3.1～ 4.2 mg/L 之間，之后急劇上升，可達到9 mg/L。這與2021 年1—5 月的測量值和預測值是比較接近的，表明大連新港由于石油化工生產活動的影響，海水油污染一直存在。

圖4 2018 年8 月26 日研究區域油含量隨時間變化曲線Fig.4 Time variation of petroleum-pollution concentration at different depths in study area on August 26,2018

進一步計算出圖3 中Co的預測值與實際測量值的平均相對誤差，結果為9.17%，表明通過4 波段Rrs預測模型預測出來的Rrs，代入Co遙感反演模型中反演出來的結果精度較高。分析造成誤差的原因，主要有：1）用于模型訓練與驗證的數據中，由于云覆蓋的影響，采用了插值的方法來彌補缺失數據；2）Co遙感反演模型是基于部分像元點而建立；3）實際進行Co測量時由于受到水樣采集環境的影響，對測量值也會帶來誤差，使得測量值不能代表該時刻的油含量的真值。

3 結論

衛星遙感數據能實時獲取大面積海域的Rrs，它們是海水組分對后向散射的總貢獻。在水色遙感領域利用Rrs，可進一步估算出海水的組分濃度，包括水體石油污染含量。Landsat 衛星序列具有長時間的數據積累，為基于LSTM 網絡建立Co遙感預測模型奠定了數據基礎。本研究中提出一種基于Landsat衛星遙感數據和LSTM 網絡的Co預測模型。該模型根據Landsat 衛星遙感獲取的歷史數據，分別建立針對可見光-近紅外范圍的4 波段Rrs預測模型，在此基礎上采用水體石油污染歸一化遙感反射比指數構建的遙感估算模型預測出Co值，最后根據現場測量數據對預測值進行驗證，平均相對誤差為9.17%，表明該預測算法具有較高精度。

基于Co預測模型所預測的數據可彌補在有云情況下油含量數據缺失的問題，也可為相關海域油含量未來動態演變預測提供一種新技術手段，并可在其他海域油港中進行推廣應用。另外本研究Co的遙感預測思路還能為利用Rrs建立其他水質參數濃度的預測模型提供參考。