渤海海域多源遙感溢油風險評價與長序監測

柯麗娜，李云昊, ，張 帥，范劍超

渤海海域多源遙感溢油風險評價與長序監測

柯麗娜1，李云昊1, 2，張 帥2, 3，范劍超2

(1. 遼寧師范大學 地理科學學院, 大連 116029; 2.國家海洋環境監測中心 海洋遙感技術室, 大連 116023; 3.大連工業大學 信息科學與工程學院, 大連 116034)

渤海海域溢油事件頻發，所以進行海洋溢油風險時空特征分析，對于開展衛星遙感溢油精確監測具有重要意義。作者采用多源高分辨率衛星遙感數據，提取渤海海域船舶及石油平臺兩類主要溢油風險源分布狀況，結合2015—2020年間渤海海域海上溢油衛星遙感監測結果，分析多種傳感器下不同類型溢油的成像特征，通過溢油風險源核密度分析方法，獲得海洋溢油事件發生的時空分布，實現渤海海域溢油風險程度綜合評價。以2020年大連近岸海域溢油遙感監測為例，開展溢油擴散范圍長序列應急監測，結合事故發生海域船舶航行風險源信息，對溢油事件發生過程進行回溯，實現對溢油發生源和分布面積的長序列準確監測。

海洋溢油；海上石油平臺；風險源；多源遙感

隨著世界經濟的發展、各國對石油的需求日益增長, 海洋石油以其豐富的儲量成為重要的石油資源。由于海上石油平臺的開發和海洋運輸業的不斷發展, 海上溢油事故時有發生[1]。意外事故、蓄意傾倒或自然原因等造成的海上石油泄漏會對海洋生態系統、海水養殖業、旅游業等造成極大的危害, 因此能否及時準確地對溢油狀況進行監測評估對于保護海洋環境具有重要的意義[2]。船舶和石油平臺作為海洋溢油事故的兩大主要來源, 其潛在影響程度因溢油事故發生的位置及其分布而不同, 尤其是海上石油平臺, 一旦發生事故, 會帶來難以估計的生態和經濟損失[3-4]。2010 年英國石油公司在美國墨西哥灣租用的鉆井平臺“深水地平線”發生爆炸, 導致大約490 萬桶原油從油井中泄漏, 造成難以估量的經濟與生態損失。海上溢油事故具有突發性強、影響范圍大、易擴散漂移等特點, 對海上石油平臺的分布情況進行監測以及對海面浮油進行準確檢測、對溢油范圍進行精確估算、對溢油分布狀況進行實時跟蹤, 對于海洋溢油災害的有效治理具有重要的現實意義[5]。

目前國內外對海洋溢油風險評價做了大量的研究, GOERLANDT等[6]將貝葉斯網絡建模應用于芬蘭海灣地區溢油概率風險的量化, 并通過對風險模型的評價標準、試驗和風險分析, 驗證了該模型的合理性; 肖景坤等[7]應用概率與數理統計、灰色系統、人工神經網絡等方法, 對中國海域內船舶溢油風險概率、船舶溢油因素、船舶危害預報等進行了全面的理論分析和應用研究, 建立了船舶溢油風險評價模型, 為船舶溢油事故響應決策提供了較好的方案; SCHWEGMANN等[8]對多種溢油風險源、溢油發生概率及危害程度等進行了總結和分析; 劉保占等[9]采用層次分析法, 篩選并分析了渤海海上石油平臺溢油風險程度, 建立海上石油平臺溢油風險評價指標體系, 并運用多級模糊綜合評價方法對平臺溢油風險進行綜合評價, 為海上石油平臺溢油事故應急響應提供了技術支持。上述研究在海洋溢油風險評價方面取得了一定成果, 但由于溢油事件的發生屬于小概率事件, 且缺乏足夠的歷史統計數據, 為溢油概率的分析驗證帶來了困難。

多源遙感監測在溢油事故分析中展現其獨特的優勢, 綜合利用光學遙感及微波雷達可以充分發揮微波雷達全天候工作、受天氣影響較小的優勢, 再結合不同溢油狀況的光學影像特征, 從而對不同溢油污染類型進行定性與定量監測, 實現大范圍、全天候的溢油動態監測, 有效提升海洋溢油的遙感監測的準確度[10]。楊紅等[11]利用MODIS和HJ-1衛星數據, 對2012年上海海域溢油事件進行溢油信息提取, 并分析溢油光譜特征, 結果顯示多源遙感數據比單源遙感數據進行溢油監測效果更佳。陸應誠等[12]針對2018年1月中國東海“桑吉”輪溢油事件, 利用GF-3合成孔徑雷達(Synthetic Aperture Radar, SAR)數據并結合光學遙感數據, 實現“桑吉”輪疑似溢油范圍的圈定, 闡明了典型海洋溢油的多光譜特征。

以上研究多從溢油遙感監測技術出發, 分析多源遙感溢油信息以及雷達、光學圖像下的溢油影像特征, 但針對某一海域進行長時間序列多源遙感溢油監測的分析并不多見, 尤其渤海灣區域缺少長時間序列的海洋溢油時空分布特征分析。因此, 以渤海海域為研究對象, 使用多源高分辨率遙感影像提取渤海海域船舶、石油平臺分布信息, 描述不同光學與微波雷達影像的溢油判別方法與解譯特征, 并結合溢油遙感監測獲得的溢油統計數據對溢油風險等級區劃進行驗證, 再采用核密度分析法對渤海海域海上溢油風險程度進行分析, 從而生成渤海海域溢油風險等級區劃圖, 開展渤海海域2015—2020年海洋溢油時空分布特征分析, 旨在提高渤海海域溢油風險防控水平以及為相應海洋溢油事故應急處理提供一定的技術支撐和方法借鑒。

1 研究區域與數據

1.1 研究區域介紹

本研究的目標海域選為渤海海域。渤海是一個近乎封閉的內海, 東面以遼東半島的南端老鐵山西角與山東半島北岸蓬萊頭的連線為界, 另外3面則是環陸。根據地形地貌, 渤海海域由遼東灣、渤海灣、萊州灣、中央淺海盆地和渤海海峽這5部分組成。渤海海域具有豐富的漁業、港口、石油、海鹽等資源, 對該區域海洋資源的開發是環渤海地區經濟發展的重要領域之一。海洋溢油是最嚴重的海洋污染之一, 因此, 對渤海海域進行多源遙感溢油風險評價與長序監測具有重要的現實意義。具體研究區域如圖1所示。

圖1 渤海海域研究范圍

1.2 船舶風險源

船舶是渤海海域的主要溢油風險源之一, 尤其是近年來大型油船往來頻繁, 船舶流量增多, 使渤海海域發生溢油事故的風險越來越高[13], 目前基于遙感影像的海洋船舶目標檢測技術迅速發展。為了能夠提取整個研究海域的船舶空間分布情況, 進而分析該海域內船舶溢油風險狀況, 選取成像時間為2019年的能夠覆蓋整個研究區域的GF-1 WFV影像進行信息處理。

1.3 石油平臺風險源

是否具有時空一致性是區分船舶與石油平臺數據的基礎, 絕大多數海上船舶的位置時刻在發生變化, 即使船舶在某處短暫靜止, 也不會持續數月甚至數年, 而固定式石油平臺的位置一般不會發生改變, 石油平臺具有時空一致性, 因此將連續年份的船舶與石油平臺數據進行疊加分析及變化檢測, 篩選出位置未發生變化的目標, 即認為是石油平臺。為有效識別渤海海域海上石油平臺的位置信息, 選取2017年8月、2018年7月、2019年7月的研究區GF-1 WFV影像。

1.4 溢油數據介紹

通過排查研究區高分系列、HJ系列及哨兵系列等多源衛星遙感影像共計1 961景, 對研究區2015—2020年間的海洋溢油信息進行提取, 在研究期內共發現44處疑似溢油區域, 總計71景溢油數據, 溢油數據具體獲取情況如表1所示, 表2為2020年5月5日溢油事件所用數據。

表1 溢油數據獲取情況

表2 2020年5月5日溢油事件數據

2 研究方法

2.1 光學影像上海洋溢油特征

海上溢油事故發生之后, 溢油首先以入射光線難以透過的黑色浮油(海面上較厚的原油溢油, 易于被光學傳感器所探測)形式存在, 隨著時間的推移, 溢油開始擴散, 并在風、浪、流等海洋動力的作用下, 與海水形成具有透光性的、不同濃度的、不同厚度的油水混合物油膜[14]。因此, 在光學遙感影像中, 不同溢油污染類型因其結構特征的差異, 對入射光的反射、吸收、透射作用亦不同, 致使其呈現的影像特征也并不相同。并且, 在不同的波段, 油膜和水的差異也有所不同。如圖2所示, 油膜和水在Sentinel-2光學遙感影像中, 隨著波長的增加, 油膜與水的差異逐漸變得明顯。目前使用光學遙感影像來識別溢油主要是在可見光波段到紅外波段之間進行。

圖2 Sentinel-2影像中溢油光譜反射率曲線

根據海上油膜的光譜響應差異, 可以將海洋溢油目標確定為黑色浮油、薄油膜及油水混合物等3種主要類型[12, 15], 圖3展示了這3種主要海洋溢油類型。圖3a為光學遙感影像中典型的黑色浮油, 黑色浮油在海洋動力作用下, 常常會與海水形成如圖3b所示的油水乳化物, 并乳化后形成棕色、桔黃色或黃色等不同顏色的油水乳化物, 其狀態也被稱為“巧克力凍”或“慕斯狀”, 在光學真彩色影像上常表現為斑塊狀。圖3c和圖3d為光學遙感影像上的薄油膜, 海面溢油的薄油膜和烴微滲漏形成的滲漏油膜, 其目視影像特征常表現為彩虹色或銀色等顏色。

圖3 不同光學傳感器下的海面疑似溢油及影像特征

WFV. 高分可見光系列衛星的寬幅相機; PMS. 高分可見光系列衛星的高分相機; CCD. 環境衛星搭載的多光譜相機

WFV. The wide format camera of Gaofen optical series satellites; PMS. The high-resolution camera of Gaofen optical series satellites; CCD. Tthe multi-spectral camera of HJ satellites

2.2 SAR影像上海洋溢油特征

由于成像機理的原因, SAR遙感影像進行海洋溢油監測時, 溢油常常會呈現為黑色的暗斑狀, 但同時許多其他海洋目標也會表現出與海洋溢油類似的特征, 從而在SAR影像上形成溢油相似物[16-17], 這需要根據綜合SAR圖像上目標幾何特征、灰度、紋理等信息, 并結合風場信息、其他衛星數據等多源信息做出綜合分析和判斷海洋溢油目標。

目標的幾何特征主要包括目標的大小、形狀等特征, 不同海洋現象和觀測目標在SAR影像上會表現出獨特的幾何特征。例如內波在SAR影像上呈現為具有一定弧度的弧線, 船舶尾跡在SAR影像上則表現為一條直線, 而船舶排污產生的溢油通常表現為具有一定寬度的線形暗斑。溢油與海面低風速區都表現為塊狀低亮度區域, 但是低風速區經常位于島嶼的背風面, 且溢油區域的面積常常比低風速區要小得多; 生物油膜與海洋溢油污染相比呈現出更多的不規則性[18]。

目標的灰度、紋理特征主要包括邊緣梯度、后向散射系數、紋理特征等, 例如海洋溢油在SAR影像上的邊緣部分通常呈現出躍遷式的變化, 即目標邊緣處兩邊的像素值具有明顯的差異, 而部分疑似溢油現象(如海面低風速區)的邊緣變化則一般較為緩慢。此外, 不同目標的后向散射系數值也不同, 從而導致在SAR圖像上表現出不同的灰度值。紋理特征在人工解譯SAR圖像時也起著重要的作用, 紋理特征主要表現了目標表面的結構組織排列屬性。

SAR成像時的風場信息主要為觀察待識別目標所處區域的風速情況, 在SAR遙感影像中, 風速對海洋溢油的識別有很大的影響[19-20], 如表3所示, 在不同風速情況下, SAR影像上海洋溢油的情況具有明顯的差異, 海面風場狀況影響著SAR海洋溢油監測的難度。

表3 風速對SAR影像溢油探測的影響

此外, 目標附近的航道、石油平臺、島嶼等信息也說明了識別目標的空間位置的特征, 如果從SAR影像上提取得到的目標至航道、石油平臺等溢油風險源距離較近, 那么該目標為溢油類型的可能性較大。如果目標位于海島背風區, 那么結合風場情況就能初步判斷該目標為海面低風速區或是海洋溢油類型, 如圖4為渤海海域溢油遙感監測的疑似溢油的SAR遙感影像。

圖4 SAR影像海洋溢油

2.3 溢油信息提取方法

本文溢油信息提取方法分為兩種, 分別是圖5a所示的基于非負矩陣分解算法(Non-negative Matrix Factorization, NMF)和支持向量機(Support Vector Machine, SVM)的光學遙感影像溢油信息提取方法[21]以及圖5b所示的SAR遙感影像的層次凝聚聚類(Hierarchical Agglomerative Clustering, HAC)溢油信息提取方法[22]。

圖5 遙感影像溢油信息提取流程圖

3 結果與分析

3.1 風險源數據分析

使用衛星遙感手段對渤海海域溢油災害進行日常監測, 對保護海洋環境、監控預警海洋災害具有重要的意義。在進行溢油監測時, 首要任務是監測海上溢油風險源密集的區域。溢油風險源是指海洋環境中可能會發生溢油的目標, 通常包括船舶、石油平臺、海底輸油管道等, 其中, 最容易發生溢油事故的是船舶和石油平臺這兩大風險源。因此, 對這兩大風險源進行提取和分析, 可以為溢油監測提供充足的數據支持, 便于針對性地進行溢油監測。

對遙感影像中的船舶目標進行檢測分析, 由于船舶往往在規定的航道內行駛, 因此對同一天的衛星遙感影像中的船舶信息進行提取和分析就可以還原研究海域的整體船舶空間分布情況。對遙感影像進行相關預處理之后, 使用閾值分割算法對遙感影像進行圖像分割操作, 提取出遙感影像中的船舶目標, 再通過船舶自動識別系統(Automatic Identification System, AIS)對船舶分布情況進行查詢和對比分析, 進一步提取結果中的船舶目標, 剔除非船舶目標。圖6為渤海海域兩類溢油風險源分布圖, 其中圖6a為根據GF-1 WFV影像得到的渤海海域船舶空間分布狀況圖, 系統統計信息顯示研究區域的船舶數量為1 478艘, 將從高分影像中提取到的船舶空間分布結果與AIS系統中船舶分布狀態進行比較分析, 分析結果表明GF-1 WFV影像提取的船舶結果與AIS系統中的船舶分布情況具有較高的一致性, 提取結果具有較好的可信度。

海上石油平臺絕大多數都是固定式平臺, 空間位置基本不變, 因此可以基于石油平臺的位置不變性來進行提取。由于是基于石油平臺的位置不變性來進行提取, 因此在提取之前需要對遙感影像進行相關的預處理操作, 如幾何校正、大氣校正等, 否則提取的結果會有所偏差。在進行相關預處理操作之后, 對獲得的GF-1 WFV遙感影像進行石油平臺提取操作。最終, 渤海海域共檢測到海上石油平臺200余座, 其空間分布如圖6b所示, 渤海海域中紅色標識為海上石油平臺位置, 從圖中可以看出渤海海域石油平臺主要分布在遼東灣中部和北部, 渤海灣, 東營北部海域埕北油田區, 以及渤海中部海域蓬萊19-3油田區。由于未獲取有效的研究區石油平臺的官方數據, 為驗證石油平臺提取結果的可靠性, 與公開數據及已有研究結果[23]進行了對比, 結果表明提取結果與公開資料顯示的油氣田位置分布具有較高的一致性。

將從遙感影像中提取到的渤海海域船舶分布情況與石油平臺分布情況進行疊加, 得到如圖6c所示的渤海海域溢油風險源總體分布圖, 其中綠色點要素為提取的船舶目標, 紅色三角形要素為提取的石油平臺目標, 該圖反映了2020年5月6日GF-1 WFV影像中渤海海域船舶和石油平臺兩類溢油風險源的總體分布情況, 為渤海海域溢油風險分區管理以及溢油風險防控提供了數據支持。

3.2 溢油風險源核密度分析

統計學中的密度分析是一種用來估算有限樣本概率密度函數的方法, 因此對提取到的風險源數據進行空間密度分析, 可以判斷要素聚集程度在不同區域的高低狀況, 能夠更加直觀地體現出渤海海域溢油風險源的分布情況。

作者選用核密度分析方法(Kernel density)表達渤海海域溢油風險狀況程度, 核密度估計是一種用于估計概率密度函數的非參數方法, 可以用于計算船舶和海上石油平臺等點要素的空間分布密度。設1,2,…, x為獨立分布的個船舶或海上石油平臺樣本點, 假設其概率密度服從函數, 則其核密度可用下式表示:

其中,為核寬,為核函數。

核密度分析方法選擇空間中的風險源曲面某一像元的風險指數值等于搜索鄰域圓形半徑中該點要素所覆蓋的曲面與其下方平面所圍成的空間的體積, 隨著與該點距離的增大, 曲面上的表面值逐漸減小, 直至距離等于搜索半徑的位置處, 表面值降低為零, 表面值在相應風險源點要素所處位置上為最高。

將從遙感影像中提取到的船舶和石油平臺數據作為輸入, 進行核密度分析, 最終得到如圖7所示的渤海海域溢油風險圖。其中, 圖7a為船舶溢油風險圖, 圖7b為石油平臺溢油風險圖, 圖7c為考慮了船舶與石油平臺兩類溢油風險源的渤海海域綜合溢油風險圖, 根據該圖發現, 航道、港口近岸海域與海上石油平臺周邊海域為渤海海域溢油風險源主要集中地點。其中, 風險源較強的海域主要集中在天津、唐山、黃驊和東營的石油平臺、港口及近海附近, 其風險較高且相對集中, 另外秦皇島、蓬萊-長島等海域也為溢油高風險區。因此, 在對渤海海域進行日常溢油監測的時候, 應當首先排查以上風險較高和風險源較為集中的區域。

圖7 渤海海域溢油風險圖

3.3 渤海海域溢油風險程度綜合評價

將研究區高分系列、環境系列及海洋系列等多源衛星影像相結合, 對研究區2015—2020年間的海洋溢油信息進行排查提取, 在研究期內共發現44處疑似溢油區域。通過將發生的疑似海洋溢油區域與渤海灣溢油風險等級圖進行疊加分析得到圖8所示的2015—2020年間渤海海域溢油狀況圖, 其中越大的紅色點要素表明該次溢油事件的溢油面積越大, 具體信息如表4所示。據該圖發現研究區海上溢油的發生研究區海上溢油的發生區多集中于溢油的高風險地區, 即集中在石油平臺、港口及其近海附近, 其中天津、唐山、黃驊和東營風險較高且相對集中, 此外遼東灣、蓬萊-長島等海域也是溢油發生較為集中的區域, 主要原因為渤海海域船舶流量大, 且渤海海域海上石油平臺多。與已有研究成果比較分析[24], 結果的一致性較高, 覆蓋范圍更加全面, 溢油高風險區域位置信息更加詳細。溢油的分布狀況與溢油風險等級具有高度的一致性。結果表明研究區海上溢油事件多發生于溢油風險源高密度區域, 可以為渤海海域溢油監測和管理提供一定的理論依據。

圖8 2015—2020年間渤海海域溢油發生時空分布

表4 溢油信息統計

3.4 2020年大連近岸海域溢油遙感監測

以2020年5月5日在大連市近岸海域發現的一處疑似溢油為例, 具體坐標為120°52′50.3″E、38°42′19.94″N, 對獲取的光學遙感影像中的油膜光譜特征進行分析, 分析結果表明是與光學遙感影像中薄油膜光譜特征類似的疑似溢油條帶, 因此判定為疑似溢油區域。啟動溢油應急監測模式, 對該區域5月5日當天的可見光和SAR衛星遙感數據進行篩查, 最終獲得事發海域2景光學遙感影像, 分別為圖9a所示的成像時間為10時44分41秒的1景GF-1 WFV遙感影像和圖9b所示的11時03分02秒的1景GF-1B PMS遙感影像, 兩景遙感影像成像時間僅相差19 min, 并且兩景遙感影像云量較少, 成像效果較好, 能夠有效應用于溢油的監測與識別。

對5月5日獲取的2景遙感影像進行分析, 從遙感影像中可以發現: 在5月5日10時44分41秒的GF-1 WFV遙感影像中并未發現異常水體, 而在成像時間稍晚的GF-1B PMS遙感影像中則探測到異常水體的存在, 因此可以初步判定溢油產生時間為5月5日10時44分41秒～5月5日11時03分02秒之間, 在該時間段內可能存在船舶違規排放、石油平臺泄露或生物油膜的情況。根據渤海灣石油平臺分布圖及渤海灣船舶分布圖可知, 疑似溢油條帶海域附近無石油平臺存在, 但事發海域位于航道附近, 且兩景影像中均存在正在行駛的船舶, 因此該異常條帶初步判定為船舶違規排放油污或者生物油膜。AIS可以獲得船舶航跡信息, 通過船訊網(http://www.shipxy.com/)對事故海域AIS船舶航跡信息查詢, 對查詢結果分析可知, 研究區海域10點44分41秒～11點03分43秒, 該海域內共有6艘船舶航行, 其具體信息如表5所示。

圖9 2020年5月5日疑似溢油影像

表5 事發海域事發時間船舶航行信息

根據事故海域AIS信息, 繪制得到事發時間段內6艘船只的行駛軌跡圖, 如圖10所示。由于疑似溢油條帶的位置與船舶軌跡并無重疊, 因此該條帶可能為生物油膜或其他異常水體。

后續繼續通過衛星遙感跟蹤監測該海域, 對該海域進行長序監測。5月6日在該海域獲取1景GF-1 WFV影像與1景Sentinel-2A影像, 如圖11所示, 在影像中同樣發現異常水體, 進一步佐證5月5日的判斷結果。5月7日-5月11日, 該海域無影像覆蓋, 5月12日, 事發海域被3景GF-2 PMS影像所覆蓋, 通過影像排查, 該海域已無異常水體。通過將溢油風險源與多源衛星遙感監測相結合, 并對目標海域進行長序監測, 可以進行海洋溢油來源及類型的準確判斷和分析, 為渤海海域溢油風險管理和防控提供了理論依據和數據支持。

圖10 基于AIS信息的疑似溢油判定結果分析

圖11 5月6日疑似溢油影像

4 結論

以船舶和石油平臺的溢油風險源分布情況為基礎, 結合渤海灣2015—2020年間的溢油污染分布狀況, 構建了2015—2020年間渤海海域溢油發生時空分布, 發現渤海海域溢油發生區多集中于天津、唐山、黃驊和東營的石油平臺、港口及近海海域, 另外遼東灣、蓬萊-長島等海域也是溢油發生較為集中的區域, 溢油事件的分布狀況與溢油風險源時空分布圖具有高度的一致性, 所以獲取溢油風險源可為渤海海域溢油風險分區管理及溢油風險防控提供理論依據, 對遙感溢油長序列監測回溯具有重要意義。未來會繼續對渤海海域進行衛星遙感監測, 提取遙感影像溢油信息, 提高溢油風險源分析結果的準確性。

[1] 鄒亞榮, 鄒斌, 梁超. 應用極化合成孔徑雷達檢測海上溢油研究進展[J]. 海洋學報(中文版), 2014, 36(9): 1-6.

ZOU Yarong, ZOU Bin, LIANG Chao. Research on progress of oil spill detection using polarization SAR data[J]. Acta Oceanologica Sinica(Chinese version), 2014, 36(9): 1-6.

[2] XING Q, MENG R, LOU M, et al. Remote sensing of ships and offshore oil platforms and mapping the marine oil spill risk source in the Bohai Sea[J]. Aquatic Procedia, 2015, 3: 127-132.

[3] 任廣波, 過杰, 馬毅, 等. 海面溢油無人機高光譜遙感檢測與厚度估算方法[J]. 海洋學報, 2019, 41(5): 146-158.

REN Guangbo, GUO Jie, MA Yi, et al. Oil spill detection and slick thickness measurement via UAV hyperspectral imaging[J]. Acta Oceanologica Sinica, 2019, 41(5): 146-158.

[4] LIU Y, HU C, SUN C, et al. Assessment of offshore oil/gas platform status in the northern Gulf of Mexico using multi-source satellite time-series images[J]. Remote Sensing of Environment, 2018, 208: 63-81.

[5] 蘭冬東, 鮑晨光, 馬明輝, 等. 海洋溢油風險分區方法及其應用[J]. 海洋環境科學, 2014, 33(2): 287-292.

LAN Dongdong, BAO Chenguang, MA Minghui, et al. Technique to marine oil spill risk zonation and its application[J]. Marine Environmental Science, 2014, 33(2): 287-292.

[6] GOERLANDT F, MONTEWKA J. A framework for risk analysis of maritime transportation systems: A case study for oil spill from tankers in a ship–ship collision[J]. Safety Science, 2015, 76: 42-66.

[7] 肖景坤. 船舶溢油風險評價模式與應用研究[D]. 大連: 大連海事大學, 2001.

XIAO Jingkun. Study on modeling of ships’ oil spill risk assessment and its application[D]. Dalian: Dalian Maritime University, 2001.

[8] SCHWEGMANN C P, KLEYNHANS W, SALMON B P. Simulated annealing CFAR threshold selection for South African ship detection in ASAR imagery[C]//Proceeding of 2014 IEEE Geoscience and Remote Sensing Symposium, Quebec City, Canada: IEEE, 2014: 561-564.

[9] 劉保占, 魏文普, 段夢蘭, 等. 渤海海上石油平臺的溢油風險概率評估[J]. 海洋環境科學, 2017, 36(1): 15-20.

LIU Baozhan, WEI Wenpu, DUAN Menglan, et al. Oil spill risk assessment of offshore platform in Bohai Sea[J]. Marine Environmental Science, 2017, 36(1): 15-20.

[10] SOLBERG A, SCHISTAD H. Remote sensing of ocean oil-spill pollution[J]. Proceedings of the IEEE, 2012, 100(10): 2931-2945.

[11] 楊紅, 杭君. 基于MODIS與HJ-1多源衛星的上海海域溢油事故診斷[J]. 海洋科學, 2014, 38(10): 90-97.

YANG Hong, HANG Jun. Diagnosis of oil spills in Shang-hai coastal area based on multi-source satellite MODIS and HJ-1[J]. Marine Sciences, 2014, 38(10): 90-97.

[12] 陸應誠, 劉建強, 丁靜, 等. 中國東海“桑吉”輪溢油污染類型的光學遙感識別[J].科學通報, 2019, 64(31): 3213-3222.

LU Yingcheng, LIU Jianqiang, DING Jing, et al. Optical remote identification of spilled oils from the SANCHI oil tanker collision in the East China Sea[J]. Chinese Science Bulletin, 2019, 64(31): 3213-3222.

[13] 邴磊. 基于星載SAR的海上主要溢油風險源遙感識別方法[J]. 船海工程, 2018, 47(2): 64-66.

BING Lei. Detection methods of oil spill risk sources at sea based on satellite SAR images[J]. Ship & Ocean Engineering, 2018, 47(2): 64-66.

[14] 鄧睿哲, 陳啟浩, 陳奇, 等. 遙感影像船舶檢測的特征金字塔網絡建模方法[J].測繪學報, 2020, 49(6): 787-797.

DENG Ruizhe, CHEN Qihao, CHEN Qi, et al. A defor-mable feature pyramid network for ship detection from remote sensing images[J]. Acta Geodaetica et Cartographica Sinica, 2020, 49(6): 787-797.

[15] 陸應誠, 陳君穎, 包穎, 等. 基于HJ-1星CCD數據的溢油遙感特性分析與信息提取[J]. 中國科學: 信息科學, 2011, 41(S1): 193-201.

LU Yingcheng, CHEN Junying, BAO Ying, et al. Using HJ-1 satellite CCD data for remote sensing analysis and information extraction in oil spill scenarios[J]. Scientia Sinica (Informationis), 2011, 41(S1): 193-201.

[16] ESPESETH M M, BREKKE C, JONES C E, et al. The impact of system noise in polarimetric SAR imagery on oil spill observations[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(6): 4194-4214.

[17] 周慧, 陳澎.利用曲波變換和局部線性嵌入算法的SAR圖像海面油膜特征提取[J]. 電訊技術, 2019, 59(1): 27-32.

ZHOU Hui, CHEN Peng. SAR image sea surface oil spill feature extraction using curvelet transform and local linear embedding algorithm[J]. Telecommunication Engineering, 2019, 59(1): 27-32.

[18] MIEGEBIELLE V, CONCHE B, HUANG Z, et al. Use of remote sensing radar images for offshore oil slick detection in oil and gas domain: manual and automatic interpretation[C]//Proceeding of 2019 IEEE Geoscience and Remote Sensing Symposium. Yokohama, Japan: IEEE, 2019: 5871-5874.

[19] GARCIA-PINEDA O, STAPLES G, JONES C E, et al. Classification of oil spill by thicknesses using multiple remote sensors[J]. Remote Sensing of Environment, 2020, 236: 1-15.

[20] YANG J, WAN J, MA Y, et al. Research on object- oriented decision fusion for oil spill detection on sea surface[C]//Proceeding of 2019 IEEE Geoscience and Remote Sensing Symposium, Yokohama, Japan: IEEE, 2019: 9772-9775.

[21] 范劍超, 王濤. 基于非負矩陣分解和支持向量機的墨西哥灣溢油HJ-1星遙感圖像分類[J]. 海洋環境科學, 2015, 34(3): 441-446.

FAN Jianchao, WANG Tao. HJ-1 satellite remote sensing image segmentation in the oil spill of Mexico Gulf base on the non-negative matrix factorization and support vector machine[J]. Marine Environmental Science, 2015, 34(3): 441-446.

[22] 蘇騰飛, 孟俊敏, 張晰. 基于HAC的溢油SAR圖像分割算法[J]. 海洋科學進展, 2013, 31(2): 256-265.

SU Tengfei, MENG Junmin, ZHANG Xi. Segmentation algorithm for oil spill SAR images based on hierarchical AGGLomerative clustering[J]. Advances in Marine Science, 2013, 31(2): 256-265.

[23] 陸應誠, 胡傳民, 孫紹杰, 等. 海洋溢油與烴滲漏的光學遙感研究進展[J]. 遙感學報, 2016, 20(5): 1259-1269.

LU Yingcheng, HU Chuanmin, SUN Shaojie, et al. Overview of optical remote sensing of marine oil spills and hydrocarbon seepage[J]. Journal of Remote Sensing, 2016, 20(5): 1259-1269.

[24] DING Y, CAO C, HUANG J, et al. Origins and features of oil slicks in the Bohai Sea detected from satellite SAR images[J]. Marine Pollution Bulletin, 2016, 106(1-2): 149-154.

Multisource remote sensing oil spill risk assessment and long- sequence monitoring in the Bohai Sea

KE Li-na1, LI Yun-hao1, 2, ZHANG Shuai2, 3, FAN Jian-chao2

(1. College of Geographical Sciences, Liaoning Normal University, Dalian 116029, China; 2. Department of Marine Remote Sensing Technology, National Marine Environment Monitoring Center, Dalian 116023, China; 3. Institute of Information Science and Engineering, Dalian Polytechnic University, Dalian 116034, China)

Oil spill events frequently occur in the Bohai Sea area. It is of great significance to analyze the temporal and spatial characteristics of oil spill risk for the accurate monitoring of oil spills by satellite remote sensing. The distribution of two main types of oil spill risk sources—ships and oil platforms in Bohai is extracted using multisource high-resolution satellite remote sensing data. Combined with the monitoring results of oil spill satellite remote sensing in Bohai from 2015 to 2020, the imaging characteristics of different types of oil spills under various sensors are analyzed. So, the temporal and spatial distribution of oil spill events is obtained through the core density analysis method based the above analysis results. The comprehensive evaluation of the oil spill risk degree in Bohai is realized in the end. Taking the remote sensing monitoring of the oil spill in the Dalian coastal waters in 2020 as an example, the long-sequence emergency monitoring of the oil spill spread range is conducted. Combined with the information of ship navigation risk sources in the accident area, the occurrence process of the oil spill is traced back, and the long-sequence accurate monitoring of the oil spill source and distribution area is realized.

oil spill; offshore oil platform; risk source; multisource remote sensing

Jun. 7, 2021

P227

A

1000-3096(2022)02-0017-11

10.11759/hykx20210607002

2021-06-07;

2021-07-31

國家自然科學基金資助項目(42076184, 41876109, 41806207, 41706195); 國家重點研發計劃項目(2016YFC1401007, 2017YFC1404902); 國家高分重大科研專項(41-Y30F07-9001-20/22)

[China National Natural Science Foundation, No. 42076184, 41876109, 41806207, 41706195; China National Key R&D Plan, No. 2016YFC1401007, 2017YFC1404902; National High-scoring Major Scientific Research Project, No. 41-Y30F07-9001-20/22]

柯麗娜(1978—), 女, 大連人, 教授, 博士生導師, 主要從事海洋資源開發與利用、遙感及地理信息系統應用, E-mail: kekesunny@163.com; 范劍超(1985—),通信作者, 研究員, E-mail: fjchaonmemc@163.com

(本文編輯: 譚雪靜)