基于GEE云平臺的舟山海域船只多源遙感監測

李曉陽，尹永會*

（1.中國地質調查局 煙臺海岸帶地質調查中心，山東 煙臺 264000）

舟山地區作為我國乃至世界上重要的海上經濟活動區，其水上船只目標監測對于海上安全和漁業資源管理具有重要意義。遙感可從多波段、多時相和全天候角度獲得全球觀測數據，這在海洋監測領域是其他技術方法無可替代的。鑒于當前遙感技術的快速發展，從千米級到亞米級，從多光譜到合成孔徑雷達（SAR），從國外到國內，不斷豐富的多源遙感大數據為快速、準確地進行海上船只活動監測提供了可能。然而，遙感數據天然具有數據量大、分辨率高、覆蓋范圍大、重復拍攝、波段覆蓋廣等特點，如何解決與日劇增的遙感數據與高效處理、分析這些數據的矛盾成為地理信息工作者不得不面對的現實問題[1]。Google Earth Engine（GEE）的出現在一定程度上解決了這個矛盾。GEE是Google公司提供的一個基于云計算的遙感大數據處理平臺，能在全球尺度下進行地理空間數據分析，提供了PB數量級的全球免費的衛星遙感數據、矢量數據以及大量數據處理函數，實現了信息提取算法實時共享[2-5]。GEE通過給研究人員提供強大的運算能力，使遙感數據的分析處理變得更加高效，為大尺度區域研究提供了一種有效途徑[6]。因此，本文基于GEE云平臺，利用GF-3 FSI、Sentinel-2 MSI、Sentinel-1 IW等多源遙感數據，對寧波舟山地區海上船只活動進行了監測與分析。

1 研究區概況與數據來源

1.1 研究區概況

本文選取的研究區坐落于浙江省東北部，瀕臨東海；地處長江入海口南側，距長江入海口直線距離約為140 km；地理范圍為121°30′～123°25′E、29°32′～31°04′N，東西長182 km，南北寬169 km，面積約為2 680 km2（圖1）。研究區位于我國海岸中部，屬南北航運的必經之地，除各島嶼間密集航路外，還有5條主航路縱貫海區，其中4條主航路在島礁區間穿行，且與海區內的客運航線交叉。舟山海區海上航線縱橫交錯，通航船舶種類復雜。海區內航行的進出上海、寧波、舟山、乍浦等港的船舶，南北航線的國內沿海航行船舶以及漁船、軍艦構成了海區內錯綜復雜、高密度的船舶交通流，且大多數為中小型船舶。

圖1 研究區范圍

1.2 數據來源

本文采用的主要數據包括SAR、多光譜光學遙感等衛星數據以及其他資料。這些數據一部分是項目組購置的，另一部分是衛星管理部門免費提供的[7]。SAR數據主要包括國產GF-3號精細條帶I成像模式數據（GF-3 FSI）和歐空局（ESA）哨兵1號干涉寬測繪帶模式數據（Sentinel-1 IW）；光學遙感數據為ESA提供的Sentinel-2 MSI。遙感影像主要參數如表1所示。

表1 遙感影像主要參數

GF-3號是我國首顆C頻段多極化高分辨率SAR成像衛星，具有12種成像模式，最高分辨率可達1 m；具有全天時、全天候成像優勢，能高效獲取不同應用模式下1～500 m分辨率、10～650 km幅寬的微波遙感數據。Sentinel-1是一顆近極地太陽同步軌道衛星，攜帶了一個C波段SAR傳感器載荷，頻率為5.405 GHz，支持雙極化工作模式（HH+HV、VV+VH），有利于陸地地表覆蓋分類和海冰以及水下目標監測，且數據可通過ESA免費獲?。话?A和1B兩顆衛星，兩顆衛星組網可實現6 d的重訪。Sentinel-2是ESA發射的一顆太陽同步軌道大幅寬高分辨率衛星，包括2A和2B兩顆衛星，每5 d可完成一次對地球赤道地區的完整成像，而對于緯度較高的地區，該周期僅需3 d；攜帶了一個多光譜儀（MSI），可覆蓋13個光譜波段，其中可見光—近紅外波段的空間分辨率為10 m、短波紅外空間分辨率為20 m、大氣探測波段空間分辨率為60 m。為了最大程度地減少云霧對光學數據的影響，本文采用2019-07-01—2019-07-31共計24景Sentinel-2 MSI影像進行去云合成處理。

同時，采用SRTM 30 m分辨率DEM數據對SAR影像進行地理編碼。SRTM是由美國太空總署（NASA）、國防部國家測繪局（NIMA）以及德國與意大利航天機構共同合作完成的，搭載于美國發射的“奮進”號航天飛機上。該測圖任務時間為2000-02-11—2000-02-22，進行了11 d總計222 h 23 min的數據采集工作，獲取了北緯60°至南緯56°之間總面積超過1.19億km2的雷達影像數據，覆蓋地球80%以上的陸地表面。

2 研究方法

2.1 技術流程

本文綜合利用GF-3 FSI、Sentinel-1 IW、Sentinel-2 MSI等多源遙感數據進行海上船只識別。具體技術流程為：①對GF-3 FSI和Sentinel-1 IW數據進行必要的預處理，包括多視處理、輻射校正、濾波、地理編碼等；②對于Sentinel-2 MSI數據，在云識別的基礎上，計算歸一化水體指數（NDWI）并求取其均值，再利用最大類間方差（OTSU）算法自動計算閾值進行水陸分離，將得到的水域掩膜文件用于GF-3 FSI和Sentinel-1 IW影像，以提升船只識別精度；③利用恒虛警率識別算法（CFAR）對GF-3 FSI和Sentinel-1 IW數據進行船只識別并分析對比，如圖2所示。

圖2 技術流程圖

2.2 SAR數據處理

1）多視處理。SAR衛星影像的單視復數數據（SLC）與單個像元散射的雷達回波信號相互疊加，這將導致數據中存在噪聲。通過多視處理，即對SLC數據方位向和距離向取平均值，可提升數據輻射分辨率。其中，多視的視數由斜距的距離向、方位向分辨率以及入射角計算得到。

2）輻射校正。雷達傳感器測量的是后向散射，即為發射脈沖與接收信號強度的比值。為了能精確反映研究區地物的回波特性，需對SAR數據進行輻射定標處理，即將輸入信號轉化為雷達后向散射系數。通過輻射校正歸一化到統一標準后，獲得的后向散射強度信息可不受SAR數據觀測幾何的影響，便于對比和分析。

3）濾波。采用Frost濾波的方法對影像數據進行濾波處理，可抑制SAR影像噪聲，且能較好地保存圖像紋理信息，對船只提取較有利。濾波結果如圖3所示。

4）地理編碼。SAR系統觀測到的是電磁波入射地球表面后反射（后向散射）的雷達脈沖強度和相位信息。這個信息編碼到雷達坐標系統下，即斜距坐標系，被記錄下來。地理編碼即將SAR數據從斜距坐標系轉換到地理坐標系。地理編碼過程中需輸入DEM數據，本文采用SRTM 30 m分辨率DEM。地理編碼結果如圖4所示。

圖4 GF-3 FSI地理編碼前后對比

2.3 光學數據處理和水陸分離

利用SAR影像進行艦船識別時，艦船相較于海面雜波會呈現高亮的特性，因此多數識別方法也是以幅值差異為基礎進行識別，但陸地區域中具備高亮化的房屋建筑等會被識別為虛假目標。因此，識別前需對SAR影像中陸地部分進行精準剔除。然而，由于雷達成像在幾何、電磁散射機理中的復雜性和海域中艦船目標無規則搖擺、目標遮擋以及不完全觀測等因素影響，導致雷達圖像中艦船目標結構缺失以及陸地區域沿岸輪廓信息不完整。為解決基于SAR影像海陸分離的難點，本文利用光學圖像中海洋和陸地具有明顯輪廓特征差異化信息的特點，基于Sentinel-2 MSI計算NDWI，并結合OTSU算法提取水體，進而進行水陸分離，以減少后續船只識別過程中產生的虛假目標，提高海上船只識別的準確率。

在水陸分離過程中，為了最大程度地減少云霧對光學數據的影響，首先采用s2cloudless算法進行Sentinel-2 MSI數據云識別。s2cloudless是由Sentinel Hub提供的針對Sentinel-2 MSI數據的一種機器學習云識別算法。Sentinel-2影像通過它可以計算得到云掩膜文件，且具有較高的云識別精度。然后，計算NDWI及其均值，最后采用OTSU算法自動計算NDWI閾值進行水陸分離。OTSU算法計算簡單，不受圖像亮度和對比度的影響，因此在數字圖像處理上得到了廣泛應用。該方法按圖像的灰度特性，將圖像分成背景和前景兩個部分。方差是灰度分布均勻性的一種度量，背景和前景之間的類間方差越大，說明構成圖像兩部分的差別越大，部分前景錯分為背景或部分背景錯分為前景均會導致兩部分差別變小，因此使類間方差最大的分割意味著錯分概率最小。研究區NDWI分布如圖5所示。

圖5 研究區NDWI分布圖

2.4 CFAR船只識別

在SAR圖像上，水面散射主要以表面散射為主，后散射能力弱，呈現暗色調；而艦船目標擁有與海面不同的散射機制，復雜的船體結構使得艦船目標可被認為是一個由多種不同“角散射”器構成的集合，因此除單次散射外，艦船目標還包含二次散射、體散射、螺旋體散射等[8]，后向散射強，呈現亮色調。與水面相比，船只會形成一個較大范圍的亮度異常區，與暗色背景差異明顯，這構成了SAR圖像艦船目標識別的基礎。CFAR算法是目前應用最廣泛的艦船目標識別算法之一，通過對背景雜波進行統計建模來識別艦船目標[9-10]。CFAR檢測器的關鍵步驟在于對背景雜波的統計建模，一旦概率密度函數fpdf(x)被確定，那么由閾值T產生的虛警率為：

由于一些方位向模糊和雜波像素也具有與船只類似的散射強度，因此僅利用強度分布模型識別船只可能會存在誤檢，因此在考慮目標強度分布的同時，Leng等將目標的空域分布增加到常規的CFAR檢測器中，并稱之為“Bilateral CFAR”檢測器[11]。核密度估計量的表達式為：

式中，x?為目標抽樣像素點；n為抽樣點個數；h為核函數寬度；K(u)為核函數。

K(u)服從標準正太分布，即

那么，f h(x)可表示為：

式中，Ω(w)為滑動窗口大小。

令h=1，則x的空域值xspatial可被表示為：

由于線性轉換不受系數影響，可簡化為：

由于船只目標的像素集中連續分布，這些像素對應的f h=1(x)較大，而海雜波像素是分散的，對應的f h=1(x)較小，因此可用于識別船只目標。

3 研究結果與分析

本文綜合利用GF-3 FSI、Sentinel-1 IW、Sentinel-2 MSI等多源衛星遙感影像，結合NDWI、OTSU、CFAR等方法對舟山區域海上船只進行了識別分析。

1）對比同時期Sentinel-2 MSI、Sentinel-1 IW和GF-3 FSI數據，通過目視判讀（圖6）可以發現：①在SAR影像中，由于船只形成的“角散射”效應，船只相較于海面呈明顯高亮顯示，其特征較光學影像更明顯；②得益于更高的分辨率，GF-3 FSI影像的船只輪廓比Sentinel-1 IW更清晰，尤其是較小目標的船體；③雖然SAR數據的海上船只識別能力比光學數據強，但在海陸交界處，由于海域中艦船目標無規則搖擺、目標遮擋以及不完全觀測等因素，導致沿岸輪廓信息難以判讀，而在光學影像中，海陸分界特征則更加明顯。

圖6 同時期Sentinel-2 MSI、Sentinel-1 IW和GF-3 FSI對比圖

2）對比GF-3 FSI和Sentinel-1 IW船只識別結果發現，前者對于較小目標船體具有更好的識別效果，Sentinel-1 IW則存在較多漏檢，如圖7所示。

圖7 CFAR船只識別結果

3）基于GF-3 FSI數據，結合CFAR算法，分別在未經過陸地剔除和經過陸地剔除的基礎上進行船只識別，結果如圖8所示。經統計，在未經過陸地剔除的情況下，共識別得到船只2 264艘，其中由于陸地高亮房屋建筑等誤檢1 377艘；在經過陸地剔除的情況下，共識別得到船只887艘，經目視判讀，漏檢43艘、錯檢65艘，識別精度較陸地剔除前大幅提升，總體精度為88.4%。

圖8 CFAR船只識別結果

4）由于跨海大橋同樣具有船只相似的“角反射”特性，因此造成誤檢數量較多，如圖9所示。

圖9 跨海大橋被誤檢為船只

4 結語

綜上所述，海上船只多源遙感監測，首先應進行精確的海陸分離，再對海上區域進行船只識別，GEE平臺有助于海陸分離和船只識別技術的實現；由于雷達成像在幾何、電磁散射機理中的復雜性和海域中艦船目標無規則搖擺、目標遮擋以及不完全觀測等因素影響，導致雷達圖像中艦船目標結構缺失以及陸地區域沿岸輪廓信息不完整，根據光學圖像中海洋和陸地具有明顯的輪廓特征差異化信息的特點，利用NDWI結合OTSU算法，可有效進行海陸分離，進而提升船只識別精度；SAR船只監測是雷達圖像解譯的重要應用之一，GF-3號作為我國自主研發并發射的相控陣體制衛星，具有多模式觀測、分辨率高、成像質量好等特點，加之SAR的全天時、全天后工作能力，使得GF-3號在船只目標監測領域具有巨大的應用潛力和價值。