利用衛星微光遙感數據的海上溢油區域檢測方法研究

[中圖分類號]U698.7；TN957.52；X834 ［文獻標識碼］A [文章編號]1673-0194（2025）14-0239-03

1 研究背景

海上溢油污染是全球海洋環境保護面臨的重大挑戰之一，其影響深遠，不僅會破壞海洋生態系統，導致水質惡化，影響海洋生物的生存環境，還可能通過食物鏈的積累作用，對人類健康構成潛在威脅。此外，溢油污染對沿海經濟活動，如漁業、海洋養殖業和旅游業，也產生了巨大的負面影響。例如，大規模溢油事故可能導致漁場污染，漁業資源銳減，進而影響漁民生計；海岸線污染可能破壞海濱旅游景點，造成經濟損失[1]。因此，如何快速、精準地監測海上溢油污染區域，成為當前環境保護和應急響應的關鍵問題。

傳統的溢油監測方法主要依賴機載或船載觀測手段，雖然能夠提供較高分辨率的觀測數據，但存在諸多局限。首先，機載和船載監測受天氣條件影響較大，惡劣氣候條件下難以進行實時觀測。其次，其覆蓋范圍有限，難以滿足大范圍溢油監測的需求，尤其是在偏遠海域或公海區域。最后，機載和船載監測的成本較高，需要大量人力、物力投入，難以實現長時間、大規模的溢油監測。因此，開發一種能夠全天候、具有高時空分辨率、低成本的溢油監測技術，成為當前研究的重點。近年來，隨著遙感技術的發展，衛星微光遙感技術在海上溢油檢測領域展現出極大的應用潛力。衛星微光遙感利用高靈敏度探測器捕捉夜間微光信號，能夠在無日照條件下進行觀測，具有全天候、不受天氣影響的優勢。同時，衛星遙感具有廣覆蓋能力，單次觀測可獲取大范圍海域數據，特別適用于海上溢油的早期發現與持續監測[2]。此外，隨著衛星成像技術的進步，微光遙感數據的分辨率逐步提高，使其在溢油檢測中的應用價值不斷提高。相比傳統監測手段，衛星微光遙感數據能夠提供實時、穩定、經濟的溢油監測解決方案。

2 數據預處理

在海上溢油檢測的遙感數據處理中，特征點提取和匹配是關鍵步驟之一。SURF算法是一種高效的局部特征檢測與描述方法，被廣泛應用于圖像分析和模式識別。相較于傳統的尺度不變特征變換（Scale-InvariantFeatureTransform，SIFT）算法，SURF通過積分圖像加速計算提高了特征提取的效率，并在尺度不變性、旋轉不變性和光照變化的魯棒性方面表現優異。因此，在利用衛星微光遙感數據進行海上溢油區域檢測時，采用SURF算法進行數據預處理，可以增強溢油區域特征的穩定性，提高后續分類識別的準確性。

首先，SURF采用積分圖像加速計算，在O(1)時間內獲取任意矩形區域的像素和，提高計算效率。其特征檢測基于Hessian矩陣，對于給定圖像I(x，y) ，Hessian矩陣定義如下[3]：

式（1）中， L_xx 和 L_xy， 為高斯二階偏導的平滑響

應，通過計算行列式 det(H) 判斷關鍵點的顯著性，即

當 det(H) 的值較大時，該點被認為是潛在的特征點。為確保特征點的旋轉不變性，SURF采用Haar小波響應計算關鍵點鄰域的梯度分布，并根據梯度方向分配主方向，主方向的計算公式如下：

式（3）中， d_x 和 d_y 分別為水平方向和垂直方向的梯度加權和。SURF采用64維特征描述符，在關鍵點區域內劃分 4×4 個子區域，計算Haar小波響應統計信息，包括方向梯度及其絕對值的累積。最終形成的特征向量具有較強的旋轉、尺度和仿射變換魯棒性。在海上溢油檢測中，SURF算法可用于提取溢油區域的關鍵點，提高溢油區域與清潔海水的區分度，并增強溢油檢測模型的穩定性。通過高效的特征匹配，SURF可進一步提高溢油識別的準確性，為深度學習或傳統機器學習方法提供魯棒的特征輸人，從而提升溢油檢測的可靠性。

3基于EDNA-NET網絡的海上溢油區檢測模型構建

在海上溢油區域檢測任務中，傳統的遙感影像分析方法往往受限于光照變化、海面紋理干擾和溢油形態的不確定性。近年來，深度學習技術在圖像識別領域取得了顯著進展，其中EDNA-NET作為一種優化的深度神經網絡，在遙感影像的目標檢測任務中展現出卓越性能[4]。本研究基于EDNA-NET模型構建海上溢油檢測框架，以提高溢油區域檢測的精度和穩定性。海上溢油檢測面臨著海水表面紋理復雜、光照變化顯著、溢油形態不規則等挑戰，傳統的檢測方法在高噪聲背景下易出現誤判或漏判。針對這一問題，EDNA-NET結合非局部注意力機制（Non-local AttentionMechanism）和深度特征提取（DeepFeatureExtraction），增強了模型對全局特征的學習能力，提升了溢油區域的識別效果。具體而言，EDNA-NET通過深度卷積神經網絡（ConvolutionalNeuralNetwork，CNN）提取多尺度特征，并利用非局部注意力模塊在全局范圍內計算像素間的關系，從而提高對遠程依賴關系的建模能力，使得溢油區域的邊界更加清晰，避免海水背景紋理干擾導致的識別偏差。此外，該模型采用級聯特征融合策略，將淺層特征與深層特征進行聯合優化，以提高小尺度溢油區域的檢測能力[5]。在損失函數方面，EDNA-NET采用二分類交叉熵（BinaryCrossEntropy）結合IoU作為優化目標，使得模型在提高精度的同時兼顧溢油區域的空間一致性。實驗結果表明，EDNA-NET在mAP（均值平均精度）、IoU和F1-score 等指標上均優于U-Net和DeepLab ΔV3+ ，尤其是在邊界模糊和弱信號區域的檢測上表現更為突出。此外，相較于傳統模型，EDNA-NET通過優化計算路徑，在推理效率上提升約 15% ，適用于大規模遙感數據的實時處理。其整體結構如圖1所示。

首先，輸入遙感圖像經過特征提取模塊（通常采用CNN結構)提取多尺度空間特征，并構建非局部注意力模塊，用于捕捉遠程依賴關系，提高模型對溢油區域特征的感知能力。在EDNA-NET結構中，非局部注意力操作定義如下：

圖1模型結構

式（4）中， x_i 與 x_j 分別表示圖像中兩個不同位置的特征， f(x_i，x_j) 為相似度計算函數（如點積或高斯函數）， g(x_j) 代表特征變換， C(x) 為歸一化因子。通過該非局部操作，模型能夠在全局范圍內進行特征建模，使溢油區域的特征更加突出。此外，在模型訓練過程中，采用基于二分類交叉熵的損失函數：

式（5）中， y_i 為溢油區的真實標簽， 為預測值， N 為樣本總數。該損失函數能夠有效優化模型參數，提高分類精度。

4 實證檢驗

本研究基于VIIRS-DNB（可見光紅外成像輻射儀日/夜帶)微光遙感數據，構建了一種基于EDNA-NET的海上溢油檢測模型，并通過實證檢驗評估其檢測精度和性能。數據來源包括NASAMODIS數據集、CopermicusSentinel-1SAR數據、NOAAVIIRS-DNB數據，并選取DeepwaterHorizon(2O10）NorilskDiesel Spill(2O2O）PeruOilSpill（2022）等典型溢油事件作為實驗驗證集。數據預處理采用直方圖均衡化、噪聲去除、小波變換進行影像增強，并利用K-means聚類進行初步分割，以生成高質量訓練數據。在模型對比實驗中，選取U-Net、DeepLah V3+ 和EDNA-NET進行對比分析，實驗參數設置包括 80% 訓練集 120% 測試集，優化器采用Adam（學習率為0.0001），批量大小設定為16，損失函數采用二分類交叉熵（BinaryCrossEntropy），訓練輪次為 50_?

實驗結果主要衡量以下指標：mAP（均值平均精度)用于衡量模型的檢測準確性；IoU用于衡量溢油區域預測的準確性；F1-score用于綜合評估模型的精確率（Precision）和召回率（Recall）。不同模型的對比結果如表1所示。

表1模型對比

如表1所示，EDNA-NET在mAP、IoU和F1-score方面均優于其他模型，其中，EDNA-NET的 mAP 為90.1% ，相比U-Net提高 11.5% ，相比 DeepLabV3+ 提高6.6% ；IoU達到 85.2% ，相比 提高 12.9% ，相比DeepLab V3+ 提高 7.4% ；F1-score為0.91，相比U-Net提高0.12，相比DeepLab ，V3+ 提高 0.07 。結果分析表明，U-Net由于其有限的感受野，難以有效識別小尺度溢油區域，導致誤判率較高；DeepLabV3+引入空洞卷積后增強了局部特征提取能力，但在高噪聲背景下仍存在誤檢問題。相比之下，EDNA-NET采用非局部注意力機制，通過捕捉溢油區域的遠程依賴關系，提升了對邊界模糊區域的識別能力，從而顯著提高了檢測精度和穩定性。此外，EDNA-NET在計算效率上相比DeepLah ，V3+ 提高約 15% ，推理時間更短，更適用于溢油監測的應急響應任務。

5 結束語

本研究通過實證檢驗驗證了EDNA-NET在海上溢油檢測任務中的性能，其精準度和穩定性明顯優于現有深度學習模型，展現了其在復雜海洋環境中的廣泛適用性。實驗結果表明，EDNA-NET通過非局部注意力機制和深度特征提取結合，有效提升了模型在高噪聲背景下的溢油區域識別能力。相較于U-Net和DeepLab V3+ ，其在mAP、IoU和F1-score等核心評價指標上均有了顯著提升。與此同時，EDNA-NET采用優化計算路徑，在提升檢測精度的同時減少了推理時間，更加適用于大規模遙感數據處理和溢油應急響應的實時監測。未來研究將圍繞EDNA-NET進一步優化模型結構，探索更深層次的注意力機制和多尺度特征融合策略，以增強模型在不同海洋環境下的適應性；將結合多模態遙感數據（如熱紅外遙感、超光譜遙感和SAR數據)提升模型對不同光譜特征的綜合分析能力，提高對弱信號溢油區域的檢測精度。與此同時，研究將探索基于云計算和邊緣計算的實時溢油監測系統，以支持更高效的溢油檢測和響應機制，從而實現全球范圍內的溢油監測和海洋環境保護，推動遙感技術在海洋生態保護中深度應用。

主要參考文獻

［1]劉慧，何玉青，胡秀清.聯合微光輔助紅外遙感數據的夜間微小火點識別算法［J].光學學報，2024(8):105-109.

[2]江軍，姚志剛.星載微光成像儀CCD像元異常響應動態檢測與校正［J].光譜學與光譜分析，2023(4):1175-1182.

[3]盛輝，曹文俊，劉善偉.基于U-NET的雙分支海上SAR溢油檢測模型[J].海洋科學，2024(7):89-93.

[4]仲美玉，孔德明，崔耀耀.基于三維熒光光譜與圖像矩算法的海面溢油檢測方法［J].石油學報（石油加工)，2023(4):900-909.

[5]李翔，王增利，芮小平.DeeplabV3+中引入注意力機制的小面積溢油識別方法［J].遙感信息，2024(2)：95-101.