文章信息
- 陈伟民, 丁亚雄, 宋冬梅, 王斌, 刘善伟, 甄宗晋, 张婷, 杨敏. 2018.
- CHEN Wei-min, DING Ya-xiong, SONG Dong-mei, WANG Bin, LIU Shan-wei, ZHEN Zong-jin, ZHANG Ting, YANG Min. 2018.
- 基于GA-WNN的极化SAR海洋溢油检测方法研究
- Ocean oil-spill detection using Pol-SAR data based on GA- WNN
- 海洋科学, 42(1): 70-81
- Marine Sciences, 42(1): 70-81.
- http://dx.doi.org/10.11759/hykx20171011001
-
文章历史
- 收稿日期:2017-10-11
- 修回日期:2017-12-10
2. 中国石油大学(华东) 研究生院, 山东 青岛 266580;
3. 海洋矿物资源实验室 青岛海洋科学技术国家实验室, 山东 青岛 266071;
4. 国家海洋局第一海洋研究所, 山东 青岛 266061;
5. 国家海洋局北海分局, 山东 青岛 266033
2. Laboratory for Marine Mineral Resources, Qingdao National Laboratory for Marine Science and Technology, Qingdao 266580, China;
3. Graduate School, China University of Petroleum, Qingdao 266071, China;
4. First Institute of Oceanography, State Oceanic Administration, Qingdao 266061, China;
5. North China Sea Marine Technical Support Center, SOA, Qingdao 266033, China
随着全球经济的快速发展以及对石油能源的急剧需求, 世界范围内运输船舶、海洋石油勘探开发等人类活动引起的重大溢油事故频繁发生, 给海洋生态环境带来巨大的危害。及时、有效、快速地溢油检测是一项亟待解决的问题。合成孔径雷达(Synthetic Aperture Radar, SAR)由于其全天时全天候的工作能力, 成为了海洋溢油检测的主要手段, 星载SAR发射成功后的30多年间, 已经在海洋溢油领域得到了广泛的应用[1]。
众多学者利用极化SAR数据, 提出了各种不同的溢油检测特征。Migliaccio等[2]利用三分量分解, 比较了3个参量在溢油检测中的差异, 认为极化熵比平均散射角在溢油检测中更有优势; Zhang等[3]通过研究SHH与Svv的关系, 得出了一致性参数(μ)在溢油检测中能够进行溢油—海水/类油膜的二值分割, 且识别度较高; Migliaccio等[4]利用同极化相位差的标准差(co-polarized phase difference, CPD)研究溢油检测; Skrunes等[5]基于现场获取的Radarsat-2的溢油数据, 对影像中的油的种类进行了综合分析, 通过计算不同极化特征下油膜与海水和类油膜之间的差异得出, 根据几何强度(geometric intensity)和同极化交叉积的实部(real part of co-polarization cross product), 能够很好地区分原油和生物油膜; 刘鹏[6]利用的F参数, 郑洪磊[7]引入的单次反射特征值相对差异度, 以及其他参数如极化度[8-9]、CT参数[10], Muller滤波[11-12], 基座高度(pedestal height)[13]等, 在溢油检测中都能够得到较好的结果。
传统的基于单极化SAR海洋溢油检测分3步:暗斑检测、特征提取、油膜识别[14-16]。但是单极化SAR受其自身探测能力的限制, 获取信息不够全面, 油膜与类油膜的区分能力有限。随着极化SAR技术的发展, 全极化SAR在海洋溢油检测方面优势凸显, 其在进行海洋溢油检测时有别于单极化SAR。全极化利用SAR数据各通道间的后向散射特性, 在对油膜—海水/类油膜进行区分时有明显的优势。在利用单极化和全极化SAR进行溢油检测的研究中, 众多学者只是利用了极化SAR数据的单一极化特征, 很少将这些特征进行综合利用。因此, 本文提出一种方法, 将溢油检测的极化特征进行特征优选和特征组合, 弥补某些特征在某一特定环境下对油膜识别度不高的缺陷。同时, 本研究用遗传算法优化小波神经网络(wavelet neural network, WNN)得到遗传小波神经网络(Genetic Algorithm-Wavelet Neural Network, GA-WNN), 并用于海洋溢油检测, 以此提高溢油检测精度。
小波神经网络作为小波分析和神经网络的产物, 结合前馈神经网络和小波分析的双重优势, 成为了一个函数逼近的常用工具, 与典型的BP神经网络相比存在一定优势。但小波神经网络也有自身的不足: (1)网络不收敛或收敛速度慢; (2)网络学习误差会出现震荡现象; (3)网络对初值敏感。针对这些问题, 本文采用遗传算法对小波神经网络进行改进, 并将改进的小波神经网络应用于极化SAR的溢油检测。
1 研究方法 1.1 数据介绍本次实验选取的是两景Radarsat-2数据, 如图 1、图 2所示。该数据为精细四极化模式下的溢油影像, 该溢油区位于墨西哥湾, 影像获取时间是2015- 05-08T23:53:36 UTC。SAR影像覆盖范围32.95 km× 23.2 km, 单像元方位向分辨率4.72 m, 距离向分辨率4.78 m。在该幅影像中入射角范围为26.093°~29.395°。RadarSAT-2的精细四极化成像模式对每个极化通道(HH, VV, HV, VH)提供单视复数据(SLC, single-look complex)。另外, 该模式下的数据有非常低的背景噪声(low noise floor)(< 35 dB)。表 1给出了数据1的成像参数。
![]() |
图 1 数据1溢油影像 Fig. 1 Oil spill image of data 1 |
![]() |
图 2 数据2溢油影像 Fig. 2 Oil spill image of data 2 |
产品类型 | SLC |
拍摄时间 | 2015-05-08T23:53:36 |
聚束模式 | FQ8W |
极化方式 | HH VV HV VH |
照射方向 | 右侧 |
空间像素 | 4.72 m×4.78 m |
入射角 | 26.0928~29.3952 |
覆盖面积 | 32.95 km×23.2 km |
图 2展示了墨西哥湾溢油的另一景Radarsat-2数据。影像获取时间为2011-06-17T11:48:20 UTC。影像覆盖范围37.17 km×19.34 km, 单像元方位向分辨率4.73 m, 距离向分辨率5.05 m。在该幅影像中入射角范围为43.631°~44.954°。表 2给出了数据2成像参数。
产品类型 | SLC |
拍摄时间 | 2011-06-17T11: 48: 20 |
聚束方式 | FQ25 |
极化方式 | HH VV HV VH |
照射方向 | 右侧 |
空间像素 | 4.73 m×5.05 m |
入射角 | 43.6307~44.9541 |
覆盖面积 | 37.17 km×19.34 km |
从图 1和图 2的极化SAR溢油影像可以看出, 油膜在SAR影像上呈现暗斑特征。造成暗斑现象的原因是油膜抑制了海水表面的Bragg散射, 使得油膜覆盖区域的雷达后向散射较弱, 因此在SAR影像上呈现暗斑。
1.2 研究方法 1.2.1 极化SAR散射矩阵全极化散射矩阵如公式(1)所示:
$ S = \left[{\begin{array}{*{20}{c}} {{S_{{\rm{HH}}}}}&{{S_{{\rm{HV}}}}}\\ {{S_{{\rm{VH}}}}}&{{S_{{\rm{VV}}}}} \end{array}} \right] = \left[{\begin{array}{*{20}{c}} {\left| {{S_{{\rm{HH}}}}} \right|{{\rm{e}}^{j{\phi _{{\rm{HH}}}}}}}&{\left| {{S_{{\rm{VH}}}}} \right|{{\rm{e}}^{j{\phi _{{\rm{VH}}}}}}}\\ {\left| {{S_{{\rm{HV}}}}} \right|{{\rm{e}}^{j{\phi _{{\rm{HV}}}}}}}&{\left| {{S_{{\rm{VV}}}}} \right|{{\rm{e}}^{j{\phi _{{\rm{VV}}}}}}} \end{array}} \right] $ | (1) |
其中, Sxy的下标表示SAR天线的极化状态: VV表示天线垂直发射信号和垂直接接收信号; VH表示天线垂直发射信号和水平接收信号; HV表示天线水平发射信号和垂直接收信号; HH表示天线水平发射信号和水平接收信号,
$ \bar k = \frac{1}{{\sqrt 2 }}{\left[{\begin{array}{*{20}{c}} {{S_{{\rm{HH}}}} + {S_{{\rm{VV}}}}}&{{S_{{\rm{HH}}}}-{S_{{\rm{VV}}}}}&{2{S_{{\rm{HV}}}}} \end{array}} \right]^T} $ | (2) |
其中, T表示矩阵转置。
1.2.2 WNNWNN的隐含层神经元和输出层神经元的激励函数分别采用小波基函数和Sigmoid函数, 网络参数权重系数、伸缩平移参数和阈值都通过小波神经网络训练得到。图 3展示了小波神经网络的结构[17]。
![]() |
图 3 小波神经网络结构图 Fig. 3 Structure diagram of wavelet neural network |
图 3中, 各参数意义如下:
Xk:代表输入层第k个神经元的输入; Yi:输出层第i个神经元的输出;
M:输入层神经元个数; n:隐含层神经元个数; N:输出层神经元个数;
实验中, 隐含层小波基函数采用公式(3):
$ \Phi \left( X \right) = {{\rm{e}}^{\left( {-\frac{{{x^2}}}{2}} \right)}}\cos \left( {1.75X} \right) $ | (3) |
输出层采用Sigmoid函数:
$ f(x) = \frac{1}{{1 + {{\rm{e}}^{-x}}}} $ | (4) |
根据WNN的网络模型结, 输出层第i个神经元的输出为yi, 可由式(5)~式(7)说明:
$ \psi \left( {{a_j}, {b_j}} \right) = \Phi \left( {\frac{{\sum\limits_{k = 1}^M {{W_{jk}}{X_k}}-{b_j}}}{{{a_j}}}} \right) $ | (5) |
$ {y_i} = f\left( {\sum\limits_{j = 1}^n {{W_{ij}}\psi \left( {{a_j}, {b_j}} \right)}-{t_i}} \right) $ | (6) |
其中,
对于P个样本, 网络误差E采用均方误差进行后向传播算法:
$ E = \frac{1}{2}\sum\limits_{i = 1}^P {\sum\limits_{j = 1}^N {{{\left( {y_i^j-O_i^j} \right)}^2}} } $ | (7) |
其中,
遗传算法由Holland等[18]提出, 是一种借鉴生物界自然选择和进化机制发展起来的高度平行、随机、自适应搜索方法。简单来说, 遗传算法使用了群体搜索技术, 将种群代表一组问题解, 通过对当前种群施加选择、交叉和变异等一系列遗传操作, 从而产生新一代的种群, 并逐步使种群进化到包含近似最优解的状态。主要步骤如下:
(1) 变量初始化和编码:确定优化参数个数, 设定种群大小和进化代数。将待优化参数用0, 1二值编码表示;
(2) 随机生成初始父代群体:每个个体由一个基因编码串表示, 大量个体组成父代群体;
(3) 个体适应度评价:以适应度函数值得大小为标准, 对父代个体计算适应度值;
(4) 遗传操作:选择算子, 从群体中选择优质的个体, 淘汰劣质的个体的操作; 交叉算子, 按适应度函数的优劣选择新一代的父代群体以后, 存入配对库中再随机的选择配对, 按一定的概率在两两之间实施交叉操作, 即个体间进行信息交换; 变异算子, 改变群体中个体串的某些基因座上的基因值, 目的是算法具有全局搜索能力和维持群体多样性;
(5) 进化迭代。依据条件判断是否需要进行下一次的遗传进化。
利用GA全局搜索能力优化网络初始值, 优化流程如图 4:
![]() |
图 4 GA-WNN流程图 Fig. 4 Flow chart of the GA-WNN |
主要步骤如下:
步骤1:确定WNN网络拓扑结构和初始参数;
步骤2:进行种群初始化和编码:种群大小为40, 个体长度10, 遗传代数120次;
步骤3:计算适应度函数
$ f = \frac{1}{E} $ | (8) |
其中, E为小波神经网络的均方误差;
步骤4:进行遗传操作, 包括选择算子、交叉算子、变异算子。其中, 交叉概率为0.95, 变异概率为0.05;
步骤5:计算适应度值并判断是否满足条件(达到迭代次数或小于限差)。若不满足, 则转到步骤4;若满足, 则转到步骤6;
步骤6:对满足条件的个体进行解码, 并作为最优初值带入WNN进行训练;
步骤7:得到满足条件的WNN参数记录, 进行仿真预测。
1.2.4 溢油极化特征提取海洋溢油检测的极化特征参数较多, 本次实验选取一些具有代表性的极化特征参数进行特征提取, 并对这些特征影像加以对比分析, 为溢油检测提供较好的特征影像。
(1) 极化散射能量
该极化特征定义如公式(9)所示:
$ span = {\left| {{S_{{\rm{hh}}}}} \right|^2} + {\left| {{S_{{\rm{hv}}}}} \right|^2} + {\left| {{S_{{\rm{vh}}}}} \right|^2} + {\left| {{S_{{\rm{vv}}}}} \right|^2} $ | (9) |
span表征SAR目标散射的总能量。在溢油检测过程中, 溢油区域由于表面光滑, 后向散射总能量会小于海水的后向散射总能量[19]。
(2) H、α、A三分量分解
Cloude和Pottier于1996年提出基于特征值/特征向量分解的方法, 相干矩阵被3种确定性的散射机制的总和唯一确定, 由相干矩阵的特征向量所表述。相应的, 相干矩阵的3个特征值分别作为3种散射机制所占的比重, 此时相干矩阵D是一个空间平均统计量, 即:
$ \mathit{\boldsymbol{D}} = \sum\limits_{i = 1}^3 {{\lambda _i}} {u_i}{u_i}^{*T} $ | (10) |
式中,
极化熵H定义如公式(12)所示:
$ H =-\sum\limits_{i-1}^3 {{p_i}{{\log }_3}({p_i})}, \;0 \le H \le 1 $ | (11) |
式中,
极化熵描述分布式散射体的随机散射程度。当H接近于0时, 散射体趋于单一的散射机制, 相当于完全极化状态; 当H接近于1时, 散射体的散射机制随机性最大, 此时的散射体呈现完全去极化状态。总的来说, 低H表现单次散射, 高H表现随机散射。
对于海水或弱抑制的类油膜区域表面的散射几乎都是单次散射的Bragg散射模型, 因此极化熵的值比较小; 油膜覆盖的区域, 表现出一种显著的随机散射机制, 此时的极化熵有较大的值。Migliaccio等[4]于2007提出使用Cloude三分量分解的方法检测溢油情况, 其结果证明了极化熵H用于溢油检测的有效性, 能很好的识别油膜和类油膜。
极化各向异性参数A的定义如公式(12)所示:
$ A = \frac{{{\lambda _2}-{\lambda _3}}}{{{\lambda _2} + {\lambda _3}}}\;\;\;0 \le A \le 1 $ | (12) |
A描述了从特征分解中提取的后两个特征值的相对大小, 因此溢油检测原理与极化熵的方法类似, 在此不进行描述[4]。
平均散射角
$ \begin{array}{l} \;\;\;\;\;\;\bar \alpha = \sum\limits_{i = 1}^3 {{p_i}{\alpha _i}} \\ {0^ \circ } \le {\alpha _i} = arccos\left( {\left| {{u_i}\left( 1 \right)} \right|} \right) \le {90^ \circ } \end{array} $ | (13) |
式中,
(3) 极化度P
极化度P是一个基于Mueller矩阵的基不变参数, 可以直接从Stokes参数提取, 其定义如下:
$ P = \frac{{\sqrt {g_1^2 + g_2^2 + g_3^2} }}{{{g_0}}} $ | (14) |
其中,
$ \left[{\begin{array}{*{20}{c}} {{g_0}}\\ {{g_1}}\\ {{g_2}}\\ {{g_3}} \end{array}} \right] = \left[{\begin{array}{*{20}{c}} {{E_x}E_x^* + {E_y}E_y^*}\\ {{E_x}E_x^*-{E_y}E_y^*}\\ {{E_x}E_y^* + {E_y}E_x^*}\\ {j({E_x}E_y^* + {E_y}E_x^*)} \end{array}} \right] $ | (15) |
其中,
P参数描述了电磁场的极化程度, 是电磁场的部分极化与总体强度相联系的一个参数。Shivany等[10]于2012年以及Nunziata等[11]于2013年都使用P参数进行溢油检测。可以看出, 在Bragg散射机制的区域, 如海水或弱抑制的类油膜区, P值相对较大; 当油膜存在时, P值相对较小。
1.2.5 溢油极化特征优选在实际应用中, 众多极化特征中必然存在对溢油检测贡献度较大的特征。因此, 找到对溢油检测识别度较高的特征或特征组合将有利于溢油检测精度的进一步提升。为明确不同极化特征之间油膜和海水的区分度的大小, 我们引入J-M距离(Jeffreys-Matusita distance)指数[21-22]。J-M距离指数是一种在特征选择过程中应用比较广泛的可分性度量标准, 计算较为简单, 具有较好的通用性。基于某一特征两类样本的J-M距离计算公式如公式(16)、公式(17)所示:
$ J = 2(1-{{\rm{e}}^{-B}}) $ | (16) |
$ B = \frac{1}{8}{({m_1}- {m_2})^2}\frac{2}{{\delta _1^2 + \delta _2^2}} + \frac{1}{2}\ln \left[{\frac{{\delta _1^2 + \delta _2^2}}{{2{\delta _1}{\delta _2}}}} \right] $ | (17) |
式中, J为某特征上的J-M距离, mi,
图 5和图 6分别给出了数据1、数据2的海洋溢油6种极化特征影像。从图 5可见, span、H、μ与P特征影像中油膜的识别度较好, 而在特征影像A与α中油膜与海水的对比度较低, 油膜海水边界处图像特征较为模糊。
![]() |
图 5 Radarsat-2数据1的海洋溢油极化特征影像 Fig. 5 Polarimetric images of sea oil spill from Radarsat-2 of data 1 |
![]() |
图 6 Radarsat-2数据2的海洋溢油极化特征影像 Fig. 6 Polarimetric images of sea oil spill from Radarsat-2 of data 2 |
从图 6的6幅特征影像图可以看出, 除A特征影像几乎识别不出油膜以外, 其余的5种极化特征影像(span、H、
用J-M法对6种极化特征影像进行分析, 其结果如图 7所示。实线和虚线分别代表数据1和数据2的油膜与海水的差异度, 横坐标表示各个不同的极化特征, 纵坐标表示J-M距离指数值的大小。由图 7可知, 在不同的海洋环境下, 不同的极化特征对油膜的识别程度存在差异。根据J-M指数法计算的结果, 在数据1实验中, 可综合利用极化总能量span、极化熵H、一致性参数μ和极化度P进行溢油检测; 在数据2实验中, 极化熵H、平均散射角
![]() |
图 7 极化特征J-M距离指数 Fig. 7 J–M distance index of polarization characteristics |
本研究在利用遗传算法对分类器进行优化的基础上, 借助多特征组合与优化的神经网络方法提高油膜识别度。数据1实验中, 将极化总能量span、极化熵H、一致性参数μ和极化度P作为GA-WNN的输入, 输出为海水和油膜。数据2实验中, 极化熵H、平均散射角
数据1和数据2的检测结果分别如图 8和图 9所示。数据1和数据2的分类精度如表 3所示。
![]() |
图 8 数据1海洋溢油检测分类结果图 Fig. 8 Marine oil spill detection classification results of data 1 |
![]() |
图 9 数据2海洋溢油检测分类结果图 Fig. 9 Marine oil spill detection classification results of data 2 |
最大似然法 | k-means | SVM | WNN | GA-WNN | |
数据1 | 78.68 | 81.40 | 80.19 | 77.37 | 90.31 |
数据2 | 93.38 | 93.12 | 93.23 | 93.19 | 95.42 |
由图 8可见:数据1实验中, 使用的5种不同的分类方法都能很好的检测出溢油边界的大概范围。然而对于溢油区域尾部的检测, ML和GA-WNN方法检测效果较好, 其他3种方法检测出的边缘较为模糊。在非溢油区, ML检测结果斑点多且分布范围广, 表明该方法抗噪声能力弱, 虚警率较高。GA-WNN于其它方法相比, 溢油的边界检测准确且抗图像噪声能力较强, 虚警率较低。此外, 从表 3可知, GA-WNN检测精度达到90.31%, WNN检测精度最低为77.37%, 其他3种方法检测精度皆在80%左右。GA-WNN检测比常规SVM方法高出近10个百分点, 比未优化的WNN高出12个百分点。再次验证了本文提出方法的有效性。但是不可否认, 对于数据1实验, 5种方法均将海洋中的石油钻井平台(影像中右上角突出的暗斑)检测为溢油, 在一定程度上降低了分类器的检测精度。
图 9为数据2的溢油检测结果图, 可明显看出, GA-WNN方法检测结果明显优于其他方法。从表 3的检测精度可知, GA-WNN的检测精度最高为95.42%, 其他4种检测方法精度大致一致, 都近似为93%, GA-WNN的检测方法高出其他4种2个百分点。
本次实验中, GA-WNN相比于WNN在溢油目标的检测精度上具有明显优势, 说明GA-WNN网络具有更好的分类能力。从图 10中, 我们可以清晰地看到在神经网络训练的整个过程中, 两种网络迭代收敛的情况。
![]() |
图 10 GA-WNN和WNN误差曲线(数据1) Fig. 10 Error curves of GA-WNN and WNN (data 1) |
图 10显示了利用数据1进行GA-WNN和WNN训练的3次实验结果。图中实线和虚线分别代表GA-WNN和WNN网络的误差下降过程。在这3次实验中, 经遗传算法优化的小波神经网络均收敛, 且收敛速度快, 而未优化的WNN网络, 会出现误差不收敛的现象。迭代误差曲线再次验证了: GA-WNN相比于WNN, 收敛性更好, 并且加速了网络收敛速度, 提升了溢油检测精度。限于篇幅, 数据2的迭代误差曲线不再展示, 结果和数据1实验较一致。
3 结论与展望本文针对海洋溢油检测中常用的6种极化特征参数, 对比分析了它们在溢油检测能力上的差异。实验结果表明:同一极化特征参数, 在不同的海况下, 所表现的溢油检测能力存在差异。综合利用溢油检测的极化特征参数, 可避免利用单一极化特征降低溢油检测精度的风险。
本次实验利用遗传算法优化小波神经网络, 并利用2套Radarsat-2全极化溢油数据, 进行海洋溢油检测, 与未优化的小波神经网络及其他常用检测方法相比存在很大优势, 溢油检测精度明显提升, 表明本文所提出的方法在溢油检测方面具有可行性。
然而, 极化特征参数众多, 在今后的实验中, 应充分挖掘其他有效的溢油检测参数, 找出溢油检测特征中具有鲁棒性的特征参数。此外, GA-WNN网络作为分类器进行溢油检测的时效并不算高, 虽在一定程度上提升了溢油检测精度, 但面对突发事件时无法满足快速检测的业务化需求。然而该方法在后续的溢油跟踪监测以及财产损失评估等方面值得关注与应用。
[1] |
张杰, 张晰, 范陈清, 等. 极化SAR在海洋探测中的应用与探讨[J]. 雷达学报, 2016, 5(6): 596-606. Zhang Jie, Zhang Xi, Fan Chenqing, et al. Discussion on application of polarimetric synthetic aperture radar in marine surveillance[J]. Journal of Radars, 2016, 5(6): 596-606. |
[2] |
Migliaccio M, Gambardella A, Tranfaglia M. SAR Polarimetry to Observe Oil Spills[J]. IEEE Transactions on Geoscience & Remote Sensing, 2007, 45(2): 506-511. |
[3] |
Zhang B, Perrie W, Li X, et al. Mapping sea surface oil slicks using RADARSAT-2 quad-polarization SAR image[J]. Geophysical Research Letters, 2011, 38(10): 415-421. |
[4] |
Migliaccio M, Nunziata F, Gambardella A. On the copolarized phase difference for oil spill observation[M]. International Journal of Remote Sensing, 2009, 30(6): 1587-1602.
|
[5] |
Skrunes S, Brekke C, Eltoft T. Characterization of Marine Surface Slicks by Radarsat-2 Multipolarization Features[J]. IEEE Transactions on Geoscience & Remote Sensing, 2014, 52(9): 5302-5319. |
[6] |
刘朋. SAR海面溢油检测与识别方法研究[D]. 青岛: 中国海洋大学, 2012. Liu Peng. Research on ocean oil spill detection and recognition using SAR data[D]. Qingdao: Ocean University of China, 2012. |
[7] |
郑洪磊. 基于极化特征的SAR溢油检测研究[D]. 青岛: 中国海洋大学, 2015. Zheng Honglei. Oil spill detection based on polarimetric features[D]. Qingdao: Ocean University of China, 2015. |
[8] |
Nunziata F, Gambardella A, Migliaccio M. On the degree of polarization for SAR sea oil slick observation[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2013, 78(4): 41-49. |
[9] |
Shirvany R, Chabert M, Tourneret J Y. Ship and Oil-Spill Detection Using the Degree of Polarization in Linear and Hybrid/Compact Dual-Pol SAR[J]. IEEE Journal of Selected Topics in Applied Earth Observa tions & Remote Sensing, 2012, 5(3): 885-892. |
[10] |
Duan B, Chong J. Based on the covariance and coherency matrix for SAR sea oil spill observation[C]//Cie. International Conference on Radar. Chian: IEEE, 2012: 1291-1294.
|
[11] |
Migliaccio M, Gambardella A, Nunziata F, et al. The PALSAR Polarimetric Mode for Sea Oil Slick Obser vation[J]. IEEE Transactions on Geoscience & Remote Sensing, 2009, 47(12): 4032-4041. |
[12] |
Skrunes S, Brekke C, Eltoft T, et al. Comparing Near- Coincident C- and X-Band SAR Acquisitions of Marine Oil Spills[J]. IEEE Transactions on Geoscience & Remote Sensing, 2014, 53(4): 1958-1975. |
[13] |
Nunziata F, Migliaccio M, Gambardella A. Pedestal height for sea oil slick observation[J]. Radar Sonar & Navigation Iet, 2011, 5(2): 103-110. |
[14] |
Brekke C, Solberg A H S. Oil spill detection by satellite remote sensing[J]. Remote Sensing of Environ ment, 2005, 95(1): 1-13. |
[15] |
Solberg A H S, Brekke C, Husoy P O. Oil Spill Detection in Radarsat and Envisat SAR Images[J]. IEEE Transactions on Geoscience & Remote Sensing, 2007, 45(3): 746-755. |
[16] |
Migliaccio M, Nunziata F, Buono A. SAR polarimetry for sea oil slick observation[J]. International Journal of Remote Sensing, 2015, 36(12): 3243-3273. DOI:10.1080/01431161.2015.1057301 |
[17] |
Song D M, Ding Y X, Li X, et al. Ocean Oil Spill Classification with RADARSAT-2 SAR Based on an Optimized Wavelet Neural Network[J]. Remote Sensing, 2017, 9(8): 799. DOI:10.3390/rs9080799 |
[18] |
Holland J H. Adaptation in natural and artificial systems[J]. Quarterly Review of Biology, 1992, 6(2): 126-137. |
[19] |
Yin J, Moon W M, Yang J. Model-Based Pseudo Quad- Pol Reconstruction from Compact Polarimetry and Its Application to Oil-Spill Observation[J]. Journal of Sensors, 2015, 2015(1): 172-174. |
[20] |
Minchew B, Jones C E, Holt B. Polarimetric Analysis of Backscatter from the Deepwater Horizon Oil Spill Using L-Band Synthetic Aperture Radar[J]. IEEE Transa ctions on Geoscience & Remote Sensing, 2012, 50(10): 3812-3830. |
[21] |
Dabboor M, Howell S, Shokr M, et al. The Jeffries– Matusita distance for the case of complex Wishart distribution as a separability criterion for fully polari metric SAR data[J]. International Journal of Remote Sensing, 2014, 35(19): 6859-6873. |
[22] |
郭金金, 肖鹏峰, 冯学智, 等. 基于极化SAR图像的玛纳斯河流域典型区积雪识别[J]. 南京大学学报(自然科学), 2015, 5: 966-975. Guo Jinjin, Xiao Pengfeng, Feng Xuezhi, et al. Recognizing snow from polarimetric SAR images in typical area of Manasi River Basin[J]. Journal of Nanjing University (Natural Sciences), 2015, 5: 966-975. |