文章信息
- 李凉海, 刘善伟, 周鹏, 万勇. 2021.
- LI Liang-hai, LIU Shan-wei, ZHOU Peng, WAN Yong. 2021.
- SAR卫星组网观测技术与海洋应用研究进展
- Research progress of SAR satellite network observation technology and ocean application
- 海洋科学, 45(5): 145-156
- Marina Sciences, 45(5): 145-156.
- http://dx.doi.org/10.11759/hykx20210415002
-
文章历史
- 收稿日期:2021-04-15
- 修回日期:2021-05-05
2. 中国石油大学(华东), 山东 青岛 266580
2. China University of Petroleum (East China), Qingdao 266580, China
星载合成孔径雷达(synthetic aperture radar, SAR)具有全天时、全天候、高分辨、大视场等优点, 这使其成为海洋动力环境和海上目标监测的重要手段[1-2]。但是, 星载SAR尚存在一些不足: 首先, 目前的SAR卫星大都工作在高度为500~1 000 km的低地球轨道, 在这种轨道高度条件下, SAR高方位分辨率对高脉冲重复频率(pulse repetition frequency, PRF)的需求[3], 与宽刈幅成像对低PRF的需求形成矛盾, 使得高方位分辨率与大刈幅成像无法同时满足, 从而导致SAR重访周期相对较长(短则几天、长则十几天), 无法满足对热点区域的高频率或者应急观测需求; 其次, 由于前视或后视时的多普勒带宽太窄, 导致单星SAR一般仅能进行侧视成像。对于单星SAR的干涉测量应用, 单平台单次航过方式受平台尺寸限制不能提供理想的基线长度[4], 单平台多次航过方式受“时间去相关”影响严重[5]。另外, 单星SAR一般仅能通过层析成像的方式实现三维成像, 要求成像场景必须为静止场景且成像周期很长。上述这些不足严重影响着星载SAR在海洋环境和海上目标监测等领域的有效应用。
近年来, 世界主要航天大国非常重视SAR卫星组网观测技术的发展, 已建成了多个中大型SAR卫星星座系统(如德国的SAR-Lupe雷达卫星星座、ESA的Sentinel-1A与Sentinel-1B SAR卫星星座, 加拿大的Radarsat星座等), 甚至一些商业公司也加入到SAR小卫星星座的研发与应用队伍之中(如芬兰的ICEYE卫星星座)。SAR卫星组网观测技术系统的出现, 不仅大幅提高了时间分辨率, 而且具有宽场景、高分辨率、多角度观测等多方面的优势, 可有效解决单星SAR在重访周期上的不足, 极大地提升海洋环境和海上目标监测能力。我国也非常重视SAR卫星星座的发展, “高分”(GaoFen, GF)卫星星座计划建设3颗SAR卫星。在国家重点研发计划“海洋环境安全保障”重点专项的支持下, 中国石油大学(华东)承担的“基于卫星组网的海洋战略通道与战略支点环境安全保障决策支持系统研发与应用”项目(以下简称“项目”), 开展了SAR卫星组网技术研究, 突破了SAR小卫星组网关键技术, 发展了基于卫星组网的海洋环境与海上目标信息提取技术, 并为战略通道与战略支点的海洋环境安全保障提供支撑服务。
本文主要从中大型SAR卫星组网和编队观测系统、SAR小卫星组网观测系统以及SAR与光学卫星联合观测系统3个方面, 综述SAR卫星组网观测技术的发展现状; 由于卫星组网观测技术刚刚起步, 海洋相关应用研究还很少, 而多源卫星联合观测的方式在一定程度上相当于卫星组网观测, 因此本文总结了多源卫星联合在海洋动力环境和海洋目标监测中的应用研究进展, 以期为基于卫星组网的海洋动力环境和目标监测技术应用研究奠定基础。
1 SAR卫星组网观测技术本文主要从中大型SAR卫星组网和编队观测系统、SAR小卫星组网观测系统以及SAR与光学卫星联合观测系统3个方面, 综述SAR卫星组网观测技术的发展现状。
1.1 SAR卫星组网和编队观测系统近年来, 世界主要航天大国都非常重视发展SAR卫星组网和编队观测系统, 目前已构建了多个实际系统[6], 包括: 德国军方的SAR-Lupe星座[7-8]、意大利军民两用的Cosmo-SkyMed星座[9]、德国和西班牙的TerraSAR-X/PAZ星座[10]、欧盟的Sentinel-1星座[11]以及加拿大的Radarsat星座RCM[12-13]等, 上述各个系统的基本信息见表 1。
系统名称 | 国家/地区 | 建成时间 | 卫星数量 | 波段 | 轨道面数量/个 | 轨道高度/km | 时间分辨率 |
SAR-Lupe | 德国 | 2008年 | 5 | X | 3 | 500 | 11 h |
Cosmo-SkyMed | 意大利 | 2010年 | 4 | X | 1或2 | 619.6 | 12 h |
TerraSAR-X/PAZ | 德国、西班牙 | 2018年 | 3 | X | 1 | 514 | 24 h |
Sentinel-1 | 欧盟 | 2016年 | 2 | C | 1 | 693 | 6 d |
RCM | 加拿大 | 2019年 | 3 | C | 1 | 600 | 24 h |
德国的SAR-Lupe卫星网是目前世界上时间分辨率最高的卫星SAR组网观测系统, 该系统由5颗X波段SAR卫星组成, 分布在3个高度为500 km的轨道面上, 卫星之间具备星间链路通信能力, 可以确保用户在成像指令发出11 h后接收到对全球任意地点拍摄的图像资料, 分辨率最高可达1 m[14]。
意大利的COSMO-SkyMed星座, 其单颗卫星的重访周期为65 h, 而4星联网后的重访周期则缩短至12 h[9]。COSMO-SkyMed星座可在“常态”和“干涉测量”两种轨道结构下运行。常态轨道结构下, 4颗卫星均匀分布于同一个太阳同步晨昏轨道平面, 可保证一天内对全球任一目标进行至少两次访问。干涉轨道测量结构下, 进行干涉处理的两颗卫星将被置于夹角仅0.08°的两个轨道平面内, 两颗卫星前后编队飞行, 观测时间间隔仅为20 s, 可获得准实时干涉图像。
德国的TerraSAR-X/TanDEM-X双星编队系统, 是TerraSAR-X/PAZ星座中的两颗卫星, 在2015至2016年间完成了全球数字高程模型(digital elevation model, DEM)数据的测量, 其空间基线控制在120 m至500 m之间, 空间分辨率为10 m × 10 m, 绝对和相对测高精度分别为10 m和2 m, 绝对和相对水平定位精度分别为10 m和3 m, 其数据覆盖性及精度均优于美国和德国于21世纪初联合生产的航天飞机雷达地形测绘任务(shuttle radar topography mission, SRTM)产品。
Sentinel-1星座由Sentinel-1A和Sentinel-1B两颗卫星组成。两颗卫星在同一个轨道平面内, 相位相差180°, 将重访周期由单颗卫星的12 d减少到6 d。Sentinel-1星座还与Sentinel-2多光谱成像卫星、Sentinel-3海洋与全球陆地监测卫星、Sentinel-4地球同步轨道气象卫星和Sentinel-5低轨气象卫星等合作, 为监测全球气候变化和环境提供实时准确的信息。
RCM星座包含3颗卫星, 均匀分布于高度约600 km的太阳同步晨昏轨道平面内。其由加拿大的RADARSAT项目演化而来, 去掉了RADARSAT-2的一些先进的功能如GMTI等, 单星重量相比于RADARSAT-2大大减小。RCM侧重于中等分辨率(约50 m)的广域覆盖, 其主要任务是提供海事监控、灾难管理和生态系统监视方面的服务, 还能够利用干涉模式进行间隔4 d的形变测量。RCM还新增了一些创新性的功能, 如相干变化检测、简缩极化模式, 以及针对船舶监测的成像模式和船舶自动识别系统等。
SAR卫星组网和编队观测系统具备明显缩短重访周期、实现高分宽幅成像、可前视甚至后视成像、显著提高干涉测量的精度、利用单次航过即可完成三维成像等优势[15-18], 可有效解决单星SAR系统的不足, 极大地提升海洋环境监测和海上目标监测能力。
1.2 SAR小卫星组网观测系统目前发展的相对成熟的SAR卫星组网和编队观测系统仍以中大型卫星为主构成, 存在着研制周期长、系统造价昂贵、网络中卫星数量相对较少等不足。随着航天技术的进步, 尤其是轻型相控阵天线技术、集成电路技术、固态电子器件技术和高效太阳电池及蓄电池技术的发展, 在保证性能的同时[6], SAR卫星的体积和重量都大大降低, 微小型化成为SAR卫星的重要发展潮流。发展SAR小卫星组网观测系统可降低系统的研制、发射和运营成本, 在投资相同的情况下可显著扩充网络中卫星的数量, 同时便于优化调度卫星资源或及时补发卫星应对重大突发事件, 是目前SAR卫星组网观测的主要发展趋势[19]。
近年来, 美国的Capella Space、Umbra Lab和PredaSAR、芬兰的Iceye、日本的Synspective等公司都发布了商业SAR小卫星星座计划。其中, Capella Space公司规划在2020—2023年间部署由36颗小卫星SAR构成的星座, 实现全球任意地区的最大1 h重访、图像最高分辨率为0.5 m, 目前已有2颗卫星在轨[20]; Capella Space公司为降低SAR图像价格和提高SAR卫星对应急事件的响应时间, 在发射多颗SAR小卫星的基础上, 同时与卫星通信公司进行合作实现SAR卫星网与通信卫星网的有效互联, 从而大大降低高分辨率SAR图像的价格(例如: 与光学遥感图像的价格相当)、大大缩短用户响应时间(例如: 从下订单到获取图像的周期小于30 min)。Iceye公司自2018年1月12日发射了世界上第1颗100 kg以下的SAR小卫星——Iceye-X1起, 截至2020年底已成功发射4颗雷达卫星, 图像分辨率最高可达0.25 m, 初步形成了小型雷达卫星的星座组网和商业化运营服务能力[21]。日本Synspective公司计划于2022年建成由6颗小卫星组成的微型SAR卫星星座, 在2030年前建成由25颗卫星组成的微型SAR卫星星座, 最终的目标是建立一个由100颗微型SAR卫星组成的星座, 从而实现高频次地获取全球SAR影像[22]。
国内, SpaceTY(天仪研究院)和智星空间等公司也发布了SAR小卫星星座发展规划, SpaceTY公司已于2020年12月22日发射了我国第一颗商业SAR小卫星“海丝一号”, 图 1a为“海丝一号”于2021年3月25日拍摄的集装箱船搁浅导致苏伊士运河堵塞的SAR图像, 图 1b为搁浅集装箱船的现场照片。
为解决小卫星SAR组网中的SAR载荷轻量化、载荷多功能一体化等“卡脖子”技术问题, 项目突破了二维轻质化相控阵天线技术(将天线重量密度由40 kg/m2降至20 kg/m2), 完成了多模式小卫星SAR样机研制, 可实现SAR、散射计、波谱仪和高度计4种工作模式, 以满足对海洋目标和海洋动力环境的高精度同时测量, 图 2为所研制小卫星SAR二维相控阵天线的照片。除此之外, 为解决星间远距离高速通信、数据在轨处理等“卡脖子”技术问题, 项目还突破了小卫星组网高码率激光通信关键技术, 码速率高达10 Gbps, 图 3为所研制的微小卫星星间激光通信终端照片, 上述高码率激光通信技术的突破为实现多颗小卫星的星间云计算、进而最终实现星载SAR数据的在轨处理奠定了坚实基础。
1.3 SAR与光学卫星联合观测系统
SAR具有全天时、全天候、宽视场、极化信息丰富等方面的优势, 而光学影像则符合人眼的视觉习惯, 因此发展SAR与光学卫星联合观测系统可充分发挥多类型传感器数据融合的优势, 也是遥感卫星星座的重要发展趋势之一。
法国的Pleiades光学卫星星座与意大利COSMO-SKyMed卫星星座, 以及阿根廷即将发射的SAOCOM星座将一起组成“光学雷达地球观测联盟”(ORFEO)。加拿大UrtheCast公司目前也正在着力建设至少由8颗SAR卫星和8颗光学卫星组成的OptiSARTM星座[23-24]。
近年来我国建设的“高分专项”计划同样重视多种类型传感器的融合, 从全色卫星、多光谱卫星到高光谱卫星, 从光学卫星到雷达卫星, 从太阳同步轨道卫星到地球同步轨道卫星等多种类型, 目前已发射的13颗高分卫星构成了一个具有高空间分辨率、高时间分辨率和高光谱分辨率能力的对地观测卫星组网系统。项目研发了一套由16颗在轨SAR卫星和光学卫星构成的虚拟组网系统, 包括国内11颗卫星(GF-1、GF-1B、GF-1C、GF-1D、GF-2、GF-3、ZY-3、HJ-1A、HJ-1B、Cbers-04、SAR小卫星)和国外5颗卫星(Landsat-8、Sentinel-1A、Sentinel-1B、TerraSAR-X、RADARSAT-2)。
2 基于卫星组网的海洋动力环境监测技术单星SAR观测风、浪、流等海洋动力环境要素已有几十年的历史, 为海洋动力环境要素的观测做出了巨大的贡献。但是受SAR观测体制的限制, 单星SAR观测海洋动力环境要素时存在时间分辨率低、空间覆盖范围小、观测信息不完整等问题, 极大地限制了SAR在海洋动力环境要素监测中的应用。SAR卫星组网观测可以较好地解决单星SAR观测海洋动力环境要素的问题, 但目前卫星组网观测技术刚刚起步, 在海洋动力环境监测中的应用还很少; 而多源卫星联合观测的方式在一定程度上相当于卫星组网观测, 因此本文主要从多颗SAR卫星联合观测、SAR和波谱仪联合观测、SAR和散射计联合观测、SAR和光学卫星联合观测等方面综述多源卫星联合在海面风场、海浪、海流、内孤立波等海洋动力环境要素监测中的应用研究进展, 为基于卫星组网的海洋动力环境监测技术及应用研究奠定基础。
2.1 海面风场监测SAR和散射计是两种常用的用于观测海面风场的微波传感器, 在实现海面风速反演时用到的主要方法是地球物理模型函数(geophysical model function, GMF), 经过多年的发展, 已形成了CMOD4、CMOD5、CMOD5.N、CMOD-IFR2、XMOD等系列反演方法。然而上述任何一种方法, 在利用SAR反演风速时都需要提供外部风向信息作为输入。近几年出现的多源卫星联合观测风场方法, 证明了对外部数据源依赖的问题可以通过多源卫星联合观测的方式加以解决。项目基于仿真的X波段组网SAR卫星多方位向同步观测数据建立了不依赖于外部风向输入的风速反演方法, 解决了风速反演依赖风向的问题, 体现了卫星组网观测风场的优势[25]。
此外, 散射计能为SAR风速反演提供准同步的风向信息, 因此联合散射计与SAR数据也能进行海面风速的反演。张毅等[26]以SeaWinds散射计的风向作为输入, 进行SAR海面风场反演, 与天气预报模式WRF(the weather research and forecasting mode)的风向作为输入的SAR风速反演结果有较好的一致性; Lin等[27]研究了GF-3 SAR和HY-2A微波散射计台风海面风场的联合定量观测结果, 结果显示GF-3 SAR卫星图像和HY-2A卫星散射计产品能实现台风的定量观测; Bentamy等[28]利用Sentinel-1A SAR的后向散射系数校正散射计的后向散射系数, 并通过CMOD-IFR2获得风速, 有效解决了散射计在近海岸区域风速观测不准的问题。
2.2 海浪监测从最早的Seasat SAR卫星开始就可以实现大范围海浪场的观测。经过多年的发展, 后续陆续出现的系列SAR卫星, 为全球海浪观测提供了丰富的观测资料, 证明SAR是一种极具潜力的海浪业务化观测的手段。
单星SAR观测海浪存在方位向波长截断的现象, 使得SAR无法观测到完整的海浪信息, 海浪信息提取的精度受限。项目使用SAR成像仿真技术模拟了多星多视向SAR海浪同步观测数据, 建立了SAR观测海浪截断波长的补偿方法。该方法提出采用卫星协同组网信息互补的方式来解决单星SAR观测海浪的固有问题。以方向角为45°、55°、65°的三星组网补偿结果为例, 截断波长补偿前后反演的海浪参数和准确值的对比如表 2所示。补偿前反演有效波高的偏差是0.14 m, 补偿后反演有效波高的偏差是0.03 m; 补偿前反演平均波周期的偏差是0.75 s, 补偿后反演平均波周期的偏差是0.59 s; 提高了海浪参数的反演精度[29-31]。
SAR-1(方向角45°) | SAR-2(方向角55°) | SAR-3(方向角65°) | 截断波长补偿后 | |
截断波长/m | 156.95 | 158.56 | 159.96 | 146.37 |
输入有效波高/m | 2.27 | |||
反演有效波高/m | 2.41 | 2.24 | ||
输入平均波周期/s | 6.15 | |||
反演平均波周期/s | 5.40 | 5.56 |
波谱仪是一种真实孔径雷达, 与SAR的观测原理不同, 不存在波长截断的问题, 可以探测到更小波长的海浪成分。因此采用波谱仪和SAR联合观测海浪, 可以一定程度上弥补SAR观测海浪信息缺失的问题。基于此思想, 目前已提出了一种SAR和波谱仪数据联合反演不同尺度海浪谱的方法, 该方法使用波谱仪反演得到的海浪谱作为SAR海浪谱反演的初猜谱, 以补偿SAR海浪谱反演时缺失的短波部分, 并使用交叉谱方法解决海浪方向180°模糊的问题, 分别使用SAR和STORM以及SAR和SWIM同步数据验证了所提出的方法, 反演结果与ECMWF结果基本一致, 有效波高的偏差在0.1 m以内[32-33], 证明了波谱仪和SAR联合观测海浪具有较好的应用潜力。
2.3 海流监测利用星载SAR进行海表流速观测主要有3种方法: 第一种是SAR信号的多普勒质心频移法, 该方法获得海表流场的空间分辨率较低, 误差较大, 且仅能反演海表一维流速场。第二种是SAR顺轨干涉法, 通过计算沿轨方向短时间间隔成像的两幅SAR图像之间的相位差反演海表一维流场, 该方法获得的视向流速空间分辨率高、误差较小, 被广泛认可是直接获取海表流场的最佳方法。第三种是图像特征追踪法, 采用最大互相关法(MCC)对连续的卫星图像的特征进行识别与跟踪, 从而提取海表流场, 该方法虽然可以提取二维海面流场, 但误差较大。
目前, 基于SAR卫星组网的海面径向流场和矢量流场探测均有报道。采用顺轨干涉法, 基于TerraSAR-X/Tandem-X双星编队SAR, 实现了海面径向流场的高精度反演[34-35]。组网卫星SAR探测海面二维流场主要采用图像特征追踪法, 基于多源SAR图像或SAR与其他传感器图像的组合实现。采用MCC法, 基于ENVISAT ASAR、ERS-2 SAR、TerraSAR-X/Tandem-X双星编队SAR、以及COSMO-SkyMed等SAR图像的不同组合, 实现了沿岸流、潮汐流等的反演[36-39]。基于SAR图像与其他传感器(thematic mapper、wide-field scanner等)数据追踪海表油膜, 提取海面流场[40]。项目开展了基于组网卫星SAR的多视向观测海面二维流场提取方法模拟研究, 基于M4S模型模拟的组网卫星SAR数据, 采用SAR多普勒质心频移法反演SAR海面视向流速, 通过不同视向的模拟观测获得海面二维流场, 反演的二维流场与输入M4S模型的二维流场如图 4所示, 比较结果表明, 流速相关系数优于0.99, 均方根误差0.03 m/s, 流向相关系数优于0.98, 流向均方根误差4.41°。
2.4 内孤立波监测由于内孤立波随机产生, 单星SAR刈幅窄、重访周期长, 因此观测到的内孤立波频次非常低。SAR与多源光学卫星联合观测弥补了单星时空分辨率的不足, 使得对全球内孤立波观测越来越精确。学者们利用多年的SAR和光学卫星(ERS-1/2、RADARSAT-1、ENVISAT、SPOT、Landsat、IRS、MODIS和AVHRR)联合观测, 统计分析了日本海、南海北部、安达曼海等海域的内孤立波时空分布特征及传播路径, 探索了内孤立波的可能生成源[41-44]。项目利用SAR和多源光学卫星遥感数据(Sentinel-1A、GF-3、GF-1和MODIS)研究了印度洋及周边内孤立波的空间分布和传播方向等[45], 如图 5所示。
基于多源卫星遥感数据(ENVISAT ASAR、RADARSAT-2 ERS-2、ENVISAT、MODIS、GF-1、VIIRS、MERIS)和现场观测数据可有助于探测内孤立波的传播速度。项目基于上述多源遥感数据, 对南海北部内波[46]和安达曼海[47-48]内孤立波的传播速度开展了研究, 这表明多源卫星遥感的高时间分辨率可以追踪某一内孤立波的传播过程, 进而估算传播速度。
振幅是内孤立波的重要要素之一, 基于遥感图像反演内孤立波振幅一直都是难题。项目发展了基于多源卫星内孤立波遥感图像纹理特征参量的后向传播(back propagation, BP)神经网络和支持向量机2种振幅反演模型[49]。为了解决遥感图像与内孤立波波要素一一对应问题, 在实验室搭建了光学遥感探测内孤立波仿真实验平台, 建立了遥感图像特征参量、水文参数和内孤立波波要素的数据库, 利用深度学习技术建立了多层感知器、随机森林、卷积神经网络和支持向量机的4类内孤立波振幅反演模型[50-51], 利用与遥感图像匹配的南海实测数据检验, 振幅反演相对误差最小为12.3%, 有效地提高了内孤立波振幅反演精度。
3 基于卫星组网的海上目标监测技术海上目标的动态性较高, 因此单星监测的效能较弱, 而卫星组网能够提高遥感观测的时效性, 对于海上目标的动态监测与跟踪具有重要意义。本文主要综述多源卫星联合在船只和溢油目标监测中的应用研究进展。
3.1 船只目标监测船只的识别多依赖于高空间分辨率遥感手段, 船只的动态跟踪则对遥感数据的时效性和重访频率提出了很高的要求。借助卫星组网提供的多时序遥感数据可进行舰只匹配, 进而实现船只定位与跟踪。另外, 相较于单星观测方式, 卫星组网有效利用了多时序匹配信息, 可减少船只信息的不确定性[52], 提高检测与识别精度, 在海上交通管理、海洋权益维护方面具有重要的现实意义[53]。
基于多时序影像的船只匹配是实现船只跟踪的前提, 保证船只匹配准确率是关键问题。在传统的SIFT匹配算法基础上[54], 近年开始使用卷积神经网络方法来提高船只匹配性能[55]。项目提出了一种基于传统特征和深度特征融合的船只匹配跟踪方法, 同时适用于SAR图像和光学图像, 取得了较好的跟踪效果。图 6a为2012年1月7日的RADARSAT-2卫星图像(黄圈内是待跟踪船只), 图 6b为152 s后TerraSAR-X同一区域的图像(红圈内为匹配的船只); 图 7分别为某海域2015年7月11日和12日的两景光学遥感数据, 黄色方框为匹配到的同一船只。
3.2 海上溢油监测
海上溢油严重影响周边海洋和海岸环境安全, 传统依赖单星的溢油遥感监测手段一方面难以有效剔除溢油伪信息, 另一方面其长重访周期限制了对溢油漂移扩散的监测和预警。
近年来, 多/高光谱、SAR及热红外等传感器已联合应用于溢油监测工作。2010年, 美国墨西哥湾发生严重溢油事件, 通过分析UAVSAR、ENVISAT、Radarsat-2、COSMO-SkyMed及TerraSAR-X数据, 定量评估了不同传感器对溢油的表征能力[56], 还利用机载AVIRIS数据, 估算了溢油量和油膜厚度[57]。在2018年中国东海“桑吉”轮溢油事件中, GF-3SAR数据与Sentinel-2多光谱数据被用于溢油检测结果的相互验证[58], 还将VIIRS Nightfire数据与MODIS、Sentinel-1等遥感数据结合, 追踪了油轮的漂移路径和位置[59]。
随着遥感卫星的陆续发射及传感器的不断发展, 海上溢油监测将越来越多的综合光学遥感和微波雷达等的技术优势(微波雷达不受云雾影响, 光学传感器监测范围广, 光谱信息丰富), 促进了不同溢油污染类型的定性与定量监测, 提升了海洋溢油的遥感监测应用水平。项目于2020年9月在长40 m、宽40 m、深1.5 m的大型实验水池内开展了微波和高光谱联合探测溢油实验, 实验选取了原油、油水混合物、柴油、棕榈油等4种油品, 分别使用C波段全极化微波散射计和S185机载高速成像光谱仪(光谱范围: 450~950 nm)对不同厚度的4种油品和自然海水进行测量。图 8给出了不同厚度原油的微波散射系数和光谱反射率, 可以看出, 随着厚度的增大, 微波散射系数基本不变, 而反射率在可见光范围内呈明显下降趋势, 高光谱遥感可以弥补微波遥感在原油厚度探测方面不足。
4 结论近年来兴起的SAR卫星组网观测技术可有效解决单星SAR时间分辨率低、无法实现高分宽幅成像等固有缺陷, 特别是SAR小卫星具有成本低、灵活性强、可靠性高等突出优势, 建设SAR小卫星组网观测系统是未来主要发展趋势。随着二维轻质相控阵天线、星间高码率激光通信等关键技术的突破, 由多模式小卫星SAR构成的SAR小卫星组网观测系统将在海洋动力环境和海上目标监测中发挥关键作用。
借助卫星组网高频次、大范围、多方向观测的优势, 可解决海洋动力环境信息观测时间分辨率低、空间覆盖范围小、观测信息不完整等问题, 提高海洋动力要素信息提取的精度, 对于海上航行安全保障、防灾减灾、全球气候变化等研究具有重要意义。未来需进一步挖掘多星同步观测数据的信息和优势, 优化信息提取方法, 以获得更全面、更准确的海洋动力环境信息。
卫星组网使海上动态目标遥感跟踪监测成为可能, 实现了船只从传统的单星检测到跟踪的跨越, 有利于海上溢油等突发事件的快速发现; 而多传感器的联合则为船只目标的精确识别、伪油膜的剔除提供了技术途径, 通过发挥多源遥感互补优势提高目标的检测与识别精度。未来需进一步挖掘多源遥感及长时序数据的优势, 发展适用于多源遥感的目标匹配与跟踪算法, 提升海上动态目标的跟踪监测能力。
[1] |
邓云凯, 禹卫东, 王宇. 高分辨率宽幅星载SAR海洋监视信息反演[J]. 科技导报, 2017, 35(20): 69-76. DENG Yunkai, YU Weidong, WANG Yu. Ocean surveillance and information extraction based on HRWS spaceborne SAR system[J]. Sciences & Technology Review, 2017, 35(20): 69-76. |
[2] |
李晓峰, 张彪, 杨晓峰. 星载合成孔径雷达遥感海洋风场波浪场[J]. 雷达学报, 2020, 9(3): 425-443. LI Xiaofeng, ZHANG Biao, YANG Xiaofeng. Remote sensing of sea surface wind and wave from spaceborne synthetic aperture radar[J]. Journal of Radars, 2020, 9(3): 425-443. |
[3] |
邓云凯, 禹卫东, 张衡, 等. 未来星载SAR技术发展趋势[J]. 雷达学报, 2020, 9(1): 1-33. DENG Yunkai, YU Weidong, ZHANG Heng, et al. Forthcoming spaceborne SAR development[J]. Journal of Radars, 2020, 9(1): 1-33. |
[4] |
SHEN Y, SHAFFER S J, JORDAN R L. Shuttle radar topography mission (SRTM) flight system design and operations overview[C]//SPIE. Microwave Remote Sensing of the Atmosphere and Environment Ⅱ. Sendai, Japan: International Society for Optics and Photonics, 2000: 167-178.
|
[5] |
ROSEN P A, HENSLEY S, JOUGHIN I R, et al. Synthetic aperture radar interferometry[J]. Proceedings of IEEE, 2000, 88(3): 333-382. DOI:10.1109/5.838084 |
[6] |
耿旭朴, 薛思涵. 合成孔径雷达星座发展综述[J]. 地理信息世界, 2017, 24(4): 58-63. GENG Xupu, XUE Sihan. Trend analysis of SAR constellation[J]. Geomatics World, 2017, 24(4): 58-63. DOI:10.3969/j.issn.1672-1586.2017.04.013 |
[7] |
BRAUN H M, KNOBLOCH P E. SAR on small satellites-shown on the SAR-Lupe example[C]//GIN. Proceedings of the International Radar Symposium. Cologne, Germany: German Institute of Navigation, 2007: 5-7.
|
[8] |
Otto Hydraulik Bremen GmbH (OHB). SAR-Lupe[EB/OL]. [2021-04-10]. https://www.ohb-system.de/sar-lupe-english.html.
|
[9] |
PASTINA D, TURIN F. Exploitation of the COSMO-SkyMed SAR system for GMTI applications[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(3): 966-979. DOI:10.1109/JSTARS.2014.2354459 |
[10] |
LUMSDON P, RIEDMANN M, KOPPE W, et al. Development of operational applications of TerraSAR-X PAZ Constellation[C]//IEEE. Proceedings of IEEE International Geoscience and Remote Sensing Symposium. Yokohama, Japan: IEEE Press, 2019: 8404-8406.
|
[11] |
POTIN P, ROSICH B, MIRANDA N, et al. Copernicus Sentinel-1 constellation mission operations status[C]//IEEE. Proceedings of IEEE International Geoscience and Remote Sensing Symposium. Yokohama, Japan: IEEE Press, 2019: 5385-5388.
|
[12] |
GIERULL C H, SIKANETA I. Potential marine moving target indication (MMTI) performance of the Radarsat constellation mission (RCM)[C]//EUSAR. Proceedings of European Conference on Synthetic Aperture Radar. Nuremberg, Germany: VDE VERLAG GMBH, 2012: 404-407.
|
[13] |
Canadian Space Agency. RADARSAT constellation[EB/OL]. [2021-04-15]. http://www.asc-csa.gc.ca/eng/satellites/radarsat.
|
[14] |
王捷, 周伟, 姚力波. 国外成像侦察技术现状及发展趋势[J]. 海军航空工程学院学报, 2012, 27(2): 199-204. WANG Jie, ZHOU Wei, YAO Libo. Review of current techniques and trends on foreign imaging reconnaissance[J]. Journal of Naval Aeronautical and Astronautical University, 2012, 27(2): 199-204. |
[15] |
何友, 姚力波, 江政杰. 基于空间信息网络的海洋目标监视分析与展望[J]. 通信学报, 2019, 40(4): 1-9. HE You, YAO Libo, JIANG Zhengjie. Summary and future development of marine target surveillance based on spatial information network[J]. Journal on Communications, 2019, 40(4): 1-9. |
[16] |
李德仁, 沈欣, 龚健雅, 等. 论我国空间信息网络的构建[J]. 武汉大学学报(信息科学版), 2016, 40(6): 711-715. LI Deren, SHEN Xin, GONG Jianya, et al. On construction of China's space information network[J]. Geomatics and Information Science of Wuhan University, 2016, 40(6): 711-715. |
[17] |
MASSONNET D. Capabilities and limitations of interferometric cartwheel[J]. IEEE Transaction on Geoscience and Remote Sensing, 2001, 39(3): 506-520. DOI:10.1109/36.911109 |
[18] |
WALTERSCHEID I, KLARE J, BRENNER A R, et al. Challenges of a bistatic spaceborne/airborne SAR experiment[C]//EUSAR. Proceedings of European Conference on Synthetic Aperture Radar. Berlin, Germany: VDE VERLAG GMBH, 2006: 1-4.
|
[19] |
胡芬, 高小明. 面向测绘应用的遥感小卫星发展趋势分析[J]. 测绘科学, 2019, 44(1): 132-138, 150. HU Fen, GAO Xiaoming. Development trend analysis of remote sensing small satellite for surveying and mapping application[J]. Science of Surveying and Mapping, 2019, 44(1): 132-138, 150. |
[20] |
Capella Space. Blog-Capella Space[EB/OL]. [2021-04-20]. https://www.capellaspace.com/blog/.
|
[21] |
ICEYE. ICEYE History[EB/OL]. [2021-04-08]. https://www.iceye.com/company/history.
|
[22] |
李健全, 赵志伟, 曹长新. 日本微型SAR卫星星座最新进展[J]. 国际太空, 2020(6): 41-43. LI Jianquan, ZHAO Zhiwei, CAO Changxin. The latest developments in the constellation of Japan's micro SAR satellite[J]. Space International, 2020(6): 41-43. DOI:10.3969/j.issn.1009-2366.2020.06.010 |
[23] |
FOX P, TYC G, BECKETT K. The UrtheCast SAR-XL multi-band, multi-aperture spaceborne SAR system[C]//IEEE. Proceedings of IEEE Radar Conference. Seattle, WA, USA: IEEE Press, 2017: 1761-1764.
|
[24] |
OptiSAR. OptiSAR (Optical and SAR) commercial constellation of UrtheCast[EB/OL]. [2021-03-28]. https://directory.eoportal.org/web/eoportal/satellite-missions/o/optisar.
|
[25] |
WAN Y, SHI X, DAI Y, et al. Research on wind speed inversion method for X-band networked SAR satellite[J]. Journal of Marine Science and Engineering, 2020, 8(9): 626. DOI:10.3390/jmse8090626 |
[26] |
张毅, 蒋兴伟, 宋清涛. 基于外部风向初始信息的SAR影像海面风场反演研究[J]. 遥感技术与应用, 2011, 26(4): 461-468. ZHANG Yi, JIANG Xingwei, SONG Qingtao. Ocean wind retrieval from Synthetic Aperture Radar images based on external initial wind direction[J]. Remote Sensing Technology and Application, 2011, 26(4): 461-468. |
[27] |
LIN M S, YE X M, YUAN X Z, et al. The first quantitative joint observation of typhoon by Chinese GF-3 SAR and HY-2A microwave scatterometer[J]. Acta Oceanologica Sinica, 2017, 36(11): 1-3. DOI:10.1007/s13131-017-1133-9 |
[28] |
BENTAMY A, MOUCHE A, GROUAZEL A, et al. Using sentinel-1A SAR wind retrievals for enhancing scatterometer and radiometer regional wind analyses[J]. International Journal of Remote Sensing, 2019, 40(3/4): 1120-1147. |
[29] |
WAN Y, ZHANG X Y, DAI Y S, SHI X L. Research on a method for simulating multiview ocean wave synchronization data by networked SAR satellites[J]. Journal of Marine Science and Engineering, 2019, 7(6): 180. DOI:10.3390/jmse7060180 |
[30] |
WAN Y, ZHANG X Y, DAI Y S, et al. Azimuth cutoff compensation method for SAR wave observation based on multiview wave spectrum data fusion[J]. IEEE Access, 2020, 8: 120923-120935. DOI:10.1109/ACCESS.2020.3006244 |
[31] |
WAN Y, ZHANG X Y, DAI Y S, et al. An azimuth cutoff wavelength compensation method based on multiview synthetic aperture radar synchronization data[J]. Remote Sensing Letters, 2020, 11(3): 245-254. DOI:10.1080/2150704X.2019.1706008 |
[32] |
REN L, YANG J, ZHENG G, et al. A joint method to retrieve directional ocean wave spectra from SAR and wave spectrometer data[J]. Chinese Journal of Oceanology and Limnology, 2016, 34(4): 847-858. DOI:10.1007/s00343-015-5043-4 |
[33] |
REN L, YANG J, XIAO Q, et al. On CFOSAT swim wave spectrometer retrieval of ocean waves[C]//IEEE. IEEE Geoscience & Remote Sensing Symposium. USA: IEEE, 2017: 1966-1969.
|
[34] |
SUCHANDT S, RUNGE H. Along-track interferometry using TanDEM-X: first results from marine and land applications. [C]//IEEE. European Conference on Synthetic Aperture Radar. USA: IEEE, 2012: 392-395.
|
[35] |
ROMEISER R, RUNGE H, SUCHANDT S, et al. Quality Assessment of surface current fields from TerraSAR-X and TanDEM-X along-Ttrack interferometry and dppler centroid analysis[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(5): 2759-2772. DOI:10.1109/TGRS.2013.2265659 |
[36] |
LIU A K, HSU M K. Deriving ocean surface drift using multiple SAR sensors[J]. Remote Sensing, 2009, 1(3): 266-277. DOI:10.3390/rs1030266 |
[37] |
QAZI W A, EMERY W J, FOX-KEMPER B. Computing ocean surface currents over the coastal California current system using 30-min-lag sequential SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(12): 7559-7580. DOI:10.1109/TGRS.2014.2314117 |
[38] |
REN Y, LI X M, GAO G P, et al. Derivation of sea surface tidal current from spaceborne SAR constellation data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(6): 3236-3247. DOI:10.1109/TGRS.2017.2666086 |
[39] |
REN Y, LI X M. Derivation of sea surface current fields using TanDEM-X pursuit monostatic mode data[C]//IEEE. 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). USA: IEEE, 2016: 4019-4022.
|
[40] |
GADE M, SEPPKE B, DRESCHLER-FISCHER L. Mesoscale surface current fields in the Baltic Sea derived from multi-sensor satellite data[J]. International journal of remote sensing, 2012, 33(10): 3122-3146. DOI:10.1080/01431161.2011.628711 |
[41] |
ARVELYNA Y, OSHIMA M, ARAKAWA Y. Multisatellite data observation for internal wave detection in the southwest coast of Japan[C]//Proceedings of the SPIE 5656. Active and Passive Remote Sensing of the Oceans. Japan. International Society for Optical Engineering. 2005: 147-155.
|
[42] |
MITYAGINA M I, LAVROVA O Y, KARIMOVA S S. Multi-sensor survey of seasonal variability in coastal eddy and internal wave signatures in the north-eastern Black Sea[J]. International Journal of Remote Sensing, 2010, 31(17/18): 4779-4790. |
[43] |
甘锡林, 黄韦艮, 杨劲松, 等. 利用多源遥感卫星数据研究南海内波的时空分布特征[J]. 遥感技术与应用, 2007, 22(2): 242-245. GAN Xilin, HUANG Weigen, YANG Jingsong, et al. The study of spatial and temporal distribution characteristics of internal waves in the South China Sea fron multi-satellite data[J]. Remote Sensing Technology and Application, 2007, 22(2): 242-245. DOI:10.3969/j.issn.1004-0323.2007.02.024 |
[44] |
王隽, 杨劲松, 周礼英, 等. 基于多源卫星遥感数据的安达曼海及其邻近海域内波分布特征分析[J]. 海洋学研究, 2019, 37(3): 1-11. WANG Juan, YANG Jingsong, ZHOU Liying, et al. Distribution of internal waves in the Andaman Sea and its adjacent waters based on multi-satellite remote sensing data[J]. Journal of Marine Sciences, 2019, 37(3): 1-11. DOI:10.3969/j.issn.1001-909X.2019.03.001 |
[45] |
NING J, SUN L, CUI H, et al. Study on characteristics of internal solitary waves in the Malacca Strait based on Sentinel-1 and GF-3 satellite SAR data[J]. Acta Oceanologica Sinica, 2020, 39(5): 151-156. DOI:10.1007/s13131-020-1604-2 |
[46] |
孙丽娜, 张杰, 孟俊敏. 基于遥感与现场观测数据的南海北部内波传播速度[J]. 海洋与湖沼, 2018, 49(3): 19-28. SUN Lina, ZHANG Jie, MENG Junmin. On propagation velocity of internal solitary waves in the northern south china sea with remote sensing and in-situ observations data[J]. Oceanologia et Limnologia Sinica, 2018, 49(3): 19-28. |
[47] |
MEETEI C, NADIMPALLI J R, DASH M K, et al. Estimation of internal solitary wave propagation speed in the Andaman Sea using multi-satellite images[J]. Remote Sensing of Environment, 2020, 252: 112123. |
[48] |
黄松松, 王晶, 梅源, 等. 基于光学遥感的安达曼海内孤立波传播速度特性研究[J]. 海洋学报, 2019, 41(7): 15-21. HUANG Songsong, WANG Jing, MEI Yuan, et al. The velocity characteristics of internal solitary waves in the Andaman Sea by optical remote sensing[J]. Haiyang Xuebao, 2019, 41(7): 15-21. DOI:10.3969/j.issn.0253-4193.2019.07.002 |
[49] |
宁静, 王晶, 张猛, 等. 基于光学遥感图像的南海北部内孤立波振幅反演模型与应用研究[J]. 光子学报, 2019, 48(12): 234-242. NING Jing, WANG Jing, ZHANG Meng, et al. Amplitude inversion model and application of internal solitary waves of the Northern South China Sea based on optical remote-sensing images[J]. Acta Photonica Sinica, 2019, 48(12): 234-242. |
[50] |
WANG J, ZHANG M, MEI Y, et al. Study on inversion amplitude of internal solitary waves applied to shallow sea in the laboratory[J]. IEEE Geoscience and Remote Sensing Letters, 2021, 18(4): 577-581. DOI:10.1109/LGRS.2020.2985123 |
[51] |
MEI Y, WANG J, HUANG S, et al. Experimental investigation on optical remote sensing image of internal solitary wave with smooth surface[J]. Acta Oceanologica Sinica, 2019, 38(6): 1-8. DOI:10.1007/s13131-018-1340-z |
[52] |
刘勇. 多源卫星舰船目标观测信息融合技术研究[D]. 长沙: 国防科技大学, 2018. LIU Yong. Research on information fusion technology of multi-source satellite observation for ships[D]. Chang sha: National University of Defense Technology, 2018. |
[53] |
BUSLER J, WEHN H, WOODHOUSE L. Tracking vessels to illegal pollutant discharges using multisource vessel information[J]. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2015, 40(7): 927-932. |
[54] |
帅通, 师本慧, 陈金勇, 等. 多源遥感图像舰船目标SIFT匹配的性能分析[J]. 无线电工程, 2015, 45(10): 48-51. SHUAI Tong, SHI Benhui, CHEN Jinyong, et al. Performance analysis of SIFT matching in ship target based on multi-source remote sensing images[J]. Radio Engineering, 2015, 45(10): 48-51. DOI:10.3969/j.issn.1003-3106.2015.10.13 |
[55] |
NIU L, LANG H. Ship matching using convolutional neural network in multi-source synthetic aperture radar images[J]. Journal of Coastal Research, 2020, 102(S1): 166-175. |
[56] |
LATINI D, DEL FRATE F, JONES C E. Multi-Frequency and polarimetric quantitative analysis of the gulf of mexico oil spill event comparing different SAR systems[J]. Remote Sensing of Environment, 2016, 183: 26-42. DOI:10.1016/j.rse.2016.05.014 |
[57] |
HU Chuanmin, FENG Lian, HOLMES Jamie, et al. Remote sensing estimation of surface oil volume during the 2010 Deepwater Horizon oil blowout in the Gulf of Mexico: scaling up AVIRIS observations with MODIS measurements[J]. Journal of Applied Remote Sensing, 2018, 12(2): 026008. |
[58] |
LU Y, LIU J, DING J, 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. |
[59] |
SUN S, LU Y, LIU Y, et al. Tracking an oil tanker collision and spilled oils in the East China Sea using multisensor day and night satellite imagery[J]. Geophysical Research Letters, 2018, 45(7): 3212-3220. DOI:10.1002/2018GL077433 |