文章信息
- 柯丽娜, 李云昊, 张帅, 范剑超. 2022.
- KE Li-na, LI Yun-hao, ZHANG Shuai, FAN Jian-chao. 2022.
- 渤海海域多源遥感溢油风险评价与长序监测
- Multisource remote sensing oil spill risk assessment and long- sequence monitoring in the Bohai Sea
- 海洋科学, 46(2): 17-27
- Marine Sciences, 46(2): 17-27.
- http://dx.doi.org/10.11759/hykx20210607002
-
文章历史
- 收稿日期:2021-06-07
- 修回日期:2021-07-31
2. 国家海洋环境监测中心 海洋遥感技术室, 大连 116023;
3. 大连工业大学 信息科学与工程学院, 大连 116034
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
随着世界经济的发展、各国对石油的需求日益增长, 海洋石油以其丰富的储量成为重要的石油资源。由于海上石油平台的开发和海洋运输业的不断发展, 海上溢油事故时有发生[1]。意外事故、蓄意倾倒或自然原因等造成的海上石油泄漏会对海洋生态系统、海水养殖业、旅游业等造成极大的危害, 因此能否及时准确地对溢油状况进行监测评估对于保护海洋环境具有重要的意义[2]。船舶和石油平台作为海洋溢油事故的两大主要来源, 其潜在影响程度因溢油事故发生的位置及其分布而不同, 尤其是海上石油平台, 一旦发生事故, 会带来难以估计的生态和经济损失[3-4]。2010年英国石油公司在美国墨西哥湾租用的钻井平台“深水地平线”发生爆炸, 导致大约490万桶原油从油井中泄漏, 造成难以估量的经济与生态损失。海上溢油事故具有突发性强、影响范围大、易扩散漂移等特点, 对海上石油平台的分布情况进行监测以及对海面浮油进行准确检测、对溢油范围进行精确估算、对溢油分布状况进行实时跟踪, 对于海洋溢油灾害的有效治理具有重要的现实意义[5]。
目前国内外对海洋溢油风险评价做了大量的研究, GOERLANDT等[6]将贝叶斯网络建模应用于芬兰海湾地区溢油概率风险的量化, 并通过对风险模型的评价标准、试验和风险分析, 验证了该模型的合理性; 肖景坤等[7]应用概率与数理统计、灰色系统、人工神经网络等方法, 对中国海域内船舶溢油风险概率、船舶溢油因素、船舶危害预报等进行了全面的理论分析和应用研究, 建立了船舶溢油风险评价模型, 为船舶溢油事故响应决策提供了较好的方案; SCHWEGMANN等[8]对多种溢油风险源、溢油发生概率及危害程度等进行了总结和分析; 刘保占等[9]采用层次分析法, 筛选并分析了渤海海上石油平台溢油风险程度, 建立海上石油平台溢油风险评价指标体系, 并运用多级模糊综合评价方法对平台溢油风险进行综合评价, 为海上石油平台溢油事故应急响应提供了技术支持。上述研究在海洋溢油风险评价方面取得了一定成果, 但由于溢油事件的发生属于小概率事件, 且缺乏足够的历史统计数据, 为溢油概率的分析验证带来了困难。
多源遥感监测在溢油事故分析中展现其独特的优势, 综合利用光学遥感及微波雷达可以充分发挥微波雷达全天候工作、受天气影响较小的优势, 再结合不同溢油状况的光学影像特征, 从而对不同溢油污染类型进行定性与定量监测, 实现大范围、全天候的溢油动态监测, 有效提升海洋溢油的遥感监测的准确度[10]。杨红等[11]利用MODIS和HJ-1卫星数据, 对2012年上海海域溢油事件进行溢油信息提取, 并分析溢油光谱特征, 结果显示多源遥感数据比单源遥感数据进行溢油监测效果更佳。陆应诚等[12]针对2018年1月中国东海“桑吉”轮溢油事件, 利用GF-3合成孔径雷达(Synthetic Aperture Radar, SAR)数据并结合光学遥感数据, 实现“桑吉”轮疑似溢油范围的圈定, 阐明了典型海洋溢油的多光谱特征。
以上研究多从溢油遥感监测技术出发, 分析多源遥感溢油信息以及雷达、光学图像下的溢油影像特征, 但针对某一海域进行长时间序列多源遥感溢油监测的分析并不多见, 尤其渤海湾区域缺少长时间序列的海洋溢油时空分布特征分析。因此, 以渤海海域为研究对象, 使用多源高分辨率遥感影像提取渤海海域船舶、石油平台分布信息, 描述不同光学与微波雷达影像的溢油判别方法与解译特征, 并结合溢油遥感监测获得的溢油统计数据对溢油风险等级区划进行验证, 再采用核密度分析法对渤海海域海上溢油风险程度进行分析, 从而生成渤海海域溢油风险等级区划图, 开展渤海海域2015—2020年海洋溢油时空分布特征分析, 旨在提高渤海海域溢油风险防控水平以及为相应海洋溢油事故应急处理提供一定的技术支撑和方法借鉴。
1 研究区域与数据 1.1 研究区域介绍本研究的目标海域选为渤海海域。渤海是一个近乎封闭的内海, 东面以辽东半岛的南端老铁山西角与山东半岛北岸蓬莱头的连线为界, 另外3面则是环陆。根据地形地貌, 渤海海域由辽东湾、渤海湾、莱州湾、中央浅海盆地和渤海海峡这5部分组成。渤海海域具有丰富的渔业、港口、石油、海盐等资源, 对该区域海洋资源的开发是环渤海地区经济发展的重要领域之一。海洋溢油是最严重的海洋污染之一, 因此, 对渤海海域进行多源遥感溢油风险评价与长序监测具有重要的现实意义。具体研究区域如图 1所示。
1.2 船舶风险源船舶是渤海海域的主要溢油风险源之一, 尤其是近年来大型油船往来频繁, 船舶流量增多, 使渤海海域发生溢油事故的风险越来越高[13], 目前基于遥感影像的海洋船舶目标检测技术迅速发展。为了能够提取整个研究海域的船舶空间分布情况, 进而分析该海域内船舶溢油风险状况, 选取成像时间为2019年的能够覆盖整个研究区域的GF-1 WFV影像进行信息处理。
1.3 石油平台风险源是否具有时空一致性是区分船舶与石油平台数据的基础, 绝大多数海上船舶的位置时刻在发生变化, 即使船舶在某处短暂静止, 也不会持续数月甚至数年, 而固定式石油平台的位置一般不会发生改变, 石油平台具有时空一致性, 因此将连续年份的船舶与石油平台数据进行叠加分析及变化检测, 筛选出位置未发生变化的目标, 即认为是石油平台。为有效识别渤海海域海上石油平台的位置信息, 选取2017年8月、2018年7月、2019年7月的研究区GF-1 WFV影像。
1.4 溢油数据介绍通过排查研究区高分系列、HJ系列及哨兵系列等多源卫星遥感影像共计1 961景, 对研究区2015— 2020年间的海洋溢油信息进行提取, 在研究期内共发现44处疑似溢油区域, 总计71景溢油数据, 溢油数据具体获取情况如表 1所示, 表 2为2020年5月5日溢油事件所用数据。
卫星 | 影像类型 | 数据量/景 | 分辨率/m |
GF-1 | 光学 | 34 | 2 |
GF-2 | 光学 | 12 | 1 |
GF-3 | SAR | 7 | 1~500 |
HJ | 光学 | 17 | 30/100 |
Sentinel-2 | 光学 | 1 | 10 |
采集时间(年-月-日) | 卫星 | 影像类型 | 分辨率/m |
2020-05-05 | GF-1 | 光学 | 2 |
2020-05-05 | GF-1B | 光学 | 2 |
2020-05-06 | Sentinel-2A | 光学 | 10 |
2020-05-06 | GF-1 | 光学 | 2 |
海上溢油事故发生之后, 溢油首先以入射光线难以透过的黑色浮油(海面上较厚的原油溢油, 易于被光学传感器所探测)形式存在, 随着时间的推移, 溢油开始扩散, 并在风、浪、流等海洋动力的作用下, 与海水形成具有透光性的、不同浓度的、不同厚度的油水混合物油膜[14]。因此, 在光学遥感影像中, 不同溢油污染类型因其结构特征的差异, 对入射光的反射、吸收、透射作用亦不同, 致使其呈现的影像特征也并不相同。并且, 在不同的波段, 油膜和水的差异也有所不同。如图 2所示, 油膜和水在Sentinel-2光学遥感影像中, 随着波长的增加, 油膜与水的差异逐渐变得明显。目前使用光学遥感影像来识别溢油主要是在可见光波段到红外波段之间进行。
根据海上油膜的光谱响应差异, 可以将海洋溢油目标确定为黑色浮油、薄油膜及油水混合物等3种主要类型[12, 15], 图 3展示了这3种主要海洋溢油类型。图 3a为光学遥感影像中典型的黑色浮油, 黑色浮油在海洋动力作用下, 常常会与海水形成如图 3b所示的油水乳化物, 并乳化后形成棕色、桔黄色或黄色等不同颜色的油水乳化物, 其状态也被称为“巧克力冻”或“慕斯状”, 在光学真彩色影像上常表现为斑块状。图 3c和图 3d为光学遥感影像上的薄油膜, 海面溢油的薄油膜和烃微渗漏形成的渗漏油膜, 其目视影像特征常表现为彩虹色或银色等颜色。
2.2 SAR影像上海洋溢油特征由于成像机理的原因, SAR遥感影像进行海洋溢油监测时, 溢油常常会呈现为黑色的暗斑状, 但同时许多其他海洋目标也会表现出与海洋溢油类似的特征, 从而在SAR影像上形成溢油相似物[16-17], 这需要根据综合SAR图像上目标几何特征、灰度、纹理等信息, 并结合风场信息、其他卫星数据等多源信息做出综合分析和判断海洋溢油目标。
目标的几何特征主要包括目标的大小、形状等特征, 不同海洋现象和观测目标在SAR影像上会表现出独特的几何特征。例如内波在SAR影像上呈现为具有一定弧度的弧线, 船舶尾迹在SAR影像上则表现为一条直线, 而船舶排污产生的溢油通常表现为具有一定宽度的线形暗斑。溢油与海面低风速区都表现为块状低亮度区域, 但是低风速区经常位于岛屿的背风面, 且溢油区域的面积常常比低风速区要小得多; 生物油膜与海洋溢油污染相比呈现出更多的不规则性[18]。
目标的灰度、纹理特征主要包括边缘梯度、后向散射系数、纹理特征等, 例如海洋溢油在SAR影像上的边缘部分通常呈现出跃迁式的变化, 即目标边缘处两边的像素值具有明显的差异, 而部分疑似溢油现象(如海面低风速区)的边缘变化则一般较为缓慢。此外, 不同目标的后向散射系数值也不同, 从而导致在SAR图像上表现出不同的灰度值。纹理特征在人工解译SAR图像时也起着重要的作用, 纹理特征主要表现了目标表面的结构组织排列属性。
SAR成像时的风场信息主要为观察待识别目标所处区域的风速情况, 在SAR遥感影像中, 风速对海洋溢油的识别有很大的影响[19-20], 如表 3所示, 在不同风速情况下, SAR影像上海洋溢油的情况具有明显的差异, 海面风场状况影响着SAR海洋溢油监测的难度。
风速/(m·s–1) | 油膜在SAR影像上的情况 |
0~2 | SAR影像在平静的海面上无雷达后向散射信号, 油膜在SAR影像上不可见。 |
2~4 | 轻微粗糙的海表面使得油膜在SAR影像上能够被观测到, 但是由于风速较低, 会在SAR影像上形成疑似油膜的低风速区暗斑, 增大了SAR影像识别海面溢油的虚警率。 |
4~7 | 海面低风速区引起识别海洋溢油时的虚警率降低, 海油膜在SAR影像上能够被很好地观测到。 |
7~12 | 只有较厚的油膜才能被观测到, 由于风力的强制分散, 较薄的油膜容易被分解而无法在SAR影像上观测到。 |
> 12 | 风速过大, 即使是厚油膜在SAR图像上也难以观测, 溢油监测几乎无法实现。 |
此外, 目标附近的航道、石油平台、岛屿等信息也说明了识别目标的空间位置的特征, 如果从SAR影像上提取得到的目标至航道、石油平台等溢油风险源距离较近, 那么该目标为溢油类型的可能性较大。如果目标位于海岛背风区, 那么结合风场情况就能初步判断该目标为海面低风速区或是海洋溢油类型, 如图 4为渤海海域溢油遥感监测的疑似溢油的SAR遥感影像。
2.3 溢油信息提取方法本文溢油信息提取方法分为两种, 分别是图 5a所示的基于非负矩阵分解算法(Non-negative Matrix Factorization, NMF)和支持向量机(Support Vector Machine, SVM)的光学遥感影像溢油信息提取方法[21]以及图 5b所示的SAR遥感影像的层次凝聚聚类(Hierarchical Agglomerative Clustering, HAC)溢油信息提取方法[22]。
3 结果与分析 3.1 风险源数据分析使用卫星遥感手段对渤海海域溢油灾害进行日常监测, 对保护海洋环境、监控预警海洋灾害具有重要的意义。在进行溢油监测时, 首要任务是监测海上溢油风险源密集的区域。溢油风险源是指海洋环境中可能会发生溢油的目标, 通常包括船舶、石油平台、海底输油管道等, 其中, 最容易发生溢油事故的是船舶和石油平台这两大风险源。因此, 对这两大风险源进行提取和分析, 可以为溢油监测提供充足的数据支持, 便于针对性地进行溢油监测。
对遥感影像中的船舶目标进行检测分析, 由于船舶往往在规定的航道内行驶, 因此对同一天的卫星遥感影像中的船舶信息进行提取和分析就可以还原研究海域的整体船舶空间分布情况。对遥感影像进行相关预处理之后, 使用阈值分割算法对遥感影像进行图像分割操作, 提取出遥感影像中的船舶目标, 再通过船舶自动识别系统(Automatic Identification System, AIS)对船舶分布情况进行查询和对比分析, 进一步提取结果中的船舶目标, 剔除非船舶目标。图 6为渤海海域两类溢油风险源分布图, 其中图 6a为根据GF-1 WFV影像得到的渤海海域船舶空间分布状况图, 系统统计信息显示研究区域的船舶数量为1 478艘, 将从高分影像中提取到的船舶空间分布结果与AIS系统中船舶分布状态进行比较分析, 分析结果表明GF-1 WFV影像提取的船舶结果与AIS系统中的船舶分布情况具有较高的一致性, 提取结果具有较好的可信度。
海上石油平台绝大多数都是固定式平台, 空间位置基本不变, 因此可以基于石油平台的位置不变性来进行提取。由于是基于石油平台的位置不变性来进行提取, 因此在提取之前需要对遥感影像进行相关的预处理操作, 如几何校正、大气校正等, 否则提取的结果会有所偏差。在进行相关预处理操作之后, 对获得的GF-1 WFV遥感影像进行石油平台提取操作。最终, 渤海海域共检测到海上石油平台200余座, 其空间分布如图 6b所示, 渤海海域中红色标识为海上石油平台位置, 从图中可以看出渤海海域石油平台主要分布在辽东湾中部和北部, 渤海湾, 东营北部海域埕北油田区, 以及渤海中部海域蓬莱19-3油田区。由于未获取有效的研究区石油平台的官方数据, 为验证石油平台提取结果的可靠性, 与公开数据及已有研究结果[23]进行了对比, 结果表明提取结果与公开资料显示的油气田位置分布具有较高的一致性。
将从遥感影像中提取到的渤海海域船舶分布情况与石油平台分布情况进行叠加, 得到如图 6c所示的渤海海域溢油风险源总体分布图, 其中绿色点要素为提取的船舶目标, 红色三角形要素为提取的石油平台目标, 该图反映了2020年5月6日GF-1 WFV影像中渤海海域船舶和石油平台两类溢油风险源的总体分布情况, 为渤海海域溢油风险分区管理以及溢油风险防控提供了数据支持。
3.2 溢油风险源核密度分析统计学中的密度分析是一种用来估算有限样本概率密度函数的方法, 因此对提取到的风险源数据进行空间密度分析, 可以判断要素聚集程度在不同区域的高低状况, 能够更加直观地体现出渤海海域溢油风险源的分布情况。
作者选用核密度分析方法(Kernel density)表达渤海海域溢油风险状况程度, 核密度估计是一种用于估计概率密度函数的非参数方法, 可以用于计算船舶和海上石油平台等点要素的空间分布密度。设x1, x2, …, xn为独立分布的n个船舶或海上石油平台样本点, 假设其概率密度服从函数f, 则其核密度可用下式表示:
$ {\hat f_h}(x) = \frac{1}{n}\sum\limits_{i = 1}^n {{K_h}(x - {x_i})} , $ | (1) |
其中, h为核宽, K为核函数。
核密度分析方法选择空间中的风险源曲面某一像元的风险指数值等于搜索邻域圆形半径中该点要素所覆盖的曲面与其下方平面所围成的空间的体积, 随着与该点距离的增大, 曲面上的表面值逐渐减小, 直至距离等于搜索半径的位置处, 表面值降低为零, 表面值在相应风险源点要素所处位置上为最高。
将从遥感影像中提取到的船舶和石油平台数据作为输入, 进行核密度分析, 最终得到如图 7所示的渤海海域溢油风险图。其中, 图 7a为船舶溢油风险图, 图 7b为石油平台溢油风险图, 图 7c为考虑了船舶与石油平台两类溢油风险源的渤海海域综合溢油风险图, 根据该图发现, 航道、港口近岸海域与海上石油平台周边海域为渤海海域溢油风险源主要集中地点。其中, 风险源较强的海域主要集中在天津、唐山、黄骅和东营的石油平台、港口及近海附近, 其风险较高且相对集中, 另外秦皇岛、蓬莱-长岛等海域也为溢油高风险区。因此, 在对渤海海域进行日常溢油监测的时候, 应当首先排查以上风险较高和风险源较为集中的区域。
3.3 渤海海域溢油风险程度综合评价将研究区高分系列、环境系列及海洋系列等多源卫星影像相结合, 对研究区2015—2020年间的海洋溢油信息进行排查提取, 在研究期内共发现44处疑似溢油区域。通过将发生的疑似海洋溢油区域与渤海湾溢油风险等级图进行叠加分析得到图 8所示的2015—2020年间渤海海域溢油状况图, 其中越大的红色点要素表明该次溢油事件的溢油面积越大, 具体信息如表 4所示。据该图发现研究区海上溢油的发生研究区海上溢油的发生区多集中于溢油的高风险地区, 即集中在石油平台、港口及其近海附近, 其中天津、唐山、黄骅和东营风险较高且相对集中, 此外辽东湾、蓬莱-长岛等海域也是溢油发生较为集中的区域, 主要原因为渤海海域船舶流量大, 且渤海海域海上石油平台多。与已有研究成果比较分析[24], 结果的一致性较高, 覆盖范围更加全面, 溢油高风险区域位置信息更加详细。溢油的分布状况与溢油风险等级具有高度的一致性。结果表明研究区海上溢油事件多发生于溢油风险源高密度区域, 可以为渤海海域溢油监测和管理提供一定的理论依据。
以2020年5月5日在大连市近岸海域发现的一处疑似溢油为例, 具体坐标为120°52′50.3″E、38°42′19.94″N, 对获取的光学遥感影像中的油膜光谱特征进行分析, 分析结果表明是与光学遥感影像中薄油膜光谱特征类似的疑似溢油条带, 因此判定为疑似溢油区域。启动溢油应急监测模式, 对该区域5月5日当天的可见光和SAR卫星遥感数据进行筛查, 最终获得事发海域2景光学遥感影像, 分别为图 9a所示的成像时间为10时44分41秒的1景GF-1 WFV遥感影像和图 9b所示的11时03分02秒的1景GF-1B PMS遥感影像, 两景遥感影像成像时间仅相差19 min, 并且两景遥感影像云量较少, 成像效果较好, 能够有效应用于溢油的监测与识别。
对5月5日获取的2景遥感影像进行分析, 从遥感影像中可以发现: 在5月5日10时44分41秒的 GF-1 WFV遥感影像中并未发现异常水体, 而在成像时间稍晚的GF-1B PMS遥感影像中则探测到异常水体的存在, 因此可以初步判定溢油产生时间为5月5日10时44分41秒~5月5日11时03分02秒之间, 在该时间段内可能存在船舶违规排放、石油平台泄露或生物油膜的情况。根据渤海湾石油平台分布图及渤海湾船舶分布图可知, 疑似溢油条带海域附近无石油平台存在, 但事发海域位于航道附近, 且两景影像中均存在正在行驶的船舶, 因此该异常条带初步判定为船舶违规排放油污或者生物油膜。AIS可以获得船舶航迹信息, 通过船讯网(http://www.shipxy.com/)对事故海域AIS船舶航迹信息查询, 对查询结果分析可知, 研究区海域10点44分41秒~11点03分43秒, 该海域内共有6艘船舶航行, 其具体信息如表 5所示。
船名 | 驶入时间 | 离开时间 |
YUAN DA 16 | 2020-05-05 11: 02 | 未离开 |
BO HAI FEI ZHU | 2020-05-05 10: 44 | 2020-05-05 10: 52 |
SHUN TAI | 2020-05-05 10: 44 | 2020-05-05 11: 03 |
DONG FANG 08 | 2020-05-05 10: 44 | 2020-05-05 10: 50 |
DONG CHENG YOU 16 | 2020-05-05 10: 45 | 未离开 |
HUA RONG 26 | 2020-05-05 11: 03 | 未离开 |
根据事故海域AIS信息, 绘制得到事发时间段内6艘船只的行驶轨迹图, 如图 10所示。由于疑似溢油条带的位置与船舶轨迹并无重叠, 因此该条带可能为生物油膜或其他异常水体。
后续继续通过卫星遥感跟踪监测该海域, 对该海域进行长序监测。5月6日在该海域获取1景GF-1 WFV影像与1景Sentinel-2A影像, 如图 11所示, 在影像中同样发现异常水体, 进一步佐证5月5日的判断结果。5月7日-5月11日, 该海域无影像覆盖, 5月12日, 事发海域被3景GF-2 PMS影像所覆盖, 通过影像排查, 该海域已无异常水体。通过将溢油风险源与多源卫星遥感监测相结合, 并对目标海域进行长序监测, 可以进行海洋溢油来源及类型的准确判断和分析, 为渤海海域溢油风险管理和防控提供了理论依据和数据支持。
4 结论以船舶和石油平台的溢油风险源分布情况为基础, 结合渤海湾2015—2020年间的溢油污染分布状况, 构建了2015—2020年间渤海海域溢油发生时空分布, 发现渤海海域溢油发生区多集中于天津、唐山、黄骅和东营的石油平台、港口及近海海域, 另外辽东湾、蓬莱-长岛等海域也是溢油发生较为集中的区域, 溢油事件的分布状况与溢油风险源时空分布图具有高度的一致性, 所以获取溢油风险源可为渤海海域溢油风险分区管理及溢油风险防控提供理论依据, 对遥感溢油长序列监测回溯具有重要意义。未来会继续对渤海海域进行卫星遥感监测, 提取遥感影像溢油信息, 提高溢油风险源分析结果的准确性。
[1] |
邹亚荣, 邹斌, 梁超. 应用极化合成孔径雷达检测海上溢油研究进展[J]. 海洋学报(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. DOI:10.3969/j.issn.0253-4193.2014.09.001 |
[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. DOI:10.1016/j.aqpro.2015.02.236 |
[3] |
任广波, 过杰, 马毅, 等. 海面溢油无人机高光谱遥感检测与厚度估算方法[J]. 海洋学报, 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. DOI:10.1016/j.rse.2018.02.003 |
[5] |
兰冬东, 鲍晨光, 马明辉, 等. 海洋溢油风险分区方法及其应用[J]. 海洋环境科学, 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. DOI:10.1016/j.ssci.2015.02.009 |
[7] |
肖景坤. 船舶溢油风险评价模式与应用研究[D]. 大连: 大连海事大学, 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] |
刘保占, 魏文普, 段梦兰, 等. 渤海海上石油平台的溢油风险概率评估[J]. 海洋环境科学, 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. DOI:10.1109/JPROC.2012.2196250 |
[11] |
杨红, 杭君. 基于MODIS与HJ-1多源卫星的上海海域溢油事故诊断[J]. 海洋科学, 2014, 38(10): 90-97. YANG Hong, HANG Jun. Diagnosis of oil spills in Shanghai coastal area based on multi-source satellite MODIS and HJ-1[J]. Marine Sciences, 2014, 38(10): 90-97. DOI:10.11759/hykx20131104002 |
[12] |
陆应诚, 刘建强, 丁静, 等. 中国东海"桑吉"轮溢油污染类型的光学遥感识别[J]. 科学通报, 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. 基于星载SAR的海上主要溢油风险源遥感识别方法[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. DOI:10.3963/j.issn.1671-7953.2018.02.016 |
[14] |
邓睿哲, 陈启浩, 陈奇, 等. 遥感影像船舶检测的特征金字塔网络建模方法[J]. 测绘学报, 2020, 49(6): 787-797. DENG Ruizhe, CHEN Qihao, CHEN Qi, et al. A deformable feature pyramid network for ship detection from remote sensing images[J]. Acta Geodaetica et Cartographica Sinica, 2020, 49(6): 787-797. |
[15] |
陆应诚, 陈君颖, 包颖, 等. 基于HJ-1星CCD数据的溢油遥感特性分析与信息提取[J]. 中国科学: 信息科学, 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, 陈澎. 利用曲波变换和局部线性嵌入算法的SAR图像海面油膜特征提取[J]. 电讯技术, 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] |
范剑超, 王涛. 基于非负矩阵分解和支持向量机的墨西哥湾溢油HJ-1星遥感图像分类[J]. 海洋环境科学, 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] |
苏腾飞, 孟俊敏, 张晰. 基于HAC的溢油SAR图像分割算法[J]. 海洋科学进展, 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] |
陆应诚, 胡传民, 孙绍杰, 等. 海洋溢油与烃渗漏的光学遥感研究进展[J]. 遥感学报, 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. |