应用GF-3卫星探测海上溢油实验研究

鲁云飞，路晓庆*，邹亚荣

（1.国家卫星海洋应用中心，北京 100081；2.自然资源部空间海洋遥感与应用重点实验室，北京 100081）

随着海上经济活动的日益频繁，海上溢油时有发生，2018年“桑吉”轮事件、2021年黄海油轮事故等造成溢油，对海洋生态环境影响巨大，及早发现溢油的位置和影响区域面积，对于溢油事件的处置具有重要的意义。卫星遥感具有监测范围广、受天气影响小等特点，应用遥感开展溢油监测是主要技术手段，又由于微波遥感具有穿云透雾的能力，以及溢油对海洋的阻尼作用，在合成孔径雷达（Synthetic Aperture Radar，SAR）图像上表现出“黑斑”特征，因而SAR卫星数据在溢油监测中应用更为广泛[1]。

国内外学者应用SAR卫星数据开展了大量的溢油信息提取研究，运用多种图像处理方法对SAR图像进行处理，提取溢油信息，例如ZHANG Y Z等[2]采用支持向量机方法，对生物膜与矿物质油膜进行区分；MERA D等[3]选取溢油几何、散射等特征，采用机器学习等算法提取溢油信息；NUNZIATA F等[4]应用全极化的数据开展溢油信息提取，建立极化模型来监测溢油信息，区分了某些类溢油与溢油；ZOU Y R等[5]对溢油的极化特征进行分析，建立了溢油极化特征谱，从散射机理上对溢油探测进行了研究；也有学者通过实验方法，对不同极化、不同角度探测溢油开展了研究[6-8]。这些研究基于国外SAR卫星进行，目前常用于溢油监测的SAR卫星主要为加拿大Radarsat-2、意大利Cosms-SkyMed、德国TerrSAR等，这些卫星具有多极化、不同分辨率的特点，但由于为国外运营，在数据保障性方面，尤其是满足应急需要时，存在一定的困难，对溢油遥感监测影响较大。我国自主的高分三号卫星（GF-3）具有12个探测模式，可获取全极化数据，最高分辨率为1 m，能满足我国不同行业的业务需求。本文就GF-3卫星在海上溢油方面探测进行研究。

1 采用数据

采用2016年12月30日的L1A级GF-3全极化条带模式1，分辨率为8 m，入射角46.94°～47.97°，幅宽为20～35 km，范围为东经122.72°—122.98°，北纬36.87°—37.17°，覆盖山东半岛东侧面积约300 km2海域。

2 溢油探测能力分析

不同的溢油种类在海水中的存在方式不同，油在海水中受到多种力的综合作用，在溢油的不同阶段表现不同，原油重油难以与海水溶解，燃料油与海水可发生反应，随时间变化，会产生乳化效应与蒸发。一般情况，燃料油与海水进行融合，形成油在水中，或水在油中，本文针对的是燃料油与海水混合的油水混合物。

基于海上溢油对海水的阻尼作用，多位学者运用SAR数据，采用图像处理、极化分解等方法开展了溢油信息的提取，对多起溢油事故进行了分析，但他们都是利用国外的SAR数据，在模式与分辨率，以及数据获取等方面对溢油遥感监测业务有一定的限制，GF-3卫星具有多模式、全极化、多分辨率等特点，能够满足业务监测需要。

2.1 GF-3卫星数据噪声分析

在图像中，选取海水作为样本进行分析，直方图计算量小，可分析像元亮度值（DN值）的分布统计，因而采用图像的直方图计算，如图1和表1所示，4个极化图像均存在空值，以交叉极化图像中为多，其中HV极化图像DN值变化较大，均值达到96.96，标准差达到43.47，表明分布不均匀，为4个极化中最大。各极化的直方图曲线波动都较大，尤其在曲线的顶端变化处，且曲线不呈高斯分布，说明噪声呈现出不均匀分布，最大的频度差别一般在100以内（图1）。

图1 海水样本直方图

表1 海水样本直方图计算结果

由于溢油对海洋毛细波的压制，在图像上呈现出黑斑特征，理论上溢油的值均一，从VV极化图上溢油样本值看，90%的值小于45，但直方图上溢油曲线变化剧烈，在DN值20～40之间振幅达150（图2），表明溢油区内数据起伏大，受噪声影响较大。

图2 溢油样本直方图

2.2 纹理分析

通过对图像处理提取出纹理特征参数，从而揭示目标的纹理特性。

设定图像为M×N大小，设图像上灰度级分别为i、j，（k，l）与（m，n）表示图像空间上的一个点对。

取像元对间距为d，两像元连线的方向为θ。取不同间距d，不同方向θ的灰度共生矩阵为P（i，j，d，θ）。Pij为两个相邻像元在距离d和角度θ的概率。

基于不同θ，0°与180°的表达为：

其中变化参数计算公式如下。

其中：

图3中，4个极化方式图像的平均、方差、对比、分散四个纹理参数对溢油有表现，其中以方差、对比这两个纹理参数对溢油的表现最为明显，而一致、熵、二分量、相关4个纹理参数对溢油的表现不明显，相关纹理参数则对溢油完全没有表现。与VV、HH极化方式对溢油的表现相比，VH、HV极化对溢油的表现要弱。

图3 纹理特征值

2.3 后向散射计算分析

根据GF-3卫星用户手册[9]，GF-3的后向散射系数可根据式（4）求出。

在L1A图像中，PI=I2+Q2，I为1A级产品实部；Q为1A级产品虚部；QualifyValue为该景图像量化前的最大值，可通过元数据文件QualifyValue字段获取。

在GF-3影像中选取溢油与海水样本，对样本进行4个极化方式计算，结果如图4和图5所示。溢油与海水直方图曲线均不平滑，有不同的起伏，表明GF-3图像的噪声较大，对溢油信息提取具有一定的影响。相对于溢油直方图，海水直方图曲线要平滑，这表明海水后向散射值相对均一，4个极化的溢油与海水直方图曲线均未表现出正态分布，峰值向右偏移。溢油在VH、HV极化上差别不明显，在VV极化图像上，小于0的占27.88%，说明溢油与海水交融，而在海水的样本直方图上，小于0的占5.59%，从而在海水中能提取出油水混合信息。

从溢油样本分析，4个极化中，VV极化的峰值在4左右，小于4的值占90%，而海水的峰值在12左右，小于峰值的值占90%，溢油与海水有较为明显的差别，如图4和图5所示。溢油在HH极化的峰值在8左右，海水在HH极化的峰值在2左右，且溢油与海水的直方图存在一定的重叠，这样对溢油信息提取有一定的困难。4个极化方式，从溢油的后向散射分析，交叉极化VH、HV的后向散射系数比垂直VV、水平极化HH的后向散射小，难以从海水中提取出溢油信息。

图4 不同极化方式的后向散射系数统计计算（溢油样本）

图5 不同极化方式的后向散射系数统计计算（海水样本）

2.4 极化分解

目标的极化分解可反应目标的粗糙度等特性[10]。本文以极化分解为基础，开发一套自主知识产权的溢油极化SAR处理系统，溢油极化SAR处理系统开发工作以SAR数据为数据源，在溢油极化SAR特征谱构建及精细提取研究的基础上，基于极化分解，计算了熵、反射角等值。

式中，λ1、λ2、λ3为相干矩阵的特征向量，散射熵H表示为随机散射的随机性。

式中，反熵A表示除主要散射以外的两个相对较弱散射之间的关系，仅H＞0.7时，为进一步识别来源，否则A包含过高的随机噪声。H值变大，则极化可分类别数下降。H值增大时，A作为散射分类意义明显[10]。从熵计算结果，溢油信息在熵表现明显，可以从海水提取。任意从溢油向海水做一直线，计算熵值的变化，计算结果如图6所示。从溢油向海水过渡，DN值从高往低过渡，在10至35区间，DN值的变化从250降至50，表明溢油与海水有明显的区分，熵是区分溢油与海水的有效参数。图6中曲线波动显著，说明噪声的影响较大。从反熵A计算值看，在10至35区间，A值的变化从50左右升至250，曲线存在起伏，同样表明噪声较大。溢油与海水在熵与反熵的差别明显，因而能够从海水中提取溢油信息。在熵、反熵、角（HAAlpha）图像中，溢油信息有明显的表现，从剖面计算看，溢油在HAAlpha图像中DN值为0，没有波动，噪声较小，在0至50的区间，DN值从10陡然升高到150左右，表明溢油与海水存在明显的界限。海水在HAAlpha图像中曲线有些波动，有噪声的存在。

图6 极化分解参数

3 基于极化分解的溢油信息提取

Freeman分解通常要求散射模型的总功率为1，将Freeman分解使用的面散射模型表示如下。

式中，β为复数，|β|≤1是为了保证模型的球面散射功率不会弱于二面角散射功率，对于普通雷达观测地面来说，通常可以假定|β|≤0.5。

以面散射为主的一种最主要的地物类型就是海面。在SAR观测的入射角范围内（18°至50°），在不考虑其他长波情况下，海面的后向散射主要为布拉格（Bragg）散射。

该分解方法先对极化相干矩阵进行去定向操作，再进行Freeman三成分分解，且为了消除分解结果中负功率散射成分，使用了与“去定向三成分分解”中相同的“非负功率限制”处理。应用此方法开展溢油信息提取，结果见图7（图中黑色条带部分），由于溢油对海面毛细波的压制，导致回波信号弱，因而在图像上呈现出黑斑，Ps为面散射，在修正Freeman分解的Ps图像中，溢油与海水信息得到表示，溢油均值小于海水，溢油表现为黑色，与海水有较为明显的区别，溢油信息能够有效地从海水背景中提取。

图7 基于Freeman极化的溢油信息提取

4 结 论

应用SAR数据开展海上溢油遥感监测是目前常用方法之一，GF-3卫星的发射为溢油遥感监测带来巨大机遇。GF-3具有多模式、高分辨等特点，本文从溢油的噪声、极化分解、极化分类等方面对GF-3卫星数据的溢油遥感探测能力进行分析。针对GF-3卫星具有多模式多分辨率的特点，开展了GF-3卫星数据的溢油遥感监测分析，溢油与海水的散射系数有较为明显的差异，基于此建立的极化参数等模型能够有效地从海水背景中提取出溢油信息，应用溢油的极化信息可有效地区分海水与溢油信息。

GF-3卫星图像噪声以交叉极化图像中为多，其中HV图像DN值变化大，均值达到27 716.94，为4个极化中最大，各极化的直方图曲线波动较大，尤其在曲线的顶端变化处，且曲线不呈高斯分布；4个极化中，VV极化的峰值在4左右，小于4的值占90%，而海水的峰值在12左右，小于峰值的值占90%，溢油与海水有较为明显的差别。溢油在HH极化的峰值在8左右，海水在HH极化的峰值在2左右，且溢油与海水的直方图存在一定的重叠，对于溢油信息提取具有一定的干扰，从而影响溢油信息提取的精度。如何减少GF-3的噪声，进而提高溢油的提取精度是下一步需要研究的方向。

从熵计算结果分析，随着溢油向海水过渡，熵值从高往低过渡，在10至35区间，DN值的变化从250降至50，表明溢油与海水有明显的区分，熵是区分溢油与海水的有效参数。从反熵A计算值看，在10至35区间，DN值的变化从50左右升至250，曲线存在起伏，同样表明噪声较大。溢油与海水在熵与反熵的差别明显，因而能够从海水中提取溢油信息。在极化分解方面，获得的熵、反射角等参数能够表现出溢油的散射特性；基于极化分解参数，能够通过常用分类方法进行溢油信息提取。