基于耀光反射差异的海面溢油遥感识别提取

朱小波，沈亚峰，刘建强，丁静，焦俊男，居为民，陆应诚

1.南京大学 国际地球系统科学研究所, 南京 210046;

2.国家卫星海洋应用中心, 北京 100081;

3.自然资源部空间海洋遥感与应用重点实验室, 北京 100081

1 引 言

溢油是海洋环境监测的重要对象（Kvenvolden和Cooper，2003；Kessler 等，2011；Leifer 等，2012；Hu 等，2018），溢油污染会对海洋生物、海洋环境等造成长期的负面影响（Kessler 等，2011；Mariano 等，2011）。在溢油事故发生后，快速探测到溢油位置、范围、面积、溢油污染类型和溢油量，从而制定不同的应急处理与管理方法，具有重要的研究意义与实用价值（牟林 等，2011；Zhong 和You，2011；沈亚峰 等，2020）。遥感技术因其大范围同步观测、时效性、数据具有综合性和可比性等优势，是海洋环境监测的重要手段（陆应诚 等，2016；Hu 等，2021）。不同的遥感技术具有各异的响应原理与特性，在海洋溢油遥感监测应用中效能不尽相同（陆应诚 等，2016）。微波雷达与光学遥感是海洋溢油监测的两类主要技术，微波雷达具有穿云透雾的特性，使其在海洋溢油监测方面具备特定优势；但目前也存在一些不足，如数据量少、监测成本高昂、数据覆盖范围有限、误判信息难以区分、难以精细识别不同溢油污染类型等（沈亚峰 等，2020；Brekke 和Solberg，2005；Hu 等，2021）。光学遥感具有数据源丰富、幅宽大、获取成本低等优势，在海洋溢油监测应用中，虽然会受制于云雾等天气制约，但可通过高频次观测来弥补监测应用的不足（Hu 等，2009；Kolokoussis 和Karathanassi，2018；沈亚峰 等，2020；Lu 等，2020）；更重要的是光学遥感能实现海洋溢油污染不同类型的识别分类与定量估算，是海洋溢油精细化定量监测的有效技术支撑（Clark 等，2010；Leifer 等，2012；Hu 等，2018；Shi 等，2018；Lu 等，2013；陆应诚 等，2016和2019）。

随着中国海洋水色业务卫星HY-1C/D 卫星的发射，其搭载有相同的5 个载荷，分别为海洋水色水温扫描仪COCTS（China Ocean Color &Temperature Scanner）、海岸带成像仪CZI（Coastal Zone Imager）、紫外成像仪UVI（Ultraviolet Imager）、星上定标光谱仪和船舶识别系统AIS（Automatic Identification System）；通过双星组网观测，能为中国近海环境监测提供丰富的数据支撑（沈亚峰 等，2020）。HY-1C/D 卫星的COCTS、CZI、UVI 载荷均具有海洋溢油监测的能力（沈亚峰 等，2020；Suo 等，2021），特别是CZI 载荷具有较高的空间分辨率、较大的成像幅宽、优异的信噪比和辐射分辨率，双星组网能提供3 天2 次的中国近海观测数据，为开展海洋溢油光学遥感业务化应用提供了较好的数据支撑（沈亚峰 等，2020）。

近年来，海洋溢油光学遥感原理取得了较大的进展和突破，海洋溢油不同污染类型（如不同厚度油膜、不同类型与浓度的乳化油）的光谱响应特征与响应机理得到阐明（Wettle 等，2009；Clark 等，2010；Leifer 等，2012；Shi 等，2018；Lu 等，2008，2011，2012，2019，2020；陆应诚等，2009）；溢油海面耀光反射差异成因得以厘清，其计算模型与方法得到发展，溢油海面光学辐射传输过程清晰（Hu 等，2009；Jackson 和Alpers，2010；Sun 等，2015、2016 和2018b；Sun和Hu，2016；Lu 等，2016a）；海洋溢油定量估算模型方法不断深入，海面溢油量估算确实可行（Clark 等，2010；Leifer 等，2012；Hu 等，2018；Shi 等，2018；Lu 等，2013，2016b，2019，2020；Sun 等，2018a；Sun 和Hu，2019）。开展国产自主卫星的溢油监测业务化应用中，还存在一个亟待加强的技术环节，即海面溢油自动检测算法较为缺乏（Zhu 等，2022；Hu 等，2021）。发展国产海洋光学卫星数据处理算法，开展溢油遥感应用，从海量数据中高效的识别并检测出海面溢油，是国产海洋水色卫星业务化应用的迫切需求。

本研究以HY-1C/D 卫星的CZI 载荷为主要数据源，立足海洋溢油光学遥感的最新理论研究进展，分析国产自主海洋水色卫星CZI载荷中不同溢油的遥感响应特征，基于不同海洋溢油污染类型的CZI波段响应特征与耀光反射差异，设计人机交互式溢油提取方法，探索图像耀光反射信息的空间分异规律，实现CZI图像上溢油的准确识别与提取。研究表明基于耀光反射差异的海面溢油光学遥感提取方法，能有效地识别提取海面溢油，并有较好的抗干扰能力，较好地剔除异常粗糙度水体、轮船尾迹等多种因素导致的干扰；还能进一步区分弱耀光反射条件下的油膜和乳化油，具备识别不同溢油污染类型的能力，为国产海洋光学卫星数据开展溢油监测业务化应用提供参考。

2 数据与方法

2.1 CZI数据及预处理

HY-1C 卫星是海洋一号系列的第三颗卫星，也是中国首颗海洋水色业务卫星，于2019年6月投入业务化应用，搭载有相同载荷的HY-1D 星于2020年6月发射。HY-1C/D 星为太阳同步轨道，轨道高度782 km，其中海岸带成像仪CZI 幅宽≥950 km，星下点地面分辨率优于50 m，有4 个光学波段，重访周期为3 d，双星组网能提供3 天2 次的中国近海上下午观测能力。本文所用的CZI数据均为L2A 级的瑞利校正反射率产品（Rrc），选用CZI 近红外波段（0.76—0.89 μm）作为溢油检测特征波段，Rrc数据产品是国家卫星海洋应用中心为满足海洋资源与环境遥感监测需求所生产（沈亚峰 等，2020）。耀光反射差异是改变溢油与背景水体亮度对比的重要因素，需要首先对耀光反射强度进行分析，因此所有数据都需要提供详细的太阳天顶角、太阳方位角、卫星天顶角与卫星方位角等信息，用于评估耀光反射强度的影响（Hu 等，2009；Lu 等，2016a；Wen 等，2018）。此外，本文使用GDAL图像处理库，通过地理位置查找表的方法对光学数据进行几何校正，几何校正精度满足研究要求。收集了多景CZI 溢油图像（如图1所示），覆盖中国近海溢油易发区域，船航迹线、云、不同粗糙度海面、海洋波浪、耀光反射等多种影响因素共存，对部分影响因素（如云和云阴影）进行了预处理剔除。对图1中包含乳化油的6景影像进行标注，以便与后续溢油识别提取结果进行对比分析与验证，进而评估算法对不同溢油污染类型、面积识别的精度。需要特别说明的是，由于海洋水色业务星在成像过程中的避耀光设计，图1中的溢油都呈弱耀光反射下的暗对比特征，为展示算法对强耀光反射下溢油亮对比特征的检测能力，本研究还使用了美国墨西哥湾典型溢油的强耀光图像开展分析讨论（见4.3节）。

图1 HY-1C星CZI载荷的海洋不同溢油的真彩色合成图像（R：650 nm，G：560 nm，B：460 nm，图像经过拉伸处理）Fig.1 True color composite images covering various oil spills of HY-1C CZI RGB images（R： 650 nm，G： 560 nm，B： 460 nm，please note that the images have been stretched to show different spilled oils）

2.2 海面溢油检测提取

不同类型海洋溢油污染虽然具有各异的高光谱响应特征，但因CZI数据有限的波段数量，加上水体背景差异等多种干扰，CZI仅能识别非乳化油膜和乳化油，而无法区分不同类型的乳化油（缺乏短波红外数据）；此外，基于光谱特征的谱间关系法应用效能是有限的，且大多干扰信息难以仅依靠有限的CZI 光谱特征进行有效去除；与此同时，溢油海面的耀光反射差异虽有助于溢油的监测，但海洋高空间分辨率光学数据中的耀光变化过大，也给其利用带来挑战。本研究基于溢油海面与清洁海面太阳耀光反射差异的空间分布，发展了一种人机交互式的海面溢油提取方法，具体思路如图2所示。

图2 溢油提取总流程图Fig.2 General flow chart of oil spills extraction

算法思路主要体现为如下几个方面：（1）需要对溢油污染易发海域先进行选择，这些区域包括港口码头、主要航运通道、海上石油平台区域等，同时开展水陆分离和云检测，降低前期处理的数据量，提高后续算法效率。（2）评估海面耀光反射的空间分异，利用CZI 数据中的角度数据（太阳天顶角、卫星天顶角、相对方位角），根据Cox-Munk 模型计算耀光反射率。特别需要指出的是，因为遥感的尺度效应，Cox-Munk 模型计算的耀光反射率在空间细节上难以与CZI数据吻合，但是可以用于评估理想海面耀光强度的空间分布趋势（Zhu 等，2022；Lu 等，2016a；Wen 等，2018）。在后续处理上，通过计算图像的归一化耀光反射强度来评估其空间分异性。（3）设置L×L大小的矩形窗口，并以此窗口为扫描尺度遍历整景影像，边界处不足窗口大小的区域则缩减窗口面积，并根据每个像素对应的θm值大小做不同的处理；θm为传感器探测方向与目标物对太阳光的镜面反射方向的夹角，是溢油海面与清洁海面耀光反射对比现象的有效指针（Hu 等，2009；Lu 等，2016a；Wen 等，2018）。在此基础上，评估溢油在各个窗口中的面积占比，给出适当的溢油占比值P（百分比，全部窗口统一上限截断阈值），目的是最大程度降低复杂背景的干扰，从而优化后续分割效果。接着，通过最大类间方差法（OTSU算法）与P值结合实现自适应阈值分割，提取的耀光反射亮暗特征包含了正判和误判两部分。（4）实现溢油和其他近似信息的检测后，对近似的干扰信息进行分析，利用其耀光反射的空间分异特征，优化相关干扰信息的剔除策略，通过后续的误判去除方案进一步处理，剔除这些干扰因素。

3 主要干扰因素分析

3.1 耀光反射的空间分布差异

以2019年4月12日HY-1C 星CZI 数据为例（图3），该图像不仅有溢油信息，还有多种干扰因素的存在，既有全局影像中耀光反射的空间分布差异，还有低粗糙度水面、船舶航迹线等影响（图3（a）），均会对溢油信息识别提取产生干扰。需要特别说明的是，海面耀光反射的空间分布差异所产生的干扰，常常属于非实体要素误判；由此（航迹线、漂浮藻类等）所产生的干扰，会导致对实体要素的误判。选择CZI 数据825 nm 近红外波段，可以忽略背景水色差异所带来的影响，对其进行区域分割并遍历提取图像的亮/暗对比特征。如果某个矩形窗口内存在溢油，因耀光反射差异和溢油自身的光学特征等共同影响，溢油与背景水体呈现亮暗对比特征，因而能被本算法正确检测并提取。识别结果也会因为算法参数设置的不同，而略有差异（图3（b）—3（d））。P值的作用是最大程度地降低复杂背景干扰，提高分割算法的效果，过高或过低的P值会带来高估或低估。当P取30 以下时，会导致提取的溢油暗对比特征不够完整（图3（b）），当P取值低于局部窗口的溢油占比时，会导致部分溢油信息被当作背景，从而造成溢油面积的低估；当P取50以上时，结果中增加了许多误判信息（图3（c））。此外，代表扫描窗口大小的参数L设置，需要顾及溢油在整幅影像中的面积占比、空间分布与形态分异，确保遍历窗口处于适中的油-水面积占比。相比之下，耀光反射空间分布差异导致的误判图斑，与参数L和P的设置具有密切关系。换句话说，溢油等对算法参数的变化不敏感，但该参数变化对耀光空间分布差异所产生的干扰较为敏感。

耀光反射空间分布差异所产生的干扰，具有一定的分布特征，如相邻分割窗口内的耀光强度的变化方向相近，且变化趋势单调一致（如图3所示）。若将影像分割为多个较小的子区域（图3（b）—3（d）），在某一个子区域内，耀光反射的空间变化规律通常表现为沿某个主要方向渐变，较弱或较强的耀光往往都分布在扫描窗口边界。耀光反射空间分布差异产生的干扰在于：（1）误判信息大多在矩形扫描窗口边界处，且与邻近窗口存在无连接边界像元；（2）窗口边界聚集的误判信息往往包含一条规整的直线边缘；（3）相邻窗口的误判信息分布总体一致；（4）不同分割尺度（L）下，误判信息的聚集位置会发生相应的变化。对于溢油，因为含油窗口内的溢油目标都被准确地提取，且对参数不敏感（具有一定的抗干扰能力），位于两个相邻窗口的溢油会在边界处有较好地衔接。

图3 CZI 825 nm图像中溢油区域的自适应阈值分割结果Fig.3 Adaptive threshold segmentation of oil spills in CZI 825 nm image

厘清上述误判与溢油之间的空间分布差异与规律，是算法精度提高的关键。图4中红色窗口代表扫描窗口边界，每个小方块表示一个像元，白色方块是被判为水体的像元，黑色与青色方块都为阈值分割后得到的暗特征，紫色方块是溢油在矩形窗口边界处的像元。溢油可以被正确地提取到，因而在矩形窗口边界处可以正常联通，青色方块虽然也处于边界，但其与邻近窗口的暗特征像元几乎没有连接。图4中紫色方块的类别为“与邻近窗口有连接的边界像元”，青色方块为“与邻近窗口无连接的边界像元”，进而基于图斑空间密度，对上述目标进行灵活聚类。采用DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类算法（Ester 等，1996），利用上述现象的归纳分析，准确消除由耀光反射空间分布差异导致的系统性干扰误判。

图4 耀光空间分布差异影响下的溢油正判、误判信息边界差异（紫色方块为与邻近窗口有连接的边界像元，如溢油在矩形窗口边界处的像元；青色方块为与邻近窗口无连接的边界像元，如耀光影响的误判信息在边界处的像元）Fig.4 Boundary difference of correct or misjudgment pixels caused by oil spill and sunglint.The purple squares are boundary pixels that are connected to the adjacent window（pixels of oil spills at the boundary），and the blue squares are boundary pixels that are disconnected to the adjacent window（misjudgment pixels at the boundary caused by sunglint）

3.2 海面其他要素的干扰

其他海面要素的干扰也会导致误判，如低粗糙度水面、船尾迹线、漂浮藻类等，图5展示了溢油与这些干扰因素的图像与光谱特征。在CZI载荷图像上，这些不同目标的光谱特征即使有差异，但这种差异难以独自支持溢油的判别区分。相比其他干扰因素，溢油与周围水体具有更清晰的对比和边界（图5（a）），因此可以利用这种目标边界像元的差异性，进一步区分溢油与误判信息；如图5（b）的低粗糙度水面，虽然也会表现为亮暗对比特征，但是与溢油海面（图5（a））的差异在于：图5（b）中表面粗糙度不同的水体，在图像中难以观察到清晰的边界，这表明CZI耀光图像中，水体表面粗糙度的变化是一个渐变过程；此外，对于船尾迹线而言（图5（c）），耀光反射对比的明暗特征共同存在，在其相接处的边界像元亮度差异，往往明显大于其余干扰因素的边界像元与周围水体间差异。因此，可以计算相邻目标间边界像元的“近邻差”，通过评估相邻目标间的边界差异度，剔除实体目标造成的误判，从而提高溢油的检测精度。

图5 CZI 825 nm图像上不同海面目标的目视特征、边界差异与Rrc光谱Fig.5 Visual characteristics，boundary differences and Rrc spectra of different sea surface targets

4 海面溢油的遥感识别提取与评价

4.1 基于耀光反射差异的溢油识别提取

基于耀光反射差异的计算，通过图像分割算法，有效检测出溢油信息和干扰因素；基于空间分析剔除耀光空间分布差异所带来的干扰，也剔除了不同粗糙度水体、船尾迹线、漂浮藻类等带来的误判影响。其中，最为关键的过程在于：基于耀光反射的空间分布规律与形态特征，剔除耀光反射空间差异所带来的误判影响；基于图像形态学特征与邻近像元关系，通过聚类处理，有效消除低粗糙度水体、船尾迹线、漂浮藻类等的影响，分步骤去除误判结果如图6所示。需要指出的是，像元的邻近差可以在一定程度上消除耀光分布差异所引入的不确定性，因此该统计特征可以应用于不同溢油区域，具有一定普适性，从而优化了溢油误判信息的消除策略。

图6 基于CZI 825 nm图像的溢油识别提取与误判剔除Fig.6 Optical identification and extraction of oil spills and elimination of misjudgment in CZI 825 nm image

所有HY-1C 星CZI溢油图像（图1）使用上述溢油提取方法统一进行测试，最终识别结果如图7所示，其中黑色是油膜，黄色是反射率较高的乳化油。需要注意的是，不同溢油区域溢油形态特征、水体状况等存在差异，溢油识别算法对应参数配置也不尽相同。通过对比图1 与图7 可以发现，最终提取结果目视匹配度较高，各个溢油事件的主体部分均实现了较好的识别提取。图1 中有6 景图像中包含乳化油，其中溢油面积较大的4景图像中，乳化油也实现了令人满意的提取（如图7Ⅳ、Ⅶ、Ⅷ和Ⅸ）；面积较小的2 景乳化油图像则未能实现识别提取（图7Ⅰ和7Ⅲ）。非乳化油膜的提取效果优于乳化油，主要原因在于大部分影像中乳化油面积较小，且与背景差异不显著，虽然能为目视识别所判定，但在分步骤剔除时易被误判为细碎的背景水体图斑。

4.2 精度评价

对所有CZI影像中的溢油进行目视解译，对其进行数字化处理后作为验证数据，评估本研究算法的识别提取精度，从而评价溢油提取质量的好坏。此处提取精度定义为从真实类别中任意选择一个随机样本，并与溢油提取结果类别相符的条件概率，本文整理了CZI数据溢油感兴趣区提取结果对应的混淆矩阵，并进一步计算得到溢油提取精度（表1）。表1 直观定量地反映提取精度，其中油膜提取的平均精度为90.24%、乳化油的平均精度为80.55%。乳化油比非乳化油膜的识别提取精度低的主要原因在于，部分影像中溢油乳化物面积过小，难以被成功提取，因此会对精度造成较大的影响，溢油提取总体精度较好。

表1 CZI载荷数据中不同溢油污染类型的识别提取精度Table 1 Identification and extraction accuracy of oil spills

此外，油膜识别精度最高图像中（图7Ⅶ），溢油图斑的形态特征规整，与周围背景水体的辐射差异显著；而油膜识别精度最低图像中（图7Ⅰ），溢油图斑分布细碎，且与周围大片粗糙度异常水体的辐亮度值接近，导致单波段影像上难以区分。乳化油识别精度最高的图像（图7Ⅶ和7Ⅷ），乳化油面积较大，与非乳化油膜同步出现，对比显著。乳化油识别精度较低的图像（图7Ⅰ），也是油膜识别精度最低的。这说明，本研究方法对溢油处于不同风化过程时的探测效能具有差异，当溢油风化过程中达到扩散面积最大（但尚未破碎）、污染类型差异（非乳化油膜、乳化油等）最为显著时，算法效能最佳。

图7 基于CZI载荷数据的海洋溢油提取结果图（Ⅰ—Ⅸ）（依次对应图1Ⅰ—Ⅸ）Fig.7 Oil spill extraction results（Ⅰ—Ⅸ）（corresponding to Fig.1Ⅰ—Ⅸ）of various spilled oils using CZI images

4.3 强耀光反射下的算法应用

本研究理论上适用于不同耀光对比条件下的溢油识别提取，由于HY-1C/D 星CZI 数据的成像基本上避免了强耀光反射，为验证该算法在强耀光对比下的应用效能，选用2010年美国墨西哥湾溢油的MODIS 强耀光反射影像用于进一步验证（Hu 等，2018）。选用4 景250 m 空间分辨率的美国墨西哥湾溢油MODIS 近红外859 nm 波段数据，利用Seadas 软件对其做数据预处理，生产Rrc反射率产品，可根据成像角度（太阳天顶角、卫星天顶角、相对方位角）评估耀光反射角度差异（图8）。所有溢油图像均处于强耀光反射背景条件下（θm≤12°），所有类型的溢油污染都与背景无油海水呈现强耀光反射下的亮对比特征，符合现有理论认知（图8（a））。利用本研究算法，对MODIS 强耀光反射条件下的溢油信息进行识别提取，所有溢油信息都得到了有效的识别，且每个扫描窗口中的耀光反射空间分布差异也具有和CZI 图像（图6（b））一样的特征（图8（b））。利用本研究算法可有效消除这种干扰信息，从而实现强耀光反射对比条件下的溢油识别提取（图8（c））。需要说明的是，在该研究区的粗空间分辨率图像中，船舶航迹线、低粗糙度水体、漂浮藻类等的影响可以忽略，识别提取难度要小于CZI 图像。此外，还需要特别指出的是，MODIS 图像中的溢油面积，比HY-1C 的空间尺度要大很多，在算法应用过程中，还要把握好影像与溢油的图幅范围、比例以及算法参数的选择（尤其是扫描窗口大小的设置）。上述分析表明，本方法在不同空间分辨率，不同溢油污染范围、分异性与类型，不同耀光背景条件下，通过适当的参数调整，能取得较好的识别提取效果。

图8 基于2010年美国墨西哥湾MODIS强耀光数据中的溢油提取结果Fig.8 Optical extraction of oils spilled in the Gulf of Mexico in 2010 using MODIS 859 nm Rrc images with sunglint reflections

5 结 论

本文基于HY-1C 星CZI 载荷数据，针对中国近海与周边海域的溢油事件开展了溢油识别提取算法研究。根据HY-1C 星CZI 载荷对溢油污染的响应特征，并对干扰因素的产生机理与规律进行详细的分析，提出了一种基于耀光反射差异的海面溢油遥感识别提取算法，剔除了不同的干扰误判信息，实现了海面溢油的有效提取。研究表明，基于耀光反射差异的溢油光学遥感识别提取方法，适用于较为复杂的水体环境，可以较好地去除油水反射率混淆、海面粗糙度异常、耀光反射空间分布差异明显、漂浮藻类和船舶尾迹等多种干扰。本算法对弱耀光条件下的溢油具备识别分类的能力，能区分非乳化油膜和溢油乳化物等不同溢油污染类型，识别提取与分类精度较高。其中，弱耀光条件下油膜提取的平均精度为90.24%、乳化油的平均精度为80.55%。该算法还可用于空间分辨率较粗的MODIS 图像，并可以实现强耀光对比下的溢油识别提取。HY-1C/D 双星组网观测能为中国近海提供3 天2 次的高频次、大覆盖、高空间分辨率光学遥感数据。随着海洋溢油光学遥感机理与应用研究的成熟，国产自主海洋光学卫星资料，必将在中国近海溢油污染业务化监测应用中发挥越来越大的作用。