论文部分内容阅读
随着全球经济的快速发展,海上油气开采及船舶运输活动激增,使得海上溢油事故频发。由于溢油污染具有影响范围广、持续时间长且污染形式多样的特点,严重破坏了海洋生态环境,制约着海洋渔业、旅游业等经济产业的发展。美国科学院报告指出到2030年,海洋溢油仍是全球32个海洋问题之一。如何及时有效的识别油膜,追溯源头,监测溢油漂移、扩散方向及溢油量,为油污及时清理、合理评估溢油灾害及生态修复提供数据支持是我们面临的重要任务。在快速发展的卫星遥感技术中,合成孔径雷达(Synthetic Aperture Radar,SAR)以其全天时、全天候连续观测能力,快速有效的监测海上溢油,已经成为海上溢油监测重要手段之一。准确区分SAR图像上的溢油和疑似溢油暗斑是SAR图像溢油检测的重点和难点,为此论文以溢油和疑似溢油暗斑为研究对象,开展了基于深度学习和决策层信息融合的SAR图像溢油检测方法研究。主要研究内容如下:(1)基于专家先验知识及多源遥感数据辅助目视解译的方式实现了溢油和疑似溢油样本数据库的建立;(2)利用主观贝叶斯方法将环境因素识别溢油的分析过程模型化,建立环境因素驱动的溢油检测方法;(3)使用Faster-RCNN神经网络模型(Faster Region-based Convolutional Neural Network)将SAR图像溢油和疑似溢油暗斑特征提取、特征选择的过程高度自动化,从图像特征角度建立了基于Faster-RCNN神经网络的溢油检测方法,并使用软化非极大值抑制算法对Faster-RCNN溢油检测方法进行了优化;(4)使用模糊集理论改进的D-S证据理论(Dempster-Shafer evidence theory)将主观贝叶斯方法和Faster-RCNN神经网络方法溢油检测结果进行决策层融合,实现了一种决策层信息融合溢油检测方法。基于样本数据库中2100个溢油和疑似溢油样本及样本对应的风速、暗斑与石油平台及航道距离信息,对上述三种溢油检测方法的溢油检测效果进行了实验验证,实验结果表明主观贝叶斯方法溢油检测率、样本识别率和溢油虚警率分别为59.87%,67.70%和37.24%。Faster-RCNN神经网络相比主观贝叶斯方法溢油检测率、样本识别率分别提高了约14%和10%,溢油虚警率降低了约10%。决策层信息融合方法相比Faster-RCNN神经网络方法溢油检测率虽降低了1.32%,但样本识别率提高了1.04%,溢油虚警率降低了2.39%。使用7景溢油SAR影像验证了决策层信息融合溢油检测方法的有效性,在简单海况背景下溢油检测率和样本识别率可达到80%,在复杂海况背景下溢油检测率和样本识别率分别为60.86%和73.68%。SAR影像溢油检测结果表明决策层信息融合法能够有效检测溢油,具有较强的业务化溢油检测潜力。