任廣波，張 杰，吳培強，馬 毅

(國家海洋局 第一海洋研究所，山東 青島 266061)

黃河口受石油烴滲漏影響植被的高光譜檢測方法研究*1

任廣波，張 杰，吳培強，馬 毅

(國家海洋局 第一海洋研究所，山東 青島 266061)

以黃河口為研究區(qū)，應用現(xiàn)場和HJ-1高光譜遙感數(shù)據(jù)，開展了植被受石油烴滲漏影響的高光譜檢測方法研究。選擇了常用于判別植被受石油烴滲漏污染的紅邊藍移指數(shù)REP_blue、土壤含氧量相關(guān)指數(shù)CTR和葉綠素敏感指數(shù)CHL，通過分析研究區(qū)主要植被蘆葦和檉柳地物光譜和HJ-1高光譜影像中同位置像元光譜，對3種指數(shù)在研究區(qū)的有效性進行了評價?；谠趫D像像元光譜檢測中表現(xiàn)較好的指數(shù)，提出了一種針對HJ-1高光譜遙感影像的受石油烴滲漏影響植被檢測方法。結(jié)果表明，3種指數(shù)對于油井旁植被現(xiàn)場光譜的檢出效果均好于圖像光譜，同時，相比于其它兩種指數(shù)，CHL指數(shù)的檢出效果較差；應用發(fā)展的受石油烴滲漏污染影響植被檢測指數(shù)，對覆蓋研究區(qū)的HJ-1高光譜遙感影像進行了檢測，發(fā)現(xiàn)檢測結(jié)果中71.1%的位置附近存在油井，說明該方法具有一定的檢測能力。

石油烴滲漏；濕地高光譜遙感；黃河口濕地

石油烴滲漏會影響植被的生存環(huán)境，進而改變植被的理化性質(zhì)，該改變能夠在其可見光和近紅外光譜上表現(xiàn)出來。Everett等[1]多年的研究和實踐證明，世界上85%的油田都存在油烴滲漏現(xiàn)象，一般情況下以滲漏的方式隨地表水轉(zhuǎn)移至地面表層的石油烴為輕質(zhì)油烴[2-4]，且以甲烷、乙烷和二氧化碳居多[5-6]。

石油烴氣體在土壤表層中的聚集能夠降低氧氣的濃度[7]。Noomen 等[8]認為缺氧的環(huán)境[9-10]容易造成土壤pH值、營養(yǎng)物質(zhì)和菌群發(fā)生改變[11-12]，這種改變將引起植被光譜發(fā)生變化。以上環(huán)境的變化將直接導致葉綠素光合作用功能降低，進而引起葉綠素紅光吸收能力下降、紅邊藍移和近紅外反射效應減弱[13]。

盡管已有研究通過實驗證明了植被的光譜反射率特征可在一定程度上反映植被受石油烴影響的情況[8,14-15]，但Noomen等[8]認為目前還沒有一種光譜特征指數(shù)可明確表達這一關(guān)系。已有的一些工作雖然建立了光譜特征和簡單光譜指數(shù)與石油烴含量的關(guān)系[14-15]，但其相關(guān)性較差。本文擬應用測量自油井旁和遠離油井區(qū)域蘆葦和檉柳的現(xiàn)場光譜和取自高光譜遙感圖像同位置像元的光譜，對紅邊藍移指數(shù)REP_blue、土壤含氧量相關(guān)指數(shù)CTR和葉綠素敏感指數(shù)CHL三種常用的石油烴滲漏植被響應指數(shù)在研究區(qū)的有效性進行檢驗；并利用檢驗結(jié)果，發(fā)展一種綜合判定指數(shù)，開展HJ-1衛(wèi)星高光譜遙感影像石油烴滲漏區(qū)域檢測技術(shù)研究。

1 研究區(qū)概況

研究區(qū)域(圖1)位于黃河三角洲國家級自然保護區(qū)內(nèi)。該保護區(qū)是被國際濕地公約組織確定的國際重要濕地，是以保護新生濕地生態(tài)系統(tǒng)和珍稀瀕危鳥類為主的濱海濕地自然保護區(qū)；同時，研究區(qū)還是我國第二大油田——勝利油田新灘采油區(qū)的主產(chǎn)區(qū)。所以，研究區(qū)自然資源保護與石油開發(fā)的矛盾突出，且鳥類生境受石油開發(fā)污染的影響越來越大。

圖1 研究區(qū)域及現(xiàn)場數(shù)據(jù)站位圖Fig.1 Locations of the study area and the field work stations

2 數(shù)據(jù)和方法

2.1 現(xiàn)場光譜數(shù)據(jù)

蘆葦和檉柳是黃河三角洲的主要植被類型，分布最為廣泛，將其作為植被代表開展石油烴污染高光譜檢測方法研究符合該區(qū)域的特點。

2013-05-10-20，在研究區(qū)內(nèi)實地測量了蘆葦和檉柳的地物光譜。測量儀器為ISI-921VF型地物光譜儀，其光譜范圍382～1 085 nm，光譜分辨率2.9 nm。為保證現(xiàn)場測量光譜的質(zhì)量和與遙感影像獲取時刻的匹配關(guān)系，測量時間均選擇10:30—15:30，且確保光譜測量過程不受云霧影響。經(jīng)質(zhì)量控制，從該次測量的數(shù)據(jù)中遴選出24組光譜數(shù)據(jù)進行光譜分析，每組10條共240條光譜曲線，其中蘆葦15組，檉柳9組，站位分布見圖1。受石油烴污染的植被光譜樣本采自距離正在生產(chǎn)的油井10 m以內(nèi)的區(qū)域，且站點附近的裸露地表有明顯的油污，站位編號以字母“Z”開頭，這類樣本中蘆葦和檉柳分別有5組和3組；未受石油烴污染植被光譜均測量自遠離油田作業(yè)區(qū)的濕地或潮灘區(qū)域，分別以C,D,J和Q字母開頭，代表4條不同的測量斷面，這類樣本中蘆葦和檉柳分別有10組和6組。

現(xiàn)場光譜測量位置在蘆葦和檉柳大片均勻分布的區(qū)域，以保證與同位置的空間分辨率較低的圖像像元光譜相比較時，有可比性。

2.2 遙感影像數(shù)據(jù)

HJ-1A(環(huán)境一號小衛(wèi)星A星)高光譜遙感影像是具有精細光譜分辨率的衛(wèi)星高光譜影像，光譜范圍459～956 nm，共有115個波段，由于采用的是法布里-珀羅干涉成像原理，故每個波段的寬度均不一致，最寬的近紅外波段寬度小于9 nm。

HJ-1A高光譜影像拍攝時間為2013-06-01T11∶07∶23(北京時間)，在日期上與現(xiàn)場光譜采集日期相近，以保證在植被的同一個生長階段內(nèi)現(xiàn)場光譜與遙感圖像光譜具有可比性。采用ENVI軟件FLAASH模塊對影像進行大氣校正，校正后的影像像元值由數(shù)字值DN(Digital Number)轉(zhuǎn)換為反射率。以2013-07-15T10∶54∶33(北京時間)成像的Landsat 8 OLI圖像為參考，對HJ-1高光譜影像進行了幾何校正，校正誤差小于0.5個像元。

應用2012-05-13T11∶02∶41(北京時間)獲取的空間分辨率2.1 m的資源三號衛(wèi)星影像對應用本文方法提取的油井位置進行驗證。

采集現(xiàn)場光譜測量位置處每個波段的像元值，作為該像元所代表地物類型的光譜。與現(xiàn)場光譜所屬植被類型相對應，去除受云霧影響的像元，分別有8組蘆葦光譜和4組檉柳光譜。

2.3 石油烴滲漏遙感檢測方法

2.3.1 紅邊藍移指數(shù)：REP_blue

Noomen等[13]發(fā)現(xiàn)，當土壤中石油烴氣體如甲烷、二氧化碳等含量達到一定量時，容易導致植被光譜紅邊的藍移。根據(jù)Yang等[14]的經(jīng)驗，紅邊移動范圍一般在10 nm以內(nèi)，紅邊藍移指數(shù)定義為

(1)

式中，紅邊位置REP指反射率光譜曲線取一階導數(shù)時紅到近紅外波段出現(xiàn)最大值，即反射率光譜斜率最大位置處的光譜波長;N根據(jù)紅邊波段實際位置確定。

2.3.2 土壤含氧量相關(guān)指數(shù)：CTR

Carter[16]研究了小麥和玉米光譜反射率與所生長土壤含氧量的關(guān)系，發(fā)現(xiàn)695 nm和760 nm處的光譜比值與土壤含氧量有較高的相關(guān)性。Schumacher[7]指出受石油烴滲漏污染的土壤中氧氣濃度會減少。

(2)

式中，R695和R760分別為695 nm和760 nm波長處的遙感反射率；K0為根據(jù)實際情況確定的閾值，K0越大，表明土壤含氧量越低，受石油烴滲漏影響的可能性越大。

2.3.3 葉綠素敏感指數(shù)：CHL

葉綠素含量的降低可導致植物葉片對紅光吸收能力的減弱和對近紅外反射能力的下降，表現(xiàn)為紅光反射率的升高和近紅外反射率的降低[13]。

(3)

式中，Rred和Rnir分別為紅光和近紅外波長處的遙感反射率；K1和K2分別為像元在紅光和近紅外處的反射率值。

2.4 HJ-1高光譜影像石油烴滲漏綜合判定指數(shù)：HIDI

根據(jù)上述3種石油烴滲漏檢測指數(shù)，在有效驗證的基礎(chǔ)上，提出基于高光譜遙感影像的石油烴滲漏綜合檢測指數(shù)HIDI(Hydrocarbon seepage Integrated Detect Index)為

HIDI=REP_blue*CTR*CHL

(4)

式中，若像元光譜同時滿足REP_blue，CTR和CHL三個條件，HIDI的值為1，判定為受石油烴污染像元；否則，判定為未受污染像元。遙感監(jiān)測流程見圖2。監(jiān)測流程中加入歸一化差值植被指數(shù)NDVI(Normalized Difference Vegetation Index),目的是去除植被以外的地物類型的影響。

3 結(jié)果與分析

3.1 石油烴滲漏響應指數(shù)有效性檢驗

基于現(xiàn)場實測地物光譜和現(xiàn)場光譜測量位置的HJ-1高光譜遙感影像像元光譜，對所選擇的3種判別指數(shù)的有效性進行檢驗。

3.1.1 紅邊藍移指數(shù)檢驗

采用的紅邊概念為紅光和近紅外之間反射率上升過程中斜率最大處所對應的波長。對蘆葦和檉柳的近紅外光譜紅邊位置的計算結(jié)果如圖3所示。

圖3 蘆葦和檉柳現(xiàn)場測量光譜的紅邊位置Fig.3 The red edge position of the field spectra of Reed and Tamarix

由圖3可知，采自油井附近的現(xiàn)場光譜，除Z1外其紅邊位置均小于714 nm(圖3a和b)。根據(jù)紅邊藍移指數(shù)定義，N應取值為714 nm，Z1紅邊位置為715.3 nm，可能由于光譜儀的光譜分辨率較低(約3 nm)所致。另外，檉柳的現(xiàn)場光譜紅邊位置所對應的波長比蘆葦短。

不論蘆葦還是檉柳，取自遙感圖像的像元光譜同樣得到了紅邊藍移的結(jié)果，見圖3c和d的“Z”開頭樣本。相比現(xiàn)場光譜，其藍移的幅度較大，原因是在該光譜位置HJ-1高光譜的波段寬度已經(jīng)超過了5 nm，導致了波段中心波長之間的范圍增大。對于來自遙感影像的像元光譜，其紅邊藍移指數(shù)閾值N應取值為725 nm。

綜上分析可知，現(xiàn)場光譜和圖像光譜都反映出紅邊藍移指數(shù)在研究區(qū)是有效的，但由于波段寬度和中心波長位置的不同，二者的紅邊藍移指數(shù)閾值N取值有所不同。

3.1.2 土壤含氧量相關(guān)指數(shù)檢驗

因所使用的地物光譜儀無中心波長為695 nm和760 nm的波段，故選擇中心波長分別為695.59 nm和759.54 nm的兩波段代替計算CTR值。高光譜數(shù)據(jù)在相鄰波段都具有較高的相關(guān)性，故認為選擇上述兩個波段作為替代波段可以保證精度。采集的蘆葦和檉柳植被光譜樣本的CTR曲線見圖4。

對于蘆葦和檉柳的現(xiàn)場光譜，油井附近除Z3外植被樣本的CTR指數(shù)都高于其它區(qū)域樣本。由圖4a可知，Z3處的CTR值偏低，可能是由Z3點處于地勢較低洼的陸基旁排水區(qū)域，其土壤中的含氧量較不穩(wěn)定所致。同時，除D9-2站點之外，檉柳的CTR值都高于蘆葦(圖4a，b)，因為檉柳多生長在土壤鹽堿化較為嚴重的土壤中，而土壤的含鹽量增高會顯著降低土壤含氧量。應用現(xiàn)場光譜時，蘆葦和檉柳的CTR指數(shù)K0應分別取值0.47和0.65較為合適。

對于蘆葦?shù)倪b感圖像光譜，除Q6外的油井旁蘆葦?shù)腃TR指數(shù)高于其它區(qū)域的結(jié)果(圖4c，d)，原因是Q6點位于潮灘上，受潮水影響鹽堿化程度較高，造成土壤含氧量較低。而對于檉柳的圖像光譜，潮灘上Q2和Q4點位的土壤鹽度要高于油井旁的Z5和Z7點。

圖4 蘆葦和檉柳現(xiàn)場測量光譜的CTR值Fig.4 CTR values of the field spectra of Reed and Tamarix

3.1.3 葉綠素敏感指數(shù)檢驗

植被受到石油烴滲漏污染而發(fā)生葉綠素含量的減少，容易導致紅光波段吸收和近紅外波段反射率的下降。對于所采集到的植被光譜樣本，其反射率曲線如圖5所示。

圖5 蘆葦和檉柳的反射率光譜Fig.5 Reflectance spectra of Reed and Tamarix

由圖5a和b可知，在紅光波段(662 nm)，大部分油井旁的樣本光譜曲線都表現(xiàn)出了較高的反射率(深色線條)，但在近紅外波段，并非都具有較低的反射率。故石油烴滲漏污染遙感檢測綜合指數(shù)中，對于葉綠素敏感指數(shù)，可只考慮紅光的高反射率。

對于圖像像元光譜(圖5c,d)，發(fā)現(xiàn)在660 nm附近的紅光波段，處于油井旁的蘆葦和檉柳均表現(xiàn)出了較其它站位處光譜高的反射率；在所選擇的站位中，檉柳近紅外波段的光譜反射率也高于其它非油井旁站位，而蘆葦則未表現(xiàn)出該特點。

相比兩種光譜數(shù)據(jù)的反射率光譜，圖像光譜中近紅外和紅光反射率之間的差別不明顯，但可見光位置的反射率比現(xiàn)場光譜的高。另外，圖像像元光譜極不平滑，這是由傳感器相對于每一個波段的信噪比和增益等指標差別較大造成的。

3.2 石油烴滲漏區(qū)高光譜遙感圖像檢測

根據(jù)3種指數(shù)在HJ-1高光譜遙感圖像中的有效性檢驗結(jié)果，確定了綜合判斷指數(shù)中各參量的取值，見表1。由此得到了應用該圖像的石油烴滲漏區(qū)域遙感檢測結(jié)果，見圖6。

表1 植被受石油烴污染遙感影像檢測指數(shù)參數(shù)取值Table 1 Parameter value selections of the detection indices for the remote sensing image of the vegetation polluted by petroleum hydrocarbon seepage

圖6a為HJ-1高光譜數(shù)據(jù)的原始假彩色圖像(R: 759 nm;G: 652 nm;B: 571 nm)，由于該圖像波段寬度較窄，導致單波段接收能量有限，信噪比較低，且有較為明顯的條帶噪聲。另外，由于該影像空間分辨率為100 m，而該區(qū)域地物景觀尺度較小，故光譜混合較為嚴重。

圖6b中的紅色點為應用表1中的綜合判定指數(shù)取值獲得的最終結(jié)果，即影像中受石油烴污染的植被像元。黃色圖框區(qū)域的檢測點為經(jīng)過現(xiàn)場調(diào)查工作驗證的真實油井存在的位置，所使用的驗證數(shù)據(jù)包括2013年現(xiàn)場采集的油井坐標和資源三號遙感影像中識別出的油井位置。圖中，大部分的檢測結(jié)果點集中出現(xiàn)在兩個區(qū)域：其一，勝利油田的孤東采油區(qū)，該部分點約占所有檢測結(jié)果點數(shù)量的43.2%，該區(qū)域中油井林立，相當一部分油井相互之間的距離不足百米；其二，黃河入海口附近的海岸，該部分約占總檢測點數(shù)量的39.3%，且其中約有占總檢測點數(shù)16.7%的檢測像元有油井的存在，其它站位區(qū)尚未發(fā)現(xiàn)油井存在。剩余17.5%的檢測點位中，有占總檢測數(shù)11.2%的檢測像元存在油井。綜上，在所檢測出的受石油烴污染植被像元中，有大約71.1%的檢測像元處明確有油井存在，而剩余的28.9%的檢測像元處未發(fā)現(xiàn)油井，可能為潛在油藏區(qū)，也可能為方法引入誤差而導致的判別錯誤。

4 結(jié) 語

利用基于遙感的植被石油烴滲漏污染檢測中常用的3種檢測指數(shù)，以黃河口為研究區(qū)，分別開展了針對現(xiàn)場測量光譜和HJ-1高光譜影像的石油烴滲漏污染檢測方法研究。經(jīng)過研究發(fā)現(xiàn)：

對于現(xiàn)場光譜：1)油井附近的蘆葦和檉柳都檢測到了最大近6 nm的紅邊藍移，但發(fā)生藍移的位置有所不同。2)油井附近兩種植被的CTR指數(shù)都是相同植被類型中最高的，即土壤含氧量低，且蘆葦生長區(qū)域土壤含氧量高于檉柳生長區(qū)域。3)兩種植被的CHL指數(shù)的響應效果較差，初步判斷是由不一致的生長環(huán)境導致的。

對于遙感影像像元光譜：1)油井附近的蘆葦和檉柳都檢測到了紅邊藍移的結(jié)果，但相比于現(xiàn)場光譜藍移幅度增大。2)CTR指數(shù)對蘆葦?shù)臋z測度較好，但對檉柳卻無法檢測。3)處于油井旁的蘆葦和檉柳在660 nm附近的紅光波段均表現(xiàn)出了較其它站位更高的反射率，檢出效果較好，但近紅外波段的檢出效果較差。

基于發(fā)展的植被石油烴滲漏污染遙感綜合判定指數(shù)，HJ-1高光譜遙感影像較為有效地完成了對研究區(qū)油井區(qū)域的檢測，準確率為71.1%。而對于其他檢測出的受石油烴污染影響區(qū)域，因缺少遙感影像拍攝時刻的土壤分析數(shù)據(jù)，無法判定其是否真的受到污染。

[1]EVERETT J R,JENGO C,STASKOWSKI R.Remote sensing and GIS enable future exploration success [J].World Oil,2002,223(11): 59-65.

[2]SCHUMACHER D D.Surface geochemical exploration for oil and gas: new life for an old techno-logy [J].The Leading Edge,2000,19(3): 258-261.

[3]ABRAMS M A.Distribution of subsurface hydrocarbon seepage in near-surface marine sediments [C]∥SCHUMACHER D,ABRAMS M A.Hydrocarbon migration and its near-surface expression: AAPG Memoir 66。 Washington D C: AAPG/Datapages,1996: 1-14.

[4]HORVITZ L.Vegetation and geochemical prospecting for petroleum [J].AAPG Bulletin,1972,56(5): 25-40.

[5]HOEKS J.Changes in composition of soil air near leaks in natural gas mains [J].Soil Science,1972,113(1): 46-54.

[6]OLAH G A,MOLNAR A.Hydrocarbon chemistry [M].New York: John Wiley &Sons Inc,2003.

[7]SCHUMACHER D.Hydrocarbon-induced alteration of soils and sediments [D].USA: AAPG Memoir.1996.

[8]NOOMEN M F,VAN DER WERFF H,VAN DER MEER F D.Spectral and spatial indicators of botanical changes caused by long-term hydrocarbon seepage [J].Ecological Informatics,2012,8: 55-64.

[9]KRAMER P J,JACKSON W T.Causes of injury to flooded tobacco plants [J].Plant Physiology,1954,29(3): 241-245.

[10]LETEY J,STOLZY L,BLANK G.Effect of duration and timing of low soil oxygen content on shoot and root growth [J].Agronomy Journal,1962,54(1): 34-47.

[11]ADAMS R S,ELLIS R.Some physical and chemical changes in the soil brought about by saturation with natural gas [J].Soil Science Society of America Journal,1960,24(1): 41-44.

[12]MARSCHNER H,RIMMINGTON G.Mineral nutrition of higher plants [J].Plant,Cell and Environment,1988,11(2):147-148.

[13]NOOMEN M,SKIDMORE A,VAN DER MEER F D.Detecting the influence of gas seepage on vegetation,using hyperspectral remote sensing[C]∥HABERMEYER M.Proceedings of the Third EARSeL Workshop on Imaging Spectroscopy.Herrsching: EARSeL,2003: 13-16.

[14]YANG H,ZHANG J,VAN DER MEER F D,et al.Spectral characteristics of wheat associated with hydrocarbon microseepages [J].International Journal of Remote Sensing,1999,20(4): 807-813.

[15]樊彥國,張磊.孤東油田土壤石油類含量的高光譜反演模型[J].遙感學報,2012,16(2): 8-13.

[16]CARTER G A,MILLER R L.Early detection of plant stress by digital imaging within narrow stress-sensitive wavebands [J].Remote Sensing of Environment,1994,50(3): 295-302.

HyperspectralDetectionMethodforVegetationAffectedbyPetroleumHydrocarbonSeepageintheWetlandoftheHuangheEstuary

RENGuang-bo,ZHANGJie,WUPei-qiang,MAYi

(TheFirstInstituteofOceanography,SOA,Qingdao 266061,China)

Taking the wetland of the Huanghe Estuary as the study area,a hyperspectral detection method for the vegetation affected by petroleum hydrocarbon leakage is studied by using the data from the field work and the HJ-1 hyperspectral remote sensing image.3 kinds of detection indices which are commonly used to distinguish the vegetation that is polluted by the petroleum hydrocarbon seepage are chosen in the present study.They are the red edge position blue shift index (REP-blue),the soil oxygen related index (CTR)and the Chlorophyll sensitive index (CHL).The validity of these 3 indices is tested by analyzing the spectra of the main vegetation Reed and Tamarix in the study area and the HJ-1 hyperspectral remote sensing image pixels.Based on the indices showing a better performance in the image pixel spectrum detection,a hyperspectral detection method is proposed for HJ-1 hyperspectral remote sensing image of vegetation affected by petroleum hydrocarbon seepage.By using the 3 indices,the detection results of the field spectra of the vegetation near the oil wells are all better than those of the image spectra,but the detection result of indexCHLis relatively poorer,compared with those of other two indices.The HJ hyperspectral remote sensing image covering the whole study area is also detected subsequently by means of the effective detection indices.The results show that 71.1% of the detected positions that was suspected suffering the pollution of the petroleum hydrocarbon seepage have oil wells.

petroleum hydrocarbon seepage;hyperspectral remote sensing of wetland;wetland of the Huanghe Estuary

2014-05-08

國家自然科學基金青年基金——海岸帶遙感影像半監(jiān)督學習自動化分類方法研究(41206172);國家海洋局第一海洋研究所基本科研業(yè)務費專項資金項目——基于半監(jiān)督學習的遙感影像典型濱海濕地類型自動化分類方法(GY02-2012G12),濱海濕地典型植被高光譜遙感自動分類方法研究(GY0213G21)

任廣波(1983-)，男，助理研究員，主要從事海岸帶高分辨率遙感方面研究.E-mail: renguangbo@fio.org.cn

(王 燕 編輯)

P237;P618.13

A

1002-3682(2014)03-0026-10