戴渝心, 馬 毅, 姜宗辰, 杜 凱, 王海起

基于多核SVM決策融合模型的海面原油多光譜遙感檢測研究

戴渝心1, 2, 馬 毅2, 3, 姜宗辰4, 杜 凱5, 王海起1

(1. 中國石油大學(xué)(華東)海洋與空間信息學(xué)院, 山東 青島 266580; 2. 自然資源部第一海洋研究所, 山東 青島 266061; 3. 自然資源部海洋遙測技術(shù)創(chuàng)新中心, 山東 青島 266061; 4. 哈爾濱工業(yè)大學(xué), 黑龍江 哈爾濱 150001; 5. 山東科技大學(xué), 山東 青島 266590)

海面溢油事故發(fā)生后需要進(jìn)行精準(zhǔn)的溢油檢測, 從而為溢油事故現(xiàn)場應(yīng)急響應(yīng)與海面污染的快速有效處理提供支持。利用哨兵二號(Sentinel-2)多光譜遙感影像, 基于最佳指數(shù)因子(OIF)構(gòu)建光譜特征指數(shù)提取海面溢油光譜特征, 基于灰度共生矩陣(GLCM)提取海面溢油紋理特征, 利用巴氏距離法進(jìn)行特征選擇, 構(gòu)建海面溢油空譜特征數(shù)據(jù)集。提出了多核決策融合支持向量機(jī)(SVM)海面原油檢測模型, 對黃海4.27“交響樂號”油輪溢油事故開展檢測研究。實驗結(jié)果表明, 在復(fù)雜水色背景下, 經(jīng)過篩選的最佳空譜特征數(shù)據(jù)集檢測結(jié)果的總體精度可以達(dá)到89.25%, Kappa系數(shù)為0.854,1分?jǐn)?shù)可達(dá)0.889; 多核SVM決策融合后的總體精度可以達(dá)到90.26%, Kappa系數(shù)為0.866,1可達(dá)0.898, 總體精度較單核提高了1.0%～8.2%, Kappa系數(shù)提高了0.013～0.122,1分?jǐn)?shù)提高了0.009～0.097。實驗結(jié)果表明, 海面溢油檢測模型具有較高的溢油檢測精度和模型魯棒性, 適用于海面溢油檢測研究。

遙感; 溢油檢測; 特征提取; 支持向量機(jī); 決策融合

隨著海洋運輸業(yè)的發(fā)展, 溢油事故頻繁發(fā)生。油品在海洋中擴(kuò)散會對生態(tài)環(huán)境、經(jīng)濟(jì)建設(shè)、海洋工業(yè)、沿岸居民生活等方面造成損失與危害。無論是自然因素還是人為原因引起的溢油事故, 絕大部分都具有突發(fā)性和動態(tài)性, 給相關(guān)部門分析事件性質(zhì)、部署應(yīng)急措施帶來困難, 遙感技術(shù)對此可發(fā)揮重要作用。任廣波等[1]利用無人機(jī)高光譜構(gòu)建海上溢油檢測模型, 得出溢油檢測的有效特征波段。除了無人機(jī)平臺, 目前在溢油檢測中Landsat、MODIS和Sentinel-2等衛(wèi)星遙感平臺也有較大貢獻(xiàn)[2-7]。杜凱等[8]利用Landsat7 ETM+多光譜影像數(shù)據(jù), 基于卷積神經(jīng)網(wǎng)絡(luò)模型對太陽耀斑區(qū)溢油進(jìn)行檢測, 得到較高精度。Srivastava等[9]利用MODIS衛(wèi)星數(shù)據(jù), 實驗得出有利于溢油檢測的光譜波段與波段比值。Rajendran等[10]基于不同時期的Sentinel數(shù)據(jù)進(jìn)行溢油檢測, 分析溢油擴(kuò)散, 證明了Sentinel傳感器在溢油檢測方面的良好性能。

支持向量機(jī)(support vector machine, SVM)在遙感圖像研究中顯示出了良好的計算性能, 僅需少量樣本即可對目標(biāo)進(jìn)行高精度檢測。Chaudhary等[11]使用SVM模型對雷達(dá)溢油數(shù)據(jù)進(jìn)行精確檢測, 得出較好的水油分離結(jié)果。范劍超等[12]提取溢油局部化非負(fù)特征, 以SVM為模型, 利用小樣本對“深水地平線”事故的HJ-1星數(shù)據(jù)進(jìn)行分類, 得到較高的準(zhǔn)確率。SVM核函數(shù)與其他參數(shù)的選擇會影響檢測效果, 而傳統(tǒng)的單核SVM需要根據(jù)研究目標(biāo)的特性設(shè)定核函數(shù), 具有局限性。譚琨等[13]利用不同核函數(shù)的SVM對遙感圖像進(jìn)行分類, 實驗結(jié)果表明徑向基核函數(shù)的分類精度最高。不同的核函數(shù)側(cè)重于不同的特征空間, 從而計算出不同的超平面, 得到多種檢測結(jié)果, 在一定的方法下不同的核函數(shù)能夠優(yōu)勢互補, 達(dá)到提高精度的目的。

2021年4月27日, 裝載大量原油的“交響樂”號油輪在黃海朝連島東南海域港口外停泊時遭到進(jìn)港貨輪撞擊, 導(dǎo)致船體破裂, 大量原油流入海域, 對海洋和大氣環(huán)境造成嚴(yán)重影響。以黃海2021年“交響樂號”油輪溢油事故(簡稱4.27“交響樂號”溢油事故)為研究對象, 篩選出最佳溢油空譜特征數(shù)據(jù)集, 以單核SVM為分類模型對研究區(qū)進(jìn)行溢油檢測, 最后基于決策融合算法實現(xiàn)海面溢油檢測結(jié)果的多核融合, 更加全面地考慮目標(biāo)特征, 提高分類精度。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)

以2021年4月27日發(fā)生在黃海海域的兩外籍貨輪相撞事故為研究對象。該溢油事故具體發(fā)生在黃海朝連島東南海域(圖1), 由于巴拿馬籍雜貨船“義?！陛?SEA JUSTICE)與利比里亞籍錨泊油船“交響樂”輪(A SYMPHONY)相撞造成海面溢油。本文對2021年5月18日該事故造成的溢油進(jìn)行檢測, 所選研究區(qū)大小為3 400×3 400像素, 處于當(dāng)日海面油膜密集區(qū)域。

圖1 研究區(qū)位置圖[審圖號: GS(2019)1819號]

1.2 數(shù)據(jù)

本文所使用的數(shù)據(jù)為Sentinel-2衛(wèi)星 MSI傳感器的多光譜遙感影像數(shù)據(jù)。Sentinel-2是歐洲航天局發(fā)射的高分辨率多光譜成像衛(wèi)星, 目前共有2A和2B兩顆衛(wèi)星, 覆蓋13個光譜波段, 地面分辨率最高可達(dá)10 m?；赟entinel-2于2021年5月18日對研究區(qū)拍攝的L1C級產(chǎn)品, 對其中6個適用于溢油檢測的波段數(shù)據(jù)進(jìn)行大氣校正、重采樣和反射率歸一化等預(yù)處理。Sentinel-2各波段參數(shù)見表1。

表1 Sentinel-2波段數(shù)據(jù)參數(shù)

海面油膜與清潔海水的反射率和輻射亮溫在可見光以及近紅外波段具有差異性[14]。乳化油在近紅外和短波紅外的反射率高于海水, 油包水型乳化油在約1 610 nm處的短波紅外波段反射率高于水包油型乳化油, 而在可見光波段其反射率較低, 呈暗色調(diào)[5]。所以本文選擇Sentinel-2的藍(lán)、綠、紅、近紅外(寬)、短波紅外2和短波紅外3這6個波段進(jìn)行光譜分析, 分別用B1—B6表示。圖2為研究區(qū)的真彩色合成影像, 紅、綠、藍(lán)三個通道分別對應(yīng)664.5 nm、560 nm和496.6 nm。

對歸一化的Sentinel-2多光譜遙感影像數(shù)據(jù)進(jìn)行光譜指數(shù)計算和歸一化指數(shù)計算, 擴(kuò)充光譜特征數(shù)據(jù), 以獲取更有利于區(qū)分油-水特征的光譜信息。除光譜特征外, 還對研究區(qū)的紋理特征進(jìn)行了分析。

如表2所示, 共選取訓(xùn)練樣本16 325個像素, 測試樣本152 837個像素, 比例約為1︰9, 包含油膜與海水兩個類別。樣本數(shù)據(jù)的空間分布如圖3所示。

對訓(xùn)練樣本進(jìn)行光譜采樣, 取各波段溢油與海水采樣點平均值, 生成反射率光譜曲線。從圖4中可以看出, 油膜的反射率整體高于背景海水, 這是由于研究區(qū)溢油發(fā)生乳化導(dǎo)致的, 乳化油的反射與散射較強, 并且太陽耀斑也會對油膜和海水的明暗變化產(chǎn)生影響。

圖2 研究區(qū)真彩色影像

表2 訓(xùn)練與測試數(shù)據(jù)樣本像素數(shù)量

2 模型與方法

2.1 特征選擇

研究區(qū)水色背景略為復(fù)雜, 單一光譜波段難以準(zhǔn)確表示溢油特征, 多波段組合可以得到更多的油-水信息, 所以對所選的6個光譜波段進(jìn)行指數(shù)計算, 補充更能表征溢油的光譜特征數(shù)據(jù)。OIF最佳指數(shù)法綜合考慮了單一波段與多波段數(shù)據(jù)之間的相關(guān)性, 可用于選擇遙感數(shù)據(jù)中的最佳波段組合, 公式如下:

圖3 訓(xùn)練與測試數(shù)據(jù)空間分布

圖4 油膜與海水光譜

式中,S表示第波段的標(biāo)準(zhǔn)差, r表示波段和波段的相關(guān)系數(shù)。標(biāo)準(zhǔn)差越大, 相關(guān)系數(shù)越小, 隨之OIF指數(shù)越大, 波段組合所包含的信息量越多。對OIF最高的4組波段進(jìn)行組合, 生成油-水光譜差異性更強的光譜特征, 最終共得到單一光譜波段和指數(shù)組合光譜特征14個。

除光譜特征外, 還引入了研究區(qū)的紋理信息實現(xiàn)溢油檢測分析。首先對Sentinel-2遙感數(shù)據(jù)進(jìn)行主成分分析, 提取出第一主成分用于獲取紋理特征, 降低數(shù)據(jù)維數(shù), 減少噪聲干擾?；诨叶裙采仃?gray-level co-occurrence matrix, GLCM)分別在8個方向上得到第一主成分的8個特征(均值、方差、協(xié)同性、對比度、相異性、熵、角二階矩和相關(guān)性), 并對每個特征的8個方向取平均值。窗口大小決定了紋理的真實性和計算速度, 所以采取窗口大小為3×3和5×5的兩組計算, 共得到16個紋理特征用于構(gòu)建最佳空譜特征數(shù)據(jù)集。

將所得光譜特征數(shù)據(jù)與空間紋理數(shù)據(jù)相結(jié)合, 構(gòu)建對溢油檢測更加有效的空譜特征數(shù)據(jù)集。然而并非特征越多越有利于模型檢測, 特征冗余不僅會造成過大的計算量, 降低計算效率, 而且易造成模型過擬合, 影響檢測精度。計算每個特征的油-水巴氏距離, 篩選出最佳空譜特征。巴氏距離(bhattacharyya distance,B)在分類中被用來評估類間可分離性, 其公式如下:

式中,μ表示第類樣本的均值,σ表示第類樣本的標(biāo)準(zhǔn)差。

2.2 海面溢油單核SVM檢測模型

支持向量機(jī)通過對映射到高維空間的樣本進(jìn)行劃分超平面從而實現(xiàn)分類[15]。不同的核函數(shù)會生成不同的高維度映射空間, 影響分類結(jié)果[16]。利用SVM實現(xiàn)海面溢油檢測, 結(jié)合4種核函數(shù)的分類結(jié)果進(jìn)行后續(xù)的多核決策融合, 對比單核與多核的分類結(jié)果, 實現(xiàn)更準(zhǔn)確有效的溢油檢測。

實驗中選擇了徑向基核函數(shù)(radial basis function, RBF)、線性核函數(shù)(Linear)、多項式核函數(shù)(Polynomial)和Sigmoid核函數(shù)。RBF核函數(shù)以歐氏距離來度量樣本間的相似性, 具有平移不變性與計算簡單等優(yōu)勢, 可以將數(shù)據(jù)映射到無限維度。線性核函數(shù)參數(shù)少, 計算速度快, 更適用于線性可分的數(shù)據(jù)。多項式l核函數(shù)能使線性不可分的數(shù)據(jù)經(jīng)過升維變得可分, 但會相應(yīng)提高計算復(fù)雜度。Sigmoid核函數(shù)是神經(jīng)網(wǎng)絡(luò)中常用的閾值函數(shù), 具有很好的分類能力, 但其應(yīng)用條件受到一定限制[17]。所選核函數(shù)的表達(dá)式見表3。

表3 核函數(shù)表達(dá)式

圖5為本文所構(gòu)建的海面溢油SVM檢測模型示意圖。首先對得到的研究區(qū)光譜與紋理特征進(jìn)行特征選擇, 篩選出最佳溢油空譜特征數(shù)據(jù)集, 再進(jìn)行多個單核SVM的溢油檢測, 不同核函數(shù)通過不同的原理劃分超平面, 尋找最大間隔, 得到不同的分類結(jié)果, 最終進(jìn)行決策融合。具體決策融合的算法原理與過程在下一節(jié)中詳細(xì)說明。

圖5 海面溢油SVM模型流程圖

注: RBM: 徑向基核函數(shù); Linear: 線性核函數(shù); Polynomial: 多項式核函數(shù)。下同

2.3 多核SVM決策融合模型

本文的決策融合方法基于模糊隸屬度, 逐像元地判定融合后各像元的所屬類, 具體決策融合規(guī)則如下。對于同一位置的像元, 若該位置所屬類在各單核SVM分類結(jié)果中相同, 則將這一類別賦予決策融合后的相應(yīng)位置像元; 若各單核SVM分類結(jié)果不同, 則比較該位置像元周圍3×3窗口中最多的類別, 若某一單核的類別與其他單核相應(yīng)3×3窗口中出現(xiàn)次數(shù)最多的類別相同, 則將這一類賦予決策融合后的像元; 若不符合上述情況, 則計算該像元在各單核分類結(jié)果中屬于各類別的隸屬度, 通過公式(3)計算得到該位置像元對于各類別的隸屬度, 將隸屬度高的類別作為最終決策融合的結(jié)果。

3 結(jié)果與分析

3.1 精度評價指標(biāo)

本文將總體精度(overall accuracy,O)、Kappa系數(shù)和1分?jǐn)?shù)作為精度評價指標(biāo), 計算公式如下:

式中,T為標(biāo)簽為油膜且分類結(jié)果也為油膜的像素個數(shù),T為標(biāo)簽為海水且分類結(jié)果同為海水的像素個數(shù),F為被誤分為海水的油膜像素個數(shù),F為被誤分為油膜的海水像素個數(shù),r為準(zhǔn)確率,e為召回率。

圖6 多核SVM決策融合海面溢油檢測模型

O是分類正確的像元數(shù)與總像元數(shù)的比值, 能夠評價分類的總體準(zhǔn)確率, 但不適用于各類別測試樣本數(shù)量不均衡的情況, 本文實驗中油水樣本空間分布均勻、像元數(shù)量均衡, 可用O表征分類精度。

Kappa系數(shù)可用來判定分類效果, 基于混淆矩陣計算得出, 其值通常在0～1?？梢院饬繕颖緮?shù)量是否均勻, 越不平衡的混淆矩陣越低, 能利用評價分類精度的可靠性。

1分?jǐn)?shù)是評價二分類模型準(zhǔn)確度的指標(biāo), 綜合考慮了準(zhǔn)確率與召回率, 其取值范圍在0～1。1分?jǐn)?shù)越大, 模型分類效果越好。

3.2 構(gòu)建空譜特征數(shù)據(jù)集與溢油檢測分析

3.2.1 光譜與紋理特征的提取

本文首先運用上述方法提取出研究區(qū)的光譜特征。本文選擇的6個Sentinel-2多光譜遙感數(shù)據(jù)波段組合的OIF值如表4所示。OIF值越大, 兩個波段間的相關(guān)性越小, 波段組合后所包含的有效信息越多, 冗余信息越少。選擇OIF最大的前4個波段組合, 即B1與B6、B1與B5、B2與B6、B2與B5。

表4 波段組合OIF

對上述所選的波段組合進(jìn)行比值指數(shù)計算和歸一化指數(shù)計算, 得出新的光譜特征數(shù)據(jù)。表5為波段組合光譜參數(shù), 其中Bi表示Sentinel-2影像第波段的反射率。最終本文得到6個Sentinel-2單一光譜波段和8個光譜指數(shù), 共14個光譜特征數(shù)據(jù)用于后續(xù)最佳空譜特征數(shù)據(jù)集的篩選。

表5 光譜波段組合參數(shù)

通過GLCM得到的16個紋理特征在本文中表示為均值(Mean_)、方差(Variance_)、協(xié)同性(Homogeneity_)、對比度(Contrast_)、相異性(Dissimilarity_i)、信息熵(Entropy_)、二階矩(Second Moment_)和相關(guān)性(Correlation_), 其中窗口大小為3×3時,為1(例如Mean_1); 窗口大小為5×5時,為2(例如Mean_2)。最終得到用于篩選最佳空譜特征數(shù)據(jù)集的單波段光譜特征、光譜指數(shù)特征和紋理特征共30個。

3.2.2 建立空譜特征數(shù)據(jù)集

為了使光譜特征與空間紋理特征結(jié)合后能最大化發(fā)揮各自優(yōu)勢、減少信息冗余與計算量、提高模型檢測效率, 引入巴氏距離對備選的光譜特征與紋理特征進(jìn)行評價, 具體數(shù)據(jù)如表6所示。

表6 光譜與紋理特征巴氏距離

由表6可以看出R1、B1和R3的B達(dá)到了10以上, 明顯高于其他特征, 而Correlation_2和Contrast_2的B未達(dá)到1, 表示在這2個特征中油水可分性差, 不利于溢油檢測。圖7是R1、B1、R3和Correlation_2、Contrast_2的特征圖, 從目視上可以看出B高的3個特征油水對比明顯, 可分度高, 而B較小的2個特征噪聲過多, 幾乎無法區(qū)分出溢油與海水。

圖7 部分光譜紋理特征圖

從B1光譜特征圖中可以看出, 船只和云霧的亮度與溢油相似, 存在同譜異物現(xiàn)象, 僅從光譜特征訓(xùn)練模型會混淆分類目標(biāo)。從Correlation_2紋理特征圖中可以看出, 由于本研究區(qū)溢油與其他噪聲的灰度值變化特征相近, 灰度共生矩陣進(jìn)行紋理提取時會造成不同目標(biāo)具有相似紋理的情況。所以, 要對光譜與紋理特征進(jìn)行分析篩選, 以求達(dá)到優(yōu)勢互補的作用, 降低同譜異物和相似紋理的影響。此外, 還需對特征數(shù)量進(jìn)行選擇, 一味增加特征量會生成冗余噪聲信息, 使模型計算效率和分類準(zhǔn)確率降低。

為了確定最佳空譜特征數(shù)據(jù)集的特征數(shù)量, 本文開展不同特征量的溢油檢測對比試驗。按照B從大到小的順序選擇前5、10、15、20和25個特征量進(jìn)行疊加, 選取總樣本的10%用于訓(xùn)練, 90%用于測試, 以RBF為核函數(shù)的SVM作為分類模型, 分類結(jié)果如圖8所示。

從圖8(a)能夠明顯看出特征量為5的分類結(jié)果中能夠明顯看出油水誤分嚴(yán)重, 尤其在受海霧與傳感器影響的四角處, 檢測效果不佳。其他4組不同特征量的分類結(jié)果表現(xiàn)較好, 均能清晰區(qū)分出溢油形狀, 噪聲相對較少, 但仍有細(xì)微差別, 可在具體的精度評價中體現(xiàn)出。圖8(f)為表現(xiàn)最好的20個特征量與精度較差的5個特征量分類結(jié)果差異, 能清晰看出特征量為5的檢測結(jié)果于東北角與西南角分類錯誤較多, 這是由于特征參量不足, 導(dǎo)致SVM發(fā)生過擬合。

表7為5個不同特征量溢油檢測的精度評價表, 能夠看出特征量個數(shù)為20時, OA、Kappa系數(shù)和1分?jǐn)?shù)均為最高, 分類效果最理想; 25特征量分類結(jié)果的各精度指標(biāo)與20特征量相差甚小, 也具有很高的準(zhǔn)確率和可靠性, 但過多的特征量會造成信息冗余, 甚至易產(chǎn)生過擬合現(xiàn)象, 不利于提高分類準(zhǔn)確率; 特征量個數(shù)為5時, 3個精度評價指標(biāo)均為最低, 溢油檢測油水混淆嚴(yán)重, 分類效果最差, 與目視判斷分類結(jié)果圖一致。

圖8 不同特征數(shù)量RBF核函數(shù)分類結(jié)果圖

表7 不同特征數(shù)量溢油檢測的精度表

經(jīng)過對實驗結(jié)果的分析, 本文最終選擇B從大到小排列的前20個特征量作為最佳溢油空譜特征數(shù)據(jù)集。

3.3 基于不同特征數(shù)據(jù)集的溢油檢測

為了檢驗篩選出的最佳空譜特征數(shù)據(jù)集是否具有溢油檢測優(yōu)勢, 對比了不同類型數(shù)據(jù)集的檢測結(jié)果。本文選將單波段光譜特征、光譜指數(shù)特征和紋理特征分別疊加, 相互組合, 共得到7個涵蓋不同類型與特征數(shù)量的特征數(shù)據(jù)集。

依然選擇總樣本的10%用于訓(xùn)練, 90%用于測試, 以RBF為核函數(shù)的SVM作為分類模型, 分類結(jié)果如圖8所示?？梢钥闯? 圖9(c)光譜指數(shù)和圖9(b)單波段光譜的油水分類造成了大量信息損失, 且在研究區(qū)右側(cè)邊緣處與左下角存在許多誤分現(xiàn)象。單波段+紋理與指數(shù)+紋理的分類結(jié)果相對較好, 但均左上角在少量海水被錯誤分類為溢油。相比之下, 指數(shù)+紋理、光譜+紋理與單波段+指數(shù)+紋理的分類結(jié)果更好, 油水對比明顯, 噪聲更少, 但在許多細(xì)節(jié)處仍沒有本文篩選的最佳空譜特征數(shù)據(jù)集分類準(zhǔn)確, 存在許多細(xì)碎的海水區(qū)域被誤分為溢油。

表8詳細(xì)列出了不同特征數(shù)據(jù)集的特征數(shù)量與分類精度, 光譜指數(shù)與單波段光譜的1較低, 均未到0.8。光譜指數(shù)的O最低, 僅為78.07%, 與最佳空譜特征數(shù)據(jù)集的O相差11.18%, Kappa系數(shù)相差0.181,1分?jǐn)?shù)相差0.151, 無論是分類圖還是具體的精度數(shù)值上光譜指數(shù)特征集的分類效果均不佳。雖然單波段+指數(shù)的分類結(jié)果在分類圖中相較單波段光譜特征集與光譜指數(shù)特征集有明顯變化, 但在精度指標(biāo)的數(shù)值上提高并不多。

圖9 不同特征數(shù)據(jù)集RBF核函數(shù)分類圖

表8 不同特征數(shù)據(jù)集精度評價表

在作為對比實驗的7個特征數(shù)據(jù)集中, 精度最高的是指數(shù)+紋理特征集, 其O達(dá)到88.09%, Kappa系數(shù)為0.846,1分?jǐn)?shù)為0.886, 但其3個精度評價指標(biāo)均低于本文篩選出的最佳空譜特征數(shù)據(jù)集,O相差1.16%, Kappa系數(shù)相差0.008,1分?jǐn)?shù)相差0.003。

實驗結(jié)果表明本文篩選出的最佳空譜特征數(shù)據(jù)集溢油檢測O、Kappa系數(shù)和1分?jǐn)?shù)均高于其他特征數(shù)據(jù)集, 展現(xiàn)出更高的精度與一致性。這也再一次驗證了并非特征的數(shù)量越多分類效果越好。

3.4 多核SVM決策融合模型與單核模型溢油檢測

在確定了本研究的最佳空譜特征數(shù)據(jù)集后, 將該數(shù)據(jù)集應(yīng)用到不同的單核SVM模型中, 引入基于模糊隸屬度的決策融合算法實現(xiàn)多核SVM決策融合溢油檢測, 單核與多核的分類結(jié)果如圖10所示。

不同的核函數(shù)所得出的分類結(jié)果均不一致, 從整體上看, RBF、Linear和Polynomial核函數(shù)相差不大, 差別主要在研究區(qū)左上與右側(cè)邊緣處。Polynomial的碎斑較少, 但對于左上油水分布復(fù)雜的區(qū)域并沒有得到較好的處理。從圖11可以看出Sigmoid單核分類結(jié)果與多核SVM決策融合后存在很大差異, Sigmoid核函數(shù)分類錯誤較多, 初步分析, 由于訓(xùn)練集中存在混合像元、過擬合現(xiàn)象等因素, 使得Sigmoid核函數(shù)沒有正確區(qū)分出某些紋理特征中易被混淆的像元。

多核SVM決策融合后的圖像并沒有遺留Sigmoid中錯誤分類的問題, 克服了RBF的噪聲問題, 保留了研究區(qū)中央較多溢油區(qū)域的分類細(xì)節(jié)。從表9中單核與多核決策融合的精度數(shù)據(jù)可以看出: 在單核SVM溢油檢測中, RBF、Linear和Polynomial均有很好的分類表現(xiàn), 其中RBF的O最高, 達(dá)到89.25%, 而Polynomial的1分?jǐn)?shù)最高, 達(dá)到0.890; Sigmoid的各評價指標(biāo)均為最低, 與分類圖的效果一致。表10為多核SVM決策融合分類結(jié)果的混淆矩陣, 測試集油膜與海水樣本數(shù)量均衡, 總體分類準(zhǔn)確率高, 分類錯誤的情況多為油膜誤分為海水。多核決策融合的O、Kappa系數(shù)和1分?jǐn)?shù)均高于單核模型,O提高了1.0%～8.2%, Kappa系數(shù)提高了0.013～0.122,1分?jǐn)?shù)提高了0.009～0.097。多核決策融合算法將各單核的優(yōu)勢互補, 進(jìn)一步提高了海面溢油檢測的準(zhǔn)確性。

圖10 單核與多核SVM溢油檢測分類結(jié)果

圖11 Sigmoid與多核決策融合分類結(jié)果差異圖

表9 單核與多核決策融合精度評價表

表10 多核SVM決策融合混淆矩陣

4 結(jié)論與展望

利用Sentinel-2多光譜遙感數(shù)據(jù)構(gòu)建光譜和紋理特征, 基于巴氏距離篩選出最佳空譜特征數(shù)據(jù)集, 再構(gòu)建SVM海面溢油檢測模型從背景海水中區(qū)分出油膜, 最后將單核SVM分類結(jié)果通過算法進(jìn)行決策融合與精度評價, 得出結(jié)論如下:

1) 以巴氏距離最大為準(zhǔn)則, 對構(gòu)建的30個單波段光譜、光譜指數(shù)和空間紋理特征進(jìn)行評價, 組建不同特征量的溢油空譜數(shù)據(jù)集。經(jīng)過對比實驗, 最終得出藍(lán)光/短波紅外(R1)、藍(lán)光(B1)、綠光/短波紅外(R3)和熵(Entropy_1)等20個特征組成最佳溢油檢測空譜特征數(shù)據(jù)集, 適用于Sentinel-2衛(wèi)星遙感溢油檢測。

2) 對于不同的特征數(shù)據(jù)集進(jìn)行基于RBF核函數(shù)的SVM模型分類, 結(jié)果顯示, 本文構(gòu)建的最佳空譜特征數(shù)據(jù)集對應(yīng)的分類精度最高, 相比指數(shù)+紋理特征集的O提高了1.16%, Kappa系數(shù)提高0.008,1分?jǐn)?shù)提高0.003; 與光譜指數(shù)特征集相比,O增加了11.18%, Kappa系數(shù)提高0.181,1分?jǐn)?shù)增加0.151。

3) 提出的多核SVM決策融合溢油檢測模型的精度在各個指標(biāo)上均有提升, 與單核模型相比O提高了1.0%～8.2%, Kappa系數(shù)提高了0.013～0.122,1分?jǐn)?shù)提高了0.009～0.097。

基于特征選擇方法可以篩選出檢測準(zhǔn)確率更高的最優(yōu)特征數(shù)據(jù)集, 多核決策融合可以無需進(jìn)行核函數(shù)的選擇而達(dá)到更高的檢測精度, 為海面溢油多光譜遙感檢測的特征選擇與方法提供重要參考。值得注意, 決策融合后雖對噪聲得到改善, 但未完全解決暗油膜與復(fù)雜背景海水的同譜異物或相似紋理的情況, 還需進(jìn)一步改善檢測效果, 且在4個單核SVM模型與多核決策融合模型的分類結(jié)果均將船只錯誤分類為溢油, 這是由于本研究區(qū)船只的遙感反射率和灰度紋理特征與油膜相似。溢油檢測研究中可以通過艦船檢測方法識別船只并將其掩膜。

[1] 任廣波, 過杰, 馬毅, 等. 海面溢油無人機(jī)高光譜遙感檢測與厚度估算方法[J]. 海洋學(xué)報, 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]. Haiyang Xuebao, 2019, 41(5): 146-158.

[2] SUN S, HU C, TUNNEL J W J. Surface oil footprint and trajec-tory of the Ixtoc-I oil spill determined from Landsat/MSS and CZCS observations[J]. Marine Pollution Bulletin, 2015, 101(2): 632-641.

[3] 蘇偉光, 蘇奮振, 杜云艷. 基于MODIS譜紋信息融合的海洋溢油檢測方法[J]. 地球信息科學(xué)學(xué)報, 2014, 16(2): 299-306.

SU Weiguang, SU Fenzhen, DU Yunyan. MODIS based spectral and texture integration oil spill detection me-thod[J]. Journal of Geo-information Science, 2014, 16(2): 299-306.

[4] HU C, LIAN F, HOLMES J, et al. Remote sensing estimation of surface oil volume during the 2010 Deepwater Horizon oil blowout in the Gulf of Mexico: Scaling up AVIRIS observations with MODIS measurements[J]. Journal of Applied Remote Sensing, 2018, 12(2): 026008.

[5] 陸應(yīng)誠, 劉建強, 丁靜, 等. 中國東?！吧＜陛喴缬臀廴绢愋偷墓鈱W(xué)遙感識別[J]. 科學(xué)通報, 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.

[6] 沈亞峰, 劉建強, 丁靜, 等. 海洋一號C星光學(xué)載荷對海面溢油的識別能力分析[J]. 遙感學(xué)報, 2020, 24(8): 933-944.

SHEN Yafeng, LIU Jianqiang, DING Jing, et al. HY-1C COCTS and CZI observation of marine oil spills in the South China Sea[J]. Journal of Remote Sensing (Chinese), 2020, 24(8): 933-944.

[7] 包萌, 張杰, 張晰, 等. 光譜信息與紋理特征結(jié)合的GF-1海上溢油檢測研究[J]. 海洋科學(xué)進(jìn)展, 2020, 38(3): 504-512.

BAO Meng, ZHANG Jie, ZHANG Xi, et al. Oil spill detection from GF-1 images with spectral and textural feature[J]. Advances in Marine Science, 2020, 38(3): 504-512.

[8] 杜凱, 馬毅, 姜宗辰, 等. 海面太陽耀斑區(qū)的溢油光學(xué)遙感CNN檢測方法研究[J]. 海洋科學(xué), 2021, 45(4): 22-30.

DU Kai, Ma Yi, JIANG Zongchen, et al. Detection of oil spill in the sun glint region of optical remote sensing data based on the convolutional neural network method[J]. Marine Sciences, 2021, 45(4): 22-30.

[9] SRIVASTAVA H, SINGH T P. Assessment and development of algorithms to detection of oil spills using MODIS data[J]. Journal of the Indian Society of Remote Sensing, 2010, 38(1): 161-167.

[10] RAJENDRAN S, VETHAMONY P, SADOONI F N, et al. Detection of Wakashio oil spill off Mauritius using Sentinel-1 and 2 data: Capability of sensors, image trans-formation methods and mapping[J]. Environmental Pollution, 2021, 274: 116618.

[11] CHAUDHARY V, KUMAR S. Marine oil slicks detection using spaceborne and airborne SAR data[J]. Advances in Space Research, 2020, 66(4): 854-872.

[12] 范劍超, 王濤. 基于非負(fù)矩陣分解和支持向量機(jī)的墨西哥灣溢油HJ-1星遙感圖像分類[J]. 海洋環(huán)境科學(xué), 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.

[13] 譚琨, 杜培軍. 基于支持向量機(jī)的高光譜遙感圖像分類[J]. 紅外與毫米波學(xué)報, 2008(2): 123-128.

TAN Kun, DU Peijun. Hyperspectral remote sensing image classification based on support vector machine[J]. Journal of Infrared and Millimeter Waves, 2008(2): 123- 128.

[14] LU Y C, LI X, TIAN Q J, et al. Progress in marine oil spill optical remote sensing: detected targets, spectral response characteristics, and theories[J]. Marine Geodesy, 2013, 36(1): 334-346.

[15] CORTES C, VAPNIK V. Support-Vector networks[J]. Machine Learning, 1995, 20(3): 273-297.

[16] 李廣洋, 寇衛(wèi)利, 陳幫乾, 等. 多核學(xué)習(xí)算法及其在高光譜圖像分類中的應(yīng)用研究進(jìn)展[J]. 地球信息科學(xué)學(xué)報, 2021, 23(3): 492-504.

LI Guangyang, KOU Weili, CHEN Bangqian, et al. Mul-ti-ple kernel learning algorithm and its application resea-r-ch progress in hyperspectral image classification[J]. Jour-nal of Geo-information Science, 2021, 23(3): 492-504.

[17] 汪廷華, 陳峻婷. 核函數(shù)的選擇研究綜述[J]. 計算機(jī)工程與設(shè)計, 2012, 33(3): 1181-1186.

WANG Tinghua, CHEN Junting. Survey of reserch on kernel selection[J]. Computer Engineering and Design, 2012, 33(3): 1181-1186.

Multi-spectral remote sensing detection of marine oil spill based on multi-kernel SVM decision fusion model

DAI Yu-xin1, 2, MA Yi2, 3, JIANG Zong-chen4, DU Kai5, WANG Hai-qi1

(1. College of Oceanography and Space Informatics, China University of Petroleum (East China), Qingdao 266580, China; 2. First Institute of Oceanology, Ministry of Natural Resources, Qingdao 266061, China; 3. Technology Innovation Center for Ocean Telemetry, Ministry of Natural Resources, Qingdao 266061, China; 4. Harbin Institute of Technology, Harbin 150001, China; 5. Shandong University of Science and Technology, Qingdao 266590, China)

After an oil spill accident, accurate oil spill detection is needed to support the on-site emergency response to the accident and the rapid and effective treatment of sea surface pollution. In this paper, a sentinel-2 multispectral remote sensing image is used to construct spectral feature indices based on the OIF index to extract the spectral features of oil spills on the sea surface. The texture features of oil spills are extracted based on the gray level co-occurrence matrix (GLCM). The feature selection method is used to construct an optimal texture and spectral feature dataset of oil spills on the sea surface. In this paper, a multi-core decision fusion support vector machine (SVM) model is proposed to detect the oil spill accident of the “A Symphony” tanker in the Yellow Sea. The experimental results show that under the complex water-color background, the detection results of the optimal texture and spectral feature dataset reach 89.25%, the Kappa coefficient is 0.854, and the1-score is 0.889. After multi-kernel SVM decision fusion, the OA, Kappa coefficient, and1-score reach 90.26%, 0.866, and 0.898, respectively. The OA, Kappa coefficient, and1-score increase by 1.0%–8.2%, 0.013–0.122, and 0.009–0.097, respectively, compared with those of the single-kernel SVM. The experimental results show that the proposed oil spill detection model has high accuracy and robustness, and the proposed method is suitable for oil spill detection.

remote sensing; oil spill detection; feature extraction; support vector machine (SVM); decision fusion

Aug. 24, 2021

[Natural Science Foundation of China, No. 61890964; Joint Funds of the National Natural Science Foundation of China, No. U1906217]

P76

A

1000-3096(2022)07-0011-13

10.11759/hykx20210824001

2021-08-24;

2021-11-29

國家自然科學(xué)基金重大項目 (61890964); 山東省聯(lián)合基金項目(U1906217)

戴渝心(1998—), 女, 碩士研究生, 主要從事遙感圖像處理與應(yīng)用研究, E-mail: dyx0726@fio.org.cn; 馬毅(1973—),通信作者, 男, 研究員, 主要從事海島海岸帶遙感與應(yīng)用研究, E-mail: mayimail@fio.org.cn

(本文編輯: 叢培秀)