针对海洋石油泄漏污染监测的增强型迁移学习方法

《Remote Sensing Applications: Society and Environment》：Enhanced transfer learning for marine oil spill pollution monitoring

油污检测是海洋环境保护的关键，本研究利用SAR图像通过迁移学习在ResNet18、ResNet50、EfficientNet-B0三模型中，ResNet50达到最高验证精度87.86%，同时分析模型效率与精度平衡。

　　

阿纳加·S·达瓦利卡尔

VPPCOE & VA，印度孟买

摘要

油污检测是海洋环境保护和灾害管理中的关键组成部分。利用合成孔径雷达（SAR）图像的遥感技术为识别和监测油污提供了一种一致且可靠的方法。在本研究中，采用了迁移学习技术，将三个先进的深度卷积神经网络（CNN）——ResNet18、ResNet50和EfficientNet-B0（这些网络已在ImageNet数据集上预训练过）——适配到SAR图像中油污及其类似物的二分类任务中。通过一个包含278张油污图像和262张类似物图像的平衡数据集，在10个训练周期内，ResNet18、ResNet50和EfficientNet-B0的训练准确率均达到了95-97%的范围。其中ResNet50的验证准确率最高，为87.86%，测试准确率为84.05%。EfficientNet-B0虽然体积更小、运行速度更快，但其验证性能略低。ResNet18在速度和准确性之间取得了平衡，而如果资源允许的话，ResNet50在准确性方面表现更优。

引言

日常船舶活动以及非法向海洋排放石油造成的海洋油污比船舶事故和意外发生的石油平台事件更为严重（Kesava Rao等人，2016年）。根据欧洲航天局（ESA）的报告（ESA出版部门），这类活动每年会排放近200万吨石油，相当于每周发生一次大型油轮泄漏事件。尽管海洋生态系统具有自我清除和分解海洋中石油的能力（Solberg和Volden，1997年），但来自船舶和石油平台等人为来源的石油污染仍然对这一脆弱平衡构成了严重威胁。

如果船舶活动不频繁，对海洋生态的破坏可能较小。然而，如果每天都有大量船舶发生此类事件，问题就会变得非常严重。日常油污泄漏对海洋生物多样性、沿海环境以及渔业和旅游业等经济活动构成了严重威胁。快速而准确的检测对于实施有效的控制和处理策略至关重要。遥感技术，特别是SAR（合成孔径雷达）成像，因其能够在各种光照和气象条件下捕捉海面特征而备受重视。发现油污最有效的SAR配置是C波段单极化、VV波段，入射角在20-45°之间（Brekke和Solberg，2008年）。在现有的C波段SAR任务中，Sentinel-1 SAR任务因其C波段单极化（HH & VV）的特性、较短的12天重访周期以及免费和开放的使用方式而被认为在油污检测方面更为适用。表1比较了各种C波段SAR操作（Wilson，2019年），包括本研究中使用的Sentinel-1 SAR图像。传统的检测方法依赖于人工解释或基于手工特征的机器学习算法。尽管这些方法有一定作用，但它们存在可扩展性限制、对噪声的敏感度较高以及在不同条件下的鲁棒性较低的问题。深度学习，特别是使用CNN，通过实现自动特征提取和提高了分类任务的准确性，彻底改变了这一领域。

相关工作

相关研究

由于对及时和准确的环境监测需求不断增加，SAR图像中的油污检测引起了大量研究兴趣。Fingas等人（Fingas和Brown，2014年）的综述提供了关于遥感原理和油污检测复杂性的基础理解，并强调了基于机器学习和深度学习的智能算法的必要性。近期的一些研究采用了机器学习和深度学习技术

数据集

本研究使用的数据集来自Marios Krestenitis等人（2019年）提供的公开可用的油污检测数据集。为了应用深度CNN架构进行迁移学习，从该数据集中选取了一个包含278张标记为油污的SAR图像样本和262张标记为类似物的样本的子集。这个子集被用来训练和评估三个预训练模型的性能：ResNet18、ResNet50和EfficientNet B0。

结果与讨论

图1中的折线图展示了使用SAR图像进行油污检测的三个深度学习模型——ResNet18、ResNet50和EfficientNet-B0——在10个训练周期内的训练准确率和验证准确率的变化情况。

对于ResNet50模型，训练准确率迅速上升至95%以上，并在各个周期内保持稳定。验证准确率相对稳定在85%-90%之间，显示出比ResNet18更好的泛化能力。其训练准确率和验证准确率之间的差距较小

结论

本研究探讨了基于深度学习的迁移学习模型ResNet18、ResNet50和EfficientNet B0在SAR图像中识别油污及其类似现象的有效性。通过利用Marios Krestenitis等人整理的油污检测数据集的子集，从训练/验证准确率、测试准确率、混淆矩阵指标以及计算效率等多个方面评估了这些模型的性能。

局限性与未来工作

• ?
  当前的分析主要集中在分类准确率的确定性估计上，没有明确讨论预测不确定性。在未来的工作中，整合不确定性量化（UQ）框架可以显著提高油污检测模型的可靠性。贝叶斯神经网络（BNNs）、蒙特卡洛Dropout和深度集成等技术可以捕捉由模型参数限制引起的认知不确定性，同时预测熵等指标也可以帮助提高模型的预测能力

伦理声明

• 1.
  本材料是作者的原创作品，此前未在其他地方发表过。
• 2.
  本文目前尚未考虑在其他地方发表。
• 3.
  本文真实且完整地反映了作者的研究和分析结果。
• 4.
  研究结果适当置于先前和现有研究的背景下进行讨论。
• 5.
  所有使用的来源均已正确标注（引用正确）。如果直接复制文本，必须使用引号标明并给出适当的出处

利益冲突声明

作者声明他们没有已知的财务利益冲突或个人关系可能影响本文所述的工作。