基于Sentinel-2遥感数据与U-Net神经网络的油污污染精准监测与修复优先级评估

本研究针对传统石油烃污染监测方法成本高、效率低的问题，创新性整合Sentinel-2多光谱影像与U-Net神经网络，在科威特Burgan油田实现97.054%精度的污染分类（干/湿油湖、油污堆），构建修复优先级图谱，为环境管理提供高性价比解决方案。

　　

石油污染是困扰全球环境治理的顽疾，尤其在科威特Burgan油田这类大型产油区，1991年海湾战争遗留的700余口燃烧油井形成了300多个油湖，传统检测方法单样本分析成本高达300美元，耗时长达12小时。面对195.43平方公里污染区域的监测需求，网格化采样需耗费290万美元——这催生了遥感技术与人工智能的革新性融合。

科威特石油公司（Kuwait Oil Company）联合国际研究团队开创性地将Sentinel-2卫星的多光谱数据与U-Net卷积神经网络结合，开发出4-6小时即可完成全区域扫描的智能监测系统。研究通过分析B08A-B11-B12波段组合在1700-2300nm的烃类特征吸收峰，配合180个土壤样本的TPH（总石油烃）、pH值等地面验证数据，构建了包含4320个图像块（128×128像素）的训练集。特别设计的区块划分策略确保训练区与测试区间隔1公里以上，有效规避了空间自相关干扰。

关键技术包括：1）Sentinel-2 Level-2A大气校正数据预处理；2）改进型烃类指数HI（Hydrocarbon Index）计算；3）含跳跃连接的U-Net分割网络（含3层编码器-解码器结构）；4）基于核密度估计（KDE）的热点分析。模型在测试集上展现出差异化性能：对油污堆识别召回率达99.92%（IoU 71.68%），湿油湖识别精度96.33%，而干油湖因风化效应出现74.362%的召回率。

【研究结果】

3.1 神经网络性能

模型整体准确率97.054%，但通过3D散点图分析发现存在"高敏感度偏差"——预测污染面积比地面实测大15%（干油湖83.7 vs 79.8 km²），揭示其能捕捉肉眼难辨的早期污染。

3.2 污染类型差异

决策树分析显示三类污染具有显著光谱差异：干油湖在SWIR波段反射率降低23%，湿油湖在Red-Edge波段（705nm）吸收增强，而油污堆呈现独特的空间聚集性（Moran's I=0.59）。

3.4 环境因子影响

线性回归表明土壤pH值（β=0.336）和电导率（15,151 μS/cm）是预测污染扩散的关键参数，有机碳>4.7%的区域污染滞留风险增加2.3倍。

3.5 修复优先级图谱

将污染强度按百分位划分四级：>75%分位（TPH>198,432 mg/kg）的"极端优先区"占12.7%，需采用热脱附处理；50-75%分位（105,748 mg/kg）建议生物修复。

这项研究的意义在于：1）成本降低99.99%，使大范围监测成为可能；2）首创的B08A-B11-B12波段组合克服了碳酸钙在2300nm的光谱干扰；3）构建的开放数据集含200+景Sentinel-2影像。论文讨论部分特别指出，该方法在伊拉克油田的迁移测试中保持85%准确率，但在高植被覆盖区需结合NDVI（归一化植被指数）进行修正。未来通过集成SAR雷达数据，可进一步提升多云条件下的监测鲁棒性。