DeepLab-AFOS：一种基于极化SAR优势特征的海洋石油泄漏检测方法

《Marine Policy》：DeepLab-AFOS: A marine oil spill detection method based on advantageous features from polarimetric SAR

　　黄一凯|刘秉心|刘宝展|李颖|冰磊|程凌晓中国大连116026，大连海事大学导航学院摘要海洋石油泄漏会严重破坏海洋生态系统，并造成巨大的经济损失。准确的检测与提取是海洋石油泄漏监测和应急响应中最关键、最基础的要求。尽管SAR在海洋石油泄漏检测中的应用已得到广泛研究，但现有大多数方法仅依赖SAR后向散射信息，对极化特征和纹理特征的整合有限。这种不足往往导致难以将石油泄漏与相似现象区分开来。为了解决这一难题，我们构建了一个包含多重特征的双极化SAR数据集（AF-OS），这些特征包括协方差矩阵、极化参数以及纹理描述符。基于该数据集，我们提出了一种名为DeepLab-AFOS的极化SAR石油泄漏检测方法。通过使用不同特征组合的数据集进行的对比实验表明，AF-OS中所包含的特征显著提升了石油泄漏检测的准确性。此外，模型比较结果显示，DeepLab-AFOS的性能优于U-Net、PSP-Net、ResNet-UNet、Segmenter-B、OSDMamba和DeepLabV3+等模型，其准确率为97.2%，F1值为95.8%，MIoU值为92.06%。我们还将DeepLab-AFOS应用于墨西哥湾的一次实际石油泄漏事件，其检测结果与实地验证一致，能够准确识别石油泄漏并将其与相似现象区分开。AF-OS和DeepLab-AFOS均为准确检测海洋石油泄漏提供了有效解决方案。引言石油泄漏不仅会污染和破坏海洋、浮游生物及沿海生态环境，导致海洋生物大量死亡，还会间接影响整个食物链，给周边地区带来巨大的经济损失和环境破坏（Al-Ruzouq等人，2020年）。随着海上交通和海上石油开采的不断增加，由船舶操作和管道破裂引发的石油泄漏事件依然频发（Patil等人，2025年），这对全球海洋环境构成了长期威胁。因此，如何准确及时地检测海洋石油泄漏并减轻其带来的危害，已成为亟待解决的问题。合成孔径雷达因其具备全天候、全时段成像能力，已成为海洋石油泄漏检测中最广泛应用的技术（Liu等人，2021年；Ma等人，2022年；Zheng等人，2025年）。SAR传感器会主动发射信号来监测目标物，由于油膜降低了海面粗糙度，布拉格波强度会减弱，因此海洋石油泄漏在SAR图像中表现为相对较暗的区域（Jaruwatanadilok等人，2023年；Zhang等人，2024年）。然而，由于SAR的成像机制以及外部环境干扰，SAR图像通常存在大量噪声和虚假目标（Zhang等人，2017年）。诸如低风区及生物源油膜之类的相似现象在SAR图像中也可能呈现为暗色斑块，这给海洋石油泄漏检测带来了巨大挑战，也是亟需解决的关键问题。使用单极化SAR数据检测海洋石油泄漏时，很容易受到相似现象的影响而出现误分类，从而导致检测精度较低（Li等人，2016年）。极化SAR系统通过以多种极化组合方式发射和接收电磁波，能够获取关于目标的更详细的物理信息（Liao等人，2023年；D. Wang等人，2024a年）。某些极化特征可以有效抑制海洋杂波，增强石油泄漏、相似现象与周围海水之间的对比度，在海洋石油泄漏监测中具有很大的应用潜力（Li等人，2021年）。例如，研究人员曾利用Sentinel-1卫星的双极化SAR数据，采用基于SVM的方法，对2017年印度埃诺尔港发生的石油泄漏事件进行了研究（Dasari等人，2022年）。然而，像SVM这样的传统检测方法往往依赖于阈值设定或模型参数调整，这带来了相当大的主观性和不确定性，限制了其在海洋石油泄漏检测中的准确性和泛化能力（Ma等人，2022年）。与传统的基于SAR的石油泄漏检测方法相比，基于深度学习的SAR检测方法可以通过数据驱动的模型自动学习与石油泄漏相关的图像特征，从而更准确地检测出泄漏点。目前，已有大量研究致力于利用深度学习技术进行海洋石油泄漏检测（Chen等人，2025年；Ren等人，2025年）。研究人员利用卷积神经网络研究油膜的厚度，并将其与传统方法如支持向量机及随机森林进行比较，结果表明即便简单的CNN模型也优于传统方法（Liu等人，2019年）。为研究不同尺度下石油泄漏的复杂形态及其时间演变，尤其是在低风条件下的情况，有人利用Envisat卫星数据建立了SAR石油泄漏数据集，并提出了具有多通道输入的M-DNN模型（Hasimoto-Beltran等人，2023年）。为确定基于Sentinel-1 SAR图像的深度学习模型在石油泄漏分割中的最佳参数配置，研究人员又利用Sentinel-1数据构建了相应的SAR石油泄漏数据集。基于该数据集，他们通过整合CNN和U-Net模型，提出了两阶段的石油泄漏检测框架（Trujillo-Acatitla等人，2024年）。为减少海浪对石油泄漏检测的影响并提高小型目标识别的准确性，研究人员利用Sentinel-1和PALSAR卫星的SAR数据建立了深度SAR石油泄漏二分类数据集，并提出了上下文边界检测网络（CBD-Net）（Zhu等人，2022年）。为探索如何在SAR图像中区分石油泄漏与相似现象，有人基于Sentinel-1数据构建了一个包含石油泄漏、相似现象、船舶和陆地共五类的数据集。在该数据集上对多种模型的性能进行了评估，结果显示DeepLabV3+模型的性能最佳（Krestenitis等人，2019年）。然而，由于数据处理方面的困难以及模型输入的复杂性，这些研究主要只考虑了双极化SAR数据的后向散射强度，未能充分利用其丰富的极化特征和纹理信息，因此所提出的方法在消除相似现象方面效果不佳。将极化特征引入海洋石油泄漏检测已成为研究热点，尤其是为了消除相似现象。Ma和Song（Ma等人，2022年；Song等人，2024年）基于Sentinel-1影像构建了两个不同的双极化SAR数据集，这些数据集均包含了极化特征。这些数据集包括协方差矩阵的四个对角元素（C11、C12、C21、C22）以及三个极化分解参数：极化熵（H）、极化各向异性（A）和平均散射角（α）。这些极化描述符的加入增强了SAR数据集的极化特性。研究人员还据此对DeepLabV3+和Trans-Unet模型进行了修改，用于石油泄漏检测。协方差矩阵的对角元素源自双极化SAR图像中的极化散射矩阵（Chaturvedi等人，2020年），它反映了散射成分的功率强度，突出了油膜与海水之间的反射差异，因此在海洋石油泄漏检测中起着至关重要的作用。而H、A和α这三个极化分解参数则能够捕捉石油泄漏与海水之间对比度的不同方面，已被广泛应用于海洋石油泄漏检测任务中（Chen等人，2017年；Wang等人，2022年）。不过，上述研究并未深入评估不同极化特征作为深度学习数据集组成部分时的相对有效性。从双极化SAR数据中提取的不同极化特征，在区分石油与海水方面的能力各不相同（Li等人，2021年）。此外，SAR成像条件、传感器参数以及其他环境因素造成的特定干扰也会显著降低图像质量。在使用不同极化特征进行石油泄漏检测时，检测的准确性和稳定性可能会存在很大差异（Cheng等人，2024a年）。因此，在深度学习模型的训练过程中，低质量的极化特征会导致数据冗余、增加计算成本，最终降低模型精度。为了解决这一问题，Cheng等人（2024a年）比较了在特定干扰条件下，从Sentinel-1双极化SAR数据中提取的12种不同特征在海洋石油泄漏检测中的提取精度和稳定性。该研究确定了三种有效的特征：协方差矩阵的对角元素C11、复合极化参数(1-H)×(1-A)以及纹理特征熵。这种复合极化特征是对传统三种基本极化特征参数H、A和α的改进和延伸，是通过数学变换得到的（Schuler和Lee，2006年）。这种复合参数在海洋石油泄漏识别任务中表现出优异的性能（Cheng等人，2024a年，Cheng等人，2024b年）。通过灰度共生矩阵方法处理的纹理特征熵能够准确区分平滑的油膜区域与波浪纹理，从而有效区分SAR图像中的石油泄漏与相似现象（Concei??o等人，2021年）。这些有效特征从三个不同角度体现了石油泄漏的特性，且在区分石油与海水方面具有很强的能力。它们在复杂环境下依然保持稳定，展现出在区分石油泄漏与相似现象方面的巨大潜力。不过，目前尚未基于这些有效特征构建任何数据集，这限制了其在深度学习框架中的进一步应用。为丰富包含极化SAR信息的石油泄漏检测数据集，并解决区分石油泄漏与相似现象的难题，我们开展了一项研究，旨在构建一个多维极化SAR石油泄漏检测数据集，并开发一种针对此类特征设计的检测方法。(1) 我们利用Sentinel-1卫星的双极化SAR数据，构建了一个用于石油泄漏检测的优势特征双极化SAR数据集（AF-OS）。该数据集中的石油泄漏图像来自全球各地，能够充分体现各种海洋石油泄漏场景。(2) 基于DeepLabV3+，我们提出了一种名为DeepLab-AFOS的石油泄漏检测方法。该方法在DeepLabV3+架构的基础上，加入了通道注意力机制和空间注意力机制，同时还引入了可变形通道注意力模块，以提高模型学习多维石油泄漏特征的能力、抑制干扰，并实现准确的石油泄漏识别。(3) 通过多项实验和实际案例研究，我们验证了所构建的AF-OS数据集以及所提出的DeepLab-AFOS方法在准确检测海洋石油泄漏方面的有效性。数据集片段AF-OS数据集由于目前含有极化特征的双极化SAR石油泄漏数据集较为稀缺，且缺乏基于优势特征构建的数据集，我们于是构建了一个名为“用于石油泄漏监测的优势双极化SAR特征”（AF-OS）的新数据集，其中包含52个含有石油泄漏场景的图像。该数据集中的所有双极化SAR图像均来自Sentinel-1卫星，相关数据可通过官方Copernicus平台获取。实验设计本部分设计了四项实验，用于同时评估数据集和模型，旨在证明AF-OS数据集的优越性以及所提模型的准确性：1) 数据集对比实验：将四个构建的数据集按8:2的比例划分，其中80%用于训练，20%用于验证。然后分别将每个数据集输入DeepLab-AFOS模型，通过性能对比来评估不同数据集的效果。2) 模型对比数据集对比将四个数据集分别作为输入送入DeepLab-AFOS模型，最终的验证结果如表2所示。AF-OS数据集在所有指标上的表现均最为出色，其准确率为97.20%，F1值为95.80%，MIoU值为92.06%，IoU?（海洋石油泄漏）为87.23%，IoU?（相似现象）为87.00%，IoU?（陆地）为99.04%。相反，D-1数据集的各项指标则最低。优势特征在提升海洋石油泄漏检测精度中的作用在避免各种海浪和相似现象的干扰的同时，提高海洋石油泄漏检测的精度和速度仍是一项重大挑战。从数据角度来看，双极化SAR图像包含丰富的土地覆盖信息，且易于获取，能为深度学习模型提供充足的训练样本。我们利用从双极化SAR中提取的三个有用的特征构建了AF-OS数据集，用于海洋石油泄漏检测。为提高海洋石油泄漏检测的准确性，并解决区分石油泄漏与类似现象的难题，我们提出了一种基于双极化SAR图像所衍生有用特征的检测方法。鉴于目前双极化SAR极化特征数据集的匮乏，我们利用Sentinel-1双极化SAR数据构建了AF-OS数据集。该数据集包含三个有用特征：C11、(1-H)×(1-A)以及熵值。

CRediT作者贡献说明：黄一凯：撰写——初稿；刘秉新：监督、方法设计；刘宝展：资源提供、调研工作；李颖：项目管理、资金筹措；丁磊：验证、资源协调；程凌晓：数据可视化、数据整理。

利益冲突声明：作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。

致谢：本研究得到了中国国家重点研发计划（2023YFC3108300）、国家自然科学基金（52471375）以及中央高校基本科研业务费资助（3132024633）。