《Journal of Marine Science and Engineering》：A Review of Oil Spill Detection and Monitoring Techniques Using Satellite Remote Sensing Data and the Google Earth Engine Platform
Minju Kim,
Jeongwoo Park and
Chang-Uk Hyun
编辑推荐：
溢油是严重的环境灾害，会对海洋生态系统造成长期破坏，并带来显著的经济成本，这凸显了对高效检测与监测技术的迫切需求。传统的基于现场的观测方法虽然具有重要价值，但受限于空间覆盖范围有限、成本高以及劳动密集型流程，因此难以适用于大范围或快速响应场景。为克服这些挑战，
溢油是严重的环境灾害，会对海洋生态系统造成长期破坏，并带来显著的经济成本，这凸显了对高效检测与监测技术的迫切需求。传统的基于现场的观测方法虽然具有重要价值，但受限于空间覆盖范围有限、成本高以及劳动密集型流程，因此难以适用于大范围或快速响应场景。为克服这些挑战，卫星遥感已被用作溢油监测的有效替代方案。尤其是作为一种基于云的地理空间平台，谷歌地球引擎（Google Earth Engine, GEE）的出现通过实现大规模卫星遥感数据集的管理与分析，改变了溢油研究范式。本文综述了利用GEE开展溢油检测的相关研究，涵盖海洋环境及其相互连通的水体系统，重点关注基于光学影像与合成孔径雷达（Synthetic Aperture Radar, SAR）数据的方法，以及融合机器学习技术的研究路径。分析表明，GEE通过促进快速数据处理、支持可复现工作流以及扩展多源卫星数据获取能力，显著提升了溢油监测水平。此外，本文强调，为提高复杂海洋与海岸环境中的检测精度及业务化适用性，亟需引入超高空间分辨率卫星数据，并在GEE内部实现与外部深度学习框架更紧密的集成。
1. Introduction
引言部分系统阐述了海洋溢油的环境与社会经济危害，以及建立快速、可靠监测体系的必要性。文中指出，溢油事件会破坏海岸盐沼等敏感生境，削弱渔业资源，并对旅游业造成持续冲击。以“深水地平线”事故为代表的大型灾害表明，溢油不仅污染范围广，而且生态与经济损失极其巨大。尽管长期统计显示大型油轮事故数量较20世纪70年代已明显下降，但中小规模泄漏事件仍持续发生，且可能存在漏报问题。在气候变率、航运活动增强以及海洋基础设施老化等多重驱动下，溢油的时空演化过程正变得更加复杂，因此亟需依托先进技术实现早期识别与全过程监测。
文中进一步评述了传统现场观测方法的局限性。港口巡查、船载监测和人工目视调查虽然在局地尺度上有效，但受空间覆盖不足、现场进入困难、观测成本高和时效性差等因素制约，在恶劣海况、低能见度及偏远海域条件下尤其难以满足应急监测需求。相较之下，卫星遥感能够提供大范围、周期性、同步化观测，适合用于溢油扩散、漂移和消散过程的连续追踪。文章以Sentinel-2与Sentinel-1为例，说明多光谱影像和C波段合成孔径雷达（SAR）在分辨率、重访周期及全天候能力方面对溢油监测的重要支撑作用。同时，作者指出，随着卫星数据量和复杂度持续上升，数据预处理、时序管理与计算资源需求成为主要瓶颈，而GEE凭借云端并行计算和多源数据目录访问能力，为大规模海洋溢油监测提供了关键技术基础。基于此，论文提出对GEE框架下的海洋溢油检测与监测研究进行综合评述。
2. Satellite Remote Sensing Data-Based Marine Oil Spill Detection and Monitoring Cases
本节从光学遥感与SAR遥感两条主线，梳理了基于卫星遥感的海洋溢油检测与监测案例，重点总结不同传感器的数据特征、适用场景及相关研究进展。
2.1. Optical Satellite Imagery-Based Oil Spill Detection Cases
该小节首先说明，溢油膜的光谱响应会受到太阳入射角、传感器观测几何、海面粗糙度、风化过程及油膜厚度等因素共同影响。在可见光与近红外区域，油膜通常表现出与周围海水不同的反射率特征，薄油膜可能呈现银白色或彩虹状干涉现象，而厚油膜或风化油则常表现为较暗色调，并在600–700 nm附近具有特征性反射差异。这些油水光谱差异构成了光学遥感溢油检测的基础，也使油类识别、厚度判别和时序变化分析成为可能。
在具体传感器应用方面，文章总结了Sentinel-2、Terra/Aqua搭载的中分辨率成像光谱仪（MODIS）、Landsat系列及WorldView等平台的研究案例。Sentinel-2多光谱仪（MSI）具备13个波段和最高10 m空间分辨率，适于近实时溢油监测，有研究利用溢油指数（OSI）和去相关拉伸方法识别毛里求斯Wakashio事故及苏伊士运河口附近溢油。MODIS则以宽幅覆盖和1–2 d短重访见长，适合大范围灾害快速监测；相关研究利用太阳耀斑条件下的近红外反射异常、模糊C均值聚类和多时相异常检测实现溢油识别，但也指出云和非油耀斑效应会影响判别精度。Landsat系列凭借长期连续观测能力，常用于多时相分析和长期变化监测，研究中通过波段比值与多层感知机神经网络实现了较高分类精度，也有基于Landsat-8的人工判读研究揭示南海油膜事件的来源构成。对于WorldView-3，文章强调其超高空间分辨率与短波红外（SWIR）波段对烃类吸收特征的敏感性，尤其在1210 nm、1730 nm和2330 nm波段对碳氢化合物的识别能力较强，有助于将溢油与其他漂浮物区分开来。
2.2. Synthetic Aperture Radar Satellite Data-Based Detection Cases
该小节围绕SAR影像的油膜检测机理展开。SAR通过发射微波脉冲并接收海表后向散射信号成像，油膜会抑制海表毛细波和短重力波，从而削弱布拉格散射（Bragg scattering），在SAR图像上形成相对周围海水更暗的斑块。由于SAR不受昼夜和云层显著影响，因此在光学影像受限条件下具有明显优势。然而，低风速区、风影区和上升流等现象也可能产生类似暗斑，即“相似体（look-alikes）”，从而造成误判。因此，研究通常结合后向散射强度、纹理特征及几何属性，对油膜与非油暗斑进行区分，并引入专家判读或机器学习分类方法提升精度。
在典型平台方面，文章依次评述了Sentinel-1、RADARSAT系列、TerraSAR-X和COSMO-SkyMed。Sentinel-1作为C波段SAR的重要数据源，具有多种成像模式和较短重访周期，相关研究表明VV极化在溢油检测中通常优于VH极化；同时，聚类、逻辑回归与全卷积神经网络（CNN）等方法已被用于溢油提取，其中CNN在不同形态和尺度油膜检测中表现更优。基于大规模Sentinel-1数据的YOLOv4研究则展示了近实时高通量监测潜力。RADARSAT研究主要集中于分形维数、集成分类器、极化分解参数以及多传感器融合分析，结果表明几何特征、熵值与阻尼比分析对区分厚乳化油与薄油膜具有重要作用。TerraSAR-X因1 m级高分辨率适于局地小尺度油膜识别，相关研究利用阻尼比、多时相分析、双极化特征和支持向量机（SVM）提升油膜与相似体区分能力，但也发现风速、入射角和噪声水平会显著影响检测效果。COSMO-SkyMed同样具有高空间分辨率与较快重访优势，研究表明VV极化和灰度共生矩阵（GLCM）纹理分析可增强油水对比度，但在高风条件下海表粗糙度升高会降低检测可靠性。
3. Google Earth Engine-Based Satellite Remote Sensing Data Analysis
本节介绍GEE的发展背景、应用范围及其在遥感数据分析中的核心功能。作者指出，随着地球观测数据进入PB级规模，传统本地下载、存储和处理模式在成本、效率和基础设施要求方面面临显著限制。GEE自2010年推出以来，提供了一个基于云计算的地理空间分析环境，集成多PB级遥感数据目录，使研究人员能够直接在云端完成存储、处理和分析任务，而无需依赖本地高性能计算平台。该平台已广泛用于气候变化、森林监测、水资源管理、农业分析和自然灾害响应等领域，显示出较强的跨学科扩展性。
作者进一步概括了GEE的主要技术特征。首先，GEE汇聚了Landsat、Sentinel、MODIS、ASTER等典型卫星数据，以及多类地形和气候数据，支持对超过50年遥感档案的直接访问。其次，平台依托谷歌云基础设施实现并行化处理，可通过JavaScript代码编辑器和Python应用程序接口（API）进行交互，尤其适合长时间序列研究和大区域统计分析。再次，GEE不仅提供浏览器端可视化与基础分析能力，还支持机器学习算法的直接调用，如随机森林（RF）、支持向量机（SVM）和K-means聚类等。此外，通过Earth Engine Python API，研究人员还可以将TensorFlow、Scikit-learn等外部框架与GEE衔接，拓展自动化分类和复杂时空模式识别能力。总体来看，本节强调GEE在数据可获取性、计算效率和分析可扩展性方面，为溢油遥感监测提供了重要平台支撑。
4. Oil Spill Detection and Monitoring Using Google Earth Engine
本节是全文核心，系统梳理了基于GEE的溢油检测与监测研究，分别从光学影像、SAR数据、地理分布特征以及决策支持价值四个方面进行总结。
4.1. Oil Spill Detection and Monitoring Cases Using Optical Satellite Imagery and Google Earth Engine
这一小节汇总了若干利用GEE与光学遥感数据开展溢油监测的案例。相关研究显示，GEE特别适合执行多时相、多源数据的云端处理与分类分析。例如，在马来西亚Johor地区，研究者结合Landsat-8 OLI影像与GEE内置机器学习分类器，量化评估溢油对海岸植被和湿地的影响，并分析2013—2018年的恢复过程。结果表明，随机森林模型优于SVM，并估算受污染植被与湿地面积为1205.98 ha。另有针对俄罗斯Norilsk重大泄漏事故的研究，利用Landsat、Sentinel-1和Sentinel-2联合分析，在GEE中完成时间序列处理、波段指数计算和环境影响评估，实现约85%的油污分类精度，并支持对地表水变化和植被受损的长期比较。
针对Norilsk Ambarnaya河流燃油泄漏事件，还有研究专门利用Sentinel-2多光谱数据测试多种溢油指数（OSI）在内陆河流复杂背景中的适用性，发现特定波段组合和定制彩色合成方案在油膜识别中效果更佳。另有研究在科威特Qaruh Island附近自然渗漏区基于Sentinel-2和GEE构建新型OSI，通过Jeffries–Matusita可分性测度系统筛选单波段和多波段组合，指出Band 1、2、3、8A、11和12在油水分离中的重要性，并证明合理波段选择比单纯增加组合数量更关键。这些案例共同表明，GEE有助于实现跨区域、跨场景的光学遥感溢油检测，并提高长时间序列生态影响评估的效率。
4.2. Oil Spill Detection and Monitoring Cases Using Synthetic Aperture Radar Satellite Data and Google Earth Engine
该小节总结了基于GEE与SAR数据的溢油监测研究。尼日尔三角洲案例中，研究者利用2016—2024年的Sentinel-1时间序列，在GEE中构建监督式极端梯度提升（XGBoost）分类模型，对红树林、混交林及受溢油影响退化区域进行识别，并建立管道影响指标分析油污损害与工业基础设施邻近性的关系。结果估算每年约有5644 ha红树林因溢油损失，表明SAR与GEE结合适用于云量大、光学数据受限区域的长期生态影响评估。
此外，还有研究提出将GEE与外部深度学习框架结合，用于海洋甲烷渗漏和溢油的联合检测与监测。其流程是在GEE中完成Sentinel-1数据预处理与训练样本构建，再在外部计算环境中采用特征金字塔网络和U-Net进行模型训练和推理，随后将结果回传GEE用于可视化、时间序列分析与系统监控。结果显示，该深度学习方法优于传统阈值法，能更有效捕捉典型泄漏形态。另有基于Sentinel-1A与GEE的研究，通过提取GLCM纹理特征并结合随机森林分类器，识别出若干对油膜判别最关键的纹理变量，在多个区域均取得较高总体精度。这说明，GEE不仅适合常规SAR特征分析，也可作为外部深度学习流程的重要数据管理与结果展示平台。
4.3. Geographic Distribution of Case Studies and Spatiotemporal Detection Challenges
本小节从空间分布和环境约束角度讨论现有研究格局。作者指出，墨西哥湾、波斯湾和地中海是当前溢油遥感研究和监测的主要热点区域，这与高强度海上交通和海上油气开发活动密切相关。不同纬度带的气象海况条件会显著影响传感器选择：低纬热带地区常受持续云层和高湿度影响，因而SAR通常比光学影像更可靠；高纬地区则因风暴频繁、低风速风影及海冰存在，使SAR后向散射判读更加复杂，油膜与海冰低后向散射特征之间也可能混淆。
作者同时强调，油膜释放后会经历复杂的物理化学演变，其光谱和后向散射特征会随时间变化，从而影响静态分类方法的准确性。GEE依托Sentinel-1、Sentinel-2等多时相档案数据，可有效追踪溢油空间轨迹和扩散速率，对污染源识别、脆弱海域风险评估和连续监控具有重要意义。
4.4. Decision Support for Marine Oil Spill Mitigation
本小节讨论GEE在海洋溢油应对决策中的应用价值。作者认为，GEE可通过快速集成多源传感器数据帮助管理部门建立态势感知，从而更高效地部署围油栏、回收船等应急装备。同时，利用其地理空间叠加能力，可将检测到的油膜扩散路径与脆弱性分布图进行耦合分析，以识别需优先保护的海洋与海岸带区域。因此，GEE不仅是遥感数据处理平台，也是连接溢油检测结果与业务化减灾响应的重要信息桥梁。
5. Limitations and Future Directions of Satellite Remote Sensing Data-Based Oil Spill Detection and Monitoring Using Google Earth Engine
本节归纳了GEE在溢油检测中的主要限制与未来发展方向。作者认为，尽管GEE在快速处理、多时相分析和多源数据访问方面具有明显优势，但仍面临两方面关键约束：一是超高空间分辨率（VHR）影像在平台中的可获取性不足，二是高级机器学习特别是深度学习模型尚不能在平台内原生完成训练。对于需要精细油膜边界提取和高精度生态评估的研究而言，WorldView-2、WorldView-3等商业VHR数据具有重要价值，但其通常受商业许可限制，未被原生纳入GEE目录，限制了业务化应用。未来可通过数据融合和云端互操作协议，推动VHR影像与GEE的更紧密集成。
在算法层面，GEE已经支持RF、SVM和K-means等监督与非监督学习方法，并可通过外部框架实现大规模推理和近实时监测。然而，深度学习训练仍需依赖TensorFlow或PyTorch等外部环境，再将模型结果回传GEE进行推断与展示。因此，未来应发展标准化、无缝衔接的外部模型部署流程，以增强平台在复杂海洋环境中的适应性、可靠性和业务运行效率。
6. Conclusions
结论部分指出，GEE通过提供原生预处理的多源遥感档案、JavaScript与Python API支持以及机器学习自动化能力，显著降低了传统现场调查和本地数据处理的操作负担，提升了海洋及内陆河流水体溢油监测的系统性与长期性。现有案例表明，该平台在大范围、多时相溢油识别和生态影响评估方面具有较强实用性。
同时，文章明确了当前GEE体系的两项核心技术瓶颈，即缺乏VHR影像原生集成，以及深度学习需依赖外部混合式流程。未来研究应重点推进VHR数据互操作框架建设，以及外部训练模型在GEE中的标准化部署管线。通过多传感器数据融合与方法学优化，GEE有望进一步发展为面向海洋环境监测的业务化平台，并为长期生态系统评估与管理提供更加客观、高效的技术支撑。
