通过多源遥感图像融合技术对沿海排放口进行智能监测

《Marine Pollution Bulletin》：Intelligent monitoring of coastal outfalls via multi-source remote sensing image fusion

沿海排污口监测存在手动效率低、单源数据不足的问题。本研究提出多源遥感影像融合结合YOLO11深度学习模型，使用无人机采集1657张高分辨率多光谱图像，涵盖四种排污口形态。通过六种融合算法（Brovey/Wavelet/Gram-Schmidt/HPF/CBF/PCA）生成增强数据集，系统评估融合质量与检测性能关系，发现特定融合方法能提升小目标检测精度和复杂场景鲁棒性，为智能监测系统提供数据模型优化策略。

　　

杨瑞生|周浩兰|赵世成|杨莉

中国华南农业大学水利与土木工程学院，广州，510642

摘要

沿海排放口是污染物进入海洋环境的主要点源，严重威胁着沿海水质和海洋生态系统。因此，有效监测这些排放口对于污染控制和生态系统保护至关重要。现有的监测方法存在显著局限性：人工检查效率低下且劳动强度大，可见光无人机图像虽然提供了足够的空间分辨率，但缺乏精确识别物质所需的光谱深度，而多光谱卫星数据的空间分辨率不足。遥感图像为排放口检测提供了关键信息。我们提出了一种智能识别方法，该方法结合了多源图像融合和深度学习目标检测模型。利用无人机，我们获取了1657张高分辨率多光谱图像，并对其进行了分类和标注。六种融合算法生成了增强后的数据集，并通过多种质量指标进行了评估。该模型在每个数据集上进行了训练，比较了不同融合方法的性能，以确定能够提高准确性、鲁棒性和效率的最佳融合方式。这种方法有效推进了基于深度学习的沿海排放口识别技术，支持智能海洋环境监测。

引言

近年来，沿海污染已成为全球性的重大环境挑战，对海洋生态系统构成了系统性威胁（Ci等人，2023；Melet等人，2020；Zhou等人，2022）。从排放口排放的污染物直接损害了沿海水质和生物多样性（Conde等人，2020；Grammatiki等人，2025）。作为陆地污染物进入海洋的主要通道，沿海排放口需要有效监测，以便进行准确的源头追踪、有针对性的污染控制和海洋保护（H. Li等人，2024；Xie等人，2025）。然而，当前的监测方法存在诸多局限性：人工检查效率低下且覆盖范围有限（Yu等人，2024），且通常不适合复杂和危险的沿海环境（Deng等人，2024）；可见光卫星图像虽然具有广泛的空间可视性，但缺乏足够的光谱信息（Agapiou，2020；Xu和Somers，2021），限制了排放特征的准确识别；而多光谱卫星数据虽然光谱丰富，但通常空间分辨率不足（C. Liu等人，2025；Salgueiro Romero等人，2020），这使得小型或结构复杂的排放口难以检测。这些技术限制共同削弱了排放口监测的准确性、及时性和全面性，凸显了更高效和智能监测方案的迫切需求。

遥感技术的进步为监测沿海排放口开辟了新的途径（Kieu和Law，2021；Kremezi等人，2022）。多源遥感图像融合技术整合了来自不同传感器的互补信息（例如，高分辨率全色和多光谱成像仪），生成了结合高空间分辨率和丰富光谱内容的融合图像，同时显著增强了细节（Maurya等人，2017）。这为克服单一数据源方法的固有局限性提供了有希望的解决方案（W. Li等人，2023；Wang等人，2025）。同时，在深度学习领域（Pally和Samadi，2022），高效的目标检测模型，特别是YOLO系列，在各种特征识别任务中表现出色（Bi等人，2025；Jiang等人，2025；Lin等人，2025；Ma等人，2025；Wan等人，2024），为在复杂背景下自动准确识别沿海排放口奠定了坚实基础。尽管多源融合技术和先进检测模型显示出巨大潜力，但现有研究仍缺乏系统评估不同融合方法对下游检测模型性能的影响（Liu等人，2018；Shen等人，2024）。融合策略的选择往往基于经验（Ojeda等人，2018），并且客观图像融合指标与检测模型实际性能之间的关系尚未完全阐明（Yi等人，2024）。这种关键理解的缺失阻碍了在实际监测系统中选择最佳融合策略以最大化检测性能。

作为陆地污染物进入海洋生态系统的主要途径（Wang等人，2022），沿海排放口具有显著的形态多样性。这些特征通常嵌入在复杂的沿海环境中，且规模相对较小，给自动化准确识别带来了巨大挑战（Rabbi等人，2020；Peng等人，2025；Su等人，2024）。尽管基于深度学习的目标检测在遥感领域得到了广泛应用，但目前关于智能排放口识别的研究在多个方面仍不够充分。首先，公开的高质量标注数据集在规模上有限，且缺乏对多种排放口形态的系统性覆盖（Feng等人，2023），这限制了模型的泛化能力（Duarte和Azevedo，2023）。其次，大多数现有方法依赖于单一类型的遥感数据源（Zheng等人，2024）——例如空间分辨率不足的多光谱图像或光谱信息有限的高分辨率可见光图像——未能充分利用多源数据的互补优势（Sun等人，2024）。最后，相关研究通常使用通用或早期版本的检测框架（例如YOLOv3、v4或v5）。尽管这些框架提供了实时性能，但它们尚未针对排放口的特定形态特征和小目标属性进行彻底优化（Hussain，2024），并且缺乏对检测准确性、跨场景鲁棒性和计算效率之间平衡的系统评估。这些限制共同阻碍了现有技术在精细监测场景中的实际应用。

为了解决这些挑战并推进沿海排放口的智能监测，本研究设计并实施了一个综合技术框架。核心贡献包括：使用无人机（UAV）获取的1657张高分辨率多光谱图像集，根据四种排放口类型（水闸、沟渠、管道和涵洞）进行了详细标注，为模型训练建立了扎实的数据基础；系统应用了六种图像融合方法（Brovey、小波、Gram-Schmidt、高通滤波（HPF）、交叉双边滤波器（CBF）和主成分分析（PCA）（Alimuddin等人，2012；Jelének等人，2016；Kong等人，2021；Mallick等人，2021；Witharana等人，2013）来生成融合图像数据集，并基于光谱保真度、空间细节保留和信息熵对融合质量进行了多维度评估（Y. Han等人，2013；Wu等人，2025）；以及引入了最先进的YOLO11模型架构。该版本保留了YOLO系列的效率和实时性能，同时在主干网络、特征融合机制和损失函数方面进行了改进，显著提高了对小物体和复杂背景的检测能力（He等人，2025）。使用该模型，全面研究了不同融合策略对排放口检测性能的影响，重点关注检测准确性、鲁棒性和计算效率。最终，本研究旨在阐明客观融合质量指标与实际检测性能之间的内在关系，为选择最佳融合策略提供了可解释的科学依据。

本研究旨在通过综合使用多源遥感融合和先进的目标检测来克服智能排放口监测的当前局限性。具体目标如下：

(1) 构建高质量融合数据集：利用无人机获取的高分辨率多光谱图像建立了涵盖四种排放口类型（水闸、沟渠、管道和涵洞）的精细标注数据集。随后通过六种融合方法生成了多源图像数据，系统分析了融合质量与排放口可识别性之间的关系。

(2) 量化融合策略的检测性能提升：使用标准化的YOLO11框架，全面评估了不同融合方法对检测准确性、跨场景鲁棒性和计算效率的影响，从而确定了最佳的数据-模型匹配原则；

(3) 建立融合方法选择的决策框架：基于融合质量指标与检测性能之间的定量相关性，制定了在实际监测场景中选择多源融合策略的实用指南，为构建高精度、高效的智能监测系统提供了可操作的技术规范。

本文的其余部分结构如下：第2节描述了本研究使用的数据集、实验设计和评估指标。第3节展示了融合图像质量评估结果和模型性能，以及详细分析。第4节讨论了研究结果的更广泛意义，并对YOLO11配置提出了建议。最后，第5节总结了主要结论并指出了未来工作的方向。

部分摘录

数据集构建

本研究从湛江市徐文县沿岸的沿海排放口收集了多源遥感数据集。数据集共包含1657张多光谱图像集，其地理分布如图1所示。它包括四种类型的排放口结构——水闸、涵洞、管道和沟渠，如图2所示。图像数据是使用DJI Phantom 4 RTK无人机在飞行高度

融合图像质量评估结果

本节对不同多源遥感图像融合方法生成的图像进行了系统评估和比较分析。基于第2.4.2节选定的图像融合质量评估框架，对1657组融合结果进行了定量分析。图5详细比较了原始图像和融合图像，表2总结了六种融合方法在各种图像质量指标上的定量结果。

融合质量与检测性能的相关性分析

本节旨在建立多源遥感图像融合质量与YOLO11模型检测性能之间的关系，明确关键融合质量指标对排放口识别效果的影响，并通过结合不同类型排放口的检测差异揭示融合技术的实际应用边界。

融合质量是影响YOLO11模型检测性能的关键因素

结论

本研究通过将多源遥感图像融合与YOLO11目标检测模型相结合，解决了沿海排放口智能监测的关键挑战。首先，构建了一个包含1657组多光谱数据的标注数据集，涵盖了四种类型的排放口目标：水闸、沟渠、管道和涵洞。为了克服单一遥感数据源的局限性，采用了六种融合方法生成了新的数据集，并对其质量进行了

CRediT作者贡献声明

杨瑞生：撰写——原始草稿、验证、软件、方法论、调查、形式分析、数据管理、概念化。周浩兰：撰写——审阅与编辑、资源获取。赵世成：撰写——审阅与编辑、验证、调查。杨莉：撰写——审阅与编辑、数据管理。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

本工作得到了国家自然科学基金[资助编号：42271011]和广东省水资源与水电技术中心[资助编号：JSZXWT202437]的支持。