一种创新的GCRC框架，用于在复杂的浅海环境中通过多光谱遥感技术识别海上风力涡轮机

《International Journal of Digital Earth》：An innovative GCRC framework for the multispectral remote sensing identification of offshore wind turbines in complex shallow marine environments

　　摘要：在复杂的浅海环境中，环境干扰以及精度与效率之间的权衡阻碍了海上风力涡轮机（OWT）的识别。为了解决这一问题，我们提出了一种创新的两阶段框架GCRC，该框架结合了灰度共生矩阵（GLCM）增强的协同随机森林（RF）和卷积神经网络（CNN），用于在复杂海洋环境中识别OWT。通过创新性地使用RF作为高效的区域提议网络（RPN），在轻量级的ResNet18推理之前对复杂背景进行过滤，该方法大幅减少了计算冗余。使用2024年的Sentinel-2影像对GCRC进行了验证，其准确率达到0.9937，F1分数达到0.9949。利用Google Earth Engine（GEE），在消费级GPU上完成全国范围的推理仅用了不到0.5小时，与现有模型所需的20多个小时相比有了显著节省，同时成功识别出了7578台风力涡轮机。空间分析揭示了明显的区域模式：北部地区集中在较浅的水域，而南部地区则扩展到更深的环境中。这一框架为大规模海洋监测建立了一个可扩展且高效的范式，为数字地球愿景提供了强有力的支持。

关键词：海上风力涡轮机；GLCM纹理特征；随机森林；ResNet18；GCRC框架

1. 引言
海上风能是一种清洁且极具前景的可再生能源，在全球能源转型中发挥着越来越重要的作用。它在提高资源效率以及实现社会、经济和环境目标方面具有显著优势，吸引了全球越来越多的关注（Yang等人，2019年；Chen等人，2011年）。近年来，全球海上风电场（OWF）的建设速度加快，到2023年底安装容量达到了75.2吉瓦（GWEC，2024年）。然而，海上风能发展的迅速扩张及其对海洋空间的需求增加，给风电场的管理和战略规划带来了新的挑战。系统地监测OWT的建设动态和空间扩张对于运营需求至关重要（Medina-Lopez等人，2021年）。现有的OWT识别方法大致可以分为两类：传统的机器学习和深度学习，后者已成为研究的主要焦点。尽管取得了进展，但现有框架仍存在局限性。例如，DLCD框架（Wang等人，2024年）在潮间带（TF）区域难以准确识别OWT，而基于GEE的算法（Zhang等人，2021年）需要大量的SAR影像才能实现高识别精度。基于ResNet-SSD、级联卷积神经网络和增强型YOLO架构的模型（Liu等人，2024年；Hoeser、Feuerstein和Kuenzer，2022年；Hoeser和Kuenzer，2022a年；Zhang等人，2024年；Ding等人，2024年）虽然提高了精度，但未能解决浑浊水域和TF的干扰问题。此外，这些重量级的深度学习模型难以在精度和效率之间保持平衡。精度与效率之间的这种基本权衡塑造了主流的OWT检测框架。单阶段检测器通过将检测视为统一的回归任务来优先考虑效率（Shobaki和Milanova，2025年），往往以牺牲精度为代价。尽管最近取得了一些进展，但在高精度场景中，单阶段方法仍落后于两阶段方法（White等人，2025年；Feng等人，2023年）。相比之下，两阶段检测器首先生成候选区域，然后进行分类和回归，实现了高精度和鲁棒性（Alhashmi和Al-Azawi，2025年；Carranza-García等人，2021年；Li等人，2020年）。然而，它们复杂的多阶段深度网络架构导致计算成本高且推理速度慢（Ma等人，2019年；Zou等人，2015年）。除了架构设计外，复杂环境中的图像数据本身也是一个主要挑战。多光谱影像凭借其更丰富的光谱数据，在区分具有相似反射特性的目标方面优于SAR（Wang等人，2024年）。此外，由于SAR影像主要覆盖2015年以后的时期，多光谱数据作为有效的补充，在SAR影像不可用时提高了OWT识别的准确性和可靠性（Song和Li，2025年）。然而，多光谱OWT识别面临两个主要问题：高反射率背景（如潮间带和平坦水域，常见于江苏）会掩盖光谱特征；以及光谱相似的非目标物体（如海浪和海上平台，常见于渤海、浙江和福建），需要专门区分。因此，OWT识别不仅要解决架构效率问题，还要应对复杂环境中的持续精度挑战。

为了应对这些挑战，本研究引入了一种创新的GCRC（GLCM增强型协同RF和CNN）框架，旨在平衡复杂近海环境中OWT识别的精度和计算效率。通过使用RF作为轻量级的RPN，我们显著减少了背景冗余，使ResNet18模型能够专注于核心特征提取。这种方法有效减轻了复杂近海环境中的干扰，大幅降低了计算成本，并保持了高精度，为大规模、高效的时间效率OWT监测提供了一种新的解决方案。

2. 研究区域和数据
2.1. 研究区域
研究范围涵盖中国的沿海地区，包括14个省级行政区划（图1）。陆地-海洋边界使用OpenStreetMap的高精度海岸线数据集定义，并通过高分辨率的Google Earth影像进行了细化。位于中国中部沿海地区的江苏海岸主要是泥质平原海岸，地形平坦，海堤广阔。相比之下，浙江省、福建省和广东省的南部地区则以基岩海岸为主，特征是交替出现的岬角和海湾、复杂的海岸线以及众多岛屿的散布。北部渤海和黄海是典型的浅海大陆架，平均水深较浅，而北部东海则拥有中国最宽的大陆架，地形变化相对平缓。南部东海和南海近海地区的水深变化最为复杂，台湾海峡和雷州海峡周围的地形变化显著。这些沿海类型和水深的变化导致了多样化的海上风电场场景。

图1. 研究区域概览。K1和K2表示精度测试区域。网格勾勒出图像检索区域，背景颜色显示MWPD（全球风图谱，无日期）。该图的四幅面板地图显示了中国的沿海地区。左侧的主面板显示了从辽宁北部到海南南部的中国地图，上面叠加了网格。颜色条表示MWPD值，从0到超过1000瓦/平方米，颜色越暖表示值越高。在这个地图上标出了两个矩形区域K1和K2。右上角的面板显示了黄海和江苏省的详细卫星图像，对应于K1区域。该面板内的一个插图标记为OWT，显示了带有红色方块的沿海区域的放大视图。右下角的面板显示了平潭岛和东海的详细卫星图像，对应于K2区域。主面板中的一个小插图显示了台湾海峡和南海的放大视图，带有5度的比例尺。

如图1所示，中国的海上风能资源非常丰富，大多数海域的平均风功率密度（MWPD）超过500瓦/平方米。台湾海峡区域的MWPD超过1000瓦/平方米，使其周围的海域，即南海东部和南海东北部，成为中国海上风能资源最丰富的地区。相反，北部黄海、雷州海峡周围的区域以及台湾岛和海南岛的西南部风能资源相对较弱。

2.2. Sentinel-2数据
Sentinel-2卫星星座由欧洲航天局作为哥白尼计划的一部分开发，配备了多光谱仪器（MSI），可以捕捉从可见光到短波红外光谱的13个光谱带的影像。本研究主要使用了MSI数据。时间范围覆盖从2024年10月1日到12月31日，另外还收集了2025年1月1日至6月1日的样本数据。仅选择了云量小于5%的场景，从而从GEE平台检索到了289张图像。为了最小化大气干扰并确保数据质量，使用QA60质量评估带对云和卷云像素进行了屏蔽。然后应用了中值复合方法将时间序列影像融合，生成了几乎无云的清晰图像。

2.3. 训练样本准备
对于RF模型训练样本，在GEE平台上生成了研究区域的中值复合图像。从这个图像中标注了110个OWT点和93个背景点。背景样本包括水体和潮间带，主要由清澈的海水、浑浊的海水、潮间带和岛屿组成。
对于深度学习训练样本，从2025年的中值复合图像中标注了4075个OWT点和400个背景点。标注过程参考了可用的海上风电场规划信息。鉴于大规模OWF规划数据集往往不完整，特别是在地形变化较大的潮间带区域，实际OWT安装位置可能与早期规划布局存在差异，因此采用了手动视觉解释来验证和细化涡轮机的位置。需要注意的是，RF模型首先被用来过滤掉大范围海洋区域内最明显的非风力涡轮机像素。因此，深度学习模型主要专注于细化RF阶段生成的候选区域，而不是进行全场景分类。这种两阶段处理策略确保了在复杂海洋背景下有限数量的负样本情况下仍能精确识别OWT。

图2A至2J展示了分布在不同海洋环境中的OWT样本，包括清澈水域、浑浊水域和潮间带。背景样本故意选自可能类似于风力涡轮机的视觉上混淆的物体，如潮间带（图2K至2N）、港口（图2O）、海上石油平台（图2P）、海上变电站（OS）（图2Q–R），以及典型的混淆物体，如小岛屿（图2S）和潮间带养殖筏（图2T）。这些硬负样本有助于深度学习模型更好地区分OWT和其他海洋结构。

图2. 深度学习训练样本示意图：A–J面板代表OWT实例（正样本），而K–T面板展示了从复杂海洋背景中选出的非OWT负样本。

20个面板的图表按五行排列，显示了各种物体的卫星图像。A至J面板显示了具有明亮白色特征的物体（OWT，正样本），这些物体通常呈长条形或矩形，背景包括深绿色、棕色和浅棕色。K至T面板展示了与周围环境融合度较低的物体（负样本），包括模糊的浅色形状、深色形状和中心为深色的方形网格。P面板下方的比例尺表示0、200和400米。

使用Python，根据这些样本点将复合图像分割成31×31像素的块，共得到4475个块，构成了深度学习模型训练的数据集。为了提高模型的泛化能力并减轻样本不平衡的潜在影响，在模型训练之前应用了数据增强技术，包括随机水平和垂直翻转、旋转（±15°）以及调整亮度和对比度。本研究还评估了ResNet18模型的全图推理性能。除了原始的4475个训练样本外，还通过应用简单的1/2窗口移动在八个方向上进行了偏移窗口采样，最终得到了40,275个训练样本。

2.4. 真实数据集
江苏省（K1）的海域拥有中国最多的OWT，并受到多种环境干扰，包括潮间带、海浪和浑浊的海水。福建省平潭岛（K2）周围的海域以密集分布的岛屿和半岛为特征，OWT位于海岸线附近，因此容易受到陆地因素的干扰，进一步增加了识别的难度。与其他中国的沿海海域相比，K1和K2具有更复杂的自然环境，使其成为在具有挑战性条件下全面测试模型识别性能的理想选择。因此，这两个区域被选为本文中OWT精度验证和模型比较的测试区域。K1和K2中的标准OWT位置点来源于Wang等人（2024年）发布的《中国海上风力涡轮机数据集》（COWTs）。这些点通过使用2024年的多光谱卫星图像进行手动视觉解释得到了验证和补充，最终形成了一个标准化的点数据集，用于模型准确性验证。该数据集共包含K1和K2区域内的3331个OWT点。

3. 方法
3.1. GCRC：GLCM增强的协作RF和CNN框架
在这项研究中，提出了一种名为GCRC的两阶段框架，用于在复杂的浅海环境中提取OWT。该框架不仅结合了纹理增强和深度学习，还将GLCM特征明确地纳入RF预分类阶段，以提高OWT与光谱相似背景对象之间的分类 separability。这种RF-CNN设计实现了高效的大规模筛查，并允许CNN专注于在局部候选区域内的精细识别，从而在具有挑战性的沿海条件下提高了计算效率和检测精度。首先，我们计算三个RGB（红色、绿色和蓝色）通道的累积和，以捕捉原始图像的整体光谱信息。由此，我们生成了三个新的纹理通道：对比度（Con）、方差（Var）和簇显著性（Prom）。然后将这些纹理通道与原始的三个RGB通道堆叠起来，创建了一个包含光谱和纹理特征信息的6通道特征图像，解决了潮间带特征区分度不足的问题。基于这个特征图像，进行RF预分类以识别OWT候选区域（即候选块），从而减少了ResNet18识别OWT时的冗余计算。GCRC工作流程包括图像增强阶段和两阶段分类过程，如图3所示，包含三个连续步骤：（1）纹理增强和特征图像生成；（2）RF预分类和OWT候选块生成；（3）使用ResNet18进行高精度OWT检测。

图3. GCRC框架的示意图，一种整合RF和ResNet18模型的两阶段OWT识别方法。

3.2. 纹理增强和特征图像生成
图4展示了OWT与各种背景特征的光谱反射率对比。尽管OWT可以与清澈的海水（CSW）区分开来，但它们与浑浊的海水（TSW）和OS有相当大的光谱重叠。在像K1这样的复杂区域，OWT频繁出现在TSW附近，使得标准的中值合成方法无效，导致持续的干扰。因此，仅依赖光谱特征不足以在多种情况下准确识别OWT。

图4. 不同海表面目标的可见光谱反射率。

箱形图显示了垂直轴上的反射率值范围从0.0到0.3，水平轴上表示红色、绿色和蓝色光谱带。图例中的箱子代表25%到75%的范围，须状线表示1.5四分位数范围内的值，水平线标记中位数，单独的点是异常值。对于红色波段，TSW的中位数接近0.12，BW接近0.22，CSW接近0.02，OS接近0.20，OWT接近0.18。对于绿色波段，TSW的中位数接近0.12，BW接近0.21，CSW接近0.04，OS接近0.21，OWT接近0.19。对于蓝色波段，TSW的中位数接近0.08，BW接近0.18，CSW接近0.04，OS接近0.18，OWT接近0.16。所有波段中都可以看到多个目标的异常值。

相比之下，纹理特征可以作为有效的区分因素，提供一种稳健的解决方案来应对这些限制。由GLCM表示的纹理特征具有解释意义，并且与人类视觉感知密切相关（Backes、Dalcimar和Odemir引用2013）。在卫星遥感图像中，OWT表现为微斑块纹理，在形态上不同于层状的FP和带状的BW。此外，GLCM分析可以放大OWT与其周围环境之间的反射率差异。鉴于这些优势，我们利用纹理特征在多种情况下增强OWT的特征。

在GLCM分析中，Con指标量化了局部纹理变化，而Var指标描述了图像内灰度值的分布（Haralick、Shanmugam和Dinstein引用1973）。Prom指标主要测量灰度分布的浓度，并突出纹理模式中的结构显著性（Conners、Trivedi和Harlow引用1984）。这三个GLCM参数的公式如下：
(1) GLCMcon=∑n=0Ng?1n2(∑i=1Ng∑j=1Ngp(i,j,δ,T)?σ(|i?j|,n))，
(2) GLCMvar=∑i=1Ng∑j=1Ngp(i,j,δ,T)?(i?μ)2，
(3) GLCMprom=∑i=1Ng?1∑j=1Ng?1p(i,j,δ,T)?(i+j?μi?μj)?，
(4) μ=∑i=1Ng∑j=1Ngp(i,j,δ,T)·i，
其中p(i,j,δ,T)表示GLCM的归一化元素，表示在指定位移向量δ=(d,θ)下灰度值i和j的共同出现频率；Ng表示数字图像中的量化灰度级数；σ(|i?j|,n)是一个指示函数，在|i?j|=n时返回1，否则返回0；n表示像素对之间的绝对灰度差异；μ是灰度级的平均值；μi和μj分别表示GLCM沿行和列方向的灰度平均值。

虽然GLCM增强了OWT的纹理特征，但它也放大了来自小岛屿和潮汐溪流边缘等对象的干扰。然而，通过整合光谱数据，可以利用这些对象的不同光谱特征进一步消除这种干扰。

3.3. RF预分类和OWT候选块生成
RF模型在遥感任务中得到了广泛应用，如图像分类和高光谱数据分析（Belgiu和Dr?gu?引用2016；Wang等人引用2022；Ebrahimy等人引用2021）。为了减少后续基于CNN的鉴别过程中的冗余迭代，我们使用RF预分类器来区分OWT和背景元素。使用110个OWT样本和93个背景样本建立了训练协议，输入特征从OWT特征图像中提取。通过RF预分类，生成一个二进制图像，将OWT和类似目标与更广泛的海洋环境区分开来。被分类为真实的区域（图像值为‘1’）被保留下来，并使用reduceToVectors()函数在GEE中向量化，其中空间相邻的像素被分组并以其质心位置表示为候选点。对于每个候选点，创建一个31×31的矩形窗口，中心位于该点。然后裁剪原始的RGB三通道栅格文件以提取相应的候选块。每个块保存为栅格文件，保留原始的地理坐标信息，以确保地理参考的一致性，并便于在后续操作中准确输出OWT点位置。

3.4. 基于ResNet18的高精度OWT检测
虽然利用纹理和光谱特征图像的RF预分类有效地去除了大多数海表面目标，但一些相似对象（如船只、OS、BW等）仍然存在。CNN在各种图像分析任务中表现出很高的效率，包括识别、分割和对象检测，成为遥感应用中的领先深度学习架构（Zhang和Hao引用2022）。大量实证证据支持CNN在考虑图像中的上下文关系时自主学习目标类别的空间特征的能力，从而显著提高了识别精度（Dirscherl等人引用2021；Kang等人引用2017；Hoeser和Kuenzer引用2022b）。在这项研究中，采用了轻量级的ResNet18架构来进一步区分OWT及其类似物。

所有3通道RGB图像块都根据其各自的值范围进行了逐波段归一化。为了满足ResNet18架构的输入维度要求，3通道2D图像数据被重塑为[批量大小，通道，高度，宽度]格式的4D张量，配置为[N, 3, 31, 31]，其中N表示块的数量。ResNet18模型通过用一个步长为1、填充为1的3×3卷积层替换初始的7×7卷积层，以更好地适应小的31×31输入大小。这种修改有助于在网络的早期阶段保留更多空间信息，这对于小输入块至关重要，并增强了网络捕捉OWT细尺度特征的能力。该架构以单个全连接层结束，将特征投影到一个logit上，然后是一个Sigmoid激活函数用于输出二进制概率。训练协议使用了Adam优化器，最大迭代次数为50次，小批量大小为32个样本，初始学习率为0.0001。应用了0.0001的权重衰减进行正则化。使用了二元交叉熵（BCELoss）函数，并采用了提前停止机制（耐心=5）来监控验证损失，以防止过拟合。地面真实标签以0到1的浮点数形式提供。

图5展示了ResNet18模型的整体架构。该网络由四个主要的残差层（Layer1到Layer4）组成，每个层包含两个残差块。Layer1使用两个Identity Block，输入和输出通道数都设置为64。后续层（Layer2、Layer3和Layer4）每个都从一个下采样块开始，然后是一个Identity Block。下采样块使用步长为2的卷积层降低空间分辨率（减半）并增加通道数（加倍）。具体来说，网络特征图的通道数从Layer1的64依次增加到Layer2的128，Layer3的256，最后Layer4的输出特征图有512个通道。在推理过程中，ResNet18模型为每个输入块输出一个概率，表明其作为OWT的可能性。概率为0.5或更高的块被分类为OWT。这些块的中心点坐标作为OWT点位置信息输出，并生成一个OWT点向量文件。

4. 结果
4.1.中国沿海海上风力涡轮机（OWTs）的识别

将所提出的GCRC框架应用于2024年的Sentinel-2图像数据集，图6A揭示了中国海岸线沿线OWTs的整体空间分布，涵盖了渤海、黄海、东海和南海。

图6. (A) 2024年中国OWTs的空间分布；B、C、D和E分别展示了四种代表性环境情景下的OWTs：B代表具有海上石油基础设施的区域；C对应于浑浊和潮间带区域；D描绘了岛屿密集的群岛地区；E代表清澈的深水区域。

这个六格图展示了中国海上风力涡轮机的分布以及四种环境情景下的详细视图。A格是中国的地图，显示了沿东部和南部海岸线的海上风力涡轮机的空间分布，用红点标记。B、C、D和E格是卫星图像，分别展示了四种代表性环境情景下的海上风电场。B格显示了一个具有海上石油基础设施的区域，其特征是大量的红点排成行。C格对应于浑浊和潮间带区域，红点分散在较浅的水体上。D格描绘了岛屿密集的群岛地区，红点聚集在陆地周围。E格代表清澈的深水区域，红点在深色的水体上形成明显的曲线排列。F格是一个柱状图，标题为“OWTs数量（对数尺度），显示了各省的海上风力涡轮机数量。横轴列出了省份：辽宁、河北、天津、山东、江苏、上海、浙江、福建、台湾、广东、广西和海南。纵轴表示OWTs数量（对数尺度）。

在研究区域内进行的全面检测共识别出7578台风力涡轮机。通过比较GCRC框架在中国各种典型沿海情景下的表现，该框架不仅在理想、开阔和清澈的海域（如图6E所示）中表现有效，而且在各种复杂的近岸环境中也展示了出色的识别能力。这些环境包括具有碎浪和浑水的潮间带（图6C）、由于散布的岛屿而地形破碎的海域（图6D）以及人工设施密集的区域，如海上石油平台（图6B）。在图6F中，江苏省和广东省是领先的地区，分别识别出了2772台和1645台风力涡轮机，远超过其他沿海省份的数量。这两个省份合计占中国识别出的风力涡轮机总数的大约58%，突显了它们在国家海上风能发展中的关键作用。

4.2. 中国OWTs的海上距离特征

如图7所示，基于Geofabrik（OpenStreetMap）的海岸线数据（Citationn.d.），对中国沿海省份OWTs的海上距离进行了比较分析，发现显著差异。江苏省、台湾省和广东省的海上风电场开发得最远，有些OWTs距离海岸超过50公里。它们的箱线图宽度表明了近岸和远海安装的混合，突显了显著的空间分布差异。相比之下，河北省、上海市和广西壮族自治区的OWTs通常更靠近海岸，箱线图紧凑，中位数海上距离较低，主要表示在15公里左右的近岸开发。而辽宁省、山东省、浙江省、福建省和海南省的OWTs位于中等海上距离，箱线图分布相对集中，表明开发范围相似。

图7. 中国沿海省份OWTs建设海上距离的箱线图。这里，平均值和标准差分别代表OWTs到海岸线的平均距离和标准差。

箱线图显示了12个中国沿海省份海上风电场建设的海上距离（以公里为单位）。横轴列出了省份：辽宁、河北、天津、山东、江苏、上海、浙江、福建、台湾、广东、广西和海南。纵轴表示距离（以公里为单位），范围从0到80。图例表示箱代表平均值加减1个标准差，带帽的竖线代表平均值加减1.96个标准差，箱内的横线代表中位数。江苏省的距离范围最大，从大约5公里到超过65公里。台湾省和广东省的距离范围也较大，中位数约为25公里。河北省、上海市、浙江省、福建省和广西壮族自治区的距离范围较小， generally低于20公里。

4.3. 中国OWTs的水深分布特征

水深是影响OWTs布局的关键因素。图8展示了各省OWTs在不同水深范围内的定量分布。尽管江苏省的OWTs数量最多，但它们主要集中在浅水区；超过66%（1841台）位于10米以下的深度，其余的位于10至20米范围内。这与该省独特的放射状沙脊地形相符，这种地形有利于在相对较浅的水域进行大规模开发。同样，上海市的OWTs也限制在10米以内的深度。浙江省的OWTs也主要集中在浅水区，但其分布也延伸到了10至30米范围内。

图8. 不同省份在不同水深区间内的OWTs数量热图。

热图显示了12个省份在五个水深区间内的OWTs数量。纵轴列出了省份：辽宁、河北、天津、山东、江苏、上海、浙江、福建、台湾、广东、广西和海南。横轴显示水深（以米为单位）：D小于或等于10米、10米小于或等于20米、20米小于或等于30米、30米小于或等于40米以及40米小于或等于50米。右侧的垂直条形图表示OWTs的数量（对数尺度），从底部的10的0次方到顶部的10的3次方，较浅的颜色表示数量较少，较深的颜色表示数量较多。江苏省在D小于或等于10米的区间内显示出最高的数量，为1841台。广东省在多个深度区间也有较高的数量，20米小于或等于30米区间有574台，30米小于或等于40米区间有523台。大多数省份在不同深度区间内的数量有所变化，有些省份在某些深度上没有数据。

相比之下，广东省和台湾省在较深的水域发展了大量的OWTs。广东省在深水安装方面领先，有1254台（约占76%）位于20米以上的深度，其中157台位于40至50米范围内。台湾省的模式类似，大多数风力涡轮机集中在30至40米深度区间。台湾海峡和南海地区的OWTs建设开启了向更深海洋环境的扩展。山东省在浅水到中等深度（0 < D ≤ 30米）之间的分布相对平衡，在20至30米范围内也有显著的存在。福建省虽然主要集中在近岸水域（D ≤ 20米），但也显示出向更深水域发展的趋势，最深达到50米。

4.4. GCRC框架的准确性评估

如表1所示，所提出的GCRC框架共生成了3339个检测结果。定量分析显示3318个真阳性（TPs）、21个假阳性（FPs）和13个假阴性（FNs）。该框架在OWTs识别方面的假阳性率异常低，精确度达到0.9937。这表明其在避开复杂背景干扰（如潮间带平地、海滩、小岛屿和人工设施）方面非常有效。该模型准确捕捉真实OWTs位置的能力非常出色，只有少量的目标被遗漏，召回率达到了0.9949。接近1.0的F1分数进一步强调了模型在精确识别和全面覆盖之间的优秀平衡。

在K1地区，该地区以放射状沙脊和高浊度为特征，模型取得了显著的稳定性，F1分数为0.9982。尽管广阔的潮间带平地和富含沉积物的水体引入了光谱复杂性，GCRC框架有效地抑制了这些背景，仅产生了2774个目标中的4个假阳性。该框架成功地将OWTs与环境噪声（如浑水和沙洲）区分开来，展示了尽管背景异质性高，但在纹理相关干扰方面的强大鲁棒性。

相比之下，K2地区具有破碎的海岸线、密集的群岛和复杂的陆地特征，给海洋环境带来了更大的挑战。这导致精确度略低，为0.9700，假阳性（FPs）的发生率较高（17例）。 commission错误（FPs）的增加主要归因于小岛屿、珊瑚礁和形态上类似于OWTs的近岸人工结构，导致光谱和纹理混淆。尽管如此，K2地区的召回率仍然很高，为0.9874，表明该模型即使在空间复杂的海洋环境中也能保持对OWTs的强敏感度。复杂的海岸结构主要通过增加假阳性来影响精确度，而整体检测能力保持稳定。

此外，还对识别出的OWTs位置与规划布局进行了比较，如图9所示。规划布局代表了OWTs的指定建设区域，而不是精确的点坐标，实际安装过程中可能会有一些位置偏差。然而，识别出的OWTs通常位于规划布局内，显示出良好的空间一致性。与视觉解释的涡轮机中心相比（见子面板A-F），位置偏差在1至3像素范围内（大约10至20米），与Sentinel-2图像的空间分辨率一致。

图9. 识别出的OWTs位置与规划布局的空间比较，以及放大的卫星视图。

两个面板图显示了一张带有规划布局和识别出的OWTs位置的地图，下面是放大的卫星视图。上面的面板a显示了一张地图，横轴范围为121度19分至121度26分，纵轴范围为33度30分至33度31分。左上角有一个北箭头。黄色线条表示规划布局，形成了一个向中心点汇聚的网格。红色点标记了沿这些线的识别出的OWTs位置。六个标有A、B、C、D、E和F的红色方块突出显示了特定的OWTs位置。刻度尺表示0、1和2公里。下面的面板b展示了六个放大的卫星图像视图，分别对应于面板a中的红色方块。每个视图的中心都有一个红色点，代表一个OWTs位置，背景为不同明暗的区域。刻度尺表示0、25和50米。

5. 讨论

5.1. GLCM特征的定量可分性分析

为了进一步评估不同GLCM纹理特征在OWTs识别中的区分能力，进行了定量可分性分析。从K1验证区域随机选择了20个OWT样本，其中一半来自干扰较小的简单背景，另一半来自背景干扰较大的复杂环境。对于每个样本，提取了五个常用的GLCM纹理特征：方差（Var）、对比度（Con）、透明度（Prom）、熵（Ent）和逆差矩（IDM，也称为均匀性）。使用以OWT坐标为中心的3×3像素区域计算了OWTs的特征值。背景样本取自31×31窗口的最外层像素，代表了涡轮机周围的局部海况。采用了可分性指数（S）来量化OWT目标和背景区域之间的区别：

(8) S=|μOWT?μbg|σOWT+σbg，其中μOWT和σOWT代表OWT样本的平均值和标准差，μbg和σbg表示周围背景样本的平均值和标准差。较大的S值表示更强的可分性，意味着OWT检测的区分能力更强。

表2总结了在简单和复杂环境条件下五个GLCM特征的统计结果。结果表明，与Ent和IDM相比，Var、Con和Prom在OWT目标和背景区域之间的可分性显著更高。在复杂的海洋环境中，Var、Con和Prom的平均值显著更高，标准差也更大，这表明它们能够更好地捕捉到离岸风力涡轮机（OWTs）周围的纹理变化和异质性。相比之下，Ent和IDM在不同环境下的平均值相似，标准差稳定，提供的区分信息有限。因此，Var、Con和Prom作为RF预分类阶段的输入特征更为有效和合适。

表2. 在简单和复杂环境下，GLCM纹理特征的可分性比较。

表5.2. GLCM组合对RF预分类性能的影响

RF预分类的性能受到用于纹理增强的输入GLCM参数组合的显著影响。这一预分类阶段的主要目标不是达到最终准确性，而是高效地筛选出OWT候选区域。因此，召回率（Recall）是关键的评估指标，确保尽可能保留更多的真实OWT候选项（TPs）以供后续的ResNet18进行预测，即使其中包含一些假阳性结果。这是可以接受的，因为这些假阳性可以在后续的深度学习分类阶段被有效识别和去除。

为了验证纹理增强方法的有效性，本节分析了将各种GLCM纹理参数与光谱信息结合起来对RF预分类结果的影响。共设计了八个消融实验来测试不同的GLCM参数配置。所有包含GLCM参数的实验组都基于层叠的RGB通道。比较涵盖了三种通道组合：（1）单一GLCM参数与RGB的4通道组合，（2）两种不同GLCM参数与RGB的5通道组合，以及（3）所有三种GLCM参数与RGB的完整6通道组合。这种多维比较系统地验证了不同GLCM参数配置对模型性能的影响。

表3显示，所有经过GLCM增强的组的性能都优于缺乏纹理特征的RGB基线组。基线组产生了249,284个假阳性（FPs）和48个假阴性（FNs），降低了后续ResNet18模型的计算效率和识别准确性。相比之下，包含GLCM参数的组大幅减少了假阳性数量，同时最小化了假阴性数量，F1分数超过了0.917。在GLCM增强组合中，完整的6通道配置（VAR、CON、PROM + RGB）表现最佳，达到了最高的召回率（R = 0.9988）和F1分数（0.9412），仅出现了4个假阴性，成功识别了3331个真实涡轮机中的3327个。此外，使用单一或双重GLCM参数与RGB的组合也表现出可靠的性能，召回率在0.9832到0.9949之间，F1分数在0.9269到0.9377之间。这些发现证实，整合GLCM纹理特征有效地补充了光谱信息，显著提高了RF预分类的性能。

表3. GLCM增强特征在RF预分类中的性能评估。

表5.3. RF引导的ResNet18模型优化

5.3.1. 训练阶段：通过减少样本数量来提高效率

RF预分类器首先对大规模遥感图像进行快速扫描，其功能类似于一种成本效益高的RPN。它有效地过滤掉了大量缺乏有用信息的简单负面样本，如开阔海域，并专注于围绕风力涡轮机目标或类似风力涡轮机的物体及其周围环境的候选区域。这种方法使得第二阶段的ResNet18模型能够仅基于以风力涡轮机目标为中心的小图像块进行训练，无需使用传统的窗口移动方法来生成大量冗余样本。例如，在八个方向上简单地进行1/2窗口移动会使样本数量增加九倍。由于数据量减少，每个训练周期所需的批次次数减少，从而降低了数据加载和预处理的开销。这导致总训练时间缩短，GPU内存需求显著降低，使得在硬件资源有限的平台上也能训练出高精度识别模型。

5.3.2. 不同补丁大小的比较分析

表4列出了在10米分辨率遥感图像上不同补丁大小的测试结果，31×31像素窗口在所有指标上取得了最佳平衡。它获得了最高的F1分数（0.9949）、精确度（0.9937）和召回率（0.9961），同时假阳性（21个）和假阴性（13个）的数量最少。虽然21×21窗口的理论FLOPs较少，但由于假阳性数量显著增加（61个）和F1分数较低（0.9887），因此未能提供更高的准确性。更大的补丁，如41×41和51×51，虽然理论上可以包含更多空间信息，但在复杂的近岸遥感场景中引入了大量与目标无关的背景干扰。这不仅导致F1分数略有下降（分别为0.9931和0.9919），还由于总像素数量增加而增加了计算负担，使训练时间分别延长了29.52%和60.95%。

5.3.3. 推理阶段：计算冗余的减少

在实际检测场景中，RF模型生成了一组有限且空间集中的候选点。随后，ResNet18模型不再需要在整个图像上进行密集的滑动窗口卷积。相反，它仅专注于这些感兴趣区域附近的细粒度识别。这种方法大大减少了冗余计算，显著提高了推理速度。由于RF阶段的候选点已经高度聚焦于OWT区域，ResNet18模型在特征提取期间的感受野自然集中在目标补丁上，从而最小化了来自大背景区域的干扰。这种注意力聚焦效应增强了模型的空间聚焦性，并提供了双重准确性优势：首先，通过有效抑制目标位置漂移提高了定位准确性；其次，通过显著降低将背景特征或其他海上基础设施误分类为OWT的可能性提高了分类准确性。

为了验证这种机制的效率，在相同的平台（GTX1650Ti）上进行了对比实验。“全样本、全图像推理”（Brute-Force）方案处理了总共40,275个样本，而原始方法处理了4,475个样本。该方法的训练过程大约需要66分钟和46秒，而推理时间则需要9小时和48分钟。它实现了0.9991的精确度、0.9855的召回率和0.9923的F1分数。相比之下，GCRC框架在GEE云平台上进行RF处理，训练仅需约1分钟和45秒，推理仅需约69秒，分别实现了0.9937的精确度、0.9961的召回率和0.9949的F1分数。

进一步测试表明，如果GLCM纹理计算和RF预分类都在本地执行，则分别需要额外的60-90分钟和25-45分钟。然而，总时间仍然低于全图像推理方案。省略GLCM纹理增强可以进一步减少大约50%的计算时间，代价仅是精确度（约0.0553）和召回率（约0.0018）的轻微下降。总体而言，RF引导的两阶段检测架构在保持高准确性的同时显著减少了推理时间，展现了卓越的计算效率和可扩展性。研究表明，高计算成本和长处理时间是实际应用中的固有挑战（Li等人，2025年引用）。然而，所提出的GCRC框架通过其轻量级的两阶段设计有效地减轻了这一计算负担，使其成为现实应用的可行策略。

5.4. 与现有方法的比较

为了验证本研究中提出的GCRC框架的有效性，对五种代表性的OWT检测方法进行了全面的性能指标比较分析，结果如表5所示。这些方法在技术路径上存在显著差异：DeepOWT（Hoeser、Feuerstein和Kuenzer，2022年引用）采用级联CNN进行识别。DLCD（Wang等人，2024年引用）整合了Sentinel-1（SAR）和Sentinel-2多光谱数据，使用双循环协作检测算法和DBSCAN聚类进行提取。GOWT1（Zhang等人，2021年引用）是一种基于GEE的统计方法，依赖于时间序列百分位数降维。GOWT2（Zhang等人，2024年引用）采用了多模型深度学习语义分割方法，并在GEE平台上进行二次细化。GOWT3（Xu等人，2022年引用）也在GEE上运行，利用CFAR进行杂波抑制，并应用RF分类器。

表5. OWT检测的模型性能比较

比较结果显示，GOWT2和DLCD取得了最高的综合性能，超过了0.9990。这种卓越的准确性可以归因于它们复杂的技术路径，例如光学和SAR数据的融合（DLCD）和多模型深度学习（GOWT2）。然而，这些方法在计算上非常耗费资源。在性能权衡方面，GOWT1和GOWT3达到了完美的召回率1.0000，但GOWT3的精确度较低，为0.9412。相比之下，本研究中提出的GCRC框架实现了稳健的平衡，在召回率上与GOWT1相当，并超过了DeepOWT。

尽管GCRC的准确率略低于表现最好的GOWT2和DLCD，但它显著减少了计算冗余。GCRC与这些顶级方法之间的准确率差距仅为0.005。因此，GCRC在实际应用中提供了更好的平衡，实现了与最先进方法相当的准确性，同时提供了更高的计算效率和更轻量化的模型。

5.5. 局限性和未来工作

尽管GCRC框架在OWT提取准确性、计算效率和环境适应性方面表现出色，但在多源数据集成和过程自动化方面仍存在某些局限性，需要在下文中进一步改进和深入探索：

（1）陆地-海洋区分的影响

本研究开发的模型主要针对OWT检测进行了优化，仍然容易受到陆地特征的干扰。对于位于潮间带的涡轮机，如果图像采集时间与高潮不一致，使用单日期图像和传统的海岸线提取方法可能会导致陆地-水域边界不明确，从而可能引起误分类。因此，这种方法在一定程度上仍依赖于外部陆地-海洋边界数据。未来的研究旨在将优化的陆地-海洋区分模块集成到模型架构中，以提高对复杂海岸环境的适应性。

（2）模型耦合和统一训练框架

目前，RF预分类器和ResNet18精细识别模型是独立运行的，需要单独训练。RF预分类结果必须导出，然后重新加载到ResNet18中进行二次推理。这种解耦的工作流程增加了计算复杂性，降低了整体推理效率。未来的工作将致力于开发一个统一的训练框架，将RF衍生的空间先验或概率特征嵌入到深度网络中，以实现预分类和精细识别之间的联合优化，从而提高整体一致性和计算性能。

（3）对大气和光照条件的敏感性

由于本研究依赖于Sentinel-2 MSI光学图像，检测性能本质上受到大气条件的影响，如云层覆盖、雾和光照变化。在薄云、雾或强光照效应（例如阳光反射）等挑战性条件下，OWT与周围海面之间的对比度可能会降低，影响纹理特征（如GLCM）的稳定性，导致潜在的漏检或假阳性。明亮的海面反射、波浪引起的图案以及潮间带（特别是那些不经常被淹没的区域）的高反射率TF可能会表现出与OWT相似的纹理特征，或者降低对比度，增加误分类和检测不确定性的风险。未来的工作将侧重于通过结合多时相观测、考虑云层的预处理策略或多源数据集成来增强在这些条件下的鲁棒性，以减轻大气和光照变化的影响。

（4）多源集成和时间泛化

未来的研究将探索多源遥感数据的融合，例如结合Sentinel-1 SAR图像和Sentinel-2光学图像，以在不同的海况和光照条件下提高模型的鲁棒性。此外，由于本研究主要关注测试和验证所提出的框架，未来的应用导向研究将结合多时相图像和来自不同时间段的不同训练样本，以提高跨季节变化和不同OWF建造阶段的時間泛化能力。

6. 结论

本研究旨在解决遥感监测OWT中的一个关键挑战：现有识别模型中计算效率和模型准确性之间的固有权衡，尤其是在处理小目标检测和复杂环境干扰时。我们提出并验证了GCRC框架，这是一种基于分而治之策略的新型两阶段方法，旨在在现有以准确性优先和速度优先的模型之间找到更优的平衡。通过GLCM纹理特征增强的RF预分类器可以作为高效RPN用于OWT识别。该机制以最小的计算成本可靠地完成了预筛选任务，达到了0.9988的召回率，证明了其过滤大量简单负样本的能力。RF预分类的核心贡献在于显著简化了识别的空间范围，消除了依赖重型深度学习模型来实现高精度外海目标（OWT）识别的需求。一个轻量级的ResNet18模型在这个预处理的数据流上展现了出色的识别能力，在江苏省和福建省平潭岛的测试区域内，精确率达到了0.9937，F1分数达到了0.9949。我们共识别出了7578个外海目标，其中江苏省和广东省是主要省份，合计占全国总量的大约58%。在离岸距离方面，江苏省、广东省和台湾省的分布范围很广，超过50公里，而河北省和上海市则主要集中在近海水域（<15公里）。在水深方面，也呈现出明显的区域差异：像江苏省这样的北部地区利用当地的地形优势优先发展浅水区域（<20米），而南部地区如广东省和台湾省则扩展到了更深的海洋环境，在30-50米深度范围有大量的部署。总之，GCRC框架的最终价值在于其在遥感应用中平衡准确性和效率的能力。通过结合机器学习的广域高效筛选能力和轻量级深度学习的局部精确验证，我们能够在有限的硬件资源下有效克服大规模遥感监测的计算瓶颈。这一技术框架不仅为外海目标的动态监测提供了坚实的基础，也为面临类似挑战的其他遥感任务（如小目标检测、高背景干扰和计算资源受限的情况）提供了典范解决方案。

补充材料
下载MS Word文档（32 KB）：Supplementary_Materials_for_review.docx

数据可用性声明
本研究的支持数据可向通讯作者请求获取。

本文的补充数据可通过以下链接访问：
https://doi.org/10.1080/17538947.2026.2667081