卫星SAR技术对海洋石油泄漏的监测与特征分析：来自北海控制实验的启示

《Marine Pollution Bulletin》：Satellite SAR monitoring and characterization of marine oil spills: Insights from controlled North Sea experiments

　　•所提出的MERC是一种用于油污监测与特征分析的强大工具。•该工具能够将有害原油与无害的植物油区分开来。•真实的卫星/机载SAR数据可用于验证NORSE/NOFO海上油污监测行动。•紧凑型混合极化SAR可实现高效的短周期监测。•本文重点强调了北极地区油污风险，以期为未来的极地监测提供参考。

引言
国际灾难管理机构已将油污事件视为可能造成严重生态与环境破坏的人为灾害（Moore和Burns，2011）。油污会污染水道，破坏植被（如湿地、珊瑚礁和红树林），严重损害海洋及沿海生态系统，导致海洋哺乳动物（如海豚、鲸鱼等）和鱼类死亡，还会影响沿海地区的鸟类（Joca Leite等人，2025；Berenshtein等人，2020）。为说明油污的生态影响，图1展示了受影响的野生动物及沿海环境实例。图1(a)–(b)显示的是2010年墨西哥湾“深水地平线”油井泄漏事故，当时约有7.79亿升石油泄漏，影响面积约149,000平方公里（Berenshtein等人，2020）。图1(c)则展示了一只在2019年巴西油污事件中受伤的海龟。这些例子都凸显了油污带来的严重环境后果，而类似事件在全球范围内屡有发生。

为减轻油污带来的严重环境和生态危害，及时发现油污并持续监测至关重要。虽然可在沿海地区使用多种空中、船舶及地面系统进行油污监测，但对于基础设施和后勤支持有限的偏远海域，仍主要依赖卫星观测。基于卫星的油污监测主要包含三个关键步骤：检测、控制与清除。检测阶段需利用主动微波卫星传感器，实现对目标区域的24×7全天候监测，即便是在偏远海域也是如此。光学遥感在海洋油污监测中也展现出巨大潜力，因为多光谱信息有助于判断油污的乳化状态、厚度及浓度（Du等人，2026；Du等人，2025）。不过，光学传感器易受太阳光照、云层覆盖、大气条件以及阳光反射等因素限制，而微波SAR则具备昼夜及全天候成像能力。在检测到油污后，可通过设置浮动物理屏障（如油幕）将油污限制在特定区域内，从而控制其扩散。后续的清除工作则包括添加化学分散剂（如Corexit 9500）、用撇油器抽取油污，或直接焚烧油污。本文主要聚焦于检测环节，旨在实现快速、精准的油污识别。此外，我们还试图通过特征分析将有害原油与无害的生物源植物油区分开来。由于油污会在风速和泄漏量的作用下迅速在海洋表面扩散，若不及时发现，小规模油污也可能逐渐扩大并造成大规模破坏（Ji等人，2020）。为在真实场景中准确验证这一点，我们在第2节对油污扩散能力进行了评估。

为降低油污灾难带来的广泛破坏，需要采用具备以下四项特性的高效监测传感器：•具备全天候昼夜监测能力；•具有高分辨率成像功能，能够识别微小油污并精确绘制受影响区域；•获取的信息量足以用于描述油污分布情况；•卫星的 revisit 时间应尽可能短，以便在油污造成大规模破坏之前将其发现。考虑到前两项要求，自20世纪70年代末以来，太空中的合成孔径雷达（SAR）便被用于海洋油污监测，最初是由NASA的Seasat任务启动的。SAR系统作为主动微波传感器，具备昼夜及全天候（包括有云和雾天）的高分辨率成像能力。最初的SAR系统为单极化配置，即仅发射一种极化波并接收相同极化的回波，因此无法获取关于表面散射机制的充分信息。正因如此，单极化SAR往往难以可靠地检测油污，因为暗色信号容易与相似物体混淆（Migliaccio等人，2015；Migliaccio等人，2011）。从物理层面来看，清洁的海面由于重力波和毛细波的作用会产生较强的后向散射（通常在风速3–12米/秒时），而这些波动在油污覆盖的区域会被减弱，使得油污区域显得更暗。然而，其他海洋现象——如低风速区域、内波、天然生物膜、油脂冰以及剪切带——也会抑制毛细波，在单极化图像中产生类似的暗色特征（Skrunes等人，2014）。为克服这些局限性，人们开发出了全极化SAR系统，该系统同时发射H极化和V极化波，并同步接收两种极化的回波，从而形成完整的散射矩阵。尽管全极化SAR能提供最丰富的极化信息，满足前三个监测标准，但由于不同极化波之间需要共享脉冲，其扫描宽度会显著减小，从而导致revisit时间变长，监测效率降低。为同时解决全极化SAR的缺陷并获取足够的表面极化信息，文献中提出了一种名为紧凑型极化SAR的新架构。这种架构共有三种极化组合：π/4模式同时发射和接收线极化波（Souyris等人，2005）；双圆极化模式同时发射和接收圆极化波（Stacy和Preiss，2006）；混合极化SAR则发射圆极化波并接收线极化波（Raney，2007）。这类SAR架构可在一个时间槽内发射一种极化波，同时同步接收两种正交极化的回波，从而在保证足够信息采集量的同时，实现最优的卫星revisit时间，进而构建2×2协方差/相干性矩阵。得益于Sentinel-1数据的普及，线性双极化配置也展现出类似的优点（Dasari等人，2022；Naz等人，2021）。Sentinel-1双极化SAR数据的公开可用性进一步推动了基于数据驱动、以监督学习为主的油污检测与分割研究（Zhao等人，2026；Wang等人，2026）。不过，若仔细比较所有这些仅发射一种极化波并同步接收两种正交极化波的SAR系统，混合极化SAR可被视为最优选择。表1详细阐述了其优势。

目前已有不少研究采用混合极化SAR技术，通过监督学习或无监督学习方法将油污区域与清洁海面区分开来（Zhang等人，2017；Espeseth等人，2017；Buono等人，2016；Shirvany等人，2012；Kumar和Panigrahi，2019；Kumar等人，2023）。当前的研究热点在于将海洋表面的油污进一步分类为有害原油或无害的生物源类似物。然而，目前相关文献中关于利用混合极化SAR进行此类分类的方法极为有限，且要么仅限于监督学习方法（Salberg和Larsen，2018；A.B. Salberg等人，2014），要么无法有效区分清洁海面、有害原油和无害植物油这三大类别（Espeseth等人，2017；A. Salberg等人，2014）。据笔者所知，目前尚未有文献报道过无需任何歧义即可区分这三类的稳健无监督方法。

在本文中，我们提出了一种稳健的无监督方法，该方法不仅能准确检测油污，还能通过分析介电特性差异，进一步将有害原油与无害的生物源植物油区分开来。为验证该方法的有效性，我们使用了NASA的UAVSAR以及加拿大RADARSAT-2在挪威雷达油污实验（NORSE）和挪威清洁海洋企业协会实验（NOFO）期间获取的真实SAR数据。这些油水相互作用实验是在靠近北极地区的挪威海进行的，相关数据集的地理位置如图2所示。选择这些特定地点具有重要的战略意义，具体原因如下：

如今，随着北极地区开始用于石油开采和运输，油污事故的风险日益凸显，成为未来可能面临的威胁。人们关注这一地区的核心原因有二：•巨大的未开发油气储备：北极地区拥有极其丰富的原油和天然气储备，足以满足全球至少三年的需求。根据美国地质调查局的数据，这部分资源约占全球剩余未发现油气储备总量的22%（美国地质调查局，2008；Budzik，2009）。•西北航道与北方航道：全球变暖导致极地冰层逐渐融化，为船舶运输提供了通向北极的通道。目前公认的两种潜在航线分别是连接欧洲与亚洲的北方（或东北）航道，以及连接大西洋与太平洋的西北航道。这两条航道有望成为替代当前需经过巴拿马运河和苏伊士运河的航运路线，从而节省时间、成本和燃料消耗（Mudryk等人，2021；Discovering the Arctic，2018）。图2以符号路径的形式示意了这些潜在的北极海上通道。需要指出的是，西北航道与东北航道都是北极地区的海上通道，并没有固定的起点和终点港口。图2中选取的城市对仅用于对比距离。鉴于北极地区丰富的油气储备以及预计会增加的航运活动，该地区发生油污事故的可能性正在上升。因此，在北极环境下检测和监测油污变得极为重要。然而，由于北极地区基础设施匮乏，这项任务极具挑战性。在此背景下，基于卫星数据的监测成为唯一可行且高效的解决方案。虽然这些数据并非完全适用于北极环境，但作为演示和验证所提方法的起点，它们具有实际价值。目前，能够在北极环境下捕捉油污事件的SAR数据仍然十分有限，这也是我们选择使用周边地区数据的原因。不过，所提出的方法具有广泛的适用性，可在多种海洋环境中应用。随着石油和天然气勘探及运输活动向北极水域扩展，预计相关的SAR观测数据将会增加，从而为未来油污检测与监测任务提供更具针对性的解决方案。

本文的结构如下：第2节评估油污扩散能力，以此说明快速检测油污的必要性；第3节介绍一种基于新型混合极化SAR的方法，该方法能够高效、精准地检测油污，并成功区分有害油污与无害油污；第4节阐述NORSE和NOFO实验的背景，以及在这些实验中使用UAVSAR和RADARSAT-2 SAR传感器获取的数据集；第5节对这些数据集的结果进行分析；第6节则为全文总结。

部分内容摘录
利用时间序列混合极化SAR数据评估油污扩散能力
为评估四种不同油污条件下的油污扩散能力——80%乳化液（E80%）、60%乳化液（E60%）、40%乳化液（E40%）以及植物油（Radiagreen EBO）——我们对NORSE2015实验中在可控条件下释放油污时获取的时间序列UAVSAR数据进行了分析。此处，“η%乳化液”指的是含有体积百分比η%油份和（100–η）%水份的油水乳化液。这些UAVSAR数据是在L波段频率下获取的。为直观展示油污的扩散情况，我们采用了SPAN指标……

基于混合极化SAR的油污检测与特征分析方法
混合极化SAR要么发射右旋圆极化波（RHCP），要么发射左旋圆极化波（LHCP），同时同步接收H极化和V极化的回波，从而以琼斯向量形式获取相关信息，如下所示（Lee和Pottier，2009）：JHP→=ERHERV。通过计算JHP的外积，即可得到2×2的相干性/协方差矩阵（CHP），而CHP的全部信息可转化为四个实数形式的斯托克斯参数（统称为斯托克斯向量）。其表达式为：CHP=JHP→·JHP?T→=1/2G0+G1G2+iG3G2?iG3G0?G1，其中G0、G1、G2、G3的具体值为：|ERH|2+|ERV|2、|ERH|2?|ERV|2/2。

数据集的详细说明
为进行验证，我们使用了L波段和C波段的两种不同数据集。这些数据集分别由NASA的UAVSAR传感器和加拿大的RADARSAT-2 SAR传感器在NORSE和NOFO实验期间获取。这两项实验都是在靠近地球北极的北极圈附近进行的。这些数据集的地理位置如图2所示。考虑到未来石油和天然气开采与运输的活动，本研究对所提出的方法进行了验证，验证依据是使用UAVSAR和RADARSAT-2数据集获得的实验结果。在性能评估方面，从表4中列出的已记录的地面真实数据区域中，选取了代表不同类型油污的典型研究区域。这些研究区域在图3(a)和图6中分别以矩形框标出，对应UAVSAR和RADARSAT-2数据集。在统计评估方面，则采用了相对……的方法。

本研究基于NASA、挪威北极大学、挪威气象研究所以及挪威清洁海洋运营公司协会共同开展的NORSE和NOFO水上油污控制释放实验。这些实验旨在在实际野外条件下验证监测技术，并提升应对海洋石油泄漏的能力。基于这些目标，我们制定了一套简洁的……方法。

CRediT作者贡献声明：
Ajeet Kumar：写作——审稿与编辑，写作——初稿撰写，可视化，验证，软件，资源，方法论，研究，正式分析，数据整理，概念构建。
Amerigo Capria：写作——审稿与编辑，资源，研究，资金获取，正式分析。
Rajib Kumar Panigrahi：写作——审稿与编辑，验证，软件，研究，正式分析。
Marco Martorella：写作——审稿与编辑，验证，监督，资源，项目管理。

利益冲突声明：
作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢：
作者感谢NASA公开提供UAVSAR数据，以及ESA为我们在北极地区提供RADARSAT-2数据。同时，他们也感谢CNIT RaSS国家实验室对这项工作的支持。

Ajeet Kumar | Amerigo Capria | Rajib Kumar Panigrahi | Marco Martorella