综述：卫星遥感技术探测浮石筏

《Frontiers in Earth Science》：Satellite-based remote sensing techniques for detecting pumice rafts

　　

浮石筏（Pumice Rafts）是海洋表面漂浮火山浮石的聚集体，通常由海底火山喷发产生。它们可持续存在数月并漂移长距离，对海上航行、港口运营和海洋生态系统构成威胁。凭借其广阔的空间覆盖、重复观测和多光谱能力，卫星遥感（Satellite Remote Sensing）已成为监测浮石筏的重要工具。本综述汇编了自2001年以来卫星记录的浮石筏事件，并总结了这些研究中使用的传感器和产品。研究人员阐明了四种常用探测方法的原理，包括视觉解译（Visual Interpretation）、基于阈值的方法（Threshold-based Methods）、基于浮石指数的方法（Pumice Index–based Methods）和机器学习方法（Machine-learning Methods），并比较了它们的优势、局限性、应用场景和报告的提取性能。研究人员还讨论了若干现存问题，包括数据源碎片化、方法框架不一致、定量反演能力有限以及复杂环境条件下鲁棒性降低。最后，本综述概述了未来研究方向，并为更标准化、自动化和业务化的浮石筏卫星遥感提供了方法参考，与火山-海洋灾害响应和海洋安全管理相关。

**1 引言**
浮石是火山喷发的典型产物之一，具有高孔隙率和低密度特征。广义上，浮石可简单定义为通过强烈挥发分出溶和快速冷却形成的、成分从硅质到镁铁质的高度气泡化玻璃质泡沫。由于密度低，浮石常漂浮于海面并聚集成浮石筏，在洋流和风力的共同作用下，经历数月至数年的扩散、破碎和最终沉降过程。大规模浮石筏已被记录到在长距离漂移过程中严重影响海上航行和港口作业，可能导致渡轮停运、船舶损坏，甚至引发政府级应急响应。浮石筏还可能携带入侵物种，改变沿海生态系统和水体光学性质，并威胁海洋生物（如鱼类）。这些观察表明，大型浮石筏日益被视为具有重大社会经济影响的海洋灾害。
与传统点状或线状观测相比，卫星遥感技术在时空覆盖、连续监测能力和成本方面具有显著优势，可清晰捕获可见光和近红外波段中的浮石筏图像，提供事件定位、过程跟踪、面积估算、漂移预测和生态影响分析。自2001年以来，全球已有十余次浮石筏事件被卫星成功监测，且均发生在西太平洋地区。识别方法从人工视觉解译逐步发展到阈值法和浮石指数法，近年引入机器学习以实现自动提取。现有研究仍存在三大问题：数据源碎片化、方法体系不统一、业务化能力薄弱。在此背景下，本综述综合了数据源、探测原理和精度评估实践，旨在为未来研究方法选择提供参考。

**2 数据**
大多数浮石筏研究中，粗分辨率卫星传感器如Aqua & Terra/MODIS（中分辨率成像光谱仪）、NPP/VIIRS（可见光红外成像辐射计套件）、Sentinel-3/OLCI（海洋和陆地颜色仪器）和Sentinel-3/SLSTR（海洋和陆地表面温度辐射计）被广泛用作主要数据源。这些传感器的空间分辨率通常在250米至1公里之间，具有覆盖范围广、重访频率高、海色数据产品成熟等优势，能实现每日或亚日尺度的全球海域覆盖。相比之下，高分辨率多光谱传感器如Sentinel-2/MSI（多光谱仪器）和Landsat-8/OLI（操作陆地成像仪）常用于小规模浮石特征的精细识别和定量分析，其空间分辨率可达10–30米，在可见光至近红外和短波红外范围内具有更强的光谱判别能力。
粗分辨率数据可区分大范围浮石筏与正常海水、火山灰羽流和变色水体，快速捕获火山喷发后浮石筏的初始生成位置、覆盖面积和整体分布模式，并持续跟踪数月尺度内的漂移路径和衰减过程。但受空间分辨率限制，其对破碎、稀疏或小规模浮石团块的识别能力有限，混合像元效应明显。高分辨率数据能清晰显示浮石筏的纹理结构、斑块形态、边界轮廓和密集与稀疏区域间的过渡特征，显著减少混合像元引起的误差，但受限于幅宽窄和重访周期长，更适合在粗分辨率数据确定的关键区域进行精细调查。
从功能分工看，粗分辨率传感器承担全覆调查和长期序列动态监测任务，高分辨率传感器承担细节验证和精确量化任务，二者协同形成层次化数据应用模式。在浮石筏事件早期，主要依赖粗分辨率数据进行快速发现和定位；在长距离漂移和破碎阶段，粗分辨率数据实现月尺度连续动态监测；在需要精细边界提取和面积估算时，引入高分辨率数据。此外，中国FY-3D MERSI-II和GF系列卫星数据已逐步应用，提供了新的数据补充选项。

**3 遥感图像中的浮石探测方法**
浮石筏探测方法可分为视觉解译、基于阈值的方法、基于浮石指数的方法和机器学习四类，体现了从人工定性到自动定量智能的演进趋势。
**3.1 视觉解译**
早期监测依赖卫星图像的视觉解译，利用浮石在可见光波段的颜色特征（浅棕色或灰白色）与深蓝色海洋形成强对比，通过分析真彩色合成图像识别异常色块，并参考多时相图像确认漂移轨迹。例如，2006年汤加Home Reef火山喷发中，研究人员基于ASTER和MODIS真彩色图像中的大面积浅灰棕色区域识别出浮石筏和“变色水”现象。该方法直观且适用于大规模浮石筏，但主观性强、耗时，难以定量评估，易遗漏小规模或稀疏浮石，并可能与其他高反射特征混淆。
**3.2 基于阈值的方法**
随着对浮石光学特性认识的加深，阈值方法被广泛采用。该方法假设在适当掩膜后，浮石筏在特定通道（如红波段反射率、归一化水体指数或海表温度）的光谱或物理特征与背景海水显著偏离，通过固定阈值进行识别。阈值方法简单高效，适用于粗分辨率数据的批量处理，但对经验参数依赖性强，鲁棒性有限，在复杂环境下易产生误检和漏检，尤其对稀疏或亚像元浮石分布检测精度低。
**3.3 基于浮石指数的方法**
浮石筏的矿物组成（主要为斜长石、斜方辉石、少量橄榄石和Fe–Ti氧化物）导致其在红波段和近红外波段具有显著反射峰，而清洁海水在这些波段的反射率接近零。基于此，研究人员开发了浮石指数方法，通过比较红波段反射率与相邻波段插值基线的偏差来增强浮石与海水的对比。例如，Chen等人提出了浮石筏指数（Pumice Rafts Index, PRI），利用红波段反射率与蓝、近红外波段线性插值基线之差进行识别。类似地，He等人和Li等人的指数也基于红波段和近红外波段基线差原理。这些方法通过量化相对光谱差异，对光学特征明显且稀疏分布的浮石具有更高鲁棒性，且指数阈值可跨时间或区域应用。然而，当前实现仍依赖经验阈值和人工ROI勾选，限制了完全自动化流程的推广。
**3.4 机器学习**
随着云计算平台和开放影像数据的发展，机器学习逐渐应用于浮石筏监测。不同于阈值判别，机器学习通过监督学习训练分类器，整合多波段特征以提高复杂情况下的检测率。例如，研究人员使用Sentinel-2的蓝、绿、红、近红外等波段构造特征向量，输入随机森林分类器，并选择浮石筏、水体、变色水、薄云、密云和“浮石混合物”等代表性像素进行训练。机器学习方法灵活，能捕捉复杂决策边界，但依赖高质量训练样本，分类结果可能受云层、太阳耀斑和光学复杂水体等干扰，需人工验证，因此实际应用仍视为半自动。
**3.5 方法综合比较**
四种方法遵循“人工视觉检查-阈值分割-指数增强-智能学习”的技术演进路径，在自动化程度、识别精度、适用场景和鲁棒性上逐步提升。视觉解译适用于应急评估和结果验证；阈值方法适用于大规模长期动态监测；浮石指数方法综合精度和稳定性最佳，是当前定量提取的首选；机器学习代表自动化和智能化方向，具有大规模业务应用潜力。但各类方法共同面临云和云阴影干扰、混合像元效应、稀疏/小规模浮石易漏检和多传感器结果归一化困难等瓶颈。

**4 精度评估**
本研究以视觉解译作为辅助参考，比较代表性阈值法和指数法的提取结果，使用交并比（Intersection over Union, IoU）指标评估精度。结果表明，对于大面积连续浮石筏，阈值法和浮石指数法的IoU值均在0.8左右，表明两者均能有效识别大型浮石筏。但在浮石筏边缘区域，特别是带状、丝状或破碎结构处，两种方法的精度均下降，浮石指数法在复杂边界条件下略占优势。对于稀疏浮石筏（如Rabaul Caldera案例），机器学习方法的IoU为0.4999，浮石指数法为0.4501，显著低于连续浮石筏案例，表明浮石筏的稀疏性和破碎化是主要限制因素。此外，传感器空间分辨率影响显著，混合像元导致低覆盖率浮石难以检测，且现有方法在云层和阴影干扰下精度受损。视觉解译作为替代参考本身存在不确定性，未来评估应区分漏检和误检，并报告精确率、召回率、面积偏差和边界度量。

**5 展望与总结**
本文系统回顾了2001年以来全球浮石筏卫星遥感监测的研究进展，涵盖光学遥感数据源、识别方法、精度特征和技术瓶颈。研究表明，卫星遥感已成为定位、跟踪、估算面积和分析火山海洋灾害的核心技术手段，但受限于数据碎片化、方法依赖不确定性、云层和混合像元效应以及定量反演能力弱。未来工作应加强以下方面：
第一，推进多源多尺度观测集成，结合宽幅粗分辨率图像进行大范围筛查，并快速调度高分辨率光学观测细化结构。同时，利用中红外和热红外（2.5–25 μm）中的硅-氧伸缩振动特征、合成孔径雷达（Synthetic Aperture Radar, SAR）和静止轨道卫星的高时间分辨率观测，建立统一特征空间，提高复杂条件下性能。
第二，开发智能和定量提取算法，除随机森林外，应比较支持向量机、梯度提升、卷积神经网络、U-Net和Transformer模型，并关注类不平衡、跨事件迁移性、标准化训练集和模型可解释性。自监督表示学习（Self-Supervised Representation Learning, SSL）和主动学习（Active Learning, AL）可减少标注需求并提高样本效率。
第三，加强跨学科合作，整合地质学观测、遥感光谱特征和漂移轨迹，建立统一分析框架，推动遥感识别与火山喷发机制和海洋动力漂移模型的深耦合，形成“识别-跟踪-预测-预警-风险评估”一体化技术体系，服务于火山次生海洋灾害的应急响应和风险管理。