引言
准确的溢油识别对海洋污染预警系统具有重要作用，提供污染源归属和围控措施以防止污染扩散。作为传统方法的船舶监视仅覆盖有限的空间范围，且经常无法评估溢油的全部范围，尤其是在事件边界不确定时。遥感技术已成为解决这些问题的方案，具备覆盖大面积和近连续监测溢油位置和范围的能力 (El-Magd et al., 2021, Zhao et al., 2022)。
在遥感平台中，合成孔径雷达 (SAR) 卫星因其在不受照明条件或云量影响的情况下获取图像的能力而在溢油监测中脱颖而出 (C. Li et al., 2024; Sommervold et al., 2023)。当海面上存在石油时，它会抑制毛细波的形成，衰减雷达后向散射，并在 SAR 图像中产生特征性的暗斑 (Fan et al., 2021; G. Li et al., 2021; Meng et al., 2024)。未受影响的水面产生由风生毛细波形成的更强后向散射 (Topouzelis, 2008)，油污区和清洁水之间的这种后向散射对比构成了快速溢油制图的基础。
基于阈值的分类一直是标准的 SAR 检测方法，通过将像素后向散射与固定截止值进行比较来界定溢油 (Fan et al., 2021, Pare et al., 2020)。虽然计算简单且适用于快速溢油响应 (Shu et al., 2010)，但这种方法对石油特性和局部海况的变化敏感 (Al-Ruzouq et al., 2020)。在冷水环境中开发校准的阈值，那里较高的石油粘度产生紧凑、均匀的油膜 (Wegeberg et al., 2021)，在热带环境中往往表现不佳，那里降低的粘度和较高的蒸发率产生更薄、更扩散且空间不规则的油膜。这意味着针对特定位置优化的阈值具有有限的可迁移性。
热带水温加速石油蒸发并降低其粘度，导致油膜比在较冷环境中更快地扩散成更薄的层 (Dachev, 2022)。薄油膜缩小了受影响区域和未受影响区域之间的后向散射差异，在 SAR 图像分类中产生模糊的暗特征。在这种情况下，仅基于后向散射的分类器经常将相邻海面误识别为石油污染，直接降低分类精度。
纹理方法可用于克服这种模糊性。纹理捕捉像素本身尺度之上相邻像素之间的强度关系 (Müller et al., 2007)，编码纯后向散射值无法显示的结构信息。先前的工作证实，空间判别特征即使在复杂的成像条件下也能大幅提高图像分析的可靠性 (X. Chen et al., 2025)。已证明，结合此类上下文描述符可以提高溢油分类精度，超越仅靠后向散射幅度所能支持的水平 (Liu et al., 2019)。灰度共生矩阵 (GLCM) 是通过分析灰度值的空间相关性来分析纹理的广泛使用技术 (R. Chen, Jia, et al., 2022)，并已应用于溢油分类 (Al-Ruzouq et al., 2020)。在 X 波段 (R. Chen, Li, et al., 2022)、C 波段 (Yang et al., 2012) 和 L 波段 (Hassani et al., 2020) 上使用 GLCM 的研究表明了其在雷达图像中分离油膜物体的潜力。此外，局部二值模式 (LBP) 方法已被用作灰度强度校正矩阵，以解决船载雷达系统中的图像非均匀性，用于自动检测溢油 (Xu et al., 2021)。
Cheng et al. (2022) 分析了 C 波段 Sentinel-1 SAR 用于溢油检测的多源特征的初步筛选。然而，他们的研究侧重于单独评估特征，而不是进行全面分析。为了解决这个问题，我们的研究通过结合多种纹理分析，包括灰度共生矩阵 (GLCM)、局部二值模式 (LBP) 和基于小波的纹理分析，引入了 SAR 多纹理特征输入 (SAR-MuTexFi)，以改进基于机器学习的溢油分类。该方法旨在丰富机器学习输入，以更好地解决热带水域条件下 SAR 图像中溢油外观的复杂性。使用机器学习的优势在于能够捕捉长期时间依赖关系并识别隐藏的周期性模式 (Li et al., 2025)。
准确界定的溢油不仅确认污染的存在，它还为下游环境风险量化提供了空间基础。AI 在异构海事信息中的应用可能增强海洋作业的情境意识 (X. Chen, Wu, et al., 2026)。这样的进展强化了需要强大的遥感流水线，能够将可靠的空间产品输入环境监测框架 (X. Chen, Wu, et al., 2026)。印度尼西亚作为主要海事枢纽和重要石油生产国的地位造成了复合暴露，通过战略海峡的高油轮流量与不断扩张的海上勘探并存，放大了溢油事件的可能性和后果。在操作尺度上映射溢油位置能够系统地识别生态敏感性和碳氢化合物暴露重叠的区域。层次分析法 (AHP) 提供了一种透明的机制来权衡这些暴露因素并将其整合到综合脆弱性得分中，将检测输出转化为决策相关的风险概况。
SAR-MuTexFi 的新颖性不在于引入新的纹理算子，而在于为热带 SAR 环境建立协同的多纹理特征，其特征是薄油膜扩散、弱后向散射对比和环境变异性。与通常单独评估纹理描述符的以往研究不同，该方法整合互补的纹理表示，以改进具有挑战性的热带条件下溢油区和非溢油区之间的可分离性。因此，本研究的主要贡献如下：(1) 开发 SAR 多纹理特征输入 (SAR-MuTexFi)，利用高维纹理特征进行基于机器学习的溢油分类；(2) 全面评估证明优于传统基于 SAR 方法的分类性能；(3) 特征重要性分析识别对分类性能的关键贡献者；(4) 在不同溢油特征和来源的热带水域中验证 SAR-MuTexFi；以及 (5) 利用检测到的溢油范围支持环境脆弱性评估，从而实现高风险区域的识别。本研究可作为决策支持模型，用于大面积溢油的快速制图，并通过提供最佳解决方案为基于空间的决策提供支持 (Huang et al., 2024)。此类应用与近期研究一致，证明海事活动的时空分析可以支持超越单个操作事件的海事管理和战略规划 (X. Chen, Zhang, et al., 2026)，尽管无人机 (UAVs) 仍更适合监控需要即时响应和短期观测的小区域 (Chen et al., 2025)。
