综述：基于Sentinel-1后向散射阈值与Sentinel-2光谱指数和光谱特征的海上溢油检测集成：以秘鲁利马为例

《Remote Sensing Applications: Society and Environment》：Integration of backscatter thresholds from Sentinel-1 with spectral indices and signatures from Sentinel-2 for the detection of oil spills at sea: The Case of Lima, Peru.

　　

海上溢油（OSS）的检测与监测对于环境灾害管理和海洋生态系统保护至关重要。研究人员旨在整合来自Sentinel-1（S1）的散射系数（σ₀）数据与Sentinel-2（S2）的多光谱图像，用于OSS检测，以2022年1月15日发生在秘鲁利马Ventanilla的La Pampilla炼油厂事件为例。为此，研究人员分析了S1-GRDH的VV极化σ₀值，建立了新鲜油污（1月25日）的特征阈值范围-21 dB至-13 dB，以及风化油污（2月2日）的特征阈值范围-19 dB至-13 dB。中位数3 dB的偏移量化了碳氢化合物的风化和乳化过程。所采用的方法包括计算光谱指数（OSI、VNRI、IVI、Zakzouk）和评估S2光谱特征。油污指数（OSI）的范围为1.1至1.5，达到最高一致性（κ = 0.808，“非常好”），成为操作性二元检测最可靠的指标。尽管OSI在二元检测中表现最优，但净面积量化通过光谱解混（spectral unmixing）进行，得到6,818公顷（约68 km²）。使用Kappa指数和Mann-Whitney-Wilcoxon U检验（p<0.05）进行的验证显示了统计显著性，并确认了光谱特征的同质性。研究结果包括该溢油地图，该地图将Ventanilla溢油确立为秘鲁历史上最大的生态灾难。该研究方法框架对所研究事件有效，并为未来溢油事件提供了可参考的范式，有助于发展海洋环境灾害快速响应能力。

**1. 引言**
海上溢油（OSS）是最具破坏性的环境灾难之一，对海洋生态系统、生物多样性和沿海社区产生长期影响。2022年1月15日，秘鲁利马Ventanilla的La Pampilla炼油厂发生约11,900桶原油泄漏，被列为该国最严重的生态灾难。卫星遥感已成为检测OSS的重要工具。合成孔径雷达（SAR）传感器（如Sentinel-1（S1））通过检测因毛细波衰减而出现的低后向散射（σ₀）暗区来识别OSS。同时，多光谱传感器（如Sentinel-2（S2））提供反射率数据，用于估算像素级光谱特征及计算对油污敏感的光谱指数，包括油污指数（OSI）、可见光近红外指数（VNRI）、可见光反射率比指数（IVI）及优化的Zakzouk指数。尽管已有研究证实了SAR后向散射阈值和光学光谱指数在OSS检测中的作用，但尚缺乏一个系统性地比较和验证两种数据类型的集成框架。秘鲁东南太平洋沿岸独特的海洋学条件（如沿岸上升流、海面温度18.6–20.5°C、高生物生产力）要求对通常从其他区域借鉴的阈值进行本地验证。为填补这一空白，研究人员提出了一种多参数方法，结合S1的σ₀阈值与S2的光谱指数和特征，并使用现场数据和非参数统计（Kappa、Mann-Whitney U检验）进行验证。秘鲁环境评估与执法局（OEFA）报告称，该OSS影响了约180万平方米的海岸带和超过710万平方米的海洋表面，对底栖、潮间带和潮下带群落造成负面影响。油污向北扩展，波及受保护的自然区域，导致900多只野生动物死亡，并影响了约2,500名手工渔民。OSS的规模凸显了有效检测和监测方法的迫切需求。S1（C波段，5.405 GHz）的SAR传感器可在任何天气和光照条件下提供可靠图像，而S2-L2A图像提供大气校正后的表面反射率。整合SAR和光学数据利用了主动和被动传感器的互补性。深度学习在自动检测OSS方面显示出潜力，但存在对大型标注数据集和专用硬件的依赖，以及“黑箱”特性限制物理解释等问题。相比之下，基于σ₀阈值和光谱指数的方法具有直接可解释性、低计算成本和非参数统计验证的优势。尽管取得进展，但仍缺乏一个系统性的集成框架来结合S1 σ₀阈值与多个S2光谱指数和特征，并在秘鲁沿海条件下进行验证。本研究的主要目标是开发和验证一个集成方法框架，以La Pampilla溢油事件为案例，结合S1 σ₀阈值与S2光谱指数和光谱特征进行OSS检测。具体目标包括：(1) 建立新鲜和风化油污的σ₀阈值范围；(2) 计算光谱指数并提取光谱特征；(3) 使用Kappa指数和Mann-Whitney-Wilcoxon U检验验证分类；(4) 使用端元解混（endmember unmixing）方法生成油污分数图。

**2. 材料与方法**
**2.1. 研究区域**
研究区域位于秘鲁利马Callao宪法省Ventanilla区的La Pampilla炼油厂2号多浮筒终端。根据秘鲁海洋研究所（IMARPE）的技术报告，监测区域的海面温度为18.6–20.5°C，溶解氧浓度为7.12–8.34 mg/L，pH值为7.2–7.7，盐度为31–34.3‰。总石油烃浓度达到789.7–15,279.5 mg/L，远超秘鲁法规第2类标准（0.01 mg/L）。研究区域主要为海洋区域。根据CONIDA监测日期，共选取了500个采样点（SP），其中250个为油污点（WOS），250个为无油污点（WS），基于CONIDA提供的污染区域多边形进行地理定位，作为地面真实空间参考。

**2.2. 卫星数据**
使用了Sentinel-1A（S1）的GRDH（Ground Range Detected）产品（C波段，5.405 GHz，双极化VV+VH）和Sentinel-2B（S2）的L2A产品（大气校正后表面反射率，10个光谱波段）。图像日期为2022年1月25日和2月2日，与CONIDA监测期一致。S1图像预处理在SNAP软件中进行，包括轨道校正、热噪声去除、辐射定标（得到σ₀值，单位dB）、Lee Sigma斑点滤波（7×7窗口）、几何校正（UTM Zone 18S，WGS84，SRTM DEM）和陆海掩膜。通过分析σ₀的异常低值区域来识别OSS，使用非参数统计（箱线图和核密度估计KDE）确定区分WOS和WS像素的最佳阈值。S2图像用于计算多个光谱指数，包括油污指数（OSI）、可见光近红外指数（VNRI）、可见光反射率比指数（IVI）以及Zakzouk优化指数（Z1-Z4）。此外，还提取了9个代表性WOS像素的光谱特征，并使用Mann-Whitney-Wilcoxon U检验验证其光谱同质性。随后，在ENVI 5.6软件中应用端元解混（Endmember Unmixing）和最小距离分类（Least Distance classification）方法，基于线性光谱混合模型生成油污分数图像。

**2.3. 数据分析与统计验证**
使用非参数统计方法（箱线图和KDE）确定σ₀阈值。检测方法通过Kappa指数（κ）和决定系数（R²）进行验证。Kappa指数用于评估卫星分类与现场采样点之间的一致性，根据Landis和Koch（1977）的尺度解释一致性强度（0.00–0.20差，0.20–0.40弱，0.40–0.60中等，0.60–0.80好，0.80–1.00非常好）。决定系数用于分析卫星导出变量与现场SP之间的线性关系。Mann-Whitney-Wilcoxon U检验用于比较所选光谱特征之间的反射率分布，以确定它们是否来自同一总体。

**3. 结果**
**3.1. 散射系数（σ₀）在S1-GRDH中用于OSS分类**
无油污海面通过布拉格散射机制产生后向散射，而OSS通过增加表面张力抑制毛细波，导致低σ₀暗区。基于1月25日图像的500个现场SP，箱线图和KDE分析显示，WOS的σ₀值在-21 dB到-13 dB范围内具有显著高于WS的概率密度，因此确立为新鲜油污的阈值范围。该范围对应的油污面积为3,330.08公顷。对于2月2日图像，WOS的σ₀中位数较1月25日上升了3 dB（从-23.95 dB到-20.03 dB），反映油污风化和乳化过程。新阈值范围调整为-19 dB到-13 dB，对应面积为6,669.98公顷。两次分析独立进行，分别展示新鲜和风化油污的σ₀阈值演化。

**3.2. 使用光谱指数在S2图像中对OSS进行分类**
**3.2.1. 油污指数（OSI）**
OSI阈值范围确定为1.1至1.5，基于WOS值的第一四分位数（Q1）至最小值。KDE曲线显示最小重叠区域。该阈值生成的油污面积为9,747.5公顷。
**3.2.2. 可见光近红外指数（VNRI）**
VNRI阈值范围确定为-0.09至0.25，基于WOS值的Q1至最小值。KDE曲线显示良好分离性。该阈值生成的油污面积为12,241公顷。
**3.2.3. 可见光反射率比指数（IVI）**
IVI表现出与OSI和VNRI相反的行为，WOS值更高，阈值范围确定为0.32至0.61。KDE曲线显示清晰分离。该阈值生成的油污面积为11,579公顷。
**3.2.4. Zakzouk优化指数（Z1-Z4）**
Z1阈值范围0.45至0.73，面积7,835公顷；Z2阈值范围1.52至2.07，面积8,783公顷；Z3阈值范围1.55至2.09，面积9,102公顷；Z4阈值范围1.46至1.98，面积8,153公顷。所有Zakzouk指数生成的油污分布图具有一致性，验证了其鲁棒性。
**3.2.5. 高级可视化：RGB多光谱变体**
RGB多光谱变体（set "a"和set "b"）通过去相关图像增强可视化，其中油污区域分别呈现红色调和暗色调，有助于区分油膜厚度、年龄或风化程度的异质性。

**3.3. OSS检测方法的统计验证**
所有检测方法的p值均小于0.05，表明统计显著性。OSI（1.1至1.5）达到最高一致性（κ = 0.808，95% CI [0.753, 0.864]，91.6%一致性），被评为“非常好”。2月2日图像的σ₀（-19至-13 dB）显示“好”的一致性（κ = 0.766，89.2%一致性）。1月25日图像的σ₀（-21至-13 dB）显示“中等”一致性（κ = 0.451，71.4%一致性）。VNRI、IVI和Zakzouk指数的κ值在0.217至0.351之间，被评为“弱”一致性。R²分析显示，S2导出的光谱指数之间高度相关（如IVI与VNRI的R² = 0.92，Z3与Z2的R² = 0.99），而σ₀与所有光学变量的相关性接近零，证实了主动和被动传感器之间的互补性。

**3.4. S2图像中OSS光谱特征的表征**
从S2图像中选取了9个代表性WOS像素的光谱特征。光谱特征显示在所有波段中反射率较低，可见光波段（B2-B4）值在0.015至0.040之间。Mann-Whitney-Wilcoxon U检验的成对比较显示所有p值均大于0.05，表明9个光谱特征之间无显著差异，确认了光谱同质性。应用端元解混和最小距离分类方法，生成的油污分数图像中，WOS像素的阈值范围为0至0.03。最终油污面积为6,818公顷（约68 km²）。与单个光谱指数的二元阈值结果（OSI 9,747 ha, VNRI 12,241 ha, IVI 11,579 ha, Zakzouk 7,835–9,102 ha）相比，光谱解混得到的面积更小，研究人员认为这更符合物理实际，因为它避免了二元阈值的过度估计。9个光谱特征点与现场参考点的Kappa指数验证显示“弱”一致性（κ值0.269–0.309），但统计显著。

**4. 讨论**
S1和S2数据的集成证明是一种稳健的方法策略。σ₀（VV极化）和OSI指数分别达到“好”和“非常好”的κ一致性，且两者相关性接近零，证实了主动和被动传感器的互补性。该结果与Moncada等人（2025）的H-α极化分解研究一致，该研究也报告了类似的阈值和一致性水平。σ₀阈值与Park等人（2024）的半经验模型一致，该模型考虑了风速和入射角。OSI指数在秘鲁条件下表现优于其他光谱指数，类似于其在Wakashio和Norilsk溢油事件中的表现。尽管VNRI、IVI和Zakzouk指数κ值较弱，但它们在检测不同油污厚度或风化状态方面可能具有互补作用。研究强调，二元阈值方法（如OSI）适用于快速检测，而光谱解混更适用于精确面积量化。1月25日至2月2日期间σ₀中位数3 dB的偏移提供了油污风化的定量证据。研究局限性包括S1和S2数据的空间和时间分辨率可能影响检测精度，但多参数集成和非参数统计验证增强了结果的有效性。

**5. 结论**
本研究证明，S1和S2数据的集成是一种稳健且基于物理方法的海上溢油检测策略。S1的VV极化σ₀分析建立了新鲜油污（-21至-13 dB）和风化油污（-19至-13 dB）的特征阈值范围，中位数3 dB的偏移量化了风化过程。S2光谱指数分析中，OSI（1.1–1.5）达到“非常好”的一致性（κ = 0.808），是最可靠的二元分类指标。其他光谱指数（VNRI、IVI、Zakzouk）一致性较弱，但具有辅助价值。统计验证确认OSI和σ₀是分类OSS最可靠的指标，且R²分析证实了主动和被动传感器之间的物理独立性。对于净面积量化，光谱解混方法更合适，最终油污分数图显示面积为6,818公顷，这是研究人员认为的最佳估计。该研究为秘鲁水域油污的光谱和极化行为提供了知识，并提供了可应用于未来溢油事件的方法框架，有助于建立国家快速响应能力。未来研究方向包括整合实时气象海洋数据、实现机器学习自动分类、探索多模态融合技术以及系统组合强度（σ₀）、极化（H和α）和光谱参数。