海上溢油SAR遥感监测及溢油漂移快速数值预报技术研究*

宋莎莎，赵宇鹏，安 伟，靳卫卫，李建伟

(1. 中国海洋大学, 山东 青岛 266003; 2.中海石油环保服务有限公司, 天津 塘沽 300452;3. 海洋石油安全环保技术研发中心, 山东 青岛 266061



海上溢油SAR遥感监测及溢油漂移快速数值预报技术研究*

宋莎莎1,2,3，赵宇鹏2,3，安 伟2,3，靳卫卫2,3，李建伟2,3

(1. 中国海洋大学, 山东 青岛 266003; 2.中海石油环保服务有限公司, 天津 塘沽 300452;3. 海洋石油安全环保技术研发中心, 山东 青岛 266061

为探讨海上溢油遥感监测与溢油漂移数值模拟技术的联合应用，采用凝聚层次聚类算法从SAR遥感影像中识别油膜，采用基于风、浪、流耦合三维水动力模型研发的中国近海溢油漂移快速预报模型，将遥感识别结果作为溢油漂移数值预报模式的初始输入，预测油膜的漂移，然后将溢油漂移预测油膜与下一时相SAR遥感识别油膜进行比对，发现二者吻合较好，表明SAR遥感监测技术与数值模拟技术结合应用，可优势互补，同时获取海面油膜位置、面积和动态漂移信息。

溢油；SAR；遥感监测；数值预报

海上溢油应急管理和事故处置重在预防和早期预警。通过遥感监测和数值预测技术，尽早发现溢油并做出污染预警，可以有效提高应急处置效率，降低环境污染损害。通过近几年的发展，建立了海上溢油卫星遥感监测系统和溢油预测系统，在海上溢油应急中发挥了重要作用。

SAR(合成孔径雷达)遥感技术具有大范围海域同步监测、全天时全天候监测的优势，获取的油膜信息可为现场飞机船舶勘查提供指导，并相互配合确认溢油状态；但是SAR遥感监测受卫星重访周期的限制，溢油监测时效性无法保证。而溢油漂移数值模拟技术可以在一定时长内有效预报油膜在海面的漂移轨迹和行为归宿。溢油监测和数值预报技术综合利用，可大大减少对地面监测数据的依赖，将油膜静态性质与动态信息有效结合，为溢油应急作业提供有效的技术支持，有利于降低应急作业成本，减少海洋污染损害[1]。为此，国内外学者开展了溢油遥感监测与预测技术的综合研究[1-3]。溢油预报需要高分辨率、高精度的海面风、表层流的数值预报和完善的溢油漂移扩散数值预报模式[4]。对于局部海域的溢油预测来说，更需要精细的局部海域岸线、水深、潮流等信息。Xu等[2]将遥感监测和基于GNOME模型的溢油预测结合，在渤海海域进行技术应用。GNOME模型是美国NOAA业务化的全球环境模型，采用NCOM流场输入，对于我国近海海域，可基于此开展溢油漂移的初步估计，高精度预测仍需输入局部海域的精细信息[2-3]。本文将溢油SAR遥感监测技术与基于我国近海海域风、浪、流耦合三维水动力模型研发的数值模拟技术结合，应用于渤海海域，同时提取海面油膜位置、面积和动态漂移信息。

1 海上溢油SAR遥感监测技术

在分析历史溢油事故遥感影像、研究油膜和类油膜差异特征的基础上，发展了基于凝聚层次聚类的溢油识别方法[5-6]。油膜识别算法中，传统的K均值(K-Means)、迭代自组织聚类(ISODATA)和模糊C均值算法(FCM)都是基于像素判断的分类算法，会产生较多的碎斑，且没有考虑周围像素的分布情况。而凝聚层次聚类方法首先将每个对象作为一个类，设置一定的规则把它们合并为越来越大的类，直到某个终结条件被满足，是面向对象的方法，可减少碎斑现象。该方法已在海冰分类和海冰边缘线提取方面得到有效应用[7-8]。

基于凝聚层次聚类的SAR 影像油膜识别算法，首先采用凝聚层次聚类方法进行图像分割，然后在图像分割基础上区分溢油斑块和类油膜斑块，从而达到识别油膜的目的。基于凝聚层次聚类方法的SAR溢油识别算法主要包含5个步骤：初始化、异质性合并、灰度合并、碎斑合并和斑块分类。其中前4步是图像分割的操作，其流程见图1；第5步溢油斑块识别见图2。

图1 SAR影像分割算法流程图

图2 SAR影像溢油识别

1)初始化

初始化是将图像中所有像元看作区域，并建立邻接关系，这里采用的是四邻域的规则；后续三步分别利用各自规则，按照相似流程分割图像。

2)异质性合并

异质性合并需要考虑图像区域的异质性参数F，其描述2个区域形状和灰度的相异程度，计算公式为[9]

(1)

式中，Ws是形状异质性权重，它描述了区域的形状规则程度，其值为0～1，越接近0说明形状越不规则，反之,则越接近圆形。暗斑形状规则情况下进行分割，Ws设置为接近1的数值，反之,设置为接近0的数值；n，l，σ分别表示区域的像素数目、周长以及像素灰度标准差；脚标1，2，m分别代表当前区域、与当前区域待合并的邻域以及这2个区域合并后的区域。异质性合并的流程为：遍历所有区域，计算每一个区域及其邻域的异质性参数，若该值小于预先设定的阈值，则合并；反之，则不合并。

3)灰度合并和碎斑合并

灰度合并和碎斑合并的流程与前一步类似，但合并条件不同。灰度合并的条件为：若当前区域与其邻域的平均灰度差，在阈值范围之内，则合并；碎斑合并的条件是：若当前区域的像素数目小于阈值，则将其与灰度最接近的斑块合并。SAR影像暗斑与背景灰度差异大时，灰度合并阈值高；反之，灰度阈值低。SAR影像暗斑大时，碎斑合并阈值大；反之,碎斑合并阈值小。

4)斑块分类

采用基于SAR影像灰度特征的暗斑分类方法，区分油膜和类油膜斑块。根据Gade等于1994年所做的实验[10]，类油膜对海面波浪的抑制作用比矿物油膜的弱，因此在SAR图像中，类油膜比矿物油膜的灰度更高一些。鉴于此，利用暗斑的灰度对比度特征来区分暗斑中的油膜与类油膜。溢油识别的流程参见图2。对于每一块暗斑，计算其与所有邻近斑块的灰度对比度值，找出其中的最大值，作为该暗斑的对比度值；若暗斑的对比度高于阈值，则认为该暗斑为溢油，反之非溢油。

原始SAR图像和溢油识别结果(见图3)，可以看出，该方法可有效分割出图像中的暗斑，溢油识别结果较好。该方法进行溢油影像分割需要设置的参数包括：形状异质性权重、灰度合并阈值和碎斑合并阈值，针对图3影像溢油分割各参数分别设置为0.1，80和25。针对不同影像的溢油分割，上述参数的设置需根据具体情况进行调整。其中可以看出，该方法可有效分割出图像中的暗斑，溢油识别结果较好。

图3 原始SAR遥感影像与溢油识别结果

2 中国近海海上溢油快速数值预报技术

基于POM(Princeton Ocean Model)模式的中国近海海域风、浪、流耦合三维水动力模型，研发了中国近海溢油漂移快速预报模型，该模型由水动力模型、预报风场模型、溢油漂移数值模型、溢油风化模型四部分组成[11]。模型利用NCEP风场，进行海面溢油漂移动态预测和溢油源回溯。通过海上定点观测数据和GPS漂流浮标试验结果对模型预报结果进行了校验。该预测模型覆盖整个中国近海海域，水平网格分辨率1′，48 h预报时间小于5 min，结果误差小于5 km，目前已实现了7×24 h业务化和网络化运行[11-14]。

2.1 水动力模型与气象场

基于POM模式建立了σ坐标系下的中国近海三维水动力模型，由普林斯顿大学发展的三维原始方程海洋模式POM模式曾在我国近海多个海区使用过，均取得良好效果，所以基础海洋动力模式选取了POM模式[15]。采用K1，O1，P1，Q1，M2，S2，N2，K2，Sa，Ssa这10个分潮来预报潮流和潮位，鉴于关注海域为整个中国近海，通过大区域模式(覆盖整个中国近海海域，水平网格分辨率5′)和小区域模式(渤海、东海、南海东部和南海西部，水平网格分辨率1′)嵌套，既实现全海域的预测，又保证了重点关注海域的计算分辨率[11]。同时，环流方面，在美国普林斯顿大学地球流体力学实验室开发的原始方程模式MOM2基础上，发展了一个嵌套于全球大洋环流模式中的高分辨率东亚边缘海环流数值模式，以研究全球环流对东南亚边缘海环流的影响。模式模拟区域及网格分辨率与潮汐潮流模式一致。大区域模式开边界条件取自全球数值模拟结果，4个小区域模式的开边界条件由大模式提供。流场的时间分辨率为1 h。相较于采用针对全球的NCOM流场输入的GNOME模型，文中水动力模型采用高分辨率的中国近海海域水动力数据，模拟结果更接近我国海域的实际情况。

气象场(主要是风场)是溢油预测中重要的外源强迫场，对油膜漂移、扩散和风化过程有很大的影响。采用美国国家环境预测中心(National Centers for Environmental Prediction，NCEP)预报场作为主气象场，还可以手工输入风场和读取历史风场资料。NCEP预报场的空间水平分辨率为1°×1°，时间分辨率3 h，预报间隔6 h。

2.2 溢油漂移及风化模型

溢油模型是根据国际上流行的“粒子跟踪法”设计的三维模型,可以预报溢油的漂移路径和归宿。模型考虑风、流、浪等作用的影响，采用“粒子法”模拟溢油在海面的漂移扩散行为。同时，计算过程中考虑了油膜与海岸交互作用，将油粒子在每个计算步长开始时位置与结束位置进行连线，通过连线与海岸线是否相交来确定油粒子是否上岸。

风化模型主要考虑油膜蒸发、乳化过程和密度、黏度变化，模型建立基于前人研究成果[16]，同时根据实验数据对蒸发模型参数进行校正，以弥补模型准确性的不足。为更好地模拟海洋环境条件，设计、加工了波浪槽模拟系统，该模拟系统温度控制范围为-5～35 ℃；风速0～30 m/s；通过调节造波器的行程控制造波周期和波行程控制造波周期和波高；自动控制系统可以根据设定来调节不同时段的温度。

3 溢油SAR遥感监测与数值预测技术结合应用

基于凝聚层次聚类的油膜识别算法开展SAR遥感数据溢油监测识别，结果作为数值预测模型的初始输入，在此基础上预测油膜的漂移，并与下一时相的卫星遥感监测结果相比对，验证溢油SAR遥感监测与数值预测技术结合应用方法的有效性。

3.1 SAR影像溢油监测

3.1.1 SAR影像数据

本文选取2011-06-18的Cosmo-Skymed和06-19的Envisat ASAR 遥感影像进行溢油识别解译分析，影像信息见表1。

表1 SAR影像数据列表Table 1 SAR images

图4为2011-06-18T10:40(UTC时间)Cosmo-Skymed影像，影像中三角标示的区域为平台区，在其西北方向，可见两块较明显的油膜暗斑区。运用2.1节的基于凝聚层次聚类的SAR 影像油膜识别算法，对油膜暗斑进行识别，识别结果见图5。由图5可见，基于凝聚层次聚类的SAR 影像油膜识别算法，不仅对油膜斑块整体识别效果较好，而且对小块油膜暗斑和油膜暗斑局部细节也有较好的识别。

图4 2011-06-18 Cosmo-Skymed影像图

图5 2011-06-18 Cosmo-Skymed影像溢油识别图

图6为2011-06-19T02:22(UTC时间)Envisat ASAR影像，影像虽未覆盖平台区，仍可见两块较明显的油膜暗斑区(蓝色椭圆框内)。运用2.1节的基于凝聚层次聚类的SAR 影像油膜识别算法，进行油膜暗斑识别，识别结果见图7。图7中可以看出，基于凝聚层次聚类的SAR影像油膜识别算法，对油膜斑块整体识别效果较好。与图5相比，图7的识别结果稍逊色，这一方面是由于影像分辨率的差异，06-19 Envisat ASAR数据为宽幅模式，影像分辨率150 m，06-18 Cosmo-Skymed影像分辨率为100 m；另一方面也与SAR影像成像条件有关，06-19 Envisat ASAR 的油膜暗斑恰好位于图像边缘，受入射角影响大，且油膜暗斑与低风速区干扰暗斑距离较近(见图6)，油膜识别受其影响；06-18 Cosmo-Skymed影像整体来说成像效果佳，特别是油膜暗斑区域，距低风速区干扰暗斑有一定距离(见图4)，油膜识别所受影响较小。

图6 2011-06-19 Envisat ASAR影像图

图7 2011-06-19 Envisat ASAR影像溢油识别图

3.1.2 SAR影像数据解译分析

将2011-06-18T10:40(UTC时间)Cosmo-Skymed影像油膜识别结果和06-19T02:22(UTC时间)Envisat ASAR影像识别结果叠加到一起，见图8。由图中可见，18日和19日油膜的整体形状类似，经过约16 h，油膜整体向东北方向漂移，漂移距离为5～8 km。

图8 2011-06-18-19油膜识别结果综合分析

3.2 溢油漂移数值预测

3.2.1 流场

渤海具有独立的旋转潮波系统，其中半日潮波(M)有2个，全日潮波(K)有一个旋转系统。半日分潮占绝对优势。渤海海域以半日潮为主，故2011-06-18T10:40(UTC时间)Cosmo-Skymed影像时刻和06-19T02:22(UTC时间)Envisat ASAR影像时刻的流场分布类似。

北京时间2011-06-18T18:00左右，风速为6 m/s，风向为105°；06-19T10:00左右，风速为4 m/s，风向为99°。两个时刻的风速条件，均比较有利于SAR影像中油膜的识别。

3.2.2 预报模型设置

根据SAR卫星遥感影像油膜识别结果，选取油膜区域及特征点位，进行溢油漂移数值模拟计算。选取图9中区域的4个特征点位a,b,c,d逐一进行计算，设定参数，包括：事件时间，即预报起始时间为2011-06-18T10:40(UTC时间)Cosmo-Skymed影像时刻；事件地点，坐标为从SAR影像图中选择的特征点位对应的坐标；事件现场信息，考虑到渤海的油品以重质油为主，此处选择重质油，至于溢油总量、初始油温、溢油方式、溢油初始面积等的设置，此外仅为假设值。实际溢油漂移预测中，需根据现场实际情况进行选择。事件现场海况气象信息中，风场是参与数值计算的重要参数，此处使用美国免费提供的NCEP风场；其他气象信息，仅作记录，不参与计算。预警时间，设为16 h，计算16 h后(即06-19Envisat影像对应的成像时刻)油膜的位置；计算步长为1 h，即数值模拟将返回每隔1 h的油膜位置。

图9 溢油漂移数值预报与SAR识别比较

3.3 结果分析

将油膜漂移数值预报计算结果与06-19T10:40卫星图像比对，可以看出数值预报油膜漂移的趋势与卫星监测相一致，漂移距离略有偏差。预测的油膜漂移轨迹如图9所示，黑点a,b,c,d为计算起始点，线端为模拟计算16 h后油膜所在位置，可以看出，油膜首先按顺时针方向漂移，回到起始点后又向东漂移。根据多个油膜特征点位的漂移预测结果，经过16 h的漂移，至06-19T10:40，油膜基本处于现有海面油膜位置的东侧4.5～5.5 km处，近似平移。因目前溢油预报模型采用的海洋环境(大气、水动力等)的预报与再分析数据是针对区域的平均时间段的数据，所以溢油漂移数值计算结果与实际情况会有部分偏差，但主体趋势不会有偏差，若是统计长时间、大区域的数值计算结果，数值模拟与实际情况的匹配度则会显著提高。

在文中假设的溢油情景下，一次性溢出少量重质原油，16 h预测时长内，约55%的油品通过蒸发、乳化、吸附沉降等过程离开水面，剩余部分经历漂移扩散等过程。

4 结 语

2011-06-18的Cosmo-Skymed和06-19的Envisat ASAR 影像溢油识别表明，基于凝聚层次聚类的识别算法，SAR图像溢油识别效果较好。18日和19日油膜的整体形状类似，经过约16 h，油膜整体向东北方向漂移，漂移距离为5～8 km。

2011-06-18的Cosmo-Skymed影像识别的油膜位置作为溢油漂移预测模型的初始输入，得到的19日油膜漂移趋势与19日的Envisat ASAR 影像监测相一致，漂移距离略有偏差。

SAR遥感监测技术与数值模拟技术结合应用，可优势互补，同时获取的海面油膜位置、面积和动态漂移信息，可为海上溢油预警提供更有效的技术支持。

本文侧重SAR遥感监测技术与数值模拟技术结合应用，对SAR溢油识别算法的研究有待进一步开展相关工作，增加识别特征，检测分类效果。

[1] YANG Y, CHEN Z L, HOU L A, et al. The prediction of emergent maritime oil spill pollutionby using remote sensing technology[J]. Pollution Control Technology, 2013, 26(1): 7-10.杨毅, 陈志莉, 侯立安, 等. 遥感技术在突发海上溢油污染预测中的运用研究[J]. 污染防治技术, 2013, 26(1): 7-10.

[2] XU Q, LI X F, WEI Y L, et al. Satellite observations and modeling of oil spill trajectories in the Bohai Sea[J]. Marine Pollution Bulletin, 2013(71): 107-116.

[3] CHENGY C, LI X F,XU Q, et al. SAR observation and model tracking of an oil spill event in coastal waters[J]. Marine Pollution Bulletin, 2011(62): 350-363.

[4] LIU Q Z, ZHANG C Z. On the oil-spill forecast system in the Bohai Sea[J]. Marine Forcasts, 2005,22(Supp): 70-76. 刘钦政, 张存智. 渤海溢油数值预报研究[J]. 海洋预报, 2005,22(增刊): 70-76.

[5] SONG S S, ZHAO Y P, SU T F, et al. Research and development of SAR satellite remote sensing system of ocean oil spills[J]. Remote Sensing Technology and Application, 2013,28(5): 928-933.宋莎莎, 赵宇鹏, 苏腾飞, 等.海上溢油SAR卫星遥感监测系统研发[J].遥感技术与应用, 2013,28(5): 928-933.

[6] SU T F, MENG J M, ZHANG X, et al. Segmentation algorithm for oil spill SAR images based on hierarchical agglomerative clustering[J]. Advances in Marine Science,2013, 31(2):256-265.苏腾飞, 孟俊敏, 张晰.基于HAC的溢油SAR图像分割算法[J].海洋科学进展, 2013,31(2): 256-265.

[7] YU B. Interpretation and classification algorithm for multi-polarization SAR image of sea ice in Liaodong Bay[D].Qingdao: Ocean University of China, 2009.于波. 辽东湾海冰多极化SAR影像解译分析与分类算法研究[D].青岛:中国海洋大学, 2009.

[8] WANG N, ZHANG X, JI Y G, et al. A method of MODIS sea ice edge extraction based on agglomerative hierarchical clustering method[J]. Journal of Geo-information and Science, 2011, 13(2): 266-272.王宁, 张晰, 纪永刚, 等. 凝聚层次聚类的MODIS海冰外缘线提取算法与应用[J]. 地球信息科学学报, 2011, 13(2): 266-272.

[9] BAATA M S A. Mutiresolution segmentation: an optimization approach for high quality multiscale image segmentation[J].Angewandte Geographische Informations verarbeitung, 2000,10: 12-23.

[10] MARTIN G, WERNER A. Imaging of biogenic and anthropogenic ocean surface films by the multifrequency and multipolarization SIR-C/X SAR[J]. Journal of Geographic Research, 1998, 103(C9): 18851-18866.

[11] ANW, ZHU S F, LI G R, et al. The oil spill forecast and emergency decision support system in china offshore[C]∥Proceedings of the Twentieth (2010) International Offshore and Polar Engineering Conference, 2010:1058-1063.

[12] AN W, WANG Y G, WANG X Y, et al. An oil spill forecast and emergency decision support system in China offshore[J]. Marine Sciences, 2010,34(11):57-61.安伟，王永刚，王欣怡，等. 中国近海海上溢油预测与应急决策支持系统研发[J].海洋科学, 2010,34(11):57-61.

[13] SONG S S, AN W, ZHAO Y P. A study of detection and prediction of oil spill in ice seasons of the Bohai Sea[C]∥Proceedings of the Twenty-fourth (2014) International Ocean and Polar Engineering Conference, 2014: 592-596.

[14] ZHANG J B, LI W, AN W, et al. Decision support technology for oil spill response[M]. Dalian: Dalian Maritime University Press.张建斌，李为，安伟，等.海上溢油应急辅助决策技术[M].大连:大连海事大学出版社,2012: 47-80.

[15] FANG G H, YU K J. A three-dimensional numerical model for baroclinic ocean dynamics I.numerical scheme for hydrodynamic equations[J]. Oceanologia et Limnologia Sinica, 1998,29(3): 232-240.方国洪,于克俊. 斜压海洋动力学的一种三维数值模式I.动力学方程数值格式[J].海洋与湖沼,1998,29(3), 232-240.

[16] STRIVER W, MACKAY D. Evaporation rate of spills of hydrocarbons and petroleum mixture[J]. Environmental Science & Technology,1984,18(11):834-840.

Received: March 24, 2015

Research on the Oil Spill SAR Remote Sensing and Fast Numerical Simulation

SONG Sha-sha1,2,3, ZHAO Yu-peng2,3, AN Wei2,3, JIN Wei-wei2,3, LI Jian-wei2,3

(1.OceanUniversityofChina, Qingdao 266003,China；2.ChinaOffshoreEnvironmentalServicesLtd., Tanggu 300452,China;3.ResearchandDevelopmentCenterforOffshoreOilSafetyandEnvironmentalTechnology, Qingdao 266061,China)

This paper focuses on the integrated application of oil spill SAR remote sensing and numerical simulation techniques. The algorithm of hierarchical agglomeration clustering was utilized for oil spill detection in SAR remote sensing images. The oil spill detection results were used as the input of the China offshore oil drifting fast forecasting model, which was developed based on the 3D wind-wave-current coupled hydrodynamic model. The predicted oil spill location was compared with the detection result in the SAR image of next phase. The good agreement indicated that the integrated application of SAR monitoring and numerical simulation could complement each other to obtain the location, coverage and drifting of oil spill simultaneously.

oil spill; SAR; remote sensing; numerical simulation

2015-03-24

中国海洋石油总公司科技项目——海上溢油卫星自动识别和预警业务化系统研发(CNOOC-KJ 125 ZDXM 25JAB NFCY 2012-01)

宋莎莎(1989-)，女，山东青岛人，工程师，博士研究生，主要从事海上溢油污染防治技术方面研究.E-mail:songshsh2@cnooc.com.cn

(王 燕 编辑)

X55;TP752

A

1671-6647(2016)01-0138-09

10.3969/j.issn.1671-6647.2016.01.014