海洋溢油污染会对海洋生态环境造成危害，及时探测并量化溢油参数（如溢油类型、浓度、厚度等信息）对于溢油监测和灾后评估至关重要。近年来，深度学习模型已被应用于海洋溢油有/无的检测，但大多针对于合成孔径雷达（SAR）影像。对于光学遥感而言，现有的深度学习模型还未完全厘清和有效利用海洋溢油复杂的光学遥感图像特征。南京大学国际地球系统科学研究所陆应诚教授团队最近在RemoteSensing of Environment上发表了题为“Characterizingoil spills using deep learning and spectral-spatial-geometricalfeatures of HY-1C/D CZIimages”的论文。研究提出了一种深度学习框架，充分利用光学遥感数据的丰富性，在准确探测海洋溢油有/无的基础上，更进一步地实现了溢油参数的量化。并以此框架为基础，探索了SAR与光学遥感相结合的多源遥感识别与量化前景。
图1结合深度学习的海洋溢油识别与量化框架
与海洋溢油的SAR图像特征不同，光学遥感中的海洋溢油具有更为复杂和丰富的特征（空间-光谱-观测几何特征）：不仅包含溢油与海水的空间对比特征，还存在因太阳耀光差异引起的对比反转现象，以及不同类型溢油具有的诊断性光谱特征。因此，一方面，在发展光学遥感深度学习模型时需要充分考虑到这些复杂的特征；另一方面，这些特征同时也包含丰富的溢油特征信息，有助于进一步实现海洋溢油的参数量化。本研究在详细阐述海洋溢油的光学遥感图像特征的基础上，创建了海洋溢油光学遥感数据集，并发展了对应的深度学习模型，再结合海洋溢油的空间-光谱-观测几何信息，实现了海洋溢油的识别与量化。
图2海洋溢油在SAR和光学遥感图像中的特征与差异
研究基于国产海洋星（HY-1C/D）数据，构建了一个相对全面的海洋溢油光学遥感训练数据集，涵盖了不同类型溢油在不同观测几何下的影像，尤其考虑了因太阳耀光差异导致的溢油-海水空间对比反转的特征。针对海洋溢油的光学图像特征，本研究构建并训练了一个两步深度学习模型，实现了海洋溢油的光学遥感准确识别。在使用深度学习模型准确识别溢油的基础上，本研究利用空间-光谱信息，进一步量化溢油参数，提供更为丰富全面的溢油污染信息，为溢油应急与灾损评估提供参考。最后，本研究还利用国产海洋卫星（HY-1C/D）数据，对中国近海溢油状况进行深入的分析。
上述研究得到国家自然基金面上项目的支持（42371380and42071387），南京大学博士研究生焦俊男为第一作者，陆应诚教授为通讯作者，合作者还包括美国南佛罗里达大学海洋科学学院胡传民教授。
参考文献：
Jiao, J., Lu, Y*., Hu, C.Characterizing oil spills using deep learning andspectral-spatial-geometrical features of HY-1C/D CZI images.RemoteSensing of Environment,2024, 308: 114205.
