摘要
海上溢油事故危害海洋生态安全、经济发展与人类健康。对海面溢油种类进行准确地识别和分析，有助于确定溢油事故责任归属，对于溢油事故现场应急响应与海面污染的快速有效处理具有重要意义。获取油膜厚度进而估算溢油量是确定事故等级和污染赔偿追责的重要依据，同时对于溢油事故现场处置科学决策也有重要作用。光学遥感是海面溢油探测的重要手段，溢油种类识别和油膜厚度反演是溢油光学遥感研究的热点与前沿。 本文在青岛海洋科考基地大型陆基实验水池开展实验研究，采集了5种溢油(原油、燃料油、汽油、柴油与棕榈油)与2种溢油(原油与燃料油)不同厚度油膜的机载高光谱影像，通过分析海面溢油与高光谱数据间的相关关系，提出了符合高光谱影像特点且能够自适应不同时相应用场景的自适应长时期矩估计(ALTME)优化器，并将其搭载至一维卷积神经网络(1D-CNN)，构建了海面溢油识别深度学习模型。实验结果表明，ALTME优化器能够对历史光谱特征梯度信息赋予更大的自适应权重，从而增大历史累积梯度比重，实现优化器对长时期光谱梯度的记忆功能，从而使海面溢油识别模型可以准确识别溢油种类与不同厚度油膜，对多时相溢油影像的整体识别精度均大于98.63%，Kappa系数高于0.978。相对于采用传统ADAM优化器的识别模型，本文提出的溢油识别模型在参数更新过程更加平稳，初始训练阶段与模型收敛阶段都能保持优秀的稳定性。 本文通过搭建室外实验场景，模拟真实海面溢油环境，基于ASD-FS4实测高光谱数据，开展海面溢油厚度反演研究。本文将深度学习与遥感技术融合，提出了基于自扩展深度置信网络的原油油膜厚度反演模型(OG-DBN)。该模型由油膜光谱特征数据自扩展模块与油膜绝对厚度反演模块两部分组成。光谱特征数据自扩展模块能够基于实测高光谱数据，自动筛选出光谱可分性较好的光谱特征区间，进而基于对抗生成网络(GAN)进行样本扩展，增强模型的泛化性；油膜绝对厚度反演模块则是基于深度置信网络(DBN)，深度挖掘不同厚度油膜的光谱特性信息，精确反演油膜的绝对厚度。实验结果表明，本文提出的OG-DBN模型在可控实验条件下，原油油膜绝对厚度反演精度达到97.69%，决定系数R2为0.980，平均差±0.06%；模型鲁棒性测试表明，该模型能够保持较为稳定的反演结果，反演精度均高于93.33%，R2大于0.957，平均差±0.6%以内。
NETL