CN102609600A

CN102609600A - Modis时间序列标准差溢油检测算法

Info

Publication number: CN102609600A
Application number: CN2011100214007A
Authority: CN
Inventors: 苏奋振; 王丽
Original assignee: Institute of Geographic Sciences and Natural Resources of CAS
Current assignee: Institute of Geographic Sciences and Natural Resources of CAS
Priority date: 2011-01-19
Filing date: 2011-01-19
Publication date: 2012-07-25

Abstract

本发明名称为：MODIS时间序列标准差溢油检测算法，是属于海洋环境时空过程研究领域，本发明主要创新点在与根据溢油时间和空间的变化检测溢油，不同于常规的单一地面向空间位置出发的溢油检测算法。本发明主要解决的技术问题为：通过一定的算法检测出时间序列中的异常变化。主要技术方案如下：计算出每个时间序列的均值μ和标准差σ求得正态分布曲线，分析可得由于在该方法中涉及到的是红光波段反射率较低的溢油区域。当概率分布偏离均值1.7.5σ时，即当P＜μ-1.7.5σ时，这些事件列为奇异事件，如摘要附图，红色区域为检测出的以后区域。本发明主要用于海面石油溢出时间的检测。

Description

MODIS时间序列标准差溢油检测算法

技术领域

本发明为一种基于时空过程的海面溢油检测算法，特别地，一种基于MODIS时间序列标准差溢油检测算法。

技术背景

海洋环境中的石油泄漏已成为造成海面环境污染的主要原因，严重危害海洋生态环境，同时给沿岸的社会、经济和人类的身体健康带来直接的危害。随着海洋石油开发活动愈发频繁，对海洋环境的危害也在逐渐加大。海洋石油泄漏一般由以下情况引起：海上石油钻井平台爆炸、海上石油开采的泄露和井喷事故以及油轮在航行过程中搁浅、触礁和相撞等所引起的石油泄漏事故，导致大量石油在短时间内侵入海洋，造成严重的污染，它发生频率高，分布面积广，危害程度高。因此及时精确的对溢油区的识别和及时高效的溢油预测对减少污染的危害具有至关重要的作用。

随着空间信息技术的飞速发展，利用卫星遥感数据获取海表面信息的数据量也高速增长。由此，卫星遥感为大区域海洋溢油检测提供了先进高效的技术手段。目前用于海面溢油检测的可见光遥感卫星数据源主要包括低分辨率的NOAA卫星的AVHRR数据和Seastar的SeaWiFS数据、中等分辨率的Terra和Aqua卫星的MODIS数据、中高分辨率的Landsat卫星的ETM数据和SPOT卫星的HRV等数据。

AVHRR数据主要应用于两方面，一方面是大尺度区域(包括国家、洲乃至全球)调查，主要应用于土地覆盖调查利气象监测；另一方面是中小尺度区域的调查，利用AVHRR数据来获得宏观的、实时的、能达到一定精度的地面信息。AVHRR没有海洋通道，光谱分辨率也不高，因此，对海洋环境检测的能力较低。1997年，美国的海洋水色卫星Seastar的发射，极大地提高了海洋遥感的能力。该卫星上载有的“宽视场水色扫描仪”(SeaWiFS)，SeaWiFS的光谱分辨率比AVHRR有较大的改进，许多海洋用户采用SeaWiFS资料开展海洋监测，但该数据的空间分辨率为1.1KM，仍然较低。Landsat、SPOT遥感卫星数据在空间分辨率上具有优势，非常有利于溢油的精确检测分析。但卫星重复访问周期长，分别为16天和26天，在实践上难以对任意日期的海洋溢油进行捕获和每天连续的跟踪，并且波段有限，光谱分辨率也难以有效地区别溢油区和非溢油区，在现有的中低分辨率的其他卫星相比，Terra和Aqua卫星的MODIS数据，在保留了AVHRR数据的能力的同时，在数据光谱分辨率，数据时间分辨率、数据接收和数据格式、卫星波段数与数据应用范围等方面都作了相当大的改进。特别是每日2次重访的高时间分辨率非常有利于对溢油进行实时监测。

MODIS是EOD-AMI系列卫星的主要探测仪器，是当前世界上新一代“图谱合一”的光学遥感仪器，具有36个光谱通道。在36个波段中1～2波段是250米，3～7波段是500米，其余29个波段为1000米。从而使得MODIS数据量大幅度地增加(大约相当于AVHRR同期数据量的18倍左右)。MODIS数据具有极高时间分辨率。卫星一天之内可重访2次，对各类突发性、快速变化的自然灾害有更强的实时监测能力。由于具有较高的光谱分辨率，MODIS的36个波段大大增强了对地球复杂系统的观测能力和对地表类型的识别能力。而且地面接收站每日或每两日可获取一次全球观测数据，多波段数据可以应用广泛，对于开展自然灾害利生态环境监测、全球环境和气候变化研究以及进行全球变化的综合性研究等有着非常大的意义。

利用卫星遥感数据进行海洋溢油检测，可见光技术是最普通的遥感方法，也是造价最低廉的。最为常用的方法是人工判读方法，通过油品对可见光波段的波普特征分析，通过专家知识，专家判断来对海洋溢油进行检测。遥感图像的灰度值实际上本身所代表的就是波普特征，因此波普信息是识别地物的重要依据，色调是载负信息最直接的反映，当然影响判读解译的重要因素是几何分辨路，但是在解译的过程中，影像的时空特征也是相当重要的一个因素。因此，仅仅通过专家判读，很可能因为许多人为因素导致了海洋溢油检测的错误判断，并且，海洋溢油一般发生在环境恶劣的天气条件下，影响了数据的可读性，这就使得通过人工目视解译方法检测海洋溢油存在着非常大的不确定性。因此，增加一个队影像时空特征的动态监测更加科学的辅助了专家判读的结果，提高了监测结果的准确性和科学性，为国家相关部门及时应对溢油事件，将危害降低到最小提供决策支持。

发明内容

为了克服并弥补现有的基于专家经验知识的人工目视解译海洋溢油检测方法的不足，本发明提供提出一种新的基于时空过程动态监测的监测方法——基于MODIS时间序列标准差溢油检测算法。对海洋溢油进行准确及时的识别和监测，更好地为国家相关部门及时应对溢油事件提供高效的决策支持。

本发明的技术方案为：一种基于MODIS时间序列标准差溢油检测算法，包括如下步骤：

(1)基于时间序列长度为N天(或者N大于等于10)的MODIS 1B 250米数据N景。

(2)数据预处理，包括地理定标，几何校正，感兴趣区切割和提取，反射率数值均一化处理。

(3)提取目标区域第2波段红光波段的反射率值，因为油膜与洁净海水发射率之差在红外波段处出现峰值，近红外光波段海水反射率明显高于油膜区，因此最能区分出溢油区利非溢油区海域。并将这些反射率值以单个像元为单位分别组成长度为N的反射率值时间序列。

(4)对目标区域内的每一个像元(250米*250米)的时间序列做概率统计分析，计算出每个时间序列的均值μ和标准差(Standard Deviation)σ均值

μ = \overset{&OverBar;}{X} = (X_{1} + X_{2} + X_{3} + X_{4} + X_{5} + X_{6} + \cdot \cdot \cdot \cdot \cdot \cdot + X_{n}) / n

标准差(Standard Deviation)

σ = \sqrt{\frac{1}{n} Σ_{i = 1}^{n} {(X_{i} - \overset{&OverBar;}{X})}^{2}}

(5)把每一个单独的像元每天对太阳光的反射事件看成一个独立的事件，很容易分析可得他们符合二位正太分布，根据(4)的结果，求得每个时间序列反射率值的正太分布曲线。根据正态分布曲线分析可得，当概率分布偏离均值μ，靠近两端时为小概率事件，即我们所认为的突发事件或者奇异事件。当P＜μ-1.7.5σ时，这些事件列为奇异事件，即溢油事件。

(6)基于以上的计算结果，当概率分布P＜μ-1.7.5σ时，这样的天数我们认定为奇异事件发生时间，标记出来。将以上测定方法应用于目标区域所有的时间序列上，根据突发事件的地理位置和记录下来的时间重新组合可得检测结果即——溢油区。

具体实施方式

利用本发明对渤海海域某此海面溢油进行检测。

本次溢油事件发生2006年3月23日渤海曹妃甸海域，东经118°2′55″～119°9′52″、北纬38°0′8″～39°0′46″，如图一所示，红色方框中的区域。

以下所有数据处理是利用美国ITT Visual Information Solutions公司ENVI作为软件平台。

1.数据准备

本发明的验证实例中获取的是经过系统级校正的MODIS遥感图像，空间分辨率为250米。一共12个不同时相的遥感图像。时间范围为：2006年2月20日——2006年4月20日，并且经过一系列(包括地理定标，几何校正等)图像预处理工作。

2.感兴趣区(ROI)的选择

根据(1)所得到的结果，应用ENVI的ROI来选取发生溢油的大致区域。并提取出第二波段的反射率值。

对提取出来的第二波段的反射率值进行数据归一化处理。

3.MODIS时间序列遥感数据溢油检测算法

以每一个像元为单位组成若干个长度为12的反射率数值时间序列。通过[0012]中的公式分别对这些时间序列求取平均值μ和标准差(Standard Deviation)σ。

当密度函数P＜μ-1.7.5σ时，定义为低反射异常事件的经验值域。在本实验中，这类异常事件为溢油事件。如图二所示，各个时相的异常检测结果。

对ROI中每一个像元的时间序列重复步骤[0024]和[0025]。

将所有的异常事件按照时间以及对应的地理位置重组起来便获得溢油区的地理位置和范围大小。如图三所示，上图为影像灰阶图，下图红色区域为检测到的溢油区域。

附图说明

图1是实验溢油事件发生区域的坐标位置图；图2是各个时相异常检测的结果图；图3是采用本方法溢油区域检测结果(下)与实际溢油区域(上)的对比效果图。

Claims

1.一种基于MODIS时间序列标准差溢油检测算法，其特征在于，通过对MODIS遥感数据时间序列的分析，从影像时空过程变化的角度出发，分析它的时空变化特征。所述海洋溢油检测的方法包括如下步骤：

(1)基于时间序列长度为N天(N大于等于10)的MODIS 1B 250米数据N景。

(2)数据预处理，包括地理定标，几何校正，感兴趣区切割和提取，数据均一化处理。

(3)提取目标区域第2波段近红外波段的反射率值。因为油膜与洁净海水发射率之差在红外波段处出现峰值，根据海水和油膜区对近红外波段的波谱相应特征：海水反射率明显高于油膜区，由此油膜覆盖区在遥感影像上会呈现低反射率区域，以此来鉴别溢油区和非溢油区海域。并将这些反射率值以单个像元(250米*250米)为单位分别组成长度为N的反射率值时间序列。

(4)对目标区域内的每一个像元的时间序列做概率统计分析，计算出每个时间序列的均值μ和标准差(Standard Deviation)σ，如下所示：

均值

μ = \overset{&OverBar;}{X} = (X_{1} + X_{2} + X_{3} + X_{4} + X_{5} + X_{6} + . . . . . . + X_{n}) / n

标准差(Standard Deviation)

σ = \sqrt{\frac{1}{n} Σ_{i = 1}^{n} {(X_{i} - \overset{&OverBar;}{X})}^{2}}

(5)由于在该方法中涉及到的是近红外波段反射率较低的溢油区域，当概率分布偏离均值1.7.5σ时，即当P＜μ-1.7.5σ时，这些事件定义为低反射率奇异事件，即本方法中的溢油事件。将这些所有被确认为奇异事件的像元以及其对应的时间记录下来，我们可以获取一个发生溢油事件溢油区的具体位移和相对应的时间。

2.根据权利要求1所述的MODIS时间序列标准差溢油检测算法，其特征在于时间序列数据(1)和标准差(4)。

3.根据权利要求2所述的时间序列(1)，特征在于区别于单从空间的方法，此方法从时空结合的方法。

4.根据权利要求2所述的标准差(4)，特征在于从统计学的角度出发，统计小概率异常事件。