CN105044054A - 一种基于盲源分离的海洋溢油精细化遥测方法 - Google Patents

Abstract

本发明公开了一种基于盲源分离的精细化海洋溢油油种遥感探测方法，包括多通道遥测系统、混合光谱盲分解方法和溢油油种识别方法三步骤组成，其中:通过遥测系统获取溢油样本的多通道光谱观察信号<i>X</i>；混合光谱盲源分解方法是通过快速独立分量分析算法，对多通道光谱观察信号<i>X</i>进行盲源分解，得到每个通道的多个混合组分的光谱<i>Y</i>，它就是组成溢油样本主要组分<i>S</i>的近似，包含了烃质、胶质、沥青质及其含量信息；溢油油种识别方法是通过先测量组分光谱的特征，然后与模式库中已存的各种组分的光谱特征匹配，进而正确识别出溢油的组分和含量，通过上述三个步骤即可对溢油的种类和组分进行精确解析，进而快速鉴别出违法溢油源。

Description

一种基于盲源分离的海洋溢油精细化遥测方法

技术领域

本发明涉及一种在环境领域内使用的海洋溢油源的鉴别方法，具体的说涉及一种基于盲源分离的海洋溢油精细化遥测方法。

背景技术

近年来，海洋溢油事故频发，及时准确的对溢油油种进行分析和鉴别，确定责任归属，追查违法溢油源，对应采取合适的应急响应，是一项复杂而具挑战性的工作。现行的溢油鉴别标准(GB/T21247-2007)，多以液相色谱/质谱分析为代表的实验室化学鉴别手段为代表，虽然能够对油种精确解析，然而检测速度慢，代价高。

目前对溢油的探测主要通过卫星或者是飞机，通过SAR或光学遥感实现，受到技术本身分辨率等影响，不能有效区分油种，更不能进行油种组分的精细化探测；目前对溢油油种及其组分探测均要基于实验室环境下进行，虽然液相色谱/质谱分析能够精确解析有的组分，并对溢油源进行鉴别，但是处理时间慢，仪器复杂、代价高。近年来发展的高光谱与激光诱导荧光技术能在一定程度上鉴别油种，然而要进行大致智能将溢油分为轻质油、中质油、重质油等类型的识别，并不能更为精确地探测组分，必须需要辅助一些信号处理的方法。我们知道，不同石油产品中所含有机物的成分、分子大小以及分子结构不同，因而使得不同油种具有不同的颜色，进而影响可见光的吸收和反射，这些指标的定量化对于提高溢油监测精度具有重要的意义。根据Beer-Lambert定律，对于未知混合油，测得的光谱通常以为是一些纯物质(主要组分)光谱的线性组合。如果正确识别该溢油样品的光谱组分和其浓度，那么则能精细化对溢油进行探测。

本发明提供了一种通过多通道光谱实现海洋溢油精细化遥测的方法，可以实现溢油油种和主要组分的快速鉴别。

发明内容

本发明针对现有技术中溢油种类识别方法存在的可识别类别有限、不能对组分进行精细化解析的问题，提供一种基于盲源分离的海洋溢油精细化遥测方法，通过对采集的多通道光谱数据进行盲源分解，得到主要组分光谱信号，并基于主要组分及其含量进行溢油种类和组分的探测，提高了精细化溢油探测能力。

本发明采用如下技术方案：

一种基于盲源分离的海洋溢油精细化遥测方法，该方法步骤如下：

所述的精细化油种遥测方法包括多通道遥测光谱获取方法、混合光谱的盲分解方法、溢油光谱识别方法三部分组成。

其中所述的多通道遥测光谱获取方法，分主动和被动两种，主动遥测获取是多通道的激光诱导荧光系统实现，一次性获取多个通道的溢油光谱遥测信号，遥测信号记为X＝{x₁，x₂，。。x_i。。。x_M}，M为通道数；被动遥测使用的是地物光谱仪，通过多次遥测获取溢油样本光谱信号，信号记为X＝{x₁，x₂，。。x_i。。。x_M}，M为遥测次数。

其中在所述的混合光谱盲源分解方法，是对多通道光谱观察信号X＝{x₁，x₂，。。x_i。。。x_M}通过快速独立分量分析算法进行盲源分解，得到每个通道的多个组分的光谱Y＝{y₁，y₂，。。。y_N}，其中N为组分数，一般的N<M；它就是组成溢油样本主要组分S＝{s₁，s₂，。。。s_N，}的近似，这些组分光谱反映了溢油组分，对于原油其组分光谱反映了包括烃质、胶质、沥青质等及其含量信息，对于其他油种这些组分光谱反应了包括烷烃、环烷烃、芳香烃等及其含量。

其中所述的溢油油种识别方法，包括建立遥测模型建立和进行溢油识别两个过程：建立遥测模型建立过程，是通过遥测系统，激光诱导荧光系统或者地物光谱仪，在实验室模拟情况下建立各个主要溢油组分的光谱数据库，每个溢油组分样本光谱不少于五十条；进行溢油识别过程，是通过遥测系统采集待测溢油样本光谱，然后与模式光谱数据库中已存的各种组分的光谱形状特征模式识别，识别的方法是采用支持向量机的方法，各个组分识别正确，还包括根据Beer-Lambert定律，对于未知混合油，测得的光谱通常以为是一些纯物质(主要组分)光谱的线性组合。A＝MI，其中A_l*n谱是l个样品在n个波长处的光谱，I_m*n是组分光谱矩阵，M_l*m与组分子在混合物中的浓度，进而得到相应组分的浓度信息。通过正确识别出溢油组分类别和浓度含量，可精细化的快速计算出溢油来源。

其中所述的盲源分离方法包括如下步骤：

(1)观察信号的获取：使用多通道激光诱导荧光探测器进行溢油探测，当传感器放置在油膜上时，荧光传感器第i个通道接收的信号xi，在实际测量中可获得数十个通道的光谱，这些光谱数据即是盲源分离(BSS)的观察信号X＝{x₁，x₂，。。x_i。。。x_M}，M为通道数；当然也可以使用地物光谱仪来测量多个样品的地物光谱，假设测量了M个样品，那么观察信号X＝{x₁，x₂，。。x_i。。。x_M}M为样品数。

(2)盲源分离：主要基于独立分量分析算法(ICA)进行，假设观测信号(多通道输出光谱)X＝{x₁，x₂，。。。x_M}是由多个源信号(多个油种光谱)S＝{s₁，s₂，。。。s_N，}(N为混合油种组分数)经混合矩阵A(混合方式未知)混合而成，即X＝AS，现在的任务是：在S与A均为未知的只知道X的情况下，求取S与A，问题本身这个一个物理不可解方程，然而在混合源s₁，s₂，。。。s_N相互独立(即四阶统计量为0)的情况下可以得到S与A的近似解。问题转化为求取一个解混矩阵U，使得UA—>I，其中I为单位矩阵，此时Y＝UX＝UAS＝IS—>S，Y即是S的最优逼进解，Y＝{y₁，y₂，。。。y_N}中的每个分量即是混合油污的混合源S各个分量(油污组分)的荧光光谱，分量值的幅度在在某种程度上代表光谱的归一化能量。

(3)U的求解步骤如下：

1)把观测信号X去均值，再球化，得到Z；设定需要保留的维数m，令P＝1；任意取u_p(0)，但要求||u_p(0)||₂＝1，然后进行迭代：

$u_p(k+1)=E\left\{\mathrm{zf}\right[u_p^T{\left(k\right)}_z\left]\right\}-E\left\{f\right[u_p^T{\left(k\right)}_z\left]u_p\left(k\right)\right\}---\left(1\right)$

2)正交化和归一化

$u_p(k+1)-\underset{j=1}{\overset{p-1}{\mathrm{\&Sigma;}}}<u_p(k+1),u_j>u_j\&RightArrow;u_p(k+1)---\left(2\right)$

$\frac{u_i(K+1)}{{\left|\right|u_i(K+1)\left|\right|}_2}\&RightArrow;u_i(K+1)---\left(3\right)$

3)如果u_p未收敛，即|u(k+1)^Tu(k)|→1不成立，则回到前面继续迭代，否则另P加1，如果P≤m，则重新取u_p，否则完成工作。

(4)最后得到的U即为解混合矩阵，使得UA->I，求的A，带入Y＝UX＝UAS＝IS—>S，则Y是源信号S的逼近；Y＝{y₁，y₂，。。。y_N}的每个分量即为分离的源信号(单个混合油品)的独立分量，下一步即可对其进行油品或者组分的识别。

特别的，对于激光荧光信号，其中所述的油种识别特征提取方法包括以下步骤：

(1)多种参量特征可以用作油品的识别，比如光谱的形状，荧光衰减的时间，荧光峰的位置，荧光产量，水的拉曼散射抑制信号，以及这些参数随着激发波长的变化。下面以荧光光谱波形的形状为例进行的溢油种类的识别。

(2)首先采集到的光谱归一化，光谱归一化用：

$y=\frac{x-\mathrm{MinValue}}{\mathrm{MaxValue}-\mathrm{MinValue}}---\left(1\right)$

其中，x，y分别为转换前后的值，MaxValue，MinValue分别为样本数据的最大值和最小值。

(3)然后将归一化后的光谱平均分成n段(例如12段)，然后分别计算面积。面积的计算采用复化辛甫生公式：

$S_n=\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{h}{6}[f\left(x_k\right)+4f\left(x_{k+\frac{1}{2}}\right)+f\left(x_{k+1}\right)]=\frac{h}{6}[f\left(a\right)+4\underset{k=0}{\overset{n-1}{\mathrm{\&Sigma;}}}f\left(x_{k+\frac{1}{2}}\right)+2\underset{k=1}{\overset{n-1}{\mathrm{\&Sigma;}}}f\left(x_k\right)+f\left(b\right)]---\left(2\right)$

其中，设积分区间为[a，b]划分为n等分，步长h＝(b-a)/n，分点为x_k＝a+kh，k＝0，1，…，n，x_k+1/2为子区间[x_k，x_k+1]的中点，

(4)然后把这些面积数据作为人工神经网络和支持向量机的输入数据。

本发明的有益效果是：

本发明所公开的一种基于盲源分离的海洋溢油精细化遥测方法，通过多通道激光诱导荧光探测装置一次性采集油样的光谱，或者通过地物光谱仪多次采集油样光谱，然后对混合光谱进行盲分离，得到油样的各个组分的光谱，采用支持向量机的方法对组分光谱进行光谱匹配，得到识别结果，并依据Beer-Lambert定律计算出组分浓度，进而实现了精细化的解析了溢油的种类和组分。该方法所使用的方法检测客观、科学，应用于溢油应急检测，提高了生产效率。

附图说明

图1是本发明的海洋溢油油种识别方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例，图1示意性的示出了本发明所公开的海洋溢油油种识别方法流程图。

首先收集各种油种组成油种的样本库，特别的可包括汽油、柴油、煤油、机油、原油、食用油如花生油，首先对油种按照化学分离的方法探测得到各个主要组分及其含量，比如对原油，主要探测烃质、胶质、沥青质及其含量信息，对成品原油，组要探测其主要组分烷烃、环烷烃、芳香烃、多环芳烃及其含量，并制作组分名称及其浓度查找表。

对分离的各个组分用光谱仪测量光谱，组成各个组分的光谱数据库，然后对各个组分进行特征提取，提取的特征根据使用的光谱仪器不同而不同，特别的，对于激光荧光信号，光谱的形状、荧光衰减的时间、荧光峰的位置、荧光产量、水的拉曼散射抑制信号等都可以作为识别的特征。

然后使用SVM模型进行训练，对训练结果进行检验，训练得到训练好的模型，将该模型存好待后期油种识别使用。

对违法溢油源取得的油样，使用上述相同的光谱仪，多次测量其多条光谱，然后使用独立分量分析的方法，分离得到各个独立的光谱分量，对每个光谱分量提取其特征参数，这些特征参数和光谱库的特征参数相同，然后使用上述训练好的模型对光谱分量进行识别，得到各个组分名称，对光谱形状和幅度基于B-L定律确定其浓度。

得到组分名称和浓度后，与前期确定的查找表进行查找对照，而识别出是哪种原油，或者是哪种成品油及其产地，进而对油种进行精细化的解析。

Claims (5)

1.一种基于盲源分离的精细化海洋溢油油种遥感探测方法，其特征在于，该方法包括多通道遥测光谱获取方法、混合光谱的盲分解方法、溢油光谱识别方法三部分组成。

2.根据权利要求1所述的多通道遥测光谱获取方法，其特征在于：多通道遥测光谱获取方法分主动和被动两种方式，主动遥测获取是多通道的激光诱导荧光系统实现，一次性获取多个通道的溢油光谱遥测信号，遥测信号记为X＝{x₁，x₂，..x_i...x_M}，M为通道数；被动遥测使用的是地物光谱仪，通过多次遥测获取溢油样本光谱信号，信号记为X＝{x₁，x₂，..x_i...x_M}，M为遥测次数。

3.根据权利要求1所述的混合光谱盲源分解方法，其特征在于:该方法是对光谱观察信号X＝{x₁，x₂，..x_i...x_M}通过快速独立分量分析算法进行盲源分解，得到多个独立成分的光谱Y＝{y₁，y₂，…y_N}，其中N为成分数，一般的N<M；它就是组成溢油样本主要组分S＝{s₁，s₂，…s_N，}的近似，这些组分光谱反映了溢油油种的主要组分，对于原油其组分光谱反映了包括烃质、胶质、沥青质等及其含量信息，对于其他油种这些组分光谱反应了包括烷烃、环烷烃、芳香烃等及其含量。

4.根据权利要求1所述的溢油油种识别方法，其特征在于:该方法包括建立遥测模型建立和进行溢油识别两个过程：建立遥测模型建立过程，是通过遥测系统激光诱导荧光系统或者地物光谱仪，在实验室模拟情况下建立各个主要溢油油种的各个组分的光谱数据库，每个溢油组分样本光谱不少于五十条，然后采集各个组分的光谱特征参量(比如光谱的形状，荧光衰减的时间，荧光峰的位置，荧光产量，水的拉曼散射抑制信号等)，作为支持向量机模型的输入参量进行模型训练得出训练好的模型，溢油识别过程是采集带测油种的激光荧光信号和高光谱信号，按照混合光谱盲分解的方法进行分解，然后对分解的独立分量测量各个特征参量，然后将特征参量输入训练好的识别模型，识别各个组分的名称。

5.根据Beer-Lambert定律，对于未知混合油，测得的光谱通常以为是一些纯物质(主要组分)光谱的线性组合,A＝MI，其中A_l*n谱是l个样品在n个波长处的光谱，I_m*n是组分光谱矩阵，M_l*m反应了组分在混合物中的浓度，进而得到相应组分的浓度信息，通过正确识别出溢油组分类别和浓度含量，通过查找表可精细化的快速计算出溢油来源。