融合机载高光谱图像与星载合成孔径雷达影像的空天遥感多模态海面溢油探测

doi:10.7527/S1000-6893.2025.32581

航天遥感图像智能处理与分析专刊

本期目录 | 过刊浏览 | 高级检索

前一篇 |

融合机载高光谱图像与星载合成孔径雷达影像的空天遥感多模态海面溢油探测

刘志洋¹, 刘权威², 张玉香³, 董燕妮¹()

^1.武汉大学资源与环境科学学院，武汉 ;430079
^2.詹姆斯库克大学科学与工程学院，凯恩斯 4878
^3.中国地质大学（武汉）地球物理与空间信息学院，武汉 430074

收稿日期:2025-07-16 修回日期:2025-08-18 接受日期:2025-09-16 出版日期:2025-10-10 发布日期:2025-09-24
通讯作者: 董燕妮 E-mail:dongyanni@whu.edu.cn
基金资助:
国家自然科学基金(U2541203);国家自然科学基金(62222116)

Multi-modal marine oil spill detection via airborne hyperspectral image and satellite-borne synthetic aperture radar image fusion in aerospace remote sensing

Zhiyang LIU¹, Quanwei LIU², Yuxiang ZHANG³, Yanni DONG¹()

^1.School of Resource and Environmental Science，Wuhan University，Wuhan 430079，China
^2.College of Science and Engineering，James Cook University，Cairns 4878，Australia
^3.School of Geophysics and Geomatics，China University of Geosciences （Wuhan），Wuhan 430074，China

Received:2025-07-16 Revised:2025-08-18 Accepted:2025-09-16 Online:2025-10-10 Published:2025-09-24
Contact: Yanni DONG E-mail:dongyanni@whu.edu.cn
Supported by:
National Natural Science Foundation of China(U2541203)

摘要/Abstract

摘要：

海面溢油作为一种突发性海洋污染事件，会对海洋及沿岸地区的生态环境、居民安全等造成严重威胁。随着航空航天技术的快速发展，搭载各类传感器的遥感平台成为获取高分辨率、高质量海面溢油影像数据的关键。依托卫星的星载遥感平台能够大范围、实时地发现与监测海面溢油，依托固定翼飞机、无人机等设备的机载遥感平台能够灵活、准确地获取现场遥感数据，为后续相关应急措施的实施提供有效的数据支撑。考虑到多模态遥感影像能够捕获目标的多维度特征、显著提高遥感探测的准确性与鲁棒性，提出了一种基于机载高光谱图像（HSI）数据与星载合成孔径雷达（SAR）数据的多模态海面溢油探测语义分割模型。模型采用了3D卷积模块提取HSI数据的光谱-空间特征作为对SAR特征的补充；设计了多模态互补空洞空间金字塔池化（MCASPP）模块，在多尺度提取SAR图像特征的同时进行多模态信息融合，解决单一模态数据的局限性问题；引入了方向梯度感知和坐标注意力，构建差分定位增强模块（DLEM），增强模型对溢油边缘与细小区域的感知能力。在GMD（Gulf of Mexico Database）数据集上的实验结果表明，所提模型在Kappa系数、平均交并比（mIoU）与F1分数上分别达到99.43%、99.41%与99.47%，优于所选对比模型，表现出其在航空航天遥感信息支撑下较强的溢油特征提取与探测能力。研究成果能够为空天一体化海洋环境的智能监测提供技术支撑。

关键词: 海面溢油探测, 多模态遥感数据, 多模态优势互补, 光谱空间特征, 语义分割

Abstract:

As a sudden Marine pollution event， marine oil spills pose a serious threat to marine and coastal ecosystems as well as human safety. With the rapid development of aerospace technology， remote sensing platforms equipped with various sensors have become the key to obtain high-resolution and high-quality imagery of marine oil spills. Satellite-borne remote sensing platforms enable large-scale and real-time detection and monitoring of oil spills， while airborne platforms based on fixed-wing aircraft， Unmanned Aerial Vehicles （UAVs） and other equipment offer flexible and accurate on-site data acquisition， providing effective data support for the implementation of subsequent relevant emergency response measures. Considering that multi-modal remote sensing imagery can capture multi-dimensional features of targets and significantly improve detection accuracy and robustness， we propose a multi-modal semantic segmentation model for marine oil spill detection based on airborne Hyperspectral Image （HSI） data and satellite-borne Synthetic Aperture Radar （SAR） data. The model utilizes a 3D convolution module to extract spectral-spatial features from HSI data， serving as a supplement to SAR features. a Multi-modal Complement Atrous Spatial Pyramid Pooling （MCASPP） module is designed to extract SAR features at multi-scale and fuse the strengths of both modalities， mitigating the limitations of single-modality. By introducing directional gradient perception and coordinate attention， a Differential Localization Enhancement Module （DLEM） is constructed to enhance the perception ability of the model for the edge and small area of the oil spill. Experimental results on the Gulf of Mexico Database （GMD） demonstrate that the proposed model achieves 99.43%， 99.41% and 99.47% in Kappa coefficient， mIoU （Mean Intersection over Union） and F1 score， respectively， outperforming the selected comparison models. These results show the model’s strong oil spill feature extraction and detection capabilities under the support of aerospace remote sensing information. The research results can provide technical support for the intelligent monitoring of the marine environment with the integration of the integrated space-air observation systems.

Key words: oil spill detection, multi-modal remote sensing data, multi-modal complementarity, spectral spatial feature, semantic segmentation

中图分类号:

刘志洋, 刘权威, 张玉香, 董燕妮. 融合机载高光谱图像与星载合成孔径雷达影像的空天遥感多模态海面溢油探测[J]. 航空学报, 2026, 47(10): 632581.

Zhiyang LIU, Quanwei LIU, Yuxiang ZHANG, Yanni DONG. Multi-modal marine oil spill detection via airborne hyperspectral image and satellite-borne synthetic aperture radar image fusion in aerospace remote sensing[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(10): 632581.

图/表 11

图 1

图 2

图 3

图 4

图 5

图 6

表1

图 7

图 8

表2

表3

参考文献 39

[1]	李德仁. 论21世纪遥感与GIS的发展［J］. 武汉大学学报（信息科学版）， 2003， 28（2）： 127-131.
	LI D R. Towards the development of remote sensing and GIS in the 21st century［J］. Geomatics and Information Science of Wuhan University， 2003， 28（2）： 127-131 （in Chinese）.
[2]	李德仁，张良培，夏桂松. 遥感大数据自动分析与数据挖掘［J］. 测绘学报， 2014， 43（12）： 1211-1216.
	LI D R， ZHANG L P， XIA G S. Automatic analysis and mining of remote sensing big data［J］. Acta Geodaetica et Cartographica Sinica， 2014， 43（12）： 1211-1216 （in Chinese）.
[3]	BARTSCH N， GRUNER K， KEYDEL W， et al. Contributions to oil-spill detection and analysis with radar and microwave radiometry： Results of the Archimedes Ⅱ campaign［J］. IEEE Transactions on Geoscience and Remote Sensing， 1987， 25（6）： 677-690.
[4]	SOLBERG A H S， STORVIK G， SOLBERG R， et al. Automatic detection of oil spills in ERS SAR images［J］. IEEE Transactions on Geoscience and Remote Sensing， 1999， 37（4）： 1916-1924.
[5]	STRINGER W J， DEAN K G， GURITZ R M， et al. Detection of petroleum spilled from the MV exxon valdez［J］. International Journal of Remote Sensing， 1992， 13（5）： 799-824.
[6]	LI Z， CHEN L， ZHANG B， et al. SAR image oil spill detection based on maximum entropy threshold segmentation［J］. Signal Process， 2019， 35： 1111-1117.
[7]	BASS F G， PUZENKO S A. Detection of oil spills on the sea using radar measurements［J］. Journal of Electromagnetic Waves and Applications， 1994， 8（7）： 859-870.
[8]	SINGH K P. Monitoring of oil spills using airborne and spaceborne sensors［J］. Advances in Space Research， 1995， 15（11）： 101-110.
[9]	SLOGGETT D R. An automated approach to the detection of oil spills in satellite-based SAR imagery［J］. The Determination of Geophysical Parameters from Space， 1996： 103.
[10]	KUBAT M， HOLTE R C， MATWIN S. Machine learning for the detection of oil spills in satellite radar images［J］. Machine Learning， 1998， 30（2）： 195-215.
[11]	CALABRESI G， DEL FRATE F， LICHTENEGGER J， et al. Neural networks for the oil spill detection using ERS-SAR data［C］∥ IEEE 1999 International Geoscience and Remote Sensing Symposium. Piscataway： IEEE Press， 2002： 215-217.
[12]	RAMALHO G L B， MEDEIROS F N S. Using boosting to improve oil spill detection in SAR images［C］∥ 18th International Conference on Pattern Recognition （ICPR’06）. Piscataway： IEEE Press， 2006： 1066-1069.
[13]	LOPEZ L， MOCTEZUMA M， PARMIGGIANI F. Contextual approach for oil spill detection in SAR images using image fusion and Markov random fields［C］∥ 49th IEEE International Midwest Symposium on Circuits and Systems. Piscataway： IEEE Press， 2007： 137-139.
[14]	SHI L J， ZHANG X D， SEIELSTAD G， et al. Oil spill detection by MODIS images using fuzzy cluster and texture feature extraction［C］∥ OCEANS 2007—Europe Conference. Piscataway： IEEE Press， 2007： 1-5.
[15]	WARDAYA P D. Support vector machine as a binary classifier for automated object detection in remotely sensed data［C］∥ IOP Conference Series： Earth and Environmental Science. United Kingdom： IOP Publishing， 2014.
[16]	GUO H， WU D N， AN J B. Discrimination of oil slicks and lookalikes in polarimetric SAR images using CNN［J］. Sensors， 2017， 17（8）： 1837.
[17]	TEMITOPE YEKEEN S， BALOGUN A L， WAN YUSOF K B. A novel deep learning instance segmentation model for automated marine oil spill detection［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2020， 167： 190-200.
[18]	YANG J F， MA Y， HU Y B， et al. Decision fusion of deep learning and shallow learning for marine oil spill detection［J］. Remote Sensing， 2022， 14（3）： 666.
[19]	WANG B， SHAO Q F， SONG D M， et al. A spectral-spatial features integrated network for hyperspectral detection of marine oil spill［J］. Remote Sensing， 2021， 13（8）： 1568.
[20]	LI J Y， MA Y， JI Y G， et al. SR-SqueezeNet： A lightweight hyperspectral identification model for oil spills based on smoothed activation functions［J］. Marine Pollution Bulletin， 2025， 211： 117365.
[21]	袁静文，武辰，杜博，等. 高分五号高光谱遥感影像的城市土地利用景观格局分析［J］. 遥感学报， 2020， 24（4）： 465-478.
	YUAN J W， WU C， DU B， et al. Analysis of landscape pattern on urban land use based on GF-5 hyperspectral data［J］. Journal of Remote Sensing， 2020， 24（4）： 465-478 （in Chinese）.
[22]	王子玲，熊振宇，杨璐铖，等. AIS和光学遥感图像引导的星载SAR舰船目标识别网络［J］. 航空学报， 2024， 45（2）： 328672.
	WANG Z L， XIONG Z Y， YANG L C， et al. Spaceborne SAR ship target recognition network guided by AIS and optical remote sensing images［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（2）： 328672 （in Chinese）.
[23]	ESPEDAL H A， JOHANNESSEN O M. Detection of oil spills near offshore installations using synthetic aperture radar （SAR）［J］. International Journal of Remote Sensing， 2000， 21（11）： 2141-2144.
[24]	TOPOUZELIS K， KARATHANASSI V， PAVLAKIS P， et al. Detection and discrimination between oil spills and look-alike phenomena through neural networks［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2007， 62（4）： 264-270.
[25]	何友，刘瑜，李耀文，等. 多源信息融合发展及展望［J］. 航空学报， 2025， 46（6）： 531672.
	HE Y， LIU Y， LI Y W， et al. Development and prospects of multisource information fusion［J］. Acta Aeronautica et Astronautica Sinica， 2025， 46（6）： 531672 （in Chinese）.
[26]	LI X， ZHANG G， CUI H， et al. MCANet： A joint semantic segmentation framework of optical and SAR images for land use classification［J］. International Journal of Applied Earth Observation and Geoinformation， 2022， 106： 102638.
[27]	HONG D F， ZHANG B， LI H， et al. Cross-city matters： A multimodal remote sensing benchmark dataset for cross-city semantic segmentation using high-resolution domain adaptation networks［J］. Remote Sensing of Environment， 2023， 299： 113856.
[28]	郑远驰. 基于多模态融合的遥感图像分割方法研究［D］. 成都：电子科技大学， 2024： 6.
	ZHENG Y C. Research on remote sensing image segmentation method based on multimodal fusion［D］. Chengdu： University of Electronic Science and Technology of China， 2024： 6 （in Chinese）.
[29]	LIU Q W， HUANG T， DONG Y N， et al. Enhancing oil spill detection with controlled random sampling： A multimodal fusion approach using SAR and HSI imagery［J］. Remote Sensing Applications： Society and Environment， 2025， 38： 101601.
[30]	YANG M K， YU K， ZHANG C， et al. Denseaspp for semantic segmentation in street scenes［C］∥ Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE Press， 2018： 3684-3692.
[31]	ZHAO W Q， ZHAO Z H， XU M F， et al. Differential multimodal fusion algorithm for remote sensing object detection through multi-branch feature extraction［J］. Expert Systems with Applications， 2025， 265： 125826.
[32]	HOU Q B， ZHOU D Q， FENG J S. Coordinate attention for efficient mobile network design［C］∥ Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE Press， 2021： 13713-13722.
[33]	YIN Z Y， WANG Z S， FAN C， et al. Edge detection via fusion difference convolution［J］. Sensors， 2023， 23（15）： 6883.
[34]	DUAN P H， KANG X D， GHAMISI P， et al. Hyperspectral remote sensing benchmark database for oil spill detection with an isolation forest-guided unsupervised detector［J］. IEEE Transactions on Geoscience and Remote Sensing， 2023， 61： 5509711.
[35]	RONNEBERGER O， FISCHER P， BROX T. U-Net： Convolutional networks for biomedical image segmentation［C］∥ International Conference on Medical Image Computing and Computer-Assisted Intervention. Cham： Springer International Publishing， 2015： 234-241.
[36]	CHEN L C， ZHU Y K， PAPANDREOU G， et al. Encoder-decoder with atrous separable convolution for semantic image segmentation［C］∥ Proceedings of the European Conference on Computer Vision （ECCV）. Berlin： Springer， 2018： 801-818.
[37]	WEI K， DAI J K， HONG D F， et al. MGFNet： An MLP-dominated gated fusion network for semantic segmentation of high-resolution multi-modal remote sensing images［J］. International Journal of Applied Earth Observation and Geoinformation， 2024， 135： 104241.
[38]	ZHU Q Q， ZHANG Y N， LI Z Q， et al. Oil spill contextual and boundary-supervised detection network based on marine SAR images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： 5213910.
[39]	XIE S N， TU Z W. Holistically-nested edge detection［C］∥ Proceedings of the IEEE International Conference on Computer Vision. Piscataway： IEEE Press， 2015： 1395-1403.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

3D卷积模块	MCASPP模块	DLEM	OA/%	Kappa系数/%	mIoU/%	F1分数/%
×	×	×	98.70	89.35	90.25	90.04
√	×	×	99.13	93.66	93.99	94.13
×	√	×	99.58	95.85	96.00	96.07
×	×	√	98.83	91.23	91.85	91.86
√	√	×	99.73^**	97.86^**	97.90^**	98.01^**
√	×	√	99.47	95.77	95.92	96.06
×	√	√	99.65	97.28	97.34	97.47
√	√	√	99.93^*	99.43^*	99.41^*	99.47^*

模型	OA/%	Kappa系数/%	mIoU/%	Recall/%	Precision/%	F1分数/%
U-Net （SAR）	99.60^**	96.51	96.62	97.92	95.55^**	96.72
U-Net （HSI）	97.55	80.93	83.61	93.32	73.49	82.23
U-Net （HSI+SAR）	99.24	93.18	93.57	98.51	89.12	93.58
DeeplabV3+ （SAR）	97.43	81.89	84.28	95.82	73.60	83.25
DeeplabV3+ （HSI）	96.73	75.52	79.72	93.26	65.89	77.22
DeeplabV3+ （HSI+SAR）	98.12	84.84	86.59	96.68	77.18	85.83
MCANet （HSI+SAR）	99.09	93.57	93.91	99.03	89.57	94.06
MGFNet （HSI+SAR）	99.15	92.92	93.34	98.51	88.57	93.37
CBDNet （SAR）	99.29	94.62	94.86	98.62	91.63	95.00
HNNNet （SAR）	99.60^**	97.04^**	97.11^**	99.37^**	95.22	97.25^**
本文模型（HSI+SAR）	99.93^*	99.43^*	99.41^*	99.61^*	99.33^*	99.47^*

模型	Params/M	FLOPs/G	FPS	Kappa系数/%	mIoU/%
U-Net （HSI+SAR）	31.07	55.50	67.48	93.18	93.57
DeeplabV3+ （HSI+SAR）	39.69	41.95	110.13	84.84	86.59
MCANet （HSI+SAR）	73.14	90.31	96.10	93.57	93.91
MGFNet （HSI+SAR）	109.56	33.91	16.91	92.92	93.34
CBDNet （SAR）	31.45	8.40	122.51	94.62	94.86
HNNNet （SAR）	14.72	31.34	257.53	97.04	97.11
本文模型（HSI+SAR）	13.81	255.45	26.08	99.43	99.41

融合机载高光谱图像与星载合成孔径雷达影像的空天遥感多模态海面溢油探测

Multi-modal marine oil spill detection via airborne hyperspectral image and satellite-borne synthetic aperture radar image fusion in aerospace remote sensing

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 39

相关文章 8

编辑推荐

Metrics

本文评价

[1]	马宇卓, 任侃, 李涛, 陈钱. 基于距离损失提升航空图像语义分割研究[J]. 航空学报, 2026, 47(8): 332780-332780.
[2]	孙奥, 徐芳, 江树国, 杨文, 夏桂松. 遥感基础模型多模态协同增强的语义分割方法[J]. 航空学报, 2026, 47(10): 532910-532910.
[3]	唐旭, 谷峰, 马晶晶, 张向荣. 基于视觉-语言预训练模型的高光谱-激光雷达联合分类方法[J]. 航空学报, 2026, 47(10): 139-158.
[4]	丛润民, 孙豪言, 罗宇轩, 方豪. 基于类关系挖掘的遥感图像广义小样本分割方法[J]. 航空学报, 2025, 46(23): 631694-631694.
[5]	李嘉欣, 吕帅帅, 王叶子, 杨宇, 李梓悦. 基于Transformer的航空结构表面裂纹智能追踪方法[J]. 航空学报, 2025, 46(21): 532355-532355.
[6]	罗旭东, 吴一全, 陈金林. 无人机航拍影像目标检测与语义分割的深度学习方法研究进展[J]. 航空学报, 2024, 45(6): 28822-028822.
[7]	苏鑫, 管润程, 王桥, 苑伟政, 吕湘连, 何洋. 基于深度学习的结冰区域和厚度检测方法[J]. 航空学报, 2023, 44(S2): 729283-729283.
[8]	李晓航, 周建江. 基于自适应记忆长度的多尺度模态融合网络[J]. 航空学报, 2023, 44(22): 628977-628977.