海洋塑料垃圾卫星遥感探测方法_李鹏.pdf

测绘通报2023 年第 6 期引文格式:李鹏，周虹利，林是聪，等 海洋塑料垃圾卫星遥感探测方法J 测绘通报，2023(6):20-26 DOI:10 13474/j cnki 11-2246 20230163海洋塑料垃圾卫星遥感探测方法李鹏1，2，周虹利1，2，林是聪1，2，王厚杰1，2，李振洪3(1 中国海洋大学海洋地球科学学院河口海岸带研究所海底科学与探测技术教育部重点实验室，山东 青岛 266100;2 青岛海洋科学与技术国家实验室海洋地质过程与环境功能实验室，山东青岛 266061;3 长安大学地质工程与测绘学院，陕西 西安 710054)摘要:海洋塑料垃圾广泛分布于近岸海域、大洋环流带等表层水体，严重危害海洋生物与人类社会可持续发展。受海洋塑料目标样本少、尺度小及卫星遥感传感器空间分辨率的限制，精确探测海洋塑料垃圾的时空分布特征具有重要的现实意义。本文利用Sentinel-2 卫星遥感影像，基于已知海上塑料和其他漂浮物光谱特征，提出了一种反射率特征分类方法，用于探测与识别全球多个海域的海上漂浮塑料。该方法通过结合不同波段的反射率阈值与峰值特点，总体精度达到 98%，F 值为 0.85，优于传统机器学习分类方法，有助于海洋塑料垃圾的变化探测与影响机制研究。关键词:海洋塑料垃圾;光谱反射率;海岸带;Sentinel-2;机器学习中图分类号:P237文献标识码:A文章编号:0494-0911(2023)06-0020-07A satellite remote sensing method for detecting marine plastic debirsLI Peng1，2，ZHOU Hongli1，2，LIN Shicong1，2，WANG Houjie1，2，LI Zhenhong3(1 Key Lab of Submarine Geosciences and Prospecting Technology，Institute of Estuarine and Coastal Zone，College of Marine Geosciences，Ocean University of China，Qingdao 266100，China;2 Laboratory of Marine Geology，Qingdao National Laboratory for Marine Science andTechnology，Qingdao 266061，China;3 College of Geological Engineering and Geomatics，Changan University，Xian 710054，China)Abstract:Marine floating plastic debris is widely distributed in surface waters such as coastal waters and ocean gyres，which seriouslyendangers marine life and the sustainable development of human society Limited by the small-scale，small number of marine plastictarget samples and the spatial resolution of satellite remote sensing sensors，accurately detect the spatial and temporal distributioncharacteristics of marine plastic debris has an important practical significance Based on the known spectral characteristics of plasticand other floating objects in the sea，this study proposes a reflectance feature classification method based on Sentinel-2 satelliteimagery By combining the reflectance threshold and peak characteristics of different bands，it can effectively detect and identifyfloating plastic in multiple regions of the world，with an overall accuracy of 98%and an F-score of 0.85，which is better than thetraditional machine learning classification method，and is beneficial for the change detection and impact mechanism research of marineplastic debrisKey words:marine plastic debris;spectral reflectance;coastal zone;Sentinel-2;machine learning目前，海洋污染已成为全球性环境问题，其中塑料污染占很大比重，其危害有目共睹。全世界每年废弃数以万计的塑料碎片，很大一部分流向海洋，对海洋环境造成难以消除的危害，导致许多海洋动物因误食塑料而死亡。为了防止全球环境进一步恶化，为了人类生存和可持续发展，海洋塑料垃圾的治理刻不容缓。对于海洋塑料垃圾探测，已有学者利用遥感卫星传感器开展了探索与试验，多数研究人员使用多光谱卫星可见光波段生成真彩色图像，以及基于近红外波段(NIR)和短波红外波段(SWIR)合成假彩色图像寻找海洋漂浮塑料1-4。目前来看，NIR 和SWIR 波段的探测效果优于可见光波段。光谱特征指数在海洋塑料识别和监测方面能够发挥重要作用。目前，已有学者应用光谱特征指数开展海洋塑料垃圾目标的探测、识别与监测研究。文献 5提出了两个特征指数，即塑料指数(plastic index，PI)和反向归一化植被指数(reverse02收稿日期:2022-08-14基金项目:国家自然科学基金(42041005-4)作者简介:李鹏(1984)，男，博士，副教授，主要从事河口海岸带环境遥感研究。E-mail:pengli ouc edu cn通信作者:周虹利。E-mail:zhouhongli stu ouc edu cn2023 年第 6 期李鹏，等:海洋塑料垃圾卫星遥感探测方法normalized difference vegetation index，RNDVI)，用于识别遥感图像塑料目标，结果表明 PI 能够较好地识别漂浮 在 水 面 上 的 塑 料 物 体。文 献3利 用Sentinel-2 MSI 多光谱数据研发了漂浮碎片指数(floating debris index，FDI)，试验表明在亚像素尺度能探测到漂浮聚集物(由大型塑料垃圾、海藻和海浪泡沫组成的混合物)。机器学习方法已被普遍用于遥感地物分类，已有研究将机器学习方法用于海上漂浮塑料的识别，主要分为监督分类和非监督分类方法。文献 3 利用朴素贝叶斯(Bayesian)算法训练并预测塑料位置，能正确识别希腊 Tsamakia 海滩人工布设的大部分塑料目标。相对于其他监督分类方法，该算法仅需训练相对少量样本就可获得较好结果，适用于先验数据较少的情况。文献 6 分别利用非监督分类和监督分类方法(K 均值聚类、模糊 C 均值聚类、支持向量回归等)，对已知塑料目标进行分类，结果表明支持向量回归(SVR)监督分类算法的整体精度最高，总体上优于非监督聚类算法。综上所述，海上塑料目标具有光谱反射率低、易受大气影响、样本数量少、与其他地物反射率差异小等特点，而常见的机器学习分类效果一般。因此，本文基于海洋漂浮塑料的光谱特征，探索一种有效的海洋塑料目标探测、识别与监测方法。1理论基础和数据源1.1理论基础1.1.1光谱特征地物光谱特征是自然界地物普遍具有的电磁辐射规律。在遥感应用中，可以依据波长相关的地物反射特性，获得地物的光谱特征。利用 Sentinel-2MSI 多光谱遥感影像可以检测海水、海藻、泡沫、塑料等在不同波段的吸收和反射光谱特征(见表 1)，其中塑料在近红外反射信号的强度取决于塑料材料在亚像素尺度的填充程度。表 1海上漂浮物光谱特征地物类别光谱特征海水水在近红外波段(NIR)和 SWIR 具有很高的吸收率，这些波段的光谱反射率被大幅削弱海藻主要反射绿色(560 nm)和红边波段 Red Edge(700780 nm)的光泡沫在绿色和红色可见光波段反射率最高，在 NIR反射率较小塑料主要在 NIR 显示出反射率峰值，并且在红色边缘波段会存在额外的峰值卫星遥感探测海洋塑料垃圾的前提条件是基于常见塑料聚合物的光谱特征，利用遥感影像将塑料从海水中区分出来。已有研究表明，在 620 2100 nm 波长范围，不同材质塑料的反射率有明显的最小值和最大值。其中，Sentinel-2 多光谱波段(4901610 nm)有 10 个波段可以得到大型塑料的光谱特征，在近红外光谱具有反射率峰值。1.1.2特征指数采用漂浮碎片指数(floating debris index，FDI)作为塑料特征指数3(见表 2)，该指数由 4 个 MSI波段(Red、RE2、NIR、SWIR1)组成，对海上塑料识别效果较好。表 2特征指数及波段计算公式特征指数波段计算公式FDIFDI=Rrs，NIR Rrs，INRRrs，NIR=Rrs，RE2+(Rrs，SWIR1 Rrs，RE2)NIRRedSWIR1Red 10PIPI=(Rrs，SWIR Rrs，NIR)/(Rrs，SWIR+Rrs，INR)NDVI NDVI=(Rrs，NIR Rrs，Red)/(Rrs，NIR+Rrs，Red)1.2 数据源与处理平台Sentinel-2 数据来自欧洲空间局，谷歌地球引擎(Google Earth Engine，GEE)云平台可以提供 2A 级产品。部分区域数据需要从欧空局获取 1C 级产品，使用 SNAP 软件提供的 Sen2Cor 大气校正插件处理。表 3 为本文使用的所有数据。表 3研究区域与遥感影像信息区域日期数据类型预处理希腊 Tsamakia海滩2018-06-07L1C去云、重采样、大气校正希腊 Tsamakia海滩2019-04-182019-05-032019-05-182019-06-07L2A去云、重采样地中海 Adriatic海域2020-08-01L2A去云、重采样夏威夷近海2020-10-14L2A去云、重采样崇明岛近海2019-03-17L2A去云、重采样2研究方法2.1反射率特征分类方法为了确定塑料目标的光谱特性，本文结合欧空局海洋垃圾项目(plastic litter project，PLP)7-8 在地中海希腊海域放置的 7 次人工塑料目标进行光谱特12测绘通报2023 年第 6 期征提取。如图 1 所示，人工塑料目标光谱曲线在红边波段和近红外波段均具有明显峰值，主要受海水可能存在的植物影响。每个塑料目标在蓝色波段反射率存在明显差异，由于不同塑料目标在水中浮沉情况不同，漫过其表面的海水会影响塑料对蓝色波段的反射情况。图 1Tsamakia 海岸带 5 景 Sentinel-2 影像的塑料目标光谱曲线水体中其他目标主要有海水和漂浮植物，海水在近红外(NIR)和短波红外(SWIR)波段有很高的吸收率，光谱反射率被大幅削弱。因此，可以依据不同区域影像实际情况，设计合适的亮度界限，以达到区分漂浮物与海水的目的。本文技术流程如图 2 所示，主要包括数据预处理、掩膜制作和数据分析 3 部分。海上塑料、植物及其他干扰像素的区分，主要依据不同材料光谱特征曲线反射峰值的位置和形态，即塑料目标在红色边缘波段和近红外波段具有多个较为明显的峰值，而漂浮植物则具有绿波段和红边波段高反射率。根据该特点，本文将漂浮物主要分为疑似塑料1、疑似塑料 2、植物 1、植物 2 及其他共 5 类。(1)植物 1、植物 2 的反射率峰值分别位于波段7、波段 8。(2)疑似塑料 1 在红边波段的反射率小于可见光波段和近红外波段，疑似塑料 2 在红边波段会有额外峰值存在，主要在红边波段 1 和 2。(3)其他为干扰像素，不存在明显峰值。当峰值波段与相邻波段反射率差值该波段反射率的 15%时，认为此波段存在峰值，后续将该方法称作反射率特征分类法。图 3 为相关样本情况。考虑到试验所用 Sentinel-2 遥感影像的最高空间分辨率为 10 m，实际得到的含有漂浮物的像元中往往同时存在塑料和漂浮植物，这些像素中塑料的覆盖率不同，存在光谱信息混叠现象。图 2技术流程图 3样本情况222023 年第 6 期李鹏，等:海洋塑料垃圾卫星遥感探测方法2.2 精度分析方法为了验证光谱特征分类方法的可靠性，采用混淆矩阵进行精度评估与验证(见表 4)。混淆矩阵包括真阳性(true positive，TP)、假阳性(false positive，FP)、假阴性(false negative，FN)和真阴性(truenegative，TN)。TP 表示实际为塑料的像素被算法正确地分为塑料，其他同理。准确率是正确识别为塑料占识别为塑料的比例，召回率是正确识别出的塑料占真实塑料的比例。总体精度是被正确识别为塑料占总的比例，F 值兼顾准确率和召回率，是两者的加权平均，范围为 01。在模型性能最好的情况下，总体精度趋于 100%，F 趋于 1，计算公式分别为总体精度=TP+TNTP+TN+FP+FN 100%(1)F=TPTP+1/2(FP+FN)(2)表 4混淆矩阵实际情况分类结果塑料非塑料塑料真阳性(TP)假阳性(FP)非塑料假阴性(FN)真阴性(TN)3结果与分析3.1精度验证为了验证研究区域分类结果的可靠性，需要对该方 法 进 行 精 度 分 析。本 文 选 取 PLP2018 与PLP2019 项目对应的 5 景 Sentinel-2 影像用于验证分类方法可靠性，该研究区位于希腊 Tsamakia 海滩，塑料目标均为该人为放置于海面上的塑料漂浮物，训练和验证数据集包括已知塑料目标像素点和随机选取的非塑料像素点，分类结果如图 4 所示。基于验证数据集的光谱特征分类法混淆矩阵见表 5。在已经确定存在塑料的研究区内，使用反射率特征分类法的总体精度可达 98.9%，F 值可达0.85，表明了该方法识别海上漂浮塑料的可靠性。考虑到实际海上漂浮塑料碎片对近红外波段的光反射率比人工制作的塑料目标更低，因此在实际应用中其精度可能有所下降。表 5基于验证数据集的光谱特征分类法混淆矩阵分类结果实际情况塑料非塑料总体精度/(%)F 值2018塑料112非塑料111997.70.88续表5分类结果实际情况塑料非塑料总体精度/(%)F 值2019塑料93非塑料152499.20.81总和塑料205非塑料264398.90.85图 4希腊 Tsamakia 海滩 Sentinel-2 影像塑料分类结果3.2应用案例本文结合国内外报道、可获取的卫星影像及实地原位考察，选择可能存在塑料的研究区域，包括地中海 Adriatic 海域、夏威夷近海9-11 和崇明岛海域。其中，2019 年崇明岛塑料垃圾污染问题受到广泛关注，因此选取崇明岛近海作为研究区域之一。3.2.1地中海 Adriatic 海域该区域 Sentinel-2 影像获取时间为 2020 年 8 月1 日(如图 5(a)所示)，分类后得到的条带状漂浮物在 RGB 图像呈白色弧形，推断可能是船只行驶产生的泡沫，没有被误分类。设定该影像漂浮物、海水及干扰像素之间的分类判别值:将 B8 反射率大于 0.035 的像素认为是漂浮物，否则为海水;将B7 或 B8 与相邻波段的反射率差值大于 0.01 的像素认为含有植物或塑料，否则为干扰像素。32测绘通报2023 年第 6 期在该影像共选取 33 587 个像素，分类后的疑似塑料像素约占 60.5%，其中第 1 类和第 2 类塑料分别占总数的 29.5%和 70.5%;漂浮植物约占 6.7%(如图 5(d)所示)。由图 5(e)光谱特征曲线可知:该区域塑料像素光谱曲线与 PLP2018 项目塑料目标光谱曲线具有相似特征;疑似塑料 2 相比于疑似塑料 1，具有更高比例的塑料含量;绿色波段存在较高反射率，表明该区域漂浮物中含有较高比例的植物。图 53.2.2 夏威夷近海该区域 Sentinel-2 影像获取时间为 2020 年10 月 14 日(如图 6(a)所示)，利用特征指数 PI 计算获得图像以缩小研究范围，发现区域内漂浮物呈现细丝状12。设定分类判别值:将 B8 反射率大于 0.003 8 的像素认为是漂浮物，否则为海水;将B7 或 B8 与相邻波段反射率差值大于 0.002 的像素认为含有植物或塑料，否则为干扰像素。在该影像共选取 38 919 个像素，分类后的疑似塑料像素约占 40.9%，其中第 1 类和第 2 类塑料分别占总数的 10.7%和 89.3%;漂浮植物约占 25.7%(如图 6(d)所示)。图 6(e)为随机选取各类材料约30 个像素点的平均光谱特征曲线，可以发现:该区域有两处明显细丝状漂浮物出现的地方，对应绿色光谱反射率相对较低;文献 12 认为该区域漂浮物存在较多塑料，与疑似塑料在绿色波段反射率低的现象一致。图 63.2.3崇明岛近海该区域 Sentinel-2 影像获取时间为 2019 年 3 月17 日(如图 7(a)所示)，研究区内漂浮物为长条状，周围有较多散状纹路。设定分类判别值:将 B8 反射率大于 0.045 的像素认为是漂浮物，否则为海水;将 B7 或 B8 与相邻波段反射率差值大于 0.000 5422023 年第 6 期李鹏，等:海洋塑料垃圾卫星遥感探测方法的像素认为含有植物或塑料，否则为干扰像素。图 7在影像共选取 138 857 个像素，分类后的疑似塑料像素约占 45.5%，其中第 1 类和第 2 类塑料分别占总数的 0.6%和 99.4%;漂浮植物约占 30.1%(如图 7d 所示)。由图 7(e)可知:该区域漂浮物在蓝绿光波段具有较高反射率，符合海水光谱反射性质。两种植物在红边波段具有较高反射率，推测该区域有较大面积海藻聚集，并携带了塑料碎片。两种疑似塑料出现在聚集漂浮物外围，塑料通常会吸附、富集海水有机物，有机物浓度增大导致藻类植物生长失控，因此在该区域分类得到大量植物。该研究区疑似塑料 1 很少，疑似塑料 2 像素可能也存在较大占比的植物，塑料特征并不明显。3.3方法对比由图 8(a)可知，地中海 Adriatic 区域样本集NDVI 与 FDI 指数存在相关性，不同材料聚类既存在差异，也存在广泛交叉。本文在 Adriatic 区域结合 FDI 和 NDVI 指数开展随机森林机器学习分类方法的对比试验。选取塑料光谱特征显著的 5 种地物样本点作为训练样本，其中 70%用于训练，30%作为验证集。由图 8(c)和图 8(d)可知，机器学习分类结果与反射率特征法有较大差异，各类漂浮物像素点个数基本不同。另外，被分成“疑似塑料”的像素并未呈现塑料光谱特征，总体精度仅有 40%。结果表明，基于 NDVI 与 FDI 指数组合的机器学习分类方法存在较多错分现象，仍有较大的提升空间。图 852测绘通报2023 年第 6 期4结语受到海上塑料目标样本少、尺度小及卫星传感器空间分辨率的限制，精确探测海洋塑料垃圾的时空分布特征，是全球变化与环境遥感领域的热点与难点问题。根据海洋塑料目标与其他漂浮物的光谱特征差异，本文提出了一种反射率特征分类法，用于识别与探测海洋塑料垃圾目标。该方法通过结合不同波段的反射率阈值与峰值特点，能够有效识别与区分全球多个研究区域的海上漂浮塑料，其总体精度可达 98%，F 值可达 0.85，具有较好的可行性。与传统机器学习分类方法相比，本文提出的反射率特征分类法结合了不同研究区域的光谱反射特征，参数设计灵活，总体精度优于传统方法，有助于海洋塑料垃圾的变化探测与影响机制研究。参考文献:1ACUA-RUZT，URIBED，TAYLORR，etalAnthropogenic marine debris over beaches:spectralcharacterization for remote sensing applications J Remote Sensing of Environment，2018，217:309-322 2AOYAMA T Extraction of marine debris in the Sea ofJapanusinghigh-spatial-resolutionsatelliteimages C/Proceedings of 2016 SPIE 9878，Remote SensingoftheOceansandInlandWaters:Techniques，Applications，and Challenges New Delhi:SPIE，2016 3BIERMANN L，CLEWLEY D，MARTINEZ-VICENTEV，et al Finding plastic patches in coastal waters usingoptical satellite data J Scientific Reports，2020，10(1):5364 4PICHEL W G，VEENSTRA T S，CHURNSIDE J H，etal GhostNet marine debris survey in the Gulf of Alaska:satellite guidance and aircraft observations J MarinePollution Bulletin，2012，65(1/2/3):28-41 5THEMISTOCLEOUS K，PAPOUTSA C，MICHAELIDESS，et al Investigating detection of floating plastic litterfrom space using Sentinel-2 imagery J RemoteSensing，2020，12(16):2648 6BIDROHA B，SRIKANTA S，ARUNIMA S B，et alDevelopmentofnovelclassificationalgorithmsfordetection of floating plastic debris in coastal waterbodiesusing multispectral Sentinel-2 remote sensing imagery J Remote Sensing，2021，13(8):1598 7TOPOUZELIS K，PAPAKONSTANTINOU A，GARABAS PDetection of floating plastics from satellite andunmanned aerial systems(Plastic Litter Project 2018)J International Journal of Applied Earth Observationand Geoinformation，2019，79:175-183 8TOPOUZELIS K，PAPAGEORGIOU D，KARAGAITANAKISA，et al Remote sensing of sea surface artificial floatingplastic targets with Sentinel-2 and unmanned aerialsystems(Plastic Litter Project 2019)J RemoteSensing，2020，12(12):2013 9LEBRETON L，SLAT B，FERRARI F，et al EvidencethattheGreatPacificGarbagePatchisrapidlyaccumulating plastic J Scientific Reports，2018，8(1):4666 10 EGGER M，SULU-GAMBARI F，LEBRETON L Firstevidence of plastic fallout from the North Pacific GarbagePatch J Scientific Reports，2020，10(1):7495 11CIAPPA A C Marine plastic litter detection offshoreHawaii by Sentinel-2 J Marine Pollution Bulletin，2021，168:112457 12 BRIGNAC K C，JUNG M R，KING C，et alMarinedebris polymers on main Hawaiian Island beaches，seasurface，and seafloor J Environmental Science Technology，2019，53(21):12218-12226(责任编辑:马保卫)62