用Sentinel-1数据对完全自动和半自动方法进行石油泄漏检测的比较研究
Muhammad Iqbal Habibie1,2, Hariyanto3,4, Robby Arifandri5,4
1Research Center for Environmental and Clean Technology, KST BJ Habibie, South Tangerang, Jl. Raya Puspiptek Serpong, Banten, Indonesia. iqbalhabibie0684@gmail.com.
Environmental monitoring and assessment
|June 25, 2025
概括
本研究展示了Sentinel-1卫星数据和机器学习,以有效地检测班省的石油泄漏. 综合方法加强了海洋地区的环境监测和灾害响应.
科学领域:
- 环境科学 环境科学
- 遥感 遥感 遥感 遥感
- 机器学习 机器学习
背景情况:
- 石油泄漏对海洋生态系统和当地社区构成重大威胁.
- 有效的监测和快速反应对于减轻生态损害至关重要.
研究的目的:
- 通过使用Sentinel-1卫星数据和机器学习,评估邦省的漏油检测和影响.
- 评估不同机器学习分类器的性能,以识别漏油.
主要方法:
- 使用 Sentinel-1 合成孔径雷达 (SAR) 数据,具有 VV 偏振和 -25 dB 的油泄漏门.
- 应用高级图像处理,二进制掩盖和矢量化用于GIS集成.
- 使用人工神经网络 (ANN),随机森林 (RF) 和极端梯度增强 (XGBoost) 来进行油污分类.
主要成果:
- 时间分析显示,泄漏大小存在显著的变化,5月16日 (79.686平方公里) 和7月3日 (41.593平方公里) 的峰值.
- 风力模式分析为泄漏分散动态提供了洞察力.
- ANN显示出优异的辨别能力 (AUC=0.92),而RF实现了高精度 (99.01%) 和精度 (99.02%).
结论:
- 遥感,图像处理和监督学习的综合方法对环境监测是可行的.
- 这项研究为最大限度地减少生态影响和优化海上灾害应对计划提供了关键数据.
- 为了打击生态威胁和保护海洋生态系统,先进技术至关重要.
