基于机载SAR监测的海上溢油漂移动态预测方法及系统与流程

本发明涉及海洋科学与海洋工程技术领域，具体而言，涉及一种基于机载sar监测的海上溢油漂移动态预测技术。

背景技术：

石油是现代工业重要的燃料和工业原料，被誉为现代工业的“血液”。随着现代工业技术的进步和社会的飞速发展，人类社会对油气资源的需求越来越多，这使得相关海洋石油工业和海上石油运输业进入高速发展阶段，海上石油勘探和开发力度大大增强，大量石油开采和运输的设备被制造出来并投入使用。

但随之而来的问题也同样不可小觑，海上溢油事故的频频发生，造成了难以估量的直接经济损失和间接经济损失，同时也对海洋和陆域的生态环境造成了巨大破坏。因此，开展海上溢油应急关键技术研究，建立溢油应急反应系统，准确快速的预测海上溢油漂移路径及扩散情况，为溢油事故应急反应、处置提供决策支持的技术平台是非常必要的，不仅可以为保护我国近海海域的环境安全提供技术支持，同时也将促进我国航运业的安全发展。

但是，传统溢油漂移预测技术仍然存在很多不精确的地方。一方面，传统溢油漂移预测技术都是按风速的3％-4％来计算风对油膜的影响，按流速的100％来计算海流对油膜的影响。即风力影响因子取3％-4％，海流影响因子取100％。这种计算方法没有充分考虑由油膜自身扩展、风化、岸线吸附等过程带来的油膜物理力学性质变化和溢油属性的不同对风力影响因子和海流影响因子的影响。另一方面，传统溢油漂移预测技术的计算是基于最初的溢油地点和时间信息，随着时间的推移、误差的累积，预测结果会逐渐变差。

在此背景下，如何发明一种能对风力影响因子和海流影响因子进行实时率定，实现更加精确的动态的漂移预测技术，是本发明主要解决的技术问题。

技术实现要素：

发明的目的是克服已有技术的不足，提供一种基于机载sar监测的海上溢油漂移动态预测方法及系统。

本发明方法充分考虑溢油海域实际风力影响因子和海流影响因子的取值问题，将机载sar观测数据和海上溢油漂移预测模型相结合，达到进一步提高海上溢油漂移预测精度的目的，其具体步骤如下：

s10采用无人机搭载小型合成孔径雷达(sar)对溢油情况进行动态监测，实时获取溢油影像资料；

s20利用海面溢油检测技术，对溢油影像资料进行处理，获取溢油的经纬度、形状和面积信息，并更新海上溢油漂移动态预测模型中所需的相关溢油信息；

s30利用步骤s20得到的的相关溢油信息，建立海上溢油漂移动态预测模型，包括平流模块、扩展模块、紊动扩散模块、风化模块、岸线吸附模块；

s40基于s20所获取的溢油经纬度信息，实时率定并更新海上溢油漂移动态预测模型平流模块中的风力影响因子α和海流影响因子β1和参数β0；

s50将s20中动态获取的溢油经纬度、形状和面积信息，以及s40中实时率定的风力影响因子α和海流影响因子β1和参数β0构建成初始条件，结合海洋环境预报系统提供的风场和流场，利用海上溢油漂移动态预测模型对溢油行为进行动态预测。

本发明实现了以下有益效果：

不同于传统的海上溢油漂移预测，本发明创新性地将机载sar实时监测和海上溢油漂移预测模型相结合，开展海上溢油的动态预测。利用机载sar实现对于海上溢油漂移的实时监测，并以sar图像为基础率定符合溢油海域特色的风力因子和海流因子，并为海上溢油漂移预测提供更加准确的初始条件，为进一步提高海上溢油漂移预测的精度奠定了坚实的基础。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明的技术流程图；

图2是机载sar图像定位方法示意图a；

图3是机载sar图像定位方法示意图b；

图4是海面溢油检测技术及sar图像定位流程图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

本发明的方法充分考虑溢油海域实际风力影响因子和海流影响因子的取值问题，将机载sar观测数据和海上溢油漂移预测模型相结合，达到进一步提高海洋溢油漂移预测精度的目的，本发明的系统与方法对应，其具体的原理可参照下述关于方法的技术方案。参照图1，本发明的具体步骤如下：

s10、采用无人机搭载小型合成孔径雷达(sar)对溢油情况进行动态监测，实时获取溢油影像资料；无人机搭载小型合成孔径雷达(sar)对溢油情况进行动态监测具体包括：

采用小型固定翼无人机，搭载d3160型连续脉冲新体制微小型sar系统，该sar系统包括雷达设备和天线两个单元，重量小于4kg，探测距离达10km，分辨率优于0.3m。将工作频段设置为x频段，视角为正侧视，对相关海区进行监测，获取sar影像。

s20、利用海面溢油检测技术，对溢油影像资料进行处理，获取溢油的经纬度、形状和面积信息，并更新海上溢油漂移动态预测模型中所需的相关溢油信息；所述海面溢油检测技术具体包括：

(1)sar数据预处理：由于雷达发出的脉冲信号在传输的过程中会受到各种因素的影响，导致目标的辐射和几何特征发生变化，不能真实反映出目标的真实信息。电磁波的相干性，会降低sar图像识别的准确度，所以在对sar影像深度解译前进行辐射校正、几何校正及滤波处理。

(2)海面溢油区分割：采用基于模型驱动的mrf分割法，提取sar图像中的所有暗斑区域作为候选溢油区域。该方法假设图像中每个领域内的像元值是独立的，而且数值是相近或相同的，充分利用像元领域结构之间的先验知识，定量计算了图像内的局部结构信息，对图像实现有效的分割。

(3)海面溢油区域特征提取与分类：提取暗斑区域(候选区)的统计特征，主要包括候选区域的形状、面积、边界、物理特征、后向散射值及图中目标的关联特征，然后基于这些统计特征采用bp神经网络分类器进行分类识别。

(4)确定溢油的位置、形状和面积信息：在机载sar图像定位过程中，因为海面区域的有效地面控制点的获取非常困难，因此采用无控制点直接定位方法，参照图4，具体包括：

依据机载sar正侧视成像几何关系(如图2所示)，计算出测绘带近距点p0与载机之间的距离r0，测绘带远距点p1与载机之间的距离r1公式如下：

r0＝h·secθ0；r1＝h·secθ1

其中，θ0是最小视角，θ1是最大视角，由sar图像辅助参数计算得出。h是载机距离海平面的高度，由机载传感器测量得到的平台海拔高度和海洋环境预报模型计算得到的载机所在坐标下平均海平面高度相减得到。

由平台高度h，测绘带近距点p0和远距点p1离载机平台距离r0、r1，采用勾股定理求得机下点o至p0点和p1点的距离d0、d1，当作用距离和测绘带宽度较大，需要考虑地球曲率的影响时，按下式计算:

d0＝r·cos^-1α0；d1＝r·cos^-1α1

其中r是地球平均半径，α0是o点和p0点分别与地心的连线之间的夹角，α1是o点和p1点分别与地心的连线之间的夹角，如图3所示，α0、α1由下式计算：

进而利用上述求得的距离d0、d1，来计算测绘带近距点p0和远距点p1的经纬p0(l0,b0)、p1(l1,b1)公式如下：

b0＝sin^-1(sinbcosd0+cosbsind0cosβ0)

b1＝sin^-1(sinbcosd1+cosbsind1cosβ1)

其中，l和b是机下点o的经纬度，由sar图像的辅助参数解算求得；β0和β1是测绘带近距点p0和远距点p1相对于o点的方位角，由飞机平台航迹角和雷达侧视模式求得。

然后结合vincenty公式，对得到的距离和方位角进行误差验证，并利用nelder-mead优化方法对p0(l0,b0)、p1(l1,b1)进行优化。

由机下点o至p0点和p1点的距离d0、d1和测绘带近距点p0和远距点p1的经纬p0(l0,b0)、p1(l1,b1)可以求得sar图像的图幅比例，根据图幅比例和p0和p1两点的经纬度可求得sar图像上任意一点的经纬度信息。

s30、利用步骤s20得到的的相关溢油信息，建立海上溢油漂移动态预测模型，包括平流模块、扩展模块、紊动扩散模块、风化模块及岸线吸附模块；其中，平流模块、扩展模块、紊动扩散模块、风化模块及岸线吸附模块具体如下：

(1)平流模块：油膜质心的漂移轨迹采用欧拉—拉格朗日追踪法，在风和潮流的作用下，油膜中心初始位置s0，经δt时间后漂移到了新的位置s，其中：

vl＝β0+β1vc+β2vw

β2＝αt

这里vl为溢油漂移速度。vc为海面流速，vw为海面10米处风速，β1为海流影响因子，α为风力因子，t为引入漂流偏角的一转换矩阵。

(2)扩展模块：用于计算溢油自身扩展后的油膜面积和油膜厚度。在扩展模块中，采用fay(1969)提出的理论，认为油膜在扩展过程中保持圆形，其扩展半径r和油膜面积a由以下公式计算：

a＝πr²

扩展半径r随着时间推移而变化，具体分为三个阶段，每个阶段的计算公式如下：

重力扩展阶段：r＝2.28[(1-ρ0/ρw)gvt²]^1/4

粘性扩展阶段：

表面张力扩展阶段：

其中，ρ0、ρw分别是油和水的密度；g是重力加速度；σaw、σ0w、σ0a分别是空气与水、油与水、油与空气之间的表面张力系数；v＝πr²h,v是溢油体积，h是油膜厚度；υw是水的运动粘滞系数；t为溢油开始进行计算的时间。

利用动态获取的最新溢油面积信息反算出最新溢油半径值，从而判定溢油在最新sar图像所对应的时刻下处于三个阶段中的哪一个阶段；并用该阶段的扩展公式结合最新溢油半径值反算出溢油开始进行计算的时间t，并以此做为扩展模块的初始条件。

(3)紊动扩散模块：

采用油粒子方法对紊动扩散阶段进行模拟，将扩展后的油膜按体积为n个小单元，每个小单元做为一个油粒子，即每个油粒子是溢油体积的一部分。

根据动态获取的油膜经纬度信息，确定每个油粒子所在的位置的经纬度。

依据进行数值模拟的计算机配置和计算时间、计算精度等要求来确定油粒子数n，用附加体积参数的方法来实现对油粒子特性的模拟。

再根据确定的油粒子数n，采用当今流行的油粒子方法对紊动扩散阶段的溢油的运动进行模拟，得到溢油扩散面积和油膜厚度。

(4)风化模块：

风化过程主要考虑蒸发和乳化。其中蒸发量的计算采用多组分法，将油粒子假设为多种碳氢化合物组成的混合物，依据油品特性数据库对各个单独组分蒸发、溶解等过程进行分别计算，最后求出总的油粒子组分随时间变化过程。具体计算方法如下：

其中为蒸发率；kei为物质输移系数；为蒸气压；r为气体常数；t为温度；m为分子量；ρ为油组分的密度；i为各种油组分，kei由下式估算：

其中k为蒸发系数；sci为组分i的蒸气schmidts数，a为油分子粒径，uw为风速(m/s)。

乳化分为油包水和水包油两种不同的形式，在此仅考虑对于溢油量影响较大和对溢油回收处理造成较大困难的油包水形式。采用mackay等提出的乳化含水率经验计算公式来计算乳化含水率并以此代表乳化程度，具体公式如下：

q＝k[1-exp(-2×10^-6/k(1+vw)²t)]

其中，q是乳化含水率；k是乳化粘性系数；vw是风速；t是乳化计算时间。

(5)岸线吸附模块：

溢油到达岸线后的归宿状态取决于油品特性、岸线类型和环境能量状态，油品在到达岸线后，风化作用会继续，然而，岸线吸附过程的附加过程则非常重要，如：再上浮、渗透入底质，以及在地下水系统中的滞留和迁移，被着岸油污渗透的底质，还可能由于侵蚀作用而成为近岸水域的沉积物，根据溢油相关海区附近海域岸线的不同特点，按每个时间步长里溢油抵岸量的10％、20％……、50％等被海岸吸附，其余抵岸的溢油标识粒子又回到了海水中参与下一个时间步长的计算，这样可以计算出溢油量、残留量、油被海岸吸附的量、溢油的扫海面积等，由此可以推测出被油污染海岸线的长度和宽度等。

s40基于s20所获取的溢油经纬度信息，实时率定并更新海上溢油漂移动态预测模型平流模块中的风力影响因子和海流影响因子；其中，实时率定并更新海上溢油漂移动态预测模型平流模块中的风力影响因子和海流影响因子具体包括：

依据s30监测得出的油膜位置信息，按下式计算油膜实际漂移速度：

其中，s′0是sar数据处理得到的油膜中心初始位置，s′是sar数据处理得到的经一段时间后油膜中心的位置，δt是相邻两张sar图片拍摄的时间差，v′l是油膜实际漂移速率。

依据最新传回的sar数据计算得到的n(n为大于1的正整数)组油膜实际漂移速率v′l和海洋环境预报中心提供的风速vw和流速vc，采用多元线性回归模型率定风力影响因子α和海流影响因子β1和参数β0，具体如下：

v′l受2个非随机因素vc和vw，和随机因素ε的影响，且有如下线性关系：

v′l＝β0+β1vc+β2vw+ε，β2＝αt

其中β0、β1、β2是3个未知参数，ε是不可观测的随机误差，且假定ε～n(0，σ²)，σ²表示方差。

最新传回的sar数据计算得到的n组油膜实际漂移速率和海洋环境预报中心提供的同时刻下的n组风速和流速，(v′li,vci,vwi)，i＝1,2,…n，满足：

其中，ε1，ε2，…，εn相互独立且都服从n(0，σ²)。

令

则

y＝xβ+ε

误差平方和为：

q(β)是关于β0、β1、β2的非负二次函数，必有最小值，由无条件极值求得：

即：

x^t(y-xβ)＝0

即：

β＝(x^tx)^-1xty

由此计算得到β0，β1，β2，再将β2带入下式

β2＝αt

得到最新的风力影响因子α。

通过实时率定来动态获取更准确的β0、β1及α从而使得平流模块可以更精细的追踪溢油质心的漂移轨迹。

s50、将s20中动态获取的溢油经纬度、形状和面积信息，以及s40中实时率定的风力影响因子α和海流影响因子β1和参数β0构建成初始条件，结合海洋环境预报系统提供的风场和流场，利用海上溢油漂移动态预测模型对溢油行为进行动态预测；

构建成初始条件具体为：用s20中动态获取的最新溢油经纬度信息对油膜中心初始位置s0进行赋值，并以此做为s30中平流模块的计算初始条件；用s40中实时率定的风力影响因子α和海流影响因子β1和参数β0对vl＝β0+β1vc+β2vw一式进行参数赋值，并以此做为s30中平流模块的计算初始条件；利用s20中动态获取的最新溢油面积信息反算出最新溢油半径值，从而判定溢油在s10中获取的最新sar图像所对应的时刻下处于三个扩展阶段中的哪一个阶段。并用该阶段的扩展公式结合最新溢油半径值反算出溢油开始进行计算的时间t，并以此做为扩展模块的初始条件；根据s20中动态获取的油膜经纬度信息，确定每个油粒子所在的位置的经纬度，并以此做为紊动扩散模块的初始条件；用s20中动态获取的最新溢油形状信息和经纬度信息判定溢油的抵岸情况，并以此做为s30中岸线吸附模块的计算初始条件。

利用海上溢油漂移动态预测模型对溢油行为进行动态预测具体为：以s10中获取的最新sar图像所对应的时刻做为动态预测起点，根据已构建的最新初始条件向后计算并预报8小时的溢油漂移情况。当这预报的8小时内有新传回的sar图像资料时，则利用新传回的sar图像资料重新进行参数率定和构建初始条件工作，并根据重建的初始条件向后计算并预报8小时的溢油漂移情况。

至此，计算预报出了溢油漂移路径以及其扩散情况。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的。