Journal of Marine Sciences >

2026 , Vol. 44 >Issue 1: 109 - 123

DOI: https://doi.org/10.3969/j.issn.1001-909X.2026.01.009

Applications of sapceborne synthetic aperture radar for ocean monitoring

  • ZHU Ling , 1, 2 ,
  • CHEN Peng , 1, 2, * ,
  • ZHENG Gang 1, 2 ,
  • YANG Jinsong 1, 2 ,
  • ZHU Haitian 3 ,
  • REN Lin 1, 2
Expand
  • 1 Second Institute of Oceanography, MNR, Hangzhou 310012, China
  • 2 State Key Laboratory of Satellite Ocean Environment Dynamics, Hangzhou 310012, China
  • 3 National Satellite Ocean Application Service, Beijing 10081, China

Received date: 2025-06-25

  Revised date: 2025-09-05

  Online published: 2026-03-03

Fold

Abstract

Spaceborne synthetic aperture radar (SAR), with its all-weather and day-and-night imaging capability, has demonstrated tremendous value in ocean monitoring. This paper provides a systematic review of the current research status of spaceborne SAR technology in the field of marine monitoring, from the perspectives of ocean dynamic environmental parameters and maritime targets. For the former, we summarize mainstream SAR-based techniques and algorithms for monitoring ocean environmental parameters such as waves, internal waves, eddies, winds, currents, and seafloor topography, and further discuss the roles of multi-frequency, multi-polarization, and multi-mode SAR data in improving inversion accuracy. For the latter, we review SAR-based methods for the detection of maritime targets including sea ice, oil spills, vessels, and offshore infrastructures, highlight the importance of multi-polarization information in characterizing target scattering properties. In addition, this paper reviews and evaluates recent advances in applying artificial intelligence to SAR-based ocean monitoring and discusses future development directions for SAR ocean remote sensing technologies.

Key words： SAR; polarimetric features; ocean remote sensing; ocean dynamic environment; maritime targets; ocean information extraction; artificial intelligence; inversion algorithms

Cite this article

ZHU Ling , CHEN Peng , ZHENG Gang , YANG Jinsong , ZHU Haitian , REN Lin . Applications of sapceborne synthetic aperture radar for ocean monitoring[J]. Journal of Marine Sciences, 2026 , 44(1) : 109 -123 . DOI: 10.3969/j.issn.1001-909X.2026.01.009

0 引言

海洋约占地球表面的71%,有效的海洋环境监测对于推动海洋科学研究、合理开发和利用海洋资源至关重要。传统海洋学研究依赖于浮标、潜标、走航观测等手段获取数据,不仅耗时费力,且难以实现大范围、长时间序列的观测[1]。相比之下,卫星遥感技术可实现对全球海洋的大范围同步观测和高频次动态监测。其中,微波遥感是利用微波波段电磁波对地表或大气目标进行探测的技术,其优势在于可实现全天时、全天候工作,不受昼夜限制,云雾影响小,数据时空连续性较好,在海洋监测方面具有重要的意义。
星载合成孔径雷达(synthetic aperture radar, SAR)作为微波遥感的重要技术手段,其空间分辨率显著优于微波辐射计和散射计等传统微波传感器。SAR图像的获取与解析依赖于其成像特性,包括空间分辨率、成像模式、工作频段及极化方式等关键参数。其中,空间分辨率是评价成像精度的重要指标。成像模式描述了SAR获取数据的扫描方式,如条带、聚束或宽幅式成像等。不同成像模式在分辨率和覆盖范围上存在差异,如干涉SAR(interferometric synthetic aperture radar, InSAR)利用同一区域在不同时刻或不同视角的多幅SAR图像,进行相位信息对比分析,可高精度反演地表形变或高程信息;高级合成孔径雷达(advanced synthetic aperture radar, ASAR)可在条带式、扫描式等多种成像模式下运行,分辨率和观测灵活性均有显著提升。工作频段决定了微波的穿透能力和散射特性,常见波段包括X、C、L等。极化方式反映了电磁波在发射与接收过程中的偏振状态,分为水平(H)和垂直(V)两种,SAR通常采用同极化模式(HH:水平发射、水平接收;VV:垂直发射、垂直接收)和交叉极化模式(HV:水平发射、垂直接收;VH:垂直发射、水平接收)。全极化SAR(fully polarimetric SAR, FP SAR)能够同时获取四种极化通道信息,紧缩极化SAR(compact polarimetric SAR, CP SAR)可在仅保留部分极化通道的同时,通过优化极化配置以近似获得全极化信息。
随着雷达信号处理、天线设计、平台稳定控制以及卫星载荷集成等技术的不断进步,SAR图像分辨率已由米级提高至亚米级;成像模式由正侧视条带成像,拓展到正侧视与斜视聚束成像,并进一步发展为方位扫描聚束、宽幅扫描成像模式;频段由单波段扩展至多波段;极化方式从单一极化发展到双极化乃至全极化。当前SAR技术正朝着高分辨率宽幅成像、多基地、高轨道、智能化的方向发展[2],与此同时,以深度学习技术为代表的人工智能技术的兴起,为SAR图像处理和信息提取提供了新的技术路径。基于上述研究背景,本文从海洋动力环境要素监测和海洋目标监测两个主要应用领域出发,系统总结了近几年星载SAR在海洋监测领域的研究成果,并对未来发展趋势与应用前景进行展望。

1 SAR海洋动力环境要素监测应用

1.1 海浪

SAR是海浪监测中应用最广泛的星载遥感传感器,其通过海面波浪对微波散射的调制反映海面粗糙度变化,实现对波谱信息的反演。与常用的海浪观测手段,如中法海洋卫星搭载的海浪波谱仪(surface waves investigation and monitoring, SWIM)相比,SAR反演海浪具有更高的空间分辨率,并可提供二维图像以揭示海浪的空间分布、传播路径和结构特征。目前,SAR海浪反演方法主要分为物理模型法和经验模型法两类。
SAR海浪反演中的物理模型法包括非线性算法和准线性算法。非线性算法适用于高海况或风浪主导的情况,通过推导SAR图像谱和海浪谱之间的非线性映射关系,在给定初猜谱的基础上不断迭代计算以提升海浪谱精度。例如,许荞晖等[3]基于经典的非线性马克斯普朗克研究所海浪反演算法(Max-Planck-Institute Ocean wave retrieval algorithm, MPI),建立了SAR图像斜率谱和有效波高反演算法,其误差小于0.79 m。准线性算法则适用于涌浪,例如,杨劲松等[4]利用准线性形式的Hasselmann海浪成像模型,基于GF-3 SAR图像进行海浪定量反演,证实了SAR具备高分辨率涌浪观测能力;袁超文等[5]基于准线性近似方法,构建了海浪有效波高反演误差与风速、方位向截断波长之间的经验校正函数,并通过实测数据验证了该模型的有效性。
SAR海浪反演的经验模型法,如CWAVE系列经验算法,常通过图像特征直接提取有效波高等海浪参数[6]。例如,LIU等[7]证明了利用CP SAR直接提取海洋波浪参数的可行性;ZHAO等[6]基于X波段SAR数据,通过VV/HH极化信号去除非极化分量,成功估算出了波浪参数。
随着人工智能技术的发展,支持向量机(support vector machine, SVM)、超限学习机(extreme learning machine, ELM)、卷积神经网络(convolutional neural networks, CNN)等模型被广泛应用于SAR海浪参数反演,使得反演得到的海浪波高的均方根误差(root mean square error, RMSE)降至0.3 m[8]。
目前SAR海浪反演面临双重挑战:一方面,物理模型难以处理SAR图像与海浪谱复杂的非线性关系;另一方面,机器学习和深度学习虽然能够处理复杂的非线性问题,但存在网络结构局限、难以区分风浪和涌浪、高海况数据不足等问题。未来可在人工智能算法的基础上,引入SAR成像机制和波浪物理方程进行约束增强,以提高模型的准确性。同时,针对极端海况数据不足的问题,可通过小样本分析方法充分挖掘有限SAR数据的有效信息,以改善反演效果。

1.2 海洋内波

凭借高分辨率优势,SAR可观测周期为数分钟至数十小时、振幅达数百米的海洋内波。在SAR图像上,内波通常表现为明暗相间的条带结构,可据此自动识别检测出内波,并分析其形态、波长、传播波速和振幅等物理属性。基于SAR图像的海洋内波自动检测识别方法,已经从传统人工设计特征的方法(如小波分析、Hough变换和Canny算子边缘检测等)发展到深度学习方法。例如,ZHANG等[9]提出的IWE-Net方法可自动准确地提取内波,其平均精确率达到了85.89%;孙宏亮等[10]利用Faster R-CNN方法,将南海内波识别准确率提升至95.7%。极化SAR技术的应用进一步提升了内波反演能力,如DE MACEDO等[11]用交叉极化通道的相位差识别出了内波引起的海面微小形变;ZHANG等[12]基于CP SAR提出的改进K-means聚类算法可持续提高内波检测精度。
在利用SAR检测内波的基础上,通过不同算法对海洋内波时空特征和物理属性开展分析,包括时空分布特征、传播速度与方向以及三维结构等,也是SAR应用的重要方向。例如,王隽等[13]通过解译Sentinel-1 SAR和光学遥感影像,分析了安达曼海的内波分布特征;FURTNEY等[14]利用特征跟踪和OPTICS聚类算法,成功估计出了SAR探测到的内波的相速度和方向;LI等[15]利用BP神经网络(backpropagation neural network, BPNN)反演了内波的三维结构。随着人工智能的发展,基于SAR图像的海洋内波自动识别及同步特征分析是未来的发展方向之一。

1.3 海洋涡旋

受限于观测手段,传统的海洋涡旋研究多聚焦于中尺度涡(直径约100~300 km),而利用SAR可实现亚中尺度(直径约1~10 km)和小尺度(直径约0.1~1 km)涡旋的精细观测。涡旋在SAR图像上通常表现为明暗相间的环状或旋转纹理结构。然而,受到风场变化、海流剪切以及表面油膜等因素的干扰,SAR图像中涡旋的纹理特征可能变得模糊或信号减弱。早期基于SAR的海洋涡旋提取方法主要依赖目视识别涡旋纹理,如JI等[16]根据SAR图像中的明暗纹理将涡旋划分为黑色涡旋和白色涡旋,并对其出现率进行了统计与概率分析。深度学习技术的应用,如Faster R-CNN、RetinaNet和Cascade R-CNN等方法,显著提升了涡旋的自动检测效率[17]。例如,ZI等[18]在YOLOv5算法的基础上引入注意力机制、优化特征融合,提出了EOLO框架,实现了对SAR图像的批量处理与涡旋的实时检测,其检测精度超过91%。
新一代SAR技术(InSAR)为海洋涡旋探测提供了新的数据来源,搭载InSAR的SWOT卫星已突破了传统高度计的空间分辨率,可在大尺度覆盖范围内实现厘米级精度的海面高度测量(图1)[19]。InSAR能直接获取海面高度信息,具备更稳健的涡旋探测能力。随着观测偏差与若干关键参数定标问题的逐步解决,InSAR有望成为未来涡旋研究的重要手段。
图1 SWOT捕捉的亚中尺度涡

(图件改绘自文献[19]。)

Fig.1 Submesoscale eddies captured by SWOT

(Figure was redrawn from the reference [19].)

1.4 海面风场

基于SAR的海面风场观测关键参数包括风纹特征以及经过定标校正后的归一化雷达后向散射截面(normalized radar cross-section, NRCS)。余水等[20]基于Radarsat-2 SAR数据,建立了降雨强度和NRCS的拟合模型,显著提升了降雨条件下SAR风场反演的精度。近年来国产SAR卫星发展迅速,REN等[21]评估了GF-3 SAR同极化数据反演风场的精度,发现其风速的RMSE在2 m/s以内,证明了我国SAR卫星同极化数据在风场监测中的有效性。
由于SAR固定的观测角度,限制了其对风向的直接测量能力,风向反演主要依赖于对SAR图像的风纹方向特征分析。单极化SAR的反演通常存在风向180°模糊的问题,解决这一问题的常用方法包括快速傅里叶变换、Z-Model系列算法(通过多极化数据解决风向180°模糊问题)、局部梯度法以及小波分析[22]。例如,LIU等[23]利用小波变换和边缘检测技术从SAR图像中提取风向,结果表明在大多数海况下,其反演风向与再分析数据的平均偏差为0.31°。由于并非所有SAR图像都能提供清晰的风纹,基于物理约束、数值模式及数据同化的方法为SAR海面风场反演提供了有效的补充手段。
SAR海面风速反演主要基于风速与NRCS的正相关性。对于VV极化的SAR数据,可直接使用C波段的CMOD、X波段的XMOD和L波段的LMOD系列模型反演风速,虽然这些模型在不同风速条件下的反演精度有所差异[24],但总体精度优于2 m/s[25]。对于HH极化的SAR数据,通常在进行极化比转换后再利用上述模型进行反演,而ZHANG等[26]建立了无需进行极化比转换的CMODH模型,其RMSE为1.66 m/s。自2021年开始,研究人员相继提出了F(n)、CSBS等模型,将RMSE降低到1.2 m/s。针对高风速条件下SAR回波对风速的响应趋于饱和的问题,研究人员通过构建CMOD5.N、C-2PO和C-3PO等模型提升交叉极化SAR数据的反演精度。例如,CHENG等[27]联合使用C-3PO和CMOD7模型,将高风速反演误差降低至0.77~1.09 m/s。
近年来,人工智能技术被广泛引入SAR海面风场反演研究。倪晗玥等[28]通过BPNN对传统反演结果进行校正,使风速的RMSE降至1.77 m/s(图2);李潇寒等[29]基于DenseNet网络,实现了在台风条件下RMSE为1.74 m/s的反演精度;ZHOU等[30]提出的CMOD-Diffusion混合模型,将物理模型与网络结合,使中、低风速区RMSE降至0.63 m/s,全风速范围内RMSE为2.39 m/s。未来研究可以通过结合多平台多源数据、改进机器学习和深度学习方法、探索波流耦合机制等方式,进一步提升风场反演的质量和效率。
图2 基于BPNN的SAR反演风速校正前、后的密度分布散点图

(图件改绘自文献[28]。)

Fig.2 Scatter plots of density distribution for SAR-retrieved wind speed before and after correction based on BPNN

(Figure was redrawn from the reference[28].)

1.5 海流

海流在SAR图像上通常表现为条纹或波纹结构,其方向和形态可以反映流速和流向特征。多普勒质心频移(Doppler centroid anomaly, DCA)和顺轨干涉(along-track interferometry, ATI)是SAR海流反演中常用的两种方法。前者利用SAR回波的多普勒质心频移与海表径向速度的关系反演海面流场,后者则根据两幅SAR图像的相位差来反演流场。
DCA方法的空间分辨率较低(一般为百米至公里量级),可以通过去除风场影响来提升反演的精度。例如,秦艳萍等[31]提出了一种利用DCA的SAR海面流场迭代反演算法,反演的海面径向流速偏差仅为0.04 m/s;张佳辉等[32]对比分析了基于DCA法,由不同卫星、不同成像视角获取的SAR图像的海流反演效果,结果表明Sentinel-1A SAR比Radarsat-2 SAR精度更高,流速均方根(root mean square, RMS)为0.06 m/s,流向RMS为2.85°,且海流矢量和SAR视向之间的角度越小,反演精度越高。此外,针对反演中风浪调制引起的系统性高估问题,DU等[33]提出的IDopRIM模型,通过优化成像调制传递函数和水动力模型,将海流反演误差控制在0.3 m/s以内,有效改善了传统方法的高估偏差问题。
ATI方法的反演精度较高(空间分辨率一般为数十米至数百米量级),但该方法对SAR图像质量要求苛刻,符合要求的数据不易获取。自2021年以来,研究人员基于GF-3、Sentinel-1、RadarSat-2等星载SAR数据开展了多项ATI海流反演研究,并通过与实测数据相位校准、采用子孔径和最小二乘结合以及将条件生成对抗网络(conditional generative adversarial networks,CGANs)与M4S模型结合等方法,将反演流速的RMSE降至0.062 m/s[34]。MIN等[35]提出的拟合反演方法,可有效修正由于SAR双天线配置不完全匹配导致的局部反演误差,使反演流速的平均误差与优化前相比降低0.04 m/s。
目前SAR海流反演技术仍存在一些挑战,例如难以获得二维平面流场、风场耦合效应未完全解耦以及弱流信号提取受限等。未来可通过多源数据融合和深度学习方法进一步提升反演精度。同时,发展新型SAR天线(具备同时实现顺轨干涉和交轨干涉能力的SAR天线)也是重要的发展方向之一。

1.6 海底地形

SAR技术可在一定条件下实现小于50米水深的浅海地形探测,其探测精度与水深相关。SAR可以捕捉海底地形引起的海面波谱变化,其最大可探测水深约为主导波浪波长的一半,最佳探测范围通常为30~50 m[36]。受波长、入射角、水深和海况条件影响,同极化SAR比交叉极化SAR在海底地形反演方面更具优势[37]。目前SAR反演海底地形的方法主要有三种:第一种是直接建立地形、潮流场和NRCS的关系。海底地形引起表层海水辐聚或辐散,从而在SAR图像中形成明暗条纹。该方法仅适用于海底地形连续起伏的海域,且对SAR图像质量要求较高。第二种是建立SAR图像中的波高频谱和NRCS的关系,并结合二维浅水动力方程求得水深。如毕晓蕾等[37]利用RADARSAT-2 FP SAR影像结合海波高频谱对台湾浅滩进行了研究,其水深反演精度最高可达8.41%。第三种是基于波浪折射和浅水效应,通过描述涌浪在不同水深的速度和传播方向变化规律,建立波浪传播特征与海底地形之间的物理联系。例如,HUANG等[38]利用多源SAR影像提取涌浪波向与波数信息,通过波浪传播方向和波速变化反演水深,在10~20 m水深范围内取得了较高精度,平均绝对误差约为2.9 m。
近年来,出现了以SWOT InSAR数据为基础的精细化地形测量方法,例如YU等[39]通过SWOT InSAR高精度海表高度数据构建海底重力场,实现了对深海丘陵、海山和海底峡谷等海底微地形特征的精确识别(图3)。SWOT InSAR数据在深海地形探测方面展示出了极大的潜力,未来研究将聚焦于融合高分辨率干涉SAR图像与先进的机器学习算法,拓展其在复杂精细海底地形反演中的应用。
图3 SWOT 垂向重力梯度揭示的深海山脉形态与分布特征

(图件改绘自文献[39]。)

Fig.3 Abyssal hill morphology and distribution revealed by SWOT vertical gravity gradient data

(Figure was redrawn from the reference [39].)

1.7 小结

SAR已成功应用于海浪、内波、涡旋、风场、海流和海底地形等海洋动力环境要素的反演,并在潮汐动态监测和海平面异常探测方面展现出一定的潜力。现有SAR反演方法主要依赖海面粗糙度与NRCS之间的关系,通过间接方式进行海洋动力要素识别或参数估算。受制于SAR瞬时成像特性、复杂海洋动力过程的多要素耦合效应以及系统噪声等因素,该类方法在多要素分离和高精度定量反演方面仍存在一定局限。同时,SAR数据处理流程复杂及卫星重访周期较长,也在一定程度上限制了其在实时监测中的应用。因此,未来需在物理机理建模、多源数据融合及反演方法优化等方面进一步开展研究。

2 SAR海洋目标监测应用

2.1 海冰

海冰是地球气候系统的一个关键组成部分,其存在和消融过程显著影响海水温度和盐度,进而也会影响海洋环流模式。随着北极航线的开通以及石油天然气开采等活动的增加,监测海冰状况变得至关重要。SAR的海冰监测主要包括海冰类型、厚度和运动三方面。
SAR通过海水和不同类型的海冰之间的NRCS差异来识别海冰类型。早期的SAR海冰分类通过图像纹理特征和非监督分类来实现,而多波段、多源融合、多极化SAR影像的综合利用可进一步提高分类精度。近年来,机器学习和深度学习显著提升了海冰分类精度,如随机森林(random forest, RF)[40]、CNN[41]等已成功应用于海冰分类。虽然CNN模型分类的准确率和速度均优于现有的基于纹理特征和RF的方法,但只能输出中心像素的分类结果,REN等[41]基于全卷积网络(fully convolutional network, FCN)构建的DAU-Net模型,有效克服了这一局限性。ROGERS等[42]提出基于U-Net的ViSual_IceD模型,结合SAR图像纹理特征与光学光谱特征提升了海冰分类精度(F1=0.972)。相比于单极化SAR图像,FP SAR图像能够提供极化相关系数、散射熵等更加丰富的极化特征,这在刻画破碎海冰及冰缘区域复杂散射机制方面具有优势。基于此,陈星哲等[43]开展了对比研究,发现FP SAR在监测边缘区域小尺寸破碎海冰方面表现更优。HUANG等[44]提出的DBU-Net模型融合了SAR极化特征和灰度共生矩阵(gray-level co-occurrence matrix, GLCM)信息,使海冰分类在测试集中平均准确率达到91.83%,相比于其他模型提高了1.45%(图4)。
图4 SAR图像(HH极化)、地面实况(GT)以及U-Net和DBU-Net的海冰分类结果

(图件改绘自文献[44]。)

Fig.4 SAR images (HH polarization), ground truth (GT), and sea ice classification results from U-Net and DBU Net

(Figure was redrawn from the reference [44].)

海冰厚度估算主要通过分析海冰厚度与SAR极化后向散射系数、极化比、海冰纹理特征等参数之间的关系来实现。例如,于淼等[45]利用GLCM提取SAR图像纹理特征并进行拟合,将误差降至13.7%。由于不同波段对海冰内部结构的敏感性存在差异,如L波段对多年冰的体散射效应敏感,C波段受冰层相干散射影响较小,因此多波段协同探测成为海冰厚度研究的重要方法[46]。SHAMSHIRI等[47]采用RF算法反演SAR海冰厚度,RMSE为22 cm。KACIMI等[48]发现,基于更高分辨率的SWOT InSAR,可识别出薄冰区、冰裂缝等细节,其干舷测量的精度可达厘米级。
海冰漂移速度和运动轨迹的精确监测主要依赖于多时相SAR影像。早期海冰运动速度估算仅依赖C波段数据,而后STROZZI等[46]发现L波段对多年冰的穿透力更强、表面散射敏感性更低、纹理更丰富,可反映更多海冰运动矢量信息。ZHANG等[49]采用特征跟踪方法反演SAR图像中的海冰漂移,漂移速度和方向的误差分别为0.15 cm/s和0.1°。WANG等[50]通过对SAR图像进行海冰特征提取,成功将海冰速度和方向的RMSE分别降低了0.4 km/d和4.9°。李超越等[51]基于Sentinel-1 SAR影像,采用特征匹配方法获取海冰矢量,发现A-KAZE算子在海冰漂移覆盖率估算上效果最佳,同时HV极化影像提取的矢量数量高于HH极化,合并两者结果可有效提升覆盖范围。
SAR技术在海冰监测领域已展现出明显优势,并多次成功应用于“雪龙”号航路海冰监测。构建FP SAR和CP SAR的极化信息与海冰物理特性的联系以及探究背后的物理机制是未来的研究方向之一。

2.2 溢油监测

随着海洋运输和石油开采活动的发展,溢油已成为最严重的海洋污染之一。因浮油会降低海面粗糙度而在SAR图像中呈现暗区,因此通过图像分割、特征提取和分类处理,可实现对溢油的定性和定量分析。SAR探测海上溢油的最佳参数如表1所示。
表1 海上溢油的SAR探测最优参数组合[52]

Tab.1 Optimal parameter combination for SAR detection of oil spills at sea[52]

参数类别 最优选择/范围 性能优势
波段 X/C波段 对油膜灵敏度高
极化方式 VV极化 纹理特征更优(精度提升0.2%)
入射角 23°~35° 最佳油水分离效果
信噪比 ≥10 dB 信号稳定,不受噪声影响
风速 4~10 m/s 避免低风速(无波纹)或
高风速(油膜破碎)
数据融合 多特征融合 分类精度提升15%
早期,科研人员主要通过分析油膜的几何、纹理等特征识别海面溢油,并对特征值统计分析。2000年后,神经网络技术开始被用于油膜检测,如前馈神经网络(fuzzy neural network, FNN)、RBF神经网络(RBF neural network, RBFNN)和BPNN等,但其泛化能力存在不足[53]。随着人工智能技术进步,油膜检测能力得到了持续提升,一方面基于FCN分割油膜可达到像素级的识别精度[54];另一方面目标检测模型Faster R-CNN实现了78%的检测率,同时虚警率低于25%[55]。近年来,CNN与U-Net结合的深度学习框架和多层级卷积融合机制,进一步将精度分别提升至84%和95.7%[56-57]。孙建明等[58]开发的全天候海面溢油监测系统可区分油膜种类,并且其特征最大探测率可达到91%左右。LUO等[59]基于SAR图像、AIS数据和相关海洋环境参数,提出了一种通过追踪溢油轨迹找到疑似溢油船舶的方法,并在实际案例中验证了其有效性。CHAI等[60]提出TransOilSeg方法,针对M4D多模态海事SAR数据集开展溢油检测,其平均交并比为61.38%,超出现有方法5%,显著提高了油膜检测的可靠性(图5)。
图5 基于M4D数据集的比较分割结果

(图件改绘自文献[60]。)

Fig.5 Comparative segmentation results on the M4D dataset

(Figure was redrawn from the reference [60].)

近年来,极化SAR技术在溢油监测领域取得重要突破,通过获取全极化散射矩阵,提取极化熵等关键极化特征参数,可有效区分油膜、海水和类油膜。陈韩等[61]利用极化比和纹理特征,使溢油识别的总体精度达到96.8%。罗卿莉等[62]研究发现,基于CP SAR的CNN算法可实现高达97.8%的溢油识别准确率,说明两者结合在溢油监测方面有较好的应用潜力。
SAR油膜厚度监测方法包括目视解译和基于散射矩阵分析推算两种[61]。GARCIA-PINEDA等[63]利用C波段FP SAR图像,结合熵值与阻尼比生成油膜厚度分类图;JONES等[64]开发了基于L波段SAR数据的物理散射模型,并通过阻尼比评估油膜相对厚度;GUO等[65]则结合SAR与无人机高光谱数据,建立了乳化油厚度、NRCS和阻尼比的敏感模型。这些方法取得了部分进展,但在油膜厚度的精确提取方面,仍存在诸多问题。
目前,SAR海面溢油监测面临三大挑战:一是复杂海洋环境和多变的油膜特性导致普适性模型构建困难;二是极化数据的冗余度、成本和技术需求较高;三是溢油厚度测量缺乏标准方法。未来需在多源数据融合提取以及雷达溢油散射机制等方面展开进一步研究。

2.3 船舶监测

SAR已成为船舶监测领域的重要技术手段,目前已有包括SSDD、SAR-Ship-Dataset在内的至少5个开源SAR船舶数据集为研究提供支持。早期的船舶识别主要依赖恒定虚警率(constant false alarm rate, CFAR)方法,通过固定阈值去除SAR图像背景噪声,但该方法的鲁棒性较差[66]。随着深度学习技术的发展,研究人员开始将CFAR与深度学习技术相结合,提出了如CFAR-CNN[67]和两阶段过滤的异构深度卷积神经网络模型(MetaBoost)[68]等方法。为了弥补CNN在特征提取过程中可能丢失船舶相对位置信息的缺陷,SCHWEGMANN等[69]基于SAR图像提出了Capsule Network方法,检测准确率达到了91%。LI等[70]提出了一种无锚框架和CNN结合的算法,通过提取船头和船尾的散射与形态特征来推断船舶方向,该算法在SAR图像测试集上的船舶识别精度为90.8%,对船舶船头方向的识别精度达92.5%(图6)。
图6 TKP-Net识别结果

(a:有岛屿的SAR图像;b:无岛屿的SAR图像;c:带有尾流验证的提取结果。图c中的红色圆圈表示错误的分类结果。图件改绘自文献[70]。)

Fig.6 TKP-Net recognition results

(a: SAR images with islands; b: SAR images without islands; c: extraction results with wake validation. The red circle in Fig.6c indicates incorrect classification results. Figure was redrawn from the reference [70].)

此外,从SAR图像中还能提取舰船尾迹,从而获取其航向、航速等关键运动信息,传统识别技术主要包括基于Radon、Hough变换的线性特征检测技术以及CFAR检测算法[71]。研究人员采用多普勒频移定位和线性拟合方法,实现了对ENVISAT ASAR和GF-3 SAR影像中的船舶尾迹检测,检测准确率达71%[72];随后有研究针对不同类型尾迹,成功提取了船舶速度、航向等运动参数[73];利用SAR船舶尾迹图像反演船舶运动参数,其误差小于20%[74]。然而,现有尾迹识别技术仍面临尺度变化大,易受流速、风速等因素影响,对成像几何条件敏感等技术瓶颈,亟需开发更具鲁棒性的新方法。
目前由于船舶在结构、规模和形状上的多样性,使得SAR的船舶精确识别存在困难。基于超高分辨率、多极化和多视角SAR数据,构建新型网络结构,实现船只精细特征以及三维结构的自动化提取,是未来的重要研究方向。

2.4 海上人工目标监测

海上常见的人工目标包括海上风机、石油平台和海水养殖设施等,科研人员也利用SAR对这类目标开展了监测应用研究。

2.4.1 海上风机

现有SAR海上风电平台识别多依赖多时序影像区分静止平台与移动船只,但该方法存在数据量大、周期长、易误检等问题,亟需开发单影像高效识别算法。
海上风机识别通常以风力涡轮机(offshore wind turbine, OWT)作为关键检测目标,主要算法包括SSD及其改进模型、YOLO系列算法和速度更快的CNN[75]。ZHANG等[76]基于Sentinel-1 SAR提出自适应阈值智能识别算法,使OWT在10 m分辨率下的识别精度达到99%(图7);LIU等[77]提出的改进ResNet34-SSD模型,从遥感图像中提取OWT的准确率为96.6%;ZHAI等[78]提出的WT-YOLO模型,其平均精度较现有方法提升5.9%~15.4%;WANG等[79]提出“双环协同检测”方法融合SAR和多光谱影像,其提取精度为99%。在多极化研究方面,ABBASI等[80]证实同极化比交叉极化更易检测OWT,且入射波长和相对方向会显著影响检测效果。此类进展推动了监测技术从多时序分析转向单影像高效识别,大幅提升了自动化水平和检测精度。
图7 上海临港示范风电场风电机组识别结果

(准确识别的风力涡轮机对象由绿色实点表示,错误识别的风力涡轮机对象由橙色实点表示。图件改绘自文献[76]。)

Fig.7 Identification results of wind turbines at the Shanghai Lingang Demonstration Wind Farm

(Accurately identified wind turbine objects are represented by solid green dots, while misidentified ones are indicated by solid orange dots. Figure was redrawn from the reference [76].)

2.4.2 石油平台

在SAR影像中,海上油气钻井平台的金属结构会与海面形成强烈对比,其识别过程通常需要先检测海上所有目标,再通过与多时相数据比对确定固定平台、去除虚警。陆霭莹等[81]利用Sentinel-1 SAR影像和多源光学遥感数据,采用阈值分割法、K-means聚类和最大似然分类方法,实现了85.2%的油气平台识别精度。王方雄等[82]基于Sentinel-1A SAR的VV/VH极化数据,采用Matthew极化增强算法,结合陆地掩膜和风力涡轮机去除,实现了海上油气平台的快速识别。此外,InSAR技术同样可用于石油平台监测。未来研究可从石油平台的SAR特征、SAR与深度学习模型融合以及InSAR在石油平台监测中的应用等方面展开,以进一步提升SAR在海上石油平台监测中的应用能力。

2.4.3 养殖设施

海洋养殖区面积大、空间分散,而SAR具有穿云透雾的能力,为养殖区现状识别与动态监测提供了可靠的技术支撑[83]。针对SAR图像噪声大、养殖设施目标小等问题,研究者开发了多种识别算法。SHI等[84]通过优化FCN网络,成功实现遥感影像养殖筏的像素级自动标记;王心哲等[85]提出的SegNet-MRF模型,在SAR图像上对养殖设施的分类精度达到95%以上;FAN等[86]提出随机海况自适应感知调制网络(RSC-APMN),实现海况耦合下的SAR影像自适应增强与鲁棒语义分割,可有效提升复杂海况下的养殖信息提取精度。这些技术进步显著提升了养殖设施监测的自动化水平,推动了智能化海洋养殖设施监测的发展。

2.5 小结

SAR在海洋目标监测中的应用取得了显著进展,尤其在海冰分类、油污识别、船舶监测等方面表现优异,深度学习技术的引入显著提升了目标监测的精度。但现有技术也面临以下挑战:首先,识别算法的训练和优化过程仍依赖人工干预,如需进行大量数据标注和参数调整,自动化程度有待提高;其次,复杂海洋环境下的目标识别鲁棒性不足,尤其是对散射特征相似的目标,易出现误检或漏检现象,影响识别稳定性与准确性。

3 结论与展望

星载SAR具备穿云透雾、全天时、全天候成像的能力,已经成为海洋动力环境和目标监测的重要技术手段。目前,星载SAR在风场反演、海冰分类、溢油检测、船舶识别等多个方面已应用于业务化场景。面对全球海洋观测日益增长的高精度、高分辨率、大范围与实时性需求,现有SAR海洋遥感技术仍存在一些问题。首先,现有星载SAR受限于卫星数量、轨道布局和重访周期,实时性不足,难以支撑针对突发或快速演变的海洋现象的连续监测;其次,数据处理的效率有限,SAR图像分析流程复杂,不仅存在较大延迟,而且往往耗费大量人力;第三,人工智能模型对海上不同尺度动力环境现象和海洋目标的一体化识别能力不足;最后,多源数据融合能力不足,尤其是SAR与光学遥感、浮标、AIS等异构数据在时空配准、观测尺度上存在差异,导致综合分析难度大。
未来研究可重点从以下几个方向突破:一是提升时间分辨率,通过部署高轨SAR卫星、SAR星座、小卫星集群等方式缩短重访周期,实现近实时海洋动态监测、极端天气和溢油事故等场景的快速响应;二是提升SAR成像与数据处理技术,增强数据的分辨率、信噪比及信息维度,尤其在超分辨率重建、全极化成像、二维干涉成像、复值信号处理等方面开展研究,发展空间算力平台,利用星上计算资源实时提取有效信息,提高数据处理效率;三是发展通用SAR图像信息智能感知模型,实现SAR图像上各类环境要素和目标信息一体化识别与提取,为综合智能解译提供技术支撑;四是强化多源数据融合,通过多模态学习方法,将SAR与光学、红外、Argo浮标、AIS等多种数据类型融合,提升跨源数据的时空对齐与信息互补能力,例如开发可适应倾斜SAR与垂直光学图像差异的配准算法,提升融合效果。
综上所述,SAR作为主动的高分辨率微波遥感载荷,已在海洋遥感领域发挥重要作用,随着技术的进一步发展,将在海洋科学观测、自然资源监测、海洋权益维护等方面发挥更大的作用。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
VENKATESAN R, TANDON A, SENGUPTA D, et al. Recent trends in ocean observations[M]//Observing the oceans in real time. Cham: Springer International Publishing, 2017: 3-13.

[2]
邓云凯, 禹卫东, 张衡, 等. 未来星载SAR技术发展趋势[J]. 雷达学报, 2020, 9(1):1-33.

DENG Y K, YU W D, ZHANG H, et al. Forthcoming spaceborne SAR development[J]. Journal of Radars, 2020, 9(1): 1-33.

[3]
许荞晖, 张彦敏, 王运华. 基于SAR图像速度聚束调制的海浪反演研究[J]. 海洋学报, 2021, 43(12):111-121.

XU Q H, ZHANG Y M, WANG Y H. Ocean wave inversion based on the velocity bunching modulation of SAR image[J]. Haiyang Xuebao, 2021, 43(12): 111-121.

[4]
杨劲松, 任林, 王隽. 高分三号卫星对海浪的首次定量遥感[J]. 海洋与湖沼, 2017, 48(2):207-209.

YANG J S, REN L, WANG J. The first quantitative remote sensing of ocean surface waves by Chinese Gf-3 SAR satellite[J]. Oceanologia et Limnologia Sinica, 2017, 48(2): 207-209.

[5]
袁超文, 张彦敏, 姜文正, 等. 基于准线性近似方法的SAR图像海浪参数反演研究[J]. 中国海洋大学学报:自然科学版, 2024, 54(1):144-155.

YUAN C W, ZHANG Y M, JIANG W Z, et al. Research on ocean wave retrieval from SAR image based on the quasi-linear approximation method[J]. Periodical of Ocean University of China, 2024, 54(1): 144-155.

[6]
ZHAO Y W, CHONG J S, JIN X. Ocean wave parameters retrieval from polarimetric SAR images[C]// 2023 Photonics & Electromagnetics Research Symposium (PIERS), July 3-6, 2023, Prague, Czech Republic. IEEE, 2023: 1946-1951.

[7]
LIU Y, HE Y J, ZHANG B. Ocean wave parameters retrieved directly from compact polarimetric SAR data[J]. Acta Oceanologica Sinica, 2022, 41(4): 129-137.

[8]
XUE S H, GENG X P, YAN X H, et al. Significant wave height retrieval from Sentinel-1 SAR imagery by convolutional neural network[J]. Journal of Oceanography, 2020, 76(6): 465-477.

DOI

[9]
ZHANG S S, LI X F, ZHANG X D. Internal wave signature extraction from SAR and optical satellite imagery based on deep learning[J]. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61: 4203216.

[10]
孙宏亮, 王怡然, 贾童, 等. 基于Faster R-CNN的卫星SAR图像南海海洋内波自动检测[J]. 遥感学报, 2023, 27(4):905-918.

SUN H L, WANG Y R, JIA T, et al. Faster R-CNN based oceanic internal wave detection from SAR images in the South China Sea[J]. National Remote Sensing Bulletin, 2023, 27(4): 905-918.

DOI

[11]
DE MACEDO C R, DA SILVA J C B, DE MACEDO C R, et al. Internal wave dark-band signatures in ALOS-PALSAR imagery revealed by the standard deviation of the co-polarized phase difference[J]. Remote Sensing, 2020, 12(15): 2372.

DOI

[12]
ZHANG H, MENG J M, SUN L N, et al. Performance analysis of internal solitary wave detection and identification based on compact polarimetric SAR[J]. IEEE Access, 2020, 8: 172839-172847.

DOI

[13]
王隽, 杨劲松, 周礼英, 等. 基于多源卫星遥感数据的安达曼海及其邻近海域内波分布特征分析[J]. 海洋学研究, 2019, 37(3):1-11.

DOI

WANG J, YANG J S, ZHOU L Y, et al. Distribution of internal waves in the Andaman Sea and its adjacent waters based on multi-satellite remote sensing data[J]. Journal of Marine Sciences, 2019, 37(3): 1-11.

DOI

[14]
FURTNEY S, ROMEISER R, GRABER H C. Automated retrieval of internal wave phase speed and direction from pairs of SAR images with different look directions[J]. Remote Sensing of Environment, 2024, 305: 114084.

DOI

[15]
LI X X, LIANG J J, LI X M. Satellite-based retrieval of the vertical structure of internal solitary waves in continuous stratification[J]. Journal of Geophysical Research: Oceans, 2025, 130(4): e2024JC022180.

[16]
JI Y X, XU G J, DONG C M, et al. Submesoscale eddies in the East China Sea detected from SAR images[J]. Acta Oceanologica Sinica, 2021, 40(3): 18-26.

DOI

[17]
贾翊文, 荆文龙, 杨骥, 等. 基于深度学习的SAR影像海洋涡旋检测算法对比分析[J]. 海洋科学进展, 2024, 42(1):137-148.

JIA Y W, JING W L, YANG J, et al. Comparative analysis of ocean eddy detection algorithms based on deep learning in SAR images[J]. Advances in Marine Science, 2024, 42(1): 137-148.

[18]
ZI N N, LI X M, GADE M, et al. Ocean eddy detection based on YOLO deep learning algorithm by synthetic aperture radar data[J]. Remote Sensing of Environment, 2024, 307: 114139.

DOI

[19]
ARCHER M, WANG J B, KLEIN P, et al. Wide-swath satellite altimetry unveils global submesoscale ocean dynamics[J]. Nature, 2025, 640(8059): 691-696.

DOI

[20]
余水, 杨劲松, 贺双颜, 等. 降雨对SAR风场反演的影响及校正[J]. 海洋学报, 2017, 39(9):40-50.

YU S, YANG J S, HE S Y, et al. The correction of rain effect on SAR wind field retrieval[J]. Haiyang Xuebao, 2017, 39(9): 40-50.

[21]
REN L, YANG J S, MOUCHE A A, et al. Assessments of ocean wind retrieval schemes used for Chinese Gaofen-3 synthetic aperture radar co-polarized data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(9): 7075-7085.

DOI

[22]
WAN Y, QU R Z, SHI X L, et al. A joint inversion method of wave and wind field parameters based on SAR SLC data[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 4506305.

[23]
LIU Z C, YANG H W, AI W H, et al. Tropical cyclone wind direction retrieval based on wind streaks and rain bands in SAR images[J]. Remote Sensing, 2024, 16(20): 3837.

DOI

[24]
HERSBACH H. Comparison of C-band scatterometer CMOD5.N equivalent neutral winds with ECMWF[J]. Journal of Atmospheric and Oceanic Technology, 2010, 27(4): 721-736.

DOI

[25]
LU Y R, ZHANG B, PERRIE W, et al. A C-band geophysical model function for determining coastal wind speed using synthetic aperture radar[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(7): 2417-2428.

DOI

[26]
ZHANG B, MOUCHE A, LU Y R, et al. A geophysical model function for wind speed retrieval from C-band HH-polarized synthetic aperture radar[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 16(10): 1521-1525.

DOI

[27]
CHENG Y, YANG Y. Inversion of ocean winds from C-band dual-polarized SAR images[C]//2024 Photonics & Electromagnetics Research Symposium (PIERS), April 21-25, 2024, Chengdu, China. IEEE, 2024: 1-6.

[28]
倪晗玥, 董昌明, 刘振波, 等. 基于BP神经网络模型的哨兵SAR反演风速偏差校正[J]. 海洋学研究, 2024, 42(3):75-87.

DOI

NI H Y, DONG C M, LIU Z B, et al. Calibration of Sentinel-1 SAR retrieved wind speed based on BP neural network model[J]. Journal of Marine Sciences, 2024, 42(3): 75-87.

DOI

[29]
李潇寒, 闫秋双, 范陈清, 等. 基于深度学习的Sentinel-1双极化SAR台风海况下海面风速反演方法[J]. 电波科学学报, 2024, 39(6):1095-1101.

LI X H, YAN Q S, FAN C Q, et al. Deep learning-based sea surface wind speed retrieval method for Sentinel-1 dualpolarimetric SAR under typhoon sea state[J]. Chinese Journal of Radio Science, 2024, 39(6): 1095-1101.

[30]
ZHOU Q, CHAI H M, LÜ X L, et al. Hybrid CMOD-diffusion algorithm applied to Sentinel-1 for more robust and precise wind retrieval[J]. Remote Sensing, 2024, 16(15): 2857.

DOI

[31]
秦艳萍, 范陈清, 张玉滨. 基于SAR多普勒质心频移的海面流场迭代反演算法[J]. 海洋学报, 2022, 44(3):109-117.

QIN Y P, FAN C Q, ZHANG Y B. An iterative retrieval algorithm of ocean surface current based on SAR Doppler centroid anomaly[J]. Haiyang Xuebao, 2022, 44(3): 109-117.

[32]
张佳辉, 苗洪利, 杨忠昊, 等. 基于SAR子孔径分解的海表面二维流场反演[J]. 海洋学报, 2023, 45(8):24-30.

ZHANG J H, MIAO H L, YANG Z H, et al. Two-dimensional sea surface current field inversion based on SAR sub-aperture decomposition[J]. Haiyang Xuebao, 2023, 45(8): 24-30.

[33]
DU Y L, SHAO J N, YANG X F, et al. Investigation of current-wave interaction effect on ocean surface current retrieval under DCA framework using an improved Doppler radar imaging model[J]. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62: 4213217.

[34]
YAN H, HOU Q R, JIN G D, et al. Velocity estimation of ocean surface currents in along-track InSAR system based on conditional generative adversarial networks[J]. Remote Sensing, 2021, 13(20): 4088.

DOI

[35]
MIN Z, YAN H, JIANG X R, et al. Research on digital twin method for spaceborne along-track interferometric synthetic aperture radar velocity inversion of ocean surface currents[J]. Remote Sensing, 2024, 16(19): 3739.

DOI

[36]
傅斌. SAR浅海水下地形探测[D]. 青岛: 中国海洋大学, 2005.

FU B. SAR-based shallow water topography detection[D]. Ocean University of China, 2005.

[37]
毕晓蕾, 孟俊敏, 杨俊钢, 等. 极化信息在水下地形SAR探测中的应用[J]. 遥感学报, 2013, 17(1):34-45.

BI X L, MENG J M, YANG J G, et al. Application of SAR polarization information for detection of underwater topography[J]. Journal of Remote Sensing, 2013, 17(1): 34-45.

[38]
HUANG L Y, MENG J M, FAN C Q, et al. Shallow sea topography detection from multi-source SAR satellites: A case study of Dazhou Island in China[J]. Remote Sensing, 2022, 14(20): 5184.

DOI

[39]
YU Y, SANDWELL D T, DIBARBOURE G. Abyssal marine tectonics from the SWOT mission[J]. Science, 2024, 386(6727): 1251-1256.

DOI PMID

[40]
PARK J W, KOROSOV A A, BABIKER M, et al. Classification of sea ice types in Sentinel-1 synthetic aperture radar images[J]. The Cryosphere, 2020, 14(8): 2629-2645.

DOI

[41]
REN Y B, LI X F, YANG X F, et al. Development of a dual-attention U-Net model for sea ice and open water classification on SAR images[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 4010205.

[42]
ROGERS M S J, FOX M, FLEMING A, et al. Sea ice detection using concurrent multispectral and synthetic aperture radar imagery[J]. Remote Sensing of Environment, 2024, 305: 114073.

DOI

[43]
陈星哲, 谢涛, 王明华, 等. 利用全极化SAR数据的极化特征获取海冰密集度的算法[J]. 测绘通报, 2024(2):80-84,89.

DOI

CHEN X Z, XIE T, WANG M H, et al. Algorithm of obtaining sea ice concentration using polarization features from fully polarimetric SAR data[J]. Bulletin of Surveying and Mapping, 2024(2): 80-84, 89.

DOI

[44]
HUANG Y, REN Y B, LI X F. Deep learning techniques for enhanced sea-ice types classification in the Beaufort Sea via SAR imagery[J]. Remote Sensing of Environment, 2024, 308: 114204.

DOI

[45]
于淼, 卢鹏, 李志军, 等. 基于SAR图像纹理的北极海冰厚度的反演研究[J]. 极地研究, 2018, 30(3):329-337.

YU M, LU P, LI Z J, et al. Arctic sea ice thickness retrieval based on SAR image texture feature[J]. Chinese Journal of Polar Research, 2018, 30(3): 329-337.

DOI

[46]
STROZZI T, WIESMANN A, SHAROV A, et al. Capabilities of L-band SAR data for Arctic glacier motion estimation[C]//2006 IEEE International Symposium on Geoscience and Remote Sensing, July 31-August 4, 2006, Denver, CO, USA. IEEE, 2007: 3816-3819.

[47]
SHAMSHIRI R, EIDE E, HØYLAND K V. Spatio-temporal distribution of sea-ice thickness using a machine learning approach with Google Earth Engine and Sentinel-1 GRD data[J]. Remote Sensing of Environment, 2022, 270: 112851.

DOI

[48]
KACIMI S, JARUWATANADILOK S, KWOK R. SWOT observations over sea ice: A first look[J]. Geophysical Research Letters, 2025, 52(10): e2025GL116079.

[49]
ZHANG X, ZHU Y X, ZHANG J, et al. An algorithm for sea ice drift retrieval based on trend of ice drift constraints from Sentinel-1 SAR data[J]. Journal of Coastal Research, 2020, 102(SI): 113-126.

[50]
WANG X, CHEN Z Q, FANG Y, et al. An improvement in accuracy and spatial resolution of the pattern-matching sea ice drift from SAR imagery[J]. International Journal of Digital Earth, 2023, 16(2): 4073-4094.

DOI

[51]
李超越, 李刚, 王雪, 等. 基于Sentinel-1影像特征匹配的北极海冰漂移矢量提取[J]. 遥感学报, 2024, 28(8):2062-2072.

LI C Y, LI G, WANG X, et al. Sea ice drift vectors extraction based on feature tracking to Sentinel-1 images[J]. National Remote Sensing Bulletin, 2024, 28(8): 2062-2072.

DOI

[52]
邹亚荣, 梁超, 陈江麟, 等. 基于SAR的海上溢油监测最佳探测参数分析[J]. 海洋学报, 2011, 33(1):36-44.

ZOU Y R, LIANG C, CHEN J L, et al. An optimal parametric analysis of monitormg oil spill based on SAR[J]. Acta Oceanologica Sinica, 2011, 33(1): 36-44.

DOI

[53]
孙健, 胥亚, 陈方玺, 等. 基于合成孔径雷达回波信号的海洋溢油监测方法研究[J]. 海洋学报, 2014, 36(9):103-111.

SUN J, XU Y, CHEN F X, et al. Research on offshore petroleum oil spilling detection using SAR echo signal[J]. Acta Oceanologica Sinica, 2014, 36(9): 103-111.

[54]
张天龙, 过杰. 基于改进Faster R-CNN模型的SAR图像溢油检测方法[J]. 海洋科学, 2021, 45(5):103-112.

ZHANG T L, GUO J. Oil spill detection method for SAR images based on the improved Faster R-CNN model[J]. Marine Sciences, 2021, 45(5): 103-112.

[55]
杜艳玲, 崔建华, 魏泉苗, 等. 基于改进FCN的多极化SAR影像海上溢油检测[J]. 激光与电光子学进展, 2022, 59(4): 0415005.

DU Y L, CUI J H, WEI Q M, et al. Marine oil-spill detection in multi-polarization image-based SAR on improved FCN[J]. Laser & Optoelectronics Progress, 2022, 59(4): 0415005.

[56]
SHABAN M, SALIM R, ABU KHALIFEH H, et al. A deep-learning framework for the detection of oil spills from SAR data[J]. Sensors, 2021, 21(7): 2351.

DOI

[57]
杜艳玲, 崔建华, 魏泉苗, 等. 基于改进FCN的多极化SAR影像海上溢油检测[J]. 激光与光电子学进展, 2022, 59(4):321-328.

DU Y L, CUI J H, WEI Q M, et al. Marine oil-spill detection in multi-polarization image-based SAR on improved FCN[J]. Laser & Optoelectronics Progress, 2022, 59(4): 321-328.

[58]
孙建明, 王仁强, 刘昌华. SAR技术在舰船海面溢油监测系统的应用[J]. 舰船科学技术, 2023, 45(10):139-142.

SUN J M, WANG R Q, LIU C H. Application of SAR technology in marine oil spill monitoring system[J]. Ship Science and Technology, 2023, 45(10): 139-142.

[59]
LUO D, CHEN P, YANG J S, et al. A new ship tracing technology from oil spills based on multi-source data[J]. Marine Pollution Bulletin, 2024, 207: 116808.

DOI

[60]
CHAI Y, HAN X, WANG Y, et al. TransOilSeg: A novel SAR oil spill detection method addressing data limitations and look-alike confusions[J]. IEEE Transactions on Geoscience and Remote Sensing, 2025, 63: 5206216.

[61]
陈韩, 谢涛, 方贺, 等. 基于SAR极化比和纹理特征的海面溢油识别方法[J]. 海洋学报, 2019, 41(9):181-190.

CHEN H, XIE T, FANG H, et al. Sea surface oil spill identification method based on SAR polarization ratio and texture feature[J]. Haiyang Xuebao, 2019, 41(9): 181-190.

[62]
罗卿莉, 陈志远, 刘宇婷, 等. 紧缩极化SAR卷积神经网络溢油检测方法[J]. 测绘通报, 2024(6):13-18.

DOI

LUO Q L, CHEN Z Y, LIU Y T, et al. Oil spill detection method of compact polarization SAR based on convolution neural network[J]. Bulletin of Surveying and Mapping, 2024(6): 13-18.

DOI

[63]
GARCIA-PINEDA O, STAPLES G, JONES C E, et al. Classification of oil spill by thicknesses using multiple remote sensors[J]. Remote Sensing of Environment, 2020, 236: 111421.

DOI

[64]
JONES C E, JARUWATANADILOK S, DUAN X Y, et al. Oil spill thickness determination from L-band synthetic aperture radar[C]//International Oil Spill Conference. 2021: 688931.

[65]
GUO J, XU C, LIU G, et al. Experimental research on oil film thickness and its microwave scattering during emulsification[J]. Journal of Oceanology and Limnology, 2022, 40(4): 1361-1376.

DOI

[66]
陈鹏, 黄韦艮, 傅斌, 等. 一种改进的CFAR船只探测方法[J]. 遥感学报, 2005, 9(3):260-264.

CHEN P, HUANG W G, FU B, et al. An improved CFAR algorithm for ship detection in SAR imagery[J]. Journal of Remote Sensing, 2005, 9(3): 260-264.

[67]
FAN Q C, CHEN F, CHENG M, et al. Ship detection using a fully convolutional network with compact polarimetric SAR images[J]. Remote Sensing, 2019, 11(18): 2171.

DOI

[68]
ZHENG H, HU Z G, LIU J J, et al. MetaBoost: A novel heterogeneous DCNNs ensemble network with two-stage filtration for SAR ship classification[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 4509005.

[69]
SCHWEGMANN C P, KLEYNHANS W, SALMON B P, et al. Synthetic aperture radar ship detection using capsule networks[C]//2018 IEEE International Geoscience and Remote Sensing Symposium, July 22-27, 2018, Valencia, Spain. IEEE, 2018: 725-728.

[70]
LI X N, CHEN P, YANG J S, et al. TKP-net: A three keypoint detection network for ships using SAR imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2024, 17: 364-376.

DOI

[71]
王志鹤, 行坤, 崔宁, 等. 一种基于Radon变换和尾迹模型的尾迹检测算法[J]. 电子设计工程, 2022, 30(12):1-6.

WANG Z H, XING K, CUI N, et al. A wake detection algorithm based on Radon transform and wake model[J]. Electronic Design Engineering, 2022, 30(12): 1-6.

[72]
CHEN P, LI X N, ZHENG G. Rapid detection to long ship wake in synthetic aperture radar satellite imagery[J]. Journal of Oceanology and Limnology, 2019, 37(5): 1523-1532.

DOI

[73]
FAN K G, ZHANG H G, LIANG J J, et al. Analysis of ship wake features and extraction of ship motion parameters from SAR images in the Yellow Sea[J]. Frontiers of Earth Science, 2019, 13(3): 588-595.

DOI

[74]
CHEN P, LI X N, ZHENG G, et al. A new method for extracting ship motion parameters in Radarsat-2 SAR imagery[J]. International Journal of Remote Sensing, 2019, 40(14): 5617-5634.

DOI

[75]
HOESER T, FEUERSTEIN S, KUENZER C. DeepOWT: A global offshore wind turbine data set derived with deep learning from Sentinel-1 data[J]. Earth System Science Data, 2022, 14: 4251-4270.

DOI

[76]
ZHANG T, TIAN B, SENGUPTA D, et al. Global offshore wind turbine dataset[J]. Scientific Data, 2021, 8: 191.

DOI PMID

[77]
LIU L X, WU M Q, ZHAO J, et al. Deep learning-based monitoring of offshore wind turbines in Shandong Sea of China and their location analysis[J]. Journal of Cleaner Production, 2024, 434: 140415.

DOI

[78]
ZHAI Y C, CHEN X H, CAO X, et al. Identifying wind turbines from multiresolution and multibackground remote sensing imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2024, 126: 103613.

DOI

[79]
WANG F X, ZHANG S, HOU Y Z, et al. Extraction of offshore wind turbines in China by combining multispectral and SAR image data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2024, 17: 9266-9281.

DOI

[80]
ABBASI F R, BUONO A, MIGLIACCIO M, et al. A time-series of SAR measurements to analyze C-band backscattering of offshore wind farms[C]//2024 IEEE International Geoscience and Remote Sensing Symposium, July 7-12, 2024, Athens, Greece. IEEE, 2024: 1764-1767.

[81]
陆霭莹, 李鹏, 朱海天, 等. 基于多源卫星遥感的渤海海上油气平台识别[J]. 海洋学研究, 2022, 40(4):82-89.

DOI

LU A Y, LI P, ZHU H T, et al. Identification of offshore oil and gas platform in the Bohai Sea based on multi-source satellite remote sensing[J]. Journal of Marine Sciences, 2022, 40(4): 82-89.

DOI

[82]
王方雄, 吕学东, 张帅, 等. 基于Sentinel-1A影像的海上油气平台遥感识别方法:以渤海为例[J]. 海洋技术学报, 2025, 44(1):11-20.

WANG F X, LÜ X D, ZHANG S, et al. Remote sensing recognition method of offshore oil and gas platforms based on Sentinel-1A image: A case study of Bohai Sea[J]. Journal of Ocean Technology, 2025, 44(1): 11-20.

[83]
柯丽娜, 翟宇宁, 范剑超. 深度边缘光谱U-Net海水网箱养殖信息提取[J]. 海洋学报, 2022, 44(2):132-142.

KE L N, ZHAI Y N, FAN J C. Marine cage aquaculture information extraction based on deep edge spectral U-Net[J]. Haiyang Xuebao, 2022, 44(2): 132-142.

[84]
SHI T Y, XU Q Z, ZOU Z X, et al. Automatic raft labeling for remote sensing images via dual-scale homogeneous convolutional neural network[J]. Remote Sensing, 2018, 10(7): 1130.

DOI

[85]
王心哲, 邓棋文, 王际潮, 等. 深度语义分割MRF模型的海洋筏式养殖信息提取[J]. 山东大学学报:工学版, 2022, 52(2):89-98.

WANG X Z, DENG Q W, WANG J C, et al. Deep semantic segmentation MRF model for information extraction of marine floating raft aquaculture[J]. Journal of Shandong University: Engineering Science, 2022, 52(2): 89-98.

[86]
FAN J C, DENG Q W. RSC-APMN: Random sea condition adaptive perception modulating network for SAR-derived marine aquaculture segmentation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2024, 17: 13456-13472.

DOI

Options
Outlines

/

〈 〉