《Remote Sensing》：Assessing Decade-Long Ground Deformation from Geological Influences to Urban Expansion Using Sentinel-1 PSI in the Region of Cluj-Napoca, Romania
编辑推荐：
海洋溢油事故对海洋生态环境造成严重威胁，因此高效、准确的溢油检测对应急响应具有重要意义。针对船载雷达图像中溢油边界模糊、同频干扰显著及斑点噪声严重的问题，研究人员提出了一种基于船载雷达数据的溢油检测方法，所用数据取自大连湾某码头真实溢油事件。该方法融合了自编码
海洋溢油事故对海洋生态环境造成严重威胁，因此高效、准确的溢油检测对应急响应具有重要意义。针对船载雷达图像中溢油边界模糊、同频干扰显著及斑点噪声严重的问题，研究人员提出了一种基于船载雷达数据的溢油检测方法，所用数据取自大连湾某码头真实溢油事件。该方法融合了自编码器(Autoencoder)、特征降维、伪标注(pseudo-labeling)、强化学习(reinforcement learning)及改进智能优化算法。首先采用自编码器从雷达图像中提取紧凑的非线性局部特征，并利用主成分分析(Principal Component Analysis, PCA)进行特征降维；随后使用K-Means聚类构建伪标注，并将降维后的特征离散化以构建强化学习的状态空间；在此基础上引入Q-learning算法自动提取感兴趣区域(Region of Interest, ROI)；最后在ROI内设计引入动态加权因子和多约束适应度函数的改进蝙蝠算法(Bat Algorithm, BA)，实现溢油目标精细分割。实验结果表明，所提方法在溢油分割性能上优于经典智能优化算法及传统蝙蝠算法，消融实验验证了自编码器特征学习、K-Means伪标注及基于Q-learning的ROI定位的价值。该方法可为近岸及时溢油监测及应急分析提供新技术途径。
论文解读：基于无监督融合框架的船载雷达影像海上溢油检测研究
该研究发表于《Remote Sensing》期刊。海上溢油事故频发对生态系统、渔业及沿海经济造成长期危害，快速准确的溢油检测对应急响应至关重要。现有方法中，全监督的卷积神经网络(Convolutional Neural Network, CNN)、Transformer及生成对抗网络(Generative Adversarial Network, GAN)多需大量精确标注样本，而船载X波段雷达影像在真实应急事件中极难获取标注数据；传统阈值法与智能优化法对斑点噪声(speckle noise)、同频干扰及海杂波敏感，易致分割破碎与虚警；且船载雷达影像中溢油边界弱且模糊，仅靠灰度或纹理难以保持完整形态。针对上述问题，研究人员以大连湾码头真实溢油事件的船载X波段雷达数据为对象，提出一种无监督融合框架，集成轻量自编码器(Autoencoder, AE)特征学习、K-Means伪标注、Q-learning感兴趣区域(Region of Interest, ROI)定位及改进蝙蝠算法(Bat Algorithm, BA)精细分割，旨在不依赖人工标注的前提下实现鲁棒溢油提取。实验表明该框架在精度(Precision)、准确率(Accuracy)、Dice系数、特异度(Specificity)及交并比(Intersection over Union, IoU)上均优于对比方法，为船载雷达溢油监测提供了可行技术路线，其输出的ROI、掩膜(mask)、边界、质心及面积可接入海洋数字孪生(Digital Twin of the Ocean, DTO)框架以支持漂移扩散模型与决策。
研究人员采用的主要关键技术方法如下：以大连湾真实溢油事件船载X波段海事雷达采集的1024×1024像素原始极坐标图像为样本，经极坐标转笛卡尔坐标、边缘增强、同频干扰抑制（灰度阈值150后均值滤波）、斑点噪声抑制（灰度阈值120且面积阈值200像元的孤立高亮连通分量检测后接20×20中值滤波）及局部对比度增强完成预处理；构建输入为25维（5×5像元块）、隐藏层8维的浅层全连接自编码器，以均方误差(Mean Squared Error, MSE)为损失函数无监督训练，滑动窗口提取全图像素级8维特征后经PCA降至3维；对平滑后灰度图做三分类K-Means生成伪标注供奖励计算，对PCA降维后特征做k=50的K-Means离散化为Q-learning状态空间，定义动作空间{溢油, 背景, 疑似溢油}，以伪标注一致性(权重0.7)加八邻域空间一致性(权重0.3)为即时奖励，ε-greedy策略迭代更新Q表实现ROI初判与二值掩膜提取；在ROI内应用改进蝙蝠算法——引入高斯随机扰动至速度更新、迭代衰减步长局部搜索、动态加权因子w随迭代次数线性增大以强化高阈值偏好与前景比例约束，以融合大津(Otsu)类间方差、高阈值惩罚项及前景比例惩罚项的多约束适应度函数寻优分割阈值；最终以独立目视解译制作的二值参考掩膜计算Precision、Accuracy、Dice系数、Specificity及IoU进行定量评价，并通过去除AE、去除Q-learning及以高斯混合模型(Gaussian Mixture Model, GMM)替换K-Means开展消融验证。
4. Results（结果）
- •
4.1. ROI Extraction（感兴趣区域提取）：经高斯平滑(σ=1)、AE特征提取与PCA降维、k=50 K-Means状态离散化及10轮ε-greedy Q-learning训练(含八邻域一致性项)，获得初分割结果，经二值化、去噪与孔洞填充生成ROI掩膜并与预处理影像相乘得ROI。研究表明Q-learning结合伪标注引导可有效定位可疑溢油区，缩减后续分割搜索空间。
- •
4.2. Oil Spill Target Segmentation（溢油目标分割）：在ROI内运行种群规模N=30、最大迭代T=30的改进蝙蝠算法寻优阈值，初步分割后经连通分量面积滤波去孤立噪声，叠融于去噪雷达影像并显示于极坐标。结果表明改进BA能在ROI内细化溢油边界，保留主体形态并抑制背景误分割。
5. Discussion（讨论）
- •
5.1. The Comparative Analysis with Classic Optimization Segmentation Algorithms（与经典优化分割算法对比分析）：对比GA_Otsu、ACO_Kapur、PSO_Tsallis，所提方法溢油轮廓更完整连续，碎片状假阳性更少，与真实覆盖区一致性更高。
- •
5.2. Comparison with Domain-Relevant Baselines（与相关领域基线方法对比）：对比GLCM+K-Means+Sauvola阈值法及YOLOv8+SA-PSO法，所提方法在抑制背景杂波、保持溢油区空间连续性及像素级边界描绘上均具优势，未出现矩形框过包背景现象。
- •
5.3. Comparative Analysis with the Conventional Bat Algorithm（与传统蝙蝠算法对比分析）：传统BA出现溢油缺失与内部孔洞，改进BA使溢油轮廓更连续、内部孔洞显著减小，收敛所需迭代减少87.95%，单图平均耗时0.1232±0.0059 s较传统BA(0.1366±0.0038 s)降低9.77%。
- •
5.4. Autoencoder Ablation Experiment（自编码器消融实验）：移除AE后背景被大量误分为溢油且船艏艉现大片假阳性，证实AE非线性特征表达可提升油水判别与抗噪能力。
- •
5.5. Comparative Analysis of Replacing K-Means with GMM（K-Means替换为GMM对比分析）：GMM因对斑点噪声与非高斯海杂波敏感将干扰拟为高斯分量致黄框区内假阳性增多，Dice与IoU下降，K-Means更具鲁棒性。
- •
5.6. Q-Learning Ablation Experiment（Q-learning消融实验）：去除Q-learning直接按状态多数投票赋类致弱溢油区漏检与碎片化，证实奖励引导的Q-table更新可增强ROI定位鲁棒性。
- •
5.7. Quantitative Comparative Analysis（定量对比分析）：与独立目视解译参考掩膜比对，所提方法Accuracy达99.78%，Precision为89.65%，Dice系数为84.75%，Specificity为99.93%，IoU为73.54%，各项指标优于对照方法。
- •
5.8. Computational Efficiency Analysis（计算效率分析）：512×2048像素影像全流程约57.58 s，其中预处理0.300 s、ROI提取(含AE训练与特征提取1.176 s、50状态K-Means离散化30.724 s、Q-learning训练14.831 s)占54.062 s、ROI内改进BA分割3.220 s；主要耗时在状态离散化与Q-learning训练。
- •
5.9. Limitation on Look-Alike Discrimination and Multi-Sensor Verification（类溢油判别局限性与多传感器验证）：单雷达模态无法区分生物薄膜、内波、低风速区及船尾流等雷达暗类溢油(look-alike)，辅以可见光与红外影像作事后定性确认，未集成入算法，未来拟融合多源信息抑制类溢油。
- •
5.10. Ablation Study on the Number of K-Means States（K-Means状态数消融研究）：k=20~30欠划分致Dice与IoU偏低，k=40~60性能稳定(k=40 Dice 85.64%/IoU 74.88%；k=50 Dice 85.61%/IoU 74.84%)，k=70过细分致微降，选定k=50为平衡设置。
6. Conclusions（结论部分译文）
本研究面向船载雷达溢油自动检测与分割需求，构建了融合轻量自编码器特征表示、基于强化学习的ROI定位及智能优化阈值分割的无监督检测框架。大连湾真实溢油雷达数据实验表明：自编码器结合PCA可有效提取雷达影像局部非线性特征，为后续强化学习分类提供特征基础；在K-Means伪标注引导下Q-learning可实现稳定ROI提取，缩小后续分割搜索空间并降低背景干扰；通过引入动态加权、随机扰动及多约束适应度函数，改进蝙蝠算法增强了阈值搜索全局寻优能力，一定程度上缓解了传统优化算法易陷入局部极值、阈值敏感及误分割船体结构与噪声的问题。定量与定性对比显示，所提模型在准确率、精度、Dice系数及IoU上均优于传统阈值法、经典智能优化算法及无特征学习的简化模型，且无需人工标注即可获得边界更连续、内部更完整、假阳性更少的溢油分割结果，较好适应船载雷达成像特点与海上应急场景时效性及鲁棒性要求，可为无人近岸溢油监测、智能识别与定量评估提供参考。从海洋数字孪生(DTO)视角看，虽未构建完整DTO，但所提方法可作为船载雷达溢油监测自动感知模块，其提取的ROI、掩膜、边界、质心及面积可为漂移/扩散模型、多源融合及决策支持提供准实时输入，未来工作将把这些输出与水动力、波浪、风场及油输运模型耦合。
