溢油覆盖度的估测是海洋溢油探测与灾害评估的重要内容, 受航空航天传感器地面分辨率的限制, 准确探测溢油覆盖度比较困难。 在海洋风浪及破碎波作用下, 溢油往往呈条带状分布。 获取的高光谱数据中存在大量的油、 水混合像元; 传统图像分割方式计算溢油面积存在偏差, 且受传感器角度、 高度等影响, 光谱变异明显, 传统端元提取方法很难找到纯像元光谱。 提出了一种通过分区混合端元计算海洋溢油覆盖度的探测方法。 首先对影像进行分区并使用N-FINDR算法进行端元预选; 然后再利用独立分量分析（ICA）方法进行端元精选, 按照负熵最大输出得到候选端元, 并将地面同步参考光谱作为约束引入相似性溢油端元识别; 最后基于非负矩阵分解方法(NMF)求取端元丰度, 通过太阳耀斑区的修正, 得到真实的溢油覆盖度。 分区混合端元的提取较好的解决了全局端元变异及环境适应性差的问题, 使精选后的端元具有更好的环境鲁棒性。 为更好地衡量该算法精度, 采用仿真数据与真实高光谱影像数据相结合进行实验验证。 仿真实验中, 人工设定溢油丰度, 使用均方根误差（RMSE）和丰度估计误差对比评估估计丰度与设定丰度之间的差别, 并设计了算法适应性和抗噪实验。 结果表明采用MNF和ICA两种高光谱压缩方法, 丰度估计误差均低于3%, 重构图像的最小均方根误差RMSE最高为0.030 6, 且具有较好的抗噪能力, 验证了该算法的有效性。 真实实验中, 使用2011年山东长岛溢油8景机载高光谱影像数据为真实测试数据, 由于真实遥感数据往往缺失地面同步丰度数据, 导致对算法精度进行评价比较困难, 使用仿真数据交互验证与目视解译数据相结合的方法进行精度评价, 通过耀斑区修正后估测的机载高光谱成像总的溢油覆盖面积为1.17 km2, 溢油覆盖度为22.85%, 与现场人工估测面积偏差为2.15%, 明显高于传统方法。 受海洋破碎波、 光谱变异性影响, 和航空航天遥感器地面分辨率的限制, 海洋溢油遥感中单个像元进行丰度解析是一个难题。 基于亚像元丰度分解思想, 讨论了海洋溢油覆盖度的问题, 提出一种较为完善的海洋溢油覆盖度的计算办法, 通过仿真数据和实际的高光谱溢油数据进行了方法的验证, 实现了较为客观的自动化溢油覆盖度（丰度）探测方法, 可以较为准确的估测海洋溢油的覆盖度, 对溢油遥感面积的业务化探测具有积极意义。

针对光学遥感手段无法探测云雾覆盖下绿潮分布区域这一现状问题, 本文着力于开展绿潮时空分布的监测研究, 获取了近三年五月中旬到八月中旬的GOCI(geostationary ocean color imager)数据, 基于该数据进行绿潮范围提取、绿潮漂移路径分析、精细化云区域提取和统计云覆盖情况, 分析云量覆盖对利用静止轨道卫星监测绿潮的影响程度, 进而从探测能力和动态能力两方面论证利用静止轨道卫星开展绿潮业务化监测的可行性。

全极化合成孔径雷达(SAR)具有丰富的极化信息, 对地物识别具有显著优势, 提出了一种顾及极化特征的SAR与中分光学影像融合的方法, 对全极化SAR影像进行极化目标分解, 采用改进的色度、饱和度、明度(HSV)变换方法融合极化特征波段与中分光学影像, 并基于面向对象的方法对融合影像进行地物分类。结果表明, 该融合方法优于传统单极化SAR与中分光学影像的HSV融合方法, 能够有效利用全极化SAR的极化纹理信息。面向对象分类方法能够降低SAR对融合影像的斑点噪声影响, 地物总体分类精度优于高分光学影像, 且对于极化信息敏感的地物, 其分类精度明显优于高分光学影像。

为了考察高光谱技术对海洋溢油种类的鉴别能力, 进行了模拟溢油实验。利用紫外三种波长光源(254nm、302nm、365nm)和可见光两种光源(日光灯和阳光)照射海水上的油墨, 使用AvaSpec-2048地物光谱仪采集5个油种(汽油、柴油、煤油、机油、花生油)的高光谱数据(200～1160nm), 基于这些数据, 通过PCA进行特征优化, 使用前10个主分量构建了支持向量机的油种识别模型, 使用网格法对支持向量机参数C和gamma进行参数寻优, 通过5折交叉验证法进行了结果测试。结果表明, 阳光下的光谱识别率最高, 日光灯下的识别效果最差, 三种紫外灯在波长302nm透射下识别率较高, 在254nm和365nm下的识别效果相当。由此可见, 在油种鉴别过程中光源的类型、照射方式、光强都会影响到油种的识别效果。

为利用不同油种的发光特性来探测海洋溢油，通过高光谱成像仪，在两种照明模式下采集了6种溢油油种的高光谱图像。基于33个波段构建了波段均值、波段差、波段比和归一化波段比4个辐射指数，提出了基于Fisher和PCA的模型共识的溢油高光谱特征选择方法，采用RBF-SVM模型对油种进行识别。比较发现，本文构建的基于光源混合、波段运算和模型共识的多模式融合方法，从不同侧面提高了模型的溢油识别能力，识别率达到了99.1%以上，比单一方法提高了10%以上。结果表明，多模式融合有效提高了海洋溢油的识别率。

针对夜间溢油探测问题，提出了一种通过紫外(UV)LED 诱导并基于高光谱波段差辐射指数的探测方法。通过高光谱成像仪，同步采集了紫外LED和卤素灯两种照明方式下的原油、乳化油和本底海水的高光谱图像。基于33个波段(400~720 nm)辐射值构建了波段差指数作为溢油鉴别特征。特征优化方面，通过增L 减R 法、Fisher法进行了有效波长的选择，通过多维尺度分析、主成分分析(PCA)、独立分量分析进行了波段特征提取，通过径向基函数-支持向量机模型对结果进行识别。结果表明，基于紫外LED的高光谱波段差指数的溢油探测模式，比卤素灯的波段均值识别率分别提高了6.01%和8.17%，因此紫外LED光源更适合夜间溢油及乳化的准确探测。并且，通过Fisher有效波长选择和通过PCA得到的特征组合两种方法识别效果相当，优选的3波段特征的紫外识别率分别达到了85.89%和87.02%，12特征的溢油准确率均达到了100%，通过Fisher法提取的有效波长(400~420 nm)，更适合于实际在线溢油探测。紫外诱导下高光谱的成像的海洋溢油鉴别模型，为夜间海洋溢油探测提供了一种快速鉴别方法。

利用石油及其产品具有的紫外荧光特性,搭建了一套紫外诱导多光谱成像系统。该系统主要由3个紫外诱导光源、8个滤波片和1个彩色CCD相机组成。采集了6种油品的多光谱图像,以有效光斑的24个颜色分量均值作为特征,提出了一种联合熵最大化的独立分量分析特征优化方法。K均值聚类和支持向量机识别结果表明,较改进前的ICA方法,该方法的特征优化性能得到了有效提高,油种识别率达到了92.3%。