Translated by Dr. Mengyi Jin

海上领域意识（Maritime Domain Awareness, MDA）在海事领域面临着诸多挑战。卫星技术的应用，为大范围、持续性的海域监测提供了重要支持。在该背景下，合成孔径雷达（SAR）因其全天候的能力而脱颖而出，广泛应用于环境监测、国防系统等多个领域。此外，卫星星座（satellite constellations）具备诸多优势，如全球覆盖、定期重访、远程可达以及海量数据获取能力（Sandau et al., 2010；Graziano et al., 2012）。

目前，海上交通监测（Maritime Traffic Monitoring, MTM）主要依赖于沿岸雷达和自动识别系统（AIS）等陆基系统，以及海岸警卫队和港口管理机构。AIS 是一种协作式系统，船舶所配备的发射器会将自身的身份、位置、航向等信息发送给岸基站，同时实现船舶与船舶之间的通信，以避免碰撞（Soldi et al., 2020）。该系统在极少数例外情形下可由船上人员停用，且其接收范围具有可变性，取决于信号传播条件、海况、发射与接收天线的高度以及船舶发射机的功率等因素。平均而言，AIS 接收网络能够实现约 40 海里的接收半径。此外，根据《国际海上人命安全公约》（SOLAS）V/19.2.4 条款的规定，所有从事国际航行、总吨位 300 及以上的船舶，以及所有客船（无论大小）均须强制安装该系统（NATO Shipping Centre, 2021）。为了有效管理那些不配合监测的船舶活动，必须采用具有类似功能的替代方案，例如从多种来源收集信息。卫星图像凭借其独特的太空视角，为补充现有信息来源、提升海上监管能力提供了有力支持。

例如，加纳的一项研究（Kurekin et al., 2019）利用 SAR 卫星数据监测不配合的船舶，并打击大规模非法捕鱼行为。研究结果显示，检测到的船舶中有超过75%属于不配合的类型。图1展示了从2016年7月至2017年12月期间所有检测到的船舶。其中，由 Sentinel-1 探测到的船舶中超过四分之三缺乏 AIS 关联，说明它们在未安装 AIS或者故意关闭了AIS的情况下航行。

本文接下来的部分将探讨三个关键内容：首先是卫星图像的获取过程；其次是船舶检测的一般方法；最后介绍如何对 SAR 图像进行增强，以提升海上领域意识。

如何获取卫星影像：以 Sentinel-1 为例

对 Sentinel-1 卫星运行方式的研究可以分为四种不同的方法（图 2），这些方法通过合成孔径雷达（SAR）获取影像（ESA, n.d.）。不同的成像技术提供了不同类型的数据，有助于理解海洋风场、波浪特征等现象。总体而言，这一过程类似于拼图，在各类碎片拼合后呈现出地球活动的全貌。

第一种方法称为波浪模式（Wave mode, WV），其获取的图像覆盖约 20×20 千米的范围，类似于卫星绕地球运行时从太空拍摄的快照。第二种方法是条带模式（StripMap, SM），能够生成分辨率高达 5×5 米的精细影像，就像在太空中拥有一台极为清晰的照相机。

第三种方法是干涉宽幅模式（Interferometric Wide-Swath, IW），其功能类似于“拼图整合器”，通过在较小时间间隔下获取图像，从而识别地表的变化，例如微小的移动或形变。最后一种方法是特宽幅模式（Extra-Wide-Swath, EW），它能够提供更广阔的视野，覆盖范围更大，但细节的清晰度相对不足。

此外，Sentinel-1 卫星提供多种级别的数据产品，分为 Level 0、Level 1 SLC、Level 1 GRD 和 Level 2 OCN。每一级分别对应着不同的数据处理阶段，这有助于加深我们对地球动态变化的理解。Level 0 表示未经处理的原始数据，这些数据是后续数据精炼的基础。Level 1 的数据更加容易使用，主要有两种格式：单视复数影像（Single Look Complex, SLC）和地面距离探测影像（Ground Range Detected, GRD）。前者利用额外的卫星数据进行精细校准，后者则通过进一步处理以提升其应用价值。Level 1 GRD 产品具有多种规格，可满足不同需求。最终，在 Level 2 阶段，之前阶段获得的数据被转化为更有价值的信息，包括详细的海洋风场和波浪特征等。

通过卫星图像进行船舶监测

在识别船舶时，可以使用来自不同卫星任务的数据进行初步的筛选和判别。例如，即使某些船舶不主动配合，只要能被SAR图像捕捉到就能被识别出来。

通常情况下，通过算法能够准确识别图像中的目标。然而，需要注意的是，这些算法可能会产生一定比例的误报（也称为“虚警”），即将海面的一部分错误地识别为船舶；同时，也可能发生漏报（或称为“漏警”），即将船舶错误地识别为海面的一部分。在这点上需要指出的是，如果通过调整算法减少漏报，可能会导致误报的增加，反之亦然。因此，接受一定数量的误报可以减少在识别过程中漏掉船舶的情况（Crisp, 2004）。图3展示了误报与漏报之间的关系，有助于理解两者在检测结果中的权衡机制。

如果是为了尽可能减少漏报率，可以采用阈值法（Paes et al., 2010；Lorenzzetti et al., 2010；Crisp, 2004）。该方法通过识别船舶在较暗背景下形成的亮像素簇来实现，通过设定一个像素强度的阈值来区分船舶像素与海洋像素。根据阈值选择的方法不同，一般分为两种技术：一种是在整幅影像上采用统一的阈值；另一种则是在影像内部采用自适应调整的阈值。

在第二种技术中，通常使用恒虚警率（Constant False Alarm Rate, CFAR）来维持稳定的误报率（Crisp, 2004）。具体而言，影像通过三种不同的“窗口”进行扫描，即背景窗口、保护窗口和目标窗口（见图 4）。通过将目标窗口与背景窗口和保护窗口内的像素亮度作比较，可以检测出船舶等亮目标的存在。为了实现这一点，需要在影像的每个位置计算目标窗口内像素的平均亮度，并将该平均值与对外层框像素进行统计分析所得到的阈值进行比较，从而确保在整个过程中误报率保持稳定。

使用 Sentinel 应用平台（SNAP）进行 SAR 图像分析

在处理数据产品时，通常需要对数据进行可视化和分析。为此，可以使用开源软件 SNAP（ESA, n.d. ）。

接下来将以图 5 中的 SAR 图像（IW模式，Level 1 SLC）为例进行说明。需要注意的是，该图像的视图是翻转的，这是因为它是在卫星升轨过程中获取的，即卫星沿着由南向北的路径飞行。因此，图像中的像素呈现了数据的获取顺序。此外，如果分析的重点是某个相对较小的区域，可以采用特定的流程进行处理。这样可以避免处理整幅图像，从而显著减少处理时间。

在 IW 模式下，通过渐进扫描SAR地形观测技术（TOPSAR）获取三个子幅面。TOPSAR 方法不仅在距离方向上调整波束（类似于 ScanSAR），还在每个脉冲周期中沿方位方向（即水平“线”方向）将波束从后向前进行电子扫描，从而避免了扇贝效应（scalloping），并保证整个幅面范围内影像质量的一致性（De Zan 和 Monti Guarnieri，2006）。利用 SNAP 进行去脉冲（de-burst）处理，可以实现脉冲合并，进而完成子幅面的拼接，从而生成完整的产品。该过程的结果如图 6 所示。

去突发后的图像产品可以用于在目标海域中检测物体。SNAP 提供了地面区域屏蔽功能，可以将不相关的陆地区域排除在分析之外，同时还能扩展海岸线，以减少其附近的误报数量。此外，通过调整 CFAR（恒虚警率）算法的窗口大小，可以根据设定的船舶最小和最大尺寸，过滤掉误识别的目标。

为了进一步优化船舶检测效果，还需要进行性能分析以尽可能减少漏报（例如在 CFAR 算法中），即使这意味着需要接受一定比例的误报。图 7 展示了船舶检测的结果示例。

随后，可以将 SNAP 中的分析结果导出，并在 QGIS 或 Google Earth 中进行进一步处理和可视化（见图 8）

结论

随着海上交通的快速发展，船舶数量的增加不可避免地提升了海上违规行为的发生频率，也加剧了发生环境灾难性船舶事故的风险。借助卫星遥感等空间任务，可以对历史信息和船舶的常规行为进行比对，从而识别异常行为和潜在的安全风险。这种方式能够提供实时且易于获取的信息，有助于识别可能的危险，从而协助相关部门制定应对措施、拦截责任船舶，并在复杂环境中规划安全航线。因此，卫星数据能够帮助海事行业提升认知能力、预判风险、触发预警机制，并提高海上作业的效率。