Oil Spill Detection

从 SAR 暗斑中筛选疑似油膜，结合风场、形状、纹理、船舶和自然 slick 线索输出人工复核候选。 输出辅助分析、候选对象和证据；涉及行政、工程、安全或事故归因必须人工复核。

Trigger

Use when the user wants to:

• 识别 SAR 影像中的疑似油膜范围
• 筛选近岸 SAR 暗斑并按可信度排序
• 结合风场和 AIS 数据过滤误报
• 生成人工复核任务清单
• 评估不同检测方法的效果

CLI Usage

# 合成演示模式（无需输入文件）
python scripts/oil_spill_detection.py --output-dir ./osd-output

# 指定检测方法
python scripts/oil_spill_detection.py --method threshold_adaptive --output-dir ./osd-output

# 自定义最小面积和置信度阈值
python scripts/oil_spill_detection.py --min-area 2000.0 --confidence-threshold 0.5 --output-dir ./osd-output

# 自适应阈值分割
python scripts/oil_spill_detection.py --method threshold_adaptive --grid-size 200 --output-dir ./osd-output

Parameters

Parameter	Default	Description
--input-dir	None	输入数据目录 (省略则使用合成数据)
--output-dir	osd-output	输出目录
--method	threshold_basic	检测方法 (threshold_basic/threshold_adaptive/multi_feature)
--min-area	1000.0	最小暗斑面积 m²
--confidence-threshold	0.4	置信度阈值
--grid-size	200	合成数据网格大小
--models-config	None	模型参数 JSON 文件路径

Output

File	Description
dark_spots.geojson	所有检测到的暗斑矢量
oil_candidates.geojson	高置信度疑似油膜候选
confidence.npy	置信度栅格 [0, 1]
feature_table.csv	暗斑特征表
review_report.txt	人工复核报告
request.json	分析请求元数据
dataset-manifest.json	数据集清单
output-manifest.json	输出文件清单
qa.json	质量保证检查

Key Algorithms

暗斑分割

方法	原理	适用场景
基础阈值	后向散射 < 均值 - σ×N 且 < 全局阈值	均匀海面
自适应阈值	基于局部统计的自适应阈值	非均匀海面

特征提取

特征类别	特征	物理意义
形状	紧凑度、伸长率、实心度	油膜通常伸长、中等紧凑
纹理	均值、标准差、背景对比度	油膜均匀且明显暗于背景
风场	风速分区	3-10 m/s 最佳检测区间
船舶	AIS 距离	近距离船舶增加油膜可能

误报过滤

误报来源	过滤策略
低风区	风速 < 3 m/s 标记为低置信度
雨胞	圆形 + 高实心度 → rain_cell 指示
内波	低风 + 高伸长率 → internal wave 指示
生物膜	近岸 + 条带 → coastal streak 指示

置信度分级

等级	范围	含义
极低	0.0 - 0.2	不太可能是油膜
低	0.2 - 0.4	少量油膜证据
中等	0.4 - 0.6	中等油膜证据，建议复核
高	0.6 - 0.8	较强油膜证据，建议优先复核
极高	0.8 - 1.0	强油膜证据，强烈建议复核

Exit Codes

Code	Meaning
0	成功
2	参数错误
3	依赖缺失
6	数据校验失败
7	处理失败

Important Limitations

• 暗斑不等于油膜：输出始终称疑似油膜，暗斑只是检测起点
• 合成数据非真实观测：演示模式使用合成数据，仅用于流程验证
• AIS 数据缺失时不强行归因船舶：无 AIS 时返回中性置信度
• SAR 几何门槛高：MVP 支持外部已校准 SAR 数据
• 分辨率限制：免费 SAR 分辨率可能不足以识别小范围油膜
• 非最终认定：输出疑似油膜概率和审核状态，不声称最终结论

References

• Solberg et al. (2007) — Oil spill detection in Radarsat and Envisat SAR images
• Fiscella et al. (2000) — Oil spill detection using neural networks and SAR data
• Migliaccio et al. (2007) — A physical approach for oil spill detection in SAR imagery
• ESA (2020) — SAR oil spill monitoring guidelines

数据下载

本 skill 可自动从 Microsoft Planetary Computer 下载数据 (无需 API key):

python oil_spill_detection.py --bbox 116,39,117,40 --date-range 2024-06-01,2024-06-30 --output-dir <tmp>

• --bbox W,S,E,N: WGS-84 边界框 (西, 南, 东, 北)
• --date-range START,END: 日期范围 (YYYY-MM-DD,YYYY-MM-DD)
• --aoi-file <path.geojson>: 替代 --bbox 的 GeoJSON 多边形
• --cache-dir <path>: 缓存目录 (默认 ~/.geoskill_cache)

当用户只给 --bbox + --date-range (没有 --sar) 时，skill 自动下载数据。 当用户给 --sar 时，走原文件路径 (向后兼容)。