基于星载雷达图像的海上风力涡轮机动态检测方法的研究

沙特国王大学学报通过空间机器学习从星载合成孔径雷达图像动态检测海上风力涡轮机徐志火a，张宏晨a，b，王月霞a，王晓霞a，薛帅康a，b，刘伟学aa南通大学交通学院雷达遥感组，江苏省南通市崇川区色园9路，邮编：226019b江苏省南通市崇川区色园9路南通大学信息科学与技术学院226019阿提奇莱因福奥文章历史记录：2022年1月9日收到2022年2月27日修订2022年2月28日接受2022年3月17日在线提供保留字：空间机器学习合 成 孔 径 雷 达 图 像 恒 虚 警 率（CFAR）随机森林（RF）谷歌地球引擎（GEE）A B S T R A C T为了改变传统火力发电碳排放量过大的能源供应结构，全球范围内越来越多的海上风力发电机组正在安装并投入运行。然而，海上风电机组的动态监测仍然是一个新兴的问题to be solved解决at a global全球scale规模.提出了一种基于Sentinel-1星载合成孔径雷达（SAR）数据的海上风力发电机动态检测方法。首先，对雷达图像进行预处理，去除相干斑噪声和海浪杂波;具体地说，该方法首先对时间序列雷达数据按月间隔进行累积平均，消除舰船等临时运动目标的影响;然后采用改进的Lee滤波器抑制斑点噪声;最后采用恒虚警率（CFAR）技术抑制海浪杂波对图像的影响然后，精心选择具有代表性的数据作为标记的训练数据集;并在Google EarthEngine（GEE）云计算平台上训练随机森林（RF）模型验证表明，总体准确度为99.99%，生产者准确度为100%，用户准确度为94.12%。然后，提出了基于数学形态学的时间序列空间数据微分法，用于监测风力发电机组的变化。最后，利用该方法对2015 - 2021年中国黄海和欧洲北海海上风电场的动态变化进行了监测。与地面实况数据的交叉比较显示，海上风力涡轮机动态检测的大量实验结果表明，该方法具有监测范围大、精度高的优点，可用于海上风电机组的全局动态检测©2022作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍风能开发可以改变传统火力发电二氧化碳气体排放超标的局面与陆基风能相比，海上风能更丰富和持久（Hasager 等人，2015年）。预计*通讯作者。电子邮件地址：venus@ntu.edu.cn（Y. Wang）。沙特国王大学负责同行审查到2030年底，全球海上风能总容量将增加到超过2.34亿瓦（郑例如，2016年）。然而，海上风电场建在海上，运行环境高盐度、高湿度，易受海上大锋面天气过程和海陆不稳定天气过程等自然灾害的影 响 ， 海 上 风 电 场 设 备 容 易 发 生 故 障 ， 甚 至 烧 毁 整 个 风 塔（Vanhellemont andRuddick，2014）。因此，在大规模部署后，如何动态检测风力涡轮机设备已成为限制海上风电有效性的挑战之一（Medina-Lopez等人， 2021年）。为此，本研究首先对当前最先进的作品进行了调查，并在第2节中提出了动机;然后在第3节中详细描述了材料和方法。第4节介绍了结果和验证。最后，在第5节中得出结论。https://doi.org/10.1016/j.jksuci.2022.02.0271319-1578/©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comZ. Xu，H. Zhang， Y. Wang等人沙特国王大学学报16752. 相关作品和动机2.1. 相关作品为了在局部范围内检测风电场，已使用内场振动测量传感器，例如常规应变仪、照相测量法和激光干涉测量法来监测大型风力涡轮机的动态响应（Tchakoua等人，2014年）。出于监测的目的，提出了对来自Lillgrund海上风电场的监督控制和数据采集（SCADA）提取物的分析（ Papatheou 等人， 2015 年）。 随后，提出了用于基于SCADA数据识别即将发生的风力涡轮机叶片断裂的深度自动编码器模型（Wang等人， 2016年）。Wang和Zhang使用扩展的cas-cading分类器（Wang和Zhang，2017），应用无人驾驶飞行器检测风力涡轮机叶片表面的对于潜在的全球监测，正在开发遥感技术，以探测海上风力涡轮机。光学卫星数据具有统一的质量和全球覆盖范围，因此可用于评估海上平台的全球分布情况。 在Liu等人的一项研究中，利用时间序列Landsat-8操作陆地成像仪数据，开发了一种自动提取方法，以成功地识别世界上的海上平台（Liu等人，2019年）。不幸的是，基于光学图像的海上平台检测经常受到海上厚云层的影响（Liu等人，2016年）。相比之下，合成孔径雷达（SAR）可以穿透大气中的雨和云（Vatsavayi和Kondaveeti，2018年; Xu和Wang，2020年; Singh等人，2021年）。现有的研究表明，海上平台的位置可以通过使用SAR数据准确估计（Casadio等人，2012年）。因此，我们认为，neous sea clutter（Gao and Shi，2017）。为了从RadarSat-2 SAR图像中提取海上平台，提出了一种基于信息熵理论的最大熵双参数恒虚警率方法（Wang et al.，2019年）。基于CFAR，最近开发了一种云原生SAR算法，用于使用SAR自动检测和提取墨西哥湾的海上石油平台（Wong等人，2019年）。总之，表1报告了不同方法的优点和局限性。2.2. 动机和贡献在实际应用中，虽然恒虚警处理对海杂波有一定的抑制作用，但SAR图像中仍然存在一定的海杂波残留。这是因为海上风力涡轮机是图像中的点目标。如果CFAR的虚警率设置得较低，海杂波将进一步降低，但同时将减轻海上风力发电机的能量。如果虚警率设置得过高，海杂波就不能得到有效抑制。也就是说，由于残留海杂波的存在，SAR图像中以点目标形式存在的海上风电机组的检测不再是简单的二值假设问题。因此，这些残留的海杂波限制了当前最先进方法的性能。因此，本工作首先旨在开发一种空间机器学习，即随机森林（RF）模型，以从Sentinel-1 SAR数据中鲁棒地识别离岸风力涡轮机。RF创建了一个大的不相关决策树集合（Kidnu和DraKidnugu，t，2016）。的表1不同方法的优缺点Sentinel-1 SAR和TerraSAR-X SAR被用于研究大气中的德国湾方法优点和局限性（Djath等人， 2018年）。海上风力涡轮机通常被认为是SAR图像中的点目标，因此似乎很容易被检测到。然而，在这方面，基于内场测量光学卫星基于图像实时局部标度全球范围易受云层覆盖和海浪SAR图像经常受到海杂波的影响（Badger等人，2019年），这对海上风电机组的提取提出了巨大挑战，如图1所示。因此，将恒虚警率（CFAR）应用于非均匀背景下的海上目标检测SAR卫星图像全球规模和无云易受海浪影响Fig. 1. 海浪和风力涡轮机的雷达成像。(a)风力涡轮机上的雷达主要后向散射响应;（b）SAR图像。Z. Xu，H. Zhang， Y. Wang等人沙特国王大学学报1676最后的分类是通过合并所有的树来完成的，因此RF克服了过拟合并且不受噪声的影响。因此，这种RF分类器由于其分类精度而在遥感界很受欢迎，并且广泛用于遥感数据的目标分类（Ebrahimy等人，2021;Wang等人， 2022年）。 此外，时间序列SAR数据采集预处理，以减少斑点噪声和波杂波。其次，提出了基于数学形态学的时间序列空间数据微分法用于风力发电机组动态监测。最后，利用所提出的方法对中国黄海和欧洲北海两个具有代表性的区域进行了研究表2本研究中使用的Sentinel-1 SAR数据的详细信息。SAR图像中国黄海欧洲北海201527793201668148120176028242018582616201910624922020130271620211312853从2015年到2021年。这项工作的所有上述任务都是通过使用基于云的谷歌地球引擎（GEE ）平台来实现的（Gorelick 等人， 2017年）。这项工作的主要贡献归纳如下：提出了一种简单有效的SAR图像去噪和海浪杂波方法。一 个 在 全 球 范 围 内 工 作 的 随 机 森 林 模 型 是 在 Google EarthEngine中开发的。提出了一种基于数学形态学的时间序列空间数据验证表明总体准确度为99.99%，生产商准确度为100%，用户准确度为94.12%。与地面实况数据的交叉比较显示，2015年至2021年中国黄海和欧洲北海3. 材料和方法3.1. 数据集Sentinel-1由Sentinel-1A和Sentinel- 1B两颗卫星组成，它们共享同一轨道平面，SAR雷达运行图二. 所提出的方法的程序。●●●●●Z. Xu，H. Zhang， Y. Wang等人沙特国王大学学报1677以提供全天候和全天数据收集（Torres等人，2012年）。哨兵-1的重访周期为12天。通过协调哨兵1号的两颗卫星，同一地区的重访周期可缩短至6天。在Sentinel-1 SAR收集的免费和开放获取数据的推动下，越来越广泛的应用正在扩展，例如海洋和陆地变化监测以及环境灾害的应急响应。Sentinel-1 SAR数据的辐射分辨率在干涉宽度模式下为10 m。基于自由开放获取、高分辨率和高覆盖率的优势，本研究使用了具有垂直发射-垂直接收偏振（VV）和垂直发射-水平接收偏振（VH）波段的Sentinel-1图像。本研究以中国黄海和欧洲北海两个具有代表性的区域为研究对象。表2总结了本研究中使用的雷达图像的详细信息此外，将所提出的方法的结果与Google光学图像和全球海上风力农场数据库由4C Offshore提供（https://map.4coff-shore.com/offshorewind/）。3.2. 方法本研究中提出的方法及其处理流程如图2所示。该方法包括数据预处理、空间机器学习方法建模、海上风电机组动态变化检测，以及在中国黄海和欧洲北海的具体应用实例。3.2.1. 数据预处理当SAR卫星飞过观测海域时，海上也有运动的舰船目标通过对观测数据的时间积累，可以消除这种临时运动目标时间序列SAR数据根据以下公式图三.风力发电机组检测的数据预处理。(a)SAR原始数据;（b）Lee滤波后;（c）通过CFAR减轻海浪杂波后。Z. Xu，H. Zhang， Y. Wang等人沙特国王大学学报16782.X×BC¼lnK¼-N ln-bXi=b;105D. b2π/4-N=bXi1/11/1每月间隔一次，以消除移动临时物体，如船只。由于单个散射体在分辨率内的相对相位.2Σ . XN ！2对于SAR图像，斑点噪声也会影响SAR图像（Xuet al.，2019; Singh和Shree，2020）。因此，下一步使用改进的Lee滤波器（Lee等人， 2009）以减少时间散斑时间序列数据中的噪声关于b2的最大似然函数可以通过导出上述等式的导数等于零来求解，即虽然SAR与云无关，但观测误差可以通过不同入射角的海浪散射引入（见图3（a））。因此，受影响的图像d科隆二 、XN ！4海浪杂波也使用恒定虚警率（CFAR）技术来减少（Richards，2014）。假的概率单个数据样本的报警公式为上面的等式生成海浪杂波功率的最佳估计为：PFA 1/4e-T=b;1/4ecb2¼N1/1xi！=N：107其中T是检测阈值，b2是噪声和海浪杂波的功率。阈值与b2成比例，可以写为T¼ab2：12秒其中α是期望的虚警概率的函数对于海上风力涡轮机检测，海浪杂波的功率b2随时间和区域而变化因此，有必要评估-用于更新检测阈值的配对B2假设海浪杂波是独立同分布的，单元xi的概率密度函数（PDF）为：px1e-xi=b2;3最后，阈值更新为时间：2018-02-08在本研究中，具有误报率的风力涡轮机检测被设置为PFA 10- 5，并且滑动计算窗口大小被设置为13 13对于CAFR方法，其产生良好的权衡在减轻海浪杂波和保护风力涡轮机目标之间。 图图3展示了在对海浪杂波进行调制之前和之后的图。从图中可以看出，CFAR方法有效地去除了图像中的海浪杂波分量，而图像中仍然保留了风轮的目标信息Xiib2假设被测单元的相邻单元中的N也独立同分布，则这N个样本的联合PDF为. XN ！23.2.2. 使用随机森林的如图3（c）所示，SAR图像在海杂波抑制后仍有一定量的海杂波残留。 因此，海上风力涡轮机的识别是而不是简单的二进制检测问题 随机森林分类器px100%1e-二氮化硼Xi1/1=b;400可以不受噪声影响，从而减小方差。因此，我们认为，随机森林分类器被应用于提取离岸风力涡轮机。其中x是N个样本的向量。然后，对数似然函数为仔细选择代表性数据作为标记训练数据集。随机森林将多个决策树的输出组合在一起，以获得单一结果，并可用于处理算法1：随机森林分类器。--=b 1/4;1/6Z. Xu，H. Zhang， Y. Wang等人沙特国王大学学报1679ð Þ ðÞ图四、 案例研究领域。（a）中国黄海;（b）欧洲北海表3可重复的代码和结果。对应结果1. PrintImageNumber表22. 预处理图 33. 准确度评价表4，图 54. 中国黄海无花果六、八、九、十一5. 欧洲北海无花果七、十、十二分类和回归问题。假设树的数目为M，随机森林分类器的主要步骤在算法1中给出。分类后，混淆矩阵用于评估随机森林分类器的性能。准确性度量包括总体准确性、Kappa系数、遗漏错误和委托错误。具体而言，通过将正确分类的值的总和除以值的总数来计算总体准确度。kappa系数测量分类值和真实值之间的一致性。佣金的误差是预测属于某个人的价值的比例。图五. 模型相对于树木数量的准确性。类别，但不是这个类别。然而，遗漏错误是属于一个类别但被预测属于另一个类别的值的比例。3.2.3. 海上风电机组在对风机进行识别后，提出了基于数学形态学的时间序列空间数据微分方法，用于监测风机的变化。假设分类图像在时间t为At，并且在下一间隔时间为At≥ 1tt 1，首先对At和At1执行扩张操作，以生成分别得出D At和D At 1。然后进行微分，rD¼DAt1-DAt9最后，腐蚀操作应用于微分数据，以去除不需要的残差。3.3. 为例所提出的方法适用于海上风电场的识别和监测的动态变化，在世界上最大的两个经济体，中国和欧洲。如图4所示，研究区域为中国黄海和欧洲北海。于二零二一年十二月九日，位于中国黄海的800兆瓦海上风电场的全部200台涡轮机于中国南通如东并网。这是中国在建海上风电项目中单机容量最大、风机数量最多、离岸距离最远、220千伏海缆线路最长的海上风电场。欧洲北海毗邻欧洲主要发达国家。英国、德国、荷兰、比利时、丹麦等国自2010年起陆续在北海建设海上风电场，迄今海上发电量可达11，829. 2兆瓦。因此，这两个区域很好地代表了动态监测海上风力涡轮机。3.4. 实现细节所提出的方法的代码模块在GEE云平台上以JavaScript实现，并且可在Z. Xu，H. Zhang， Y. Wang等人沙特国王大学学报1680见图6。 中国黄海海上风力发电机的识别https://code.earthengine.google.com/?accept_repo=users/ymwith-earth/CodeofOWT。如果感兴趣的读者之前没有在GEE注册，则需要先在Google注册申请使用。用于数据处理的代码模块写在一个名为方法的文件中。主要处理模块包括斑点噪声抑制、海浪杂波抑制、空间机器学习、基于数学形态学的时间序列数据空间微分以及输出图像结果等。表3中总结了可再现代码及其相应结果的详细信息。对于随机森林超参数的调整，以下经验值可以得到令人满意的结果。随机森林模型通过使用0的随机化种子来训练。之比每棵树的输入袋数为0.5。如第2节所述，残余海浪杂波以噪声的形式影响分类结果。因此，模型的最大深度为3。最重要的是，模型性能的关键是数量-一棵树。更多的树将随机噪声从验证集中去除然而，更多的树将导致更多的计算需求，但不一定会产生更好的结果。图5示出了模型相对于树的数量的准确性。因此，树的数量被设置为5，导致最高的精度。关于计算量，训练过程和在大型地理空间数据集上建模的实际应用是计算密集型的。幸运的是，GEE会自动将这些巨大的计算负担从本地用户转移到Google Cloud服务器。因此，模型的运行时间在很大程度上取决于本地服务器和Google Cloud基础设施之间的网络通信效率。对于中国黄河和欧洲北海海上风电机组的5年动态检测，该代码在约2分钟内输出最终结果。Z. Xu，H. Zhang， Y. Wang等人沙特国王大学学报1681见图7。 欧洲北海海上风力涡轮机的鉴定表4海上风力发电机组识别精度评估混淆矩阵。参考数据风力涡轮机非风力涡轮机总用户精度测试数据风力涡轮机483510.9412非风力涡轮机01685371685371总48168540168588生产商精度1≈1Z. Xu，H. Zhang， Y. Wang等人沙特国王大学学报1682见图8。 与4C Offshore提供的Google光学图像和地面实况数据进行比较。4. 结果和讨论4.1. 中国黄海和欧洲北海首先，海上风力涡轮机的识别如图所示。 6为中国黄海，并在图。 7北海欧洲，分别。海上风电场分布广泛，无法在GEE平台内部很好地展示结果。当放大到一定比例时，许多风力涡轮机彼此重叠，当缩小时，一张地图无法显示所有检测到的风力涡轮机的分布。因此，检测到的风机以表格的形式输出。可重现的数据可在https：//Z. Xu，H. Zhang， Y. Wang等人沙特国王大学学报1683github.com/Z-H-XU/IdentificationOWT网站。然后是一个免费的开源地理信息系统（GIS），QGIS（https：//www. qgis.org/en/site/），应用于在GIS地图上显示所有检测到的海上风力涡轮机。如图1A和1B所示。在图6和图7中，大量海上风力涡轮机被成功识别。为了便于观察，图7中放大显示了北海的七个海上风电场。识别出的海上风电机组的规则和整齐的分布定性地反映了所提出的方法的有效性。4.2. 精度评估本研究的目的之一是提出一种机器学习方法，可以应用于识别离岸风力发电场在全球范围内。一旦模型被构建和训练，相同的机器模型就可以用于目标识别，而不管空间和时间区域。好处是，一旦模型经过训练，它可以在不同地区推广，从而实现全球应用。图9.第九条。使用4C Offshore的地面真实数据进行验证见图10。与4C Offshore地面实况数据的比较。Z. Xu，H. Zhang， Y. Wang等人沙特国王大学学报1684随机森林模型中的树的数量影响性能指标。当树的数目等于或大于5时，模型的性能达到饱和。因此，本研究中的随机森林中的树的数量被设置为5。标记数据分为训练组和验证组，60%用于训练，40%用于验证。利用混淆矩阵进行准确性评估。结果报告于表4中。总体准确度为99.99%，生产商准确度为100%（遗漏误差= 0%），用户4.3. 与其他来源的对于更靠近岸边的海上风力涡轮机，水深较浅，因此可以从谷歌光学图像中看到海上风力涡轮机。对于离岸风力涡轮机更接近岸边，水深较浅，因此可以从谷歌光学图像中看到离岸风力涡轮机。这些光学图像可以为本研究结果提供直接的比较数据来源。图8显示了这项研究的结果与谷歌光学图像和地面实况数据之间的完美匹配。这直观地验证了所提出的方法的有效性表52015 - 2021年海上风电机组动态检测。年份风力涡轮机中国黄海欧洲北海利用地面实况数据对中国黄海和欧洲北海的识别结果进行了验证。图9和10证明了验证结果。值得一提的是，地面实况数据的蓝色和深蓝色区域目前正在规划或开发中（见图中的图例）。因此，目前还没有海上风力涡轮机。结果表明，该方法的识别结果与地面实测数据基本一致。4.4. 海上风力发电机组本研究旨在反映可再生能源发展驱动下海上风力发电机组的动态变化欧洲和中国都确立了应对全球变暖的雄心。使用所提出的动态监测方法，风力涡轮机的变化如表5所示。图图11和图12分别绘制了中国黄海和欧洲北海海上风力涡轮机的部分动态变化。中国和欧洲都为应对气候变化加快了离岸风力发电机的建设自2015年以来，开发了越来越多的海上风力涡轮机根据表5的结果，中国黄海已建造了2120台海上风力涡轮机，欧洲北海已建造了3649台海上风力涡轮机与4C Offshore的地面实况数据库相比，本研究的准确率为93.67%。研究结果与可再生能源政策的实施增加了海上风电场面积的结论高度一致5. 结论海上风力发电机组的动态检测对于海上风能开发的可持续管理至关重要在这项研究中，我们开发了一种有效的方法来识别海上风力涡轮机在全球范围内，使用Sentinel-1 SAR。潜力-尽管SAR是一种见图11。 黄海近海风力发电机组的动态变化。2015197172020162381853201745419722018619264720199253107202013973353Sentinel-1 SAR时间序列数据的初步使用可以识别风202121203649涡轮机从海洋。在海浪的作用下，Z. Xu，H. Zhang， Y. Wang等人沙特国王大学学报1685见图12。 北海海上风力涡轮机的动态变化。无云系统因此，该方法首先利用恒虚警率（CFAR）对一次波杂波进行然而，为了保留风力发电机的目标信息，采用CFAR方法不能过度去除海杂波。残余海杂波类似于噪声的存在，因此本研究使用噪声免疫机器学习方法随机森林来识别近海Z. Xu，H. Zhang， Y. Wang等人沙特国王大学学报1686风力涡轮机在此基础上，提出了一种基于数学形态学的空间数据差分方法，用于海上风电机组的动态监测。所提出的方法已应用于两个典型的区域，中国黄海和欧洲北海。该研究结果与地面实况数据相匹配，并在海上风能管理和风力涡轮机状态预警方面显示出前景。在此基础上，我们未来的工作将考虑使用Sentinel 1A和Sentinel 1B卫星反演海上风电场的高度变化，这将为海上风电场提供更丰富的动态信息。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。致谢这项工作得到了国家自然科学基金61801247和42005100的部分资助。作者还想向欧洲航天局（ESA）表示衷心的感谢，感谢他们提供免费和完全开放的Sentinel-1 SAR数据。谷歌为我们提供了免费访问谷歌地球引擎，QGIS为免费和开源的地理信息系统。引用Badger，M.，Ahsbahs，T.，Maule，P.，卡拉加利岛2019.海上风资源评估中SAR数据序列的相互校准。遥感环境。232，111316。M. ，博 士 ， 2016 年 。 遥 感 中 的 随 机 森 林 ： 应 用 和 未 来 方 向 的 回 顾 。 ISPRS J.Photogrammetry Remote Sens. 114，24-31.Casadio，S.，阿里诺岛Minchella，A.，2012年。 使用ATSR和SAR测量监测和表征海上平台夜间天然气燃烧：北海试验案例。遥感环境。123，175-186。Djath，B.，Schulz-Stellenfleth，J.，Cañadillas，B.，2018.大气稳定性的影响海上风电场尾迹的X波段和C波段合成孔径雷达图像。J. Renew。坚持住。能源10，043301。Ebrahimy，H.，Mirbagheri，B.，Matkan，A.A.，Azadbakht，M.，2021.每像素土地覆盖精度预测：一种基于有限参考样本数据的随机森林方法。 国际摄影测量和遥感学会摄影测量遥感。172，17-27。高，G.，Shi，G.，2017.基于陷波器的极化SAR数据在非均匀海杂波中的恒虚警舰船检测。IEEE地球科学学报RemoteSens. 55，4811-4824.戈雷利克，Hancher，M.，狄克逊，M.，Ilyushchenko，S.，Thau，D.，摩尔河，2017.Google Earth Engine：为每个人提供行星级地理空间分析。遥感环境。202页，18-27。Hasager，C.B.，Mouche，A.，Badger，M.，宾格尔，F.，卡拉加利岛Driesenaar，T.，Stoffelen，A.，Peña，A.，Longépé，N.，2015.基于协同使用Envisat ASAR、ASCAT和QuikSCAT的海上风气候学。远程传感器Environ. 156，247-263。李，J.S.，温，J.H.，安斯沃思，T.，Chen，K.S.，Chen，A.，2009.改进的Sigma滤波器SAR图像的斑点滤波。IEEE地球科学学报Remote Sens. 47，202- 213.Liu，Y.，Hu，C.，董，Y.，徐，B.，Zhan，W.，孙角，澳-地2019年。海洋上空遥感图像的几何精度：全球近海平台的使用。远程传感器Environ. 222，244-266。Liu，Y.，孙角，澳-地杨，Y.，周，M.，Zhan，W.，Cheng，W.，2016年。使用时间序列Landsat-8业务陆地成像仪数据自动提取海上平台。遥感环境。175，73-91。Medina-Lopez，E.，McMillan，D.，Lazic，J.，Hart，E.，Zen，S.，Angeloudis，A.，Bannon，E.，Browell，J.，Dorling，S.，多雷尔河福斯特河，老，C.，佩恩，G.，波特，G.，Rabaneda，A.，Sellar，B.，Tapoglou，E.，Trifonova，N.，伍德豪斯岛，Zampollo，A.，2021年海上可再生能源部门的卫星数据：协同作用和创新机会。远程传感器Environ. 264，112588。Papatheou，E.，Dervilis，N.，Maguire，A.E.，安东尼亚杜岛沃登，K.，2015.新型Lillgrund海上风电场的性能监测方法。IEEE工业电子学报，62，6636-6644。Richards，MA，2014.雷达信号处理基础。麦格劳-希尔教育辛格，P.，Shree河， 2020. 基于同态和噪声阈值的各向异性扩散sar图像降斑新方法。J.沙特国王大学- Comput. INF. Sci. 32，137https://doi.org/10.1016/j.jksuci.2017.06.006网站。辛格，P.，Shree河，Diwakar，M.， 2021. 基于相关融合和噪声阈值的sar图像相干斑抑制新方法。J.沙特国王大学-Comput.INF.Sci.33，313https://doi.org/10.1016/j.jksuci.2018.03.009网站。Tchakoua，P.，Wamkeue河，Ouhrouche，M.，Slaoui-Hasnaoui，F.，T.A.塔梅吉，Ekemb，G.，2014.风力涡轮机状态监测：最先进的回顾，新趋势和未来的挑战。 能源7，2595-2630。托雷斯河，Snoeij，P.，Geudtner，D.，毕比，D.，戴维森，M.，Attema，E.，Potin，P. ， Rommen ， B. ， Floury ， N. ， 布 朗 ， M. ， 特 拉 沃 ， I. N. Deghaye ， P. ，Duesmann，B.，Rosich，B.，米兰达，N.，布鲁诺角， 克罗西河，Pietropaolo，A.，Huchler，M.，Rostan，F.，2012. GMES哨兵-1任务。遥感环境。120，9-24。https://doi.org/10.1016/j.rse.2011.05.028网站。Vanhellemont，Q.，Ruddick，K.，2014.陆地卫星8号观测到的与海上风力涡轮机相关 的 混 浊 尾 流 远 程 传 感 器 Environ.145 ， 105 网 址 ： http ：//doi.org/10.1016/j.rse.2014.01.009Vatsavayi，V.K.，Kondaveeti，H.K.，2018. 基于mecsm表示的isar图像有效分类。J.沙特国王大学- Comput.信息科学30，356-372. https://doi.org/10.1016/j.jksuci.2016.07.004网站。Wang，L.，美国，张志，2017.基于无人机拍摄图像的风力机叶片表面裂纹自动检测IEEE Trans.工业电子学。64，7293https://doi.org/10.1109/TIE.2017.2682037网站。Wang，L.，美国，张志，徐，J，刘，R.，2016.用深度自动编码器监测风力涡轮机叶片破损。IEEE Trans. 智能电网9，2824-2833。王建奎，张杰，Su，F.，2019年。 基于RadarSat-2 SAR图像的海洋平台提取：基于最大熵的双参数恒虚警方法。熵值21，556。王，X.，文志，Liu，G.，陶，H.，宋，K.，2022. 利用陆地卫星图像和权重随机森林模型对中国主要河口总悬浮物的遥感估算。ISPRS J. Photogrammetry Remote Sens. 183，94-110.https://doi.org/10.1016/j.isprsjprs.2021.11.001网站。黄，B.A.，托马斯，C.，Halpin，P.，2019.使用合成孔径雷达和谷歌地球引擎自动提取离岸基础设施。遥感环境。233,.https://doi.org/10.1016/j.rse.2019.111412www.example.com徐志，Li，H.C.，施，Q，王，H.，魏，M.，施，J.，Shao，Y.，美国，2019.旁瓣抑制对SAR图像理解的影响分析及谱权值优化。美国电气与电子工程师学会杂志应用地球观测器远程传感器12，3434- 3444。徐志，王玉，2020年。崇明生态岛人工林变化高分辨率制图的雷达卫星影像时间序列分析远程传感器12，3438。Zheng，C.W.，Li，C.Y.，潘杰，刘敏仪Xia，L.L.，2016.全球海洋风能资源评估概述。续订。坚持住。《能源评论》53，1240-1251。