ΜΙΑ ΝΕΑ ΜΕΘΟΔΟΣ ΑΝΙΧΝΕΥΣΗΣ ΠΕΤΡΕΛΑΙΟΚΗΛΙΔΩΝ ΜΕ ΤΗ ΧΡΗΣΗ ΕΙΚΟΝΩΝ ENVISAT

Από RemoteSensing Wiki

Τίτλος του άρθρου στα αγγλικά: «A new object-oriented methodology to detect oil spills using envisat images»
Συγγραφείς: K. Topuzelis, V. Karathanasi, P.Pavlakis, D. Rokos
Πηγή: http://earth.esa.int/envisatsymposium/proceedings/posters/3P14/467072to.pdf

Περίληψη Εκτός από την τυχαία ρύπανση που προκαλείται από πλοία σε κίνδυνο, διάφοροι τύποι λειτουργιών ρουτίνας των πλοίων οδηγούν σε αποβολές πετρελαίου στη θάλασσα. Οι παράνομες αποβολές είναι η μεγαλύτερη πηγή θαλάσσιας ρύπανσης από τα πλοία και η μόνη η οποία αποτελεί απειλή μακράς διαρκείας για το θαλάσσιο και το παράκτιο περιβάλλον. Η δορυφορική παρακολούθηση, και ιδιαιτέρως η χρήση των παρατηρήσεων SAR (Synthetic Aperture Radar), μπορεί να αποτελέσουν ένα αποτελεσματικό εργαλείο συμπληρωματικό των παραδοσιακών μεθόδων αέριας παρακολούθησης. Η ικανότητα του SAR να ανιχνεύει πετρελαιοκηλίδες πάνω στην επιφάνεια της θάλασσας είναι γνωστή και αποδεδειγμένη εδώ και καιρό. Πρόσφατα παρουσιάστηκε μια νέα αυτοματοποιημένη μέθοδος για την ανίχνευση των πετρελαιοκηλίδων που χρησιμοποιεί ERS πλήρους ψηφίσματος δεδομένα SAR. Στην παρούσα εργασία έγινε μια πρώτη προσπάθεια για να εξετασθεί η τεχνική ASAR ENVISAT μεσαίου χωρικού ψηφίσματος. Η μεθοδολογία στηρίζεται στην προσέγγιση και τα οφέλη των τεχνικών κατάτμησης προκειμένου να ανιχνευτούν οι μαύροι σχηματισμοί. Μια συγκεχυμένη μέθοδος ταξινόμησης (fuzzy classification method) χρησιμοποιείται για να ταξινομηθούν οι μαύροι σχηματισμοί σε πετρελαιοκηλίδες και παρεμφερείς τους μορφές.

1. Εισαγωγή Οι πετρελαιοκηλίδες επηρεάζουν το θαλάσσιο οικοσύστημα και προκαλούν πολιτική και επιστημονική ανησυχία καθώς έχουν σοβαρές επιδράσεις στα ευαίσθητα θαλάσσια και παράκτια οικοσυστήματα. Η ποσότητα των ρυπαντικών αποβολών και των συναφών επιδράσεων στο θαλάσσιο περιβάλλον είναι σημαντικές παράμετροι στην εκτίμηση της ποιότητας του νερού. Ενώ είναι ευρέως γνωστό ότι η τυχαία ρύπανση της θάλασσας μπορεί να περιοριστεί αλλά δεν μπορεί ποτέ να εξαλειφθεί εντελώς, οι παράνομες αποβολές των πλοίων μπορούν ωστόσο να περιοριστούν με την αυστηρή επιβολή των υπαρχόντων κανονισμών και τον έλεγχο, την παρακολούθηση και την επιτήρηση της θαλάσσιας κυκλοφορίας.

Τα συστήματα SAR χρησιμοποιούνται εκτενώς για τον εντοπισμό των σκοτεινών σχηματισμών στο θαλάσσιο περιβάλλον καθώς δεν επηρεάζονται από τις τοπικές καιρικές συνθήκες, τη συννεφιά και την εναλλαγή μέρας και νύχτας. Τα σκοτεινά σημεία μπορεί να είναι :πετρελαιοκηλίδες, οργανικό φιλμ, εσωτερικά κύματα κ. λ. π. Αρκετές μελέτες που στοχεύουν στην ανίχνευση πετρελαιοκηλίδων με τη χρήση εικόνων SAR έχουν εφαρμοστεί. Οι περισσότερες από αυτές τις μελέτες βασίζονται στην ανίχνευση των σκοτεινών περιοχών, οι οποίες σε επόμενο βήμα ταξινομούνται σαν πετρελαιοκηλίδες ή παρεμφερείς τους μορφές. Κάθε σχηματισμός στην εικόνα που είναι σκοτεινότερος από την γύρω περιοχή έχει υψηλή πιθανότητα να είναι πετρελαιοκηλίδα και χρειάζεται περαιτέρω έρευνα. Αν και αυτή η διαδικασία δείχνει να είναι απλή για έναν ανθρώπινο χειριστή, περιλαμβάνει τρεις βασικές δυσκολίες εφόσον χρησιμοποιηθούν ημιαυτόματες ή αυτόματες μέθοδοι. Πρώτον οι νέες πετρελαιοκηλίδες είναι φωτεινότερες από τις παλαιότερες. Έχουν μικρή αντίθεση σε σχέση με τον περίγυρό τους και έτσι είναι δύσκολο να ανιχνευθούν. Δεύτερον, οι περιοχές που περιβάλλουν σκοτεινές περιοχές μπορεί να έχουν διάφορες τιμές αντίθεσης, που εξαρτώνται από την τοπική κατάσταση της θάλασσας, τον τύπο του πετρελαίου και το ψήφισμα της εικόνας. Τρίτον, άλλα φαινόμενα πιθανώς να εμφανίζονται σαν σκοτεινές περιοχές. Γι’ αυτό το λόγο απαιτείται περαιτέρω ταξινόμηση των σκοτεινών περιοχών σε πετρελαιοκηλίδες και παρεμφερείς τους μορφές.

Ο σκοπός αυτής της εργασίας είναι η ανίχνευση των πετρελαιοκηλίδων που είναι αποτέλεσμα των παράνομων αποβολών των πλοίων. Σε προηγούμενη μελέτη, αναπτύχθηκε μια νέα μεθοδολογία που χρησιμοποιούσε δεδομένα ERS PRI. Στην παρούσα μελέτη η μέθοδος δοκιμάστηκε για δεδομένα ENVISAT μεσαίου ψηφίσματος.

Σκεπτόμενοι συνολικά και δρώντας τοπικά, η μεθοδολογία εισάγει τέσσερα καινοτόμα σημεία. Το πρώτο είναι η κατάτμηση της εικόνας σε μεγάλα κομμάτια εικόνας που διαφέρουν στις στατιστικές τιμές, αντί για την αυθαίρετη κατάτμησή της σε παράθυρα. Δεύτερον, εφαρμόζεται μια πολύ λεπτομερής κλίμακα κατάτμησης και οι στατιστικές τιμές του κάθε μικρού κομματιού συγκρίνονται με την τιμή του κατώτατου ορίου του μεγάλου κομματιού στο οποίο ανήκουν. Συνεπώς, η μεθοδολογία που αναπτύχθηκε έχει ως πλεονέκτημα τη διαφορετική αντίθεση και τις τιμές έντασης που περιέχονται σε μια απλή ASAR εικόνα, και ανιχνεύει τις σκοτεινές περιοχές με διάφορες τιμές φωτεινότητας που τοποθετούνται σε διαφορετικά περιβάλλοντα καταστάσεων θάλασσας. Τρίτον, μόλις εντοπιστούν οι σκοτεινές περιοχές, δεν απομονώνονται από την εικόνα, αλλά θεωρούνται ως μέρος του συνόλου. Το στάδιο της ταξινόμησης εφαρμόζεται με τη χρήση χαρακτηριστικών γνωρισμάτων των σκοτεινών περιοχών, λαμβάνοντας όμως υπόψη και τα χαρακτηριστικά των γύρω περιοχών. Σε αυτό το στάδιο, οι σκούρες περιοχές ταξινομούνται σαν πετρελαιοκηλίδες ή παρεμφερείς τους μορφές, με τη χρήση συγκεχυμένης (fuzzy) λογικής ταξινόμησης. Τέταρτον, η μέθοδος χρησιμοποιεί δύο ξεχωριστές βάσεις δεδομένων, ή κάθε μια εκ των οποίων είναι προσαρμόσιμη σε διαφορετικό θαλάσσιο περιβάλλον. Σε περίπτωση έντονου χρώματος εικόνας με τοπικές ανωμαλίες και/ή περιοχές με στιγμιαίες διακοπές αέρα, η φωτεινότητα του μεγάλου κομματιού που δημιουργείται από τη μεθοδολογία περιορίζεται, και το σχήμα και τα όρια των σκούρων αντικειμένων τροποποιούνται. Αντιθέτως, σε ένα σχετικά φωτεινό και λείο θαλάσσιο περιβάλλον, τα σκοτεινά αντικείμενα παρουσιάζουν έντονη αντίθεση, καθορίζονται με μεγαλύτερη ακρίβεια, και η ανίχνευσή τους είναι ευκολότερη.

2.Μεθοδολογία Η μεθοδολογία που αναπτύχθηκε βασίζεται σε μια αντικειμενοστρεφή προσέγγιση. Η μεθοδολογία αναπτύχθηκε στο περιβάλλον λογισμικού eCognition. Το λογισμικό εισάγει μια νέα μεθοδολογία ταξινόμησης η οποία καλείται «Αντικειμενοσταφής ταξινόμηση εικόνας» (Object Oriented Image Classification), στην οποία σε πρώτο στάδιο, τα εξαγόμενα ομογενή αντικείμενα σε οποιοδήποτε είδος ψηφίσματος ταξινομούνται με ένα είδος συγκεχυμένης λογικής. Η βασική στρατηγική είναι να χτιστεί ένα ιεραρχικό δίκτυο από αντικείμενα εικόνων, που επιτρέπει την παρουσίαση του περιεχομένου της πληροφορίας εικόνας σε διαφορετικά ψηφίσματα (κλίμακες) ταυτόχρονα. Με τη λειτουργία των σχέσεων μεταξύ των αντικειμένων του δικτύου είναι δυνατόν να ταξινομηθούν πληροφορίες τοπικού περιεχομένου. Η θεωρία που αναπτύχθηκε απαιτεί έξι βασικά βήματα για την εφαρμογή της (Εικόνα 1).

Εικόνα 1: Διάγραμμα ροής της χρησιμοποιηθείσας μεθοδολογίας

Ο χρήστης εισάγει την πρωτότυπη εικόνα ASAR σε ένα μοντέλο για την 8-bit μετατροπή καθώς και τα βήματα φιλτραρίσματος. Τα αποτελέσματα του μοντέλου (εικόνα ASAR 8-bit και φιλτραρισμένες εικόνες εισάγονται στο eCognition και χωρίς καμία συμμετοχή του χρήστη παράγεται το αποτέλεσμα μέσω ενός συγκεκριμένου πρωτοκόλλου το οποίο είναι υπεύθυνο για τα επόμενα βήματα (κατάτμηση, ανίχνευση σκοτεινών περιοχών, ενότητα του αντικειμένου και ταξινόμηση του αντικειμένου).

Η μετατροπή από τα 16 στα 8 bit έγινε με τη χρήση ενός απλού αλγορίθμου ελαχίστου-μεγίστου με τη μέγιστη τιμή να είναι ίση με τη σημαινόμενη τιμή συν τρεις φορές την τιμή της τυπικής απόκλισης (ισοδύναμο με το 99.73% της διασποράς της πληροφορίας). Το φιλτράρισμα έγινε με τη χρήση ενός συγκεκριμένου συνδυασμού ενός 3*3 Lee φίλτρου και της πραγματικής εικόνας, και ακολουθήθηκε από ένα 5*5 Lee φίλτρο και ένα 7*7 φίλτρο τοπικής αναγνώρισης. Ο εν λόγω συνδυασμός χρησιμοποιήθηκε με επιτυχία. Η εικόνα τριών επιπέδων που παρήχθη (εικόνα ASAR,σημαίνων φίλτρο και φίλτρα τοπικής αναγνώρισης) χρησιμοποιήθηκε για την κατάτμηση της εικόνας. Η κατάτμηση εμφανίζεται σε δύο διαφορετικές κλίμακες: μια πολύ λεπτομερή και μια πολύ ευρεία κλίμακα. Ο παράγοντας της λεπτομερούς κλίμακας χρησιμοποιήθηκε προκειμένου να δημιουργηθούν πολύ μικρά αντικείμενα ικανά να περιγράψουν κάθε σχηματισμό της εικόνας SAR. Ο παράγοντας της ευρείας κλίμακας χρησιμοποιήθηκε προκειμένου να μοιραστεί η εικόνα ASAR σε μεγάλες κατά το δυνατόν ενιαίες περιοχές.

Η ανίχνευση των σκούρων περιοχών επετεύχθη με τη χρήση ενός αλγορίθμου κατωφλίου ο οποίος εφαρμόστηκε σε δύο στάδια. Στο πρώτο στάδιο, αναπτύχθηκε ένας τύπος που βασίστηκε σε στατιστικά δεδομένα εξεχόντων αντικειμένων και τα μικρά αντικείμενα με χαμηλή φωτεινότητα και υψηλές τιμές αντίθεσης σχετικά με το περιβάλλον τους χαρακτηρίστηκαν ως σκοτεινές περιοχές. Ωστόσο, οι νέες πετρελαιοκηλίδες ή αποκομμένα τμήματα πετρελαιοκηλίδων δεν ανιχνεύτηκαν επιτυχώς. Ένας νέος τύπος εφαρμόστηκε, στον οποίο οι στατιστικές τιμές των εξεχόντων αντικειμένων βασίστηκαν στα pixel που δεν χαρακτηρίστηκαν ως σκοτεινές περιοχές στο πρώτο βήμα. Όλα τα μικρά αντικείμενα που χαρακτηρίστηκαν ως μαύρες περιοχές ακολούθως ομαδοποιήθηκαν προκειμένου τα στατιστικά χαρακτηριστικά τους όπως η περιοχή, το σχήμα και η υφή να εκτιμηθούν. Η ένωση των αντικειμένων οδήγησε σε μια ταξινόμηση της εικόνας σε δυο κατηγορίες: τα σκούρα αντικείμενα και την τραχεία θάλασσα.

Με βάση τα σκούρα αντικείμενα, αρκετά χαρακτηριστικά μπορούν να εξαχθούν, όπως η μέση τιμή, η περίμετρος, η πολυπλοκότητα, η υφή κ. λ. π. Η βάση δεδομένων που δημιουργήθηκε από αυτά χρησιμοποιεί μια συγκεχυμένη λογική προκειμένου τα σκούρα αντικείμενα να ταξινομηθούν σαν πετρελαιοκηλίδες ή παρεμφερείς τους μορφές. Λεπτομερής ανάλυση του θαλασσίου περιβάλλοντος έδειξε ότι η διάκριση μεταξύ των πετρελαιοκηλίδων και των παρεμφερών τους μορφών είναι μη ικανοποιητική όταν χρησιμοποιείται μια απλή βάση. Έτσι, αναπτύχθηκαν δύο βάσεις δεδομένων που εξαρτώνται από τη φωτεινότητα του κυρίαρχου αντικειμένου και την κατάσταση της θάλασσας. Περιλαμβάνουν τα ίδια χαρακτηριστικά γνωρίσματα αλλά χρησιμοποιούν διαφορετικούς κανόνες για τον χαρακτηρισμό των πετρελαιοκηλίδων. Ένα σύνολο δέκα χαρακτηριστικών γνωρισμάτων εισήχθη στις βάσεις δεδομένων. Μια ειδική έρευνα διενεργήθηκε προκειμένου να επιλεγούν τα χαρακτηριστικά που θα χρησιμοποιηθούν. Ο προτεινόμενος συνδυασμός βρέθηκε πολύ αποτελεσματικός στη διάκριση των πετρελαιοκηλίδων από τις παρεμφερείς τους μορφές.

Η ταξινόμηση πραγματοποιήθηκε με τη χρήση συγκεχυμένης λογικής, οι κανόνες της οποίας είναι εύκολα κατανοητοί και μπορούν να εφαρμοστούν σε κάθε χαρακτηριστικό γνώρισμα που επιλέχτηκε. Κάθε ένα από τα δέκα χαρακτηριστικά θεωρήθηκε ως ξεχωριστή τάξη. Κάθε τάξη αποτελείται από ένα σύνολο εκφράσεων, που επιτρέπουν την εκτίμηση συγκεκριμένων τιμών και της λογικής τους λειτουργίας. Η μέθοδος μπορεί να χρησιμοποιηθεί σε λειτουργική κλίμακα για την ανίχνευση πετρελαιοκηλίδων μέσω του μετρίου ψηφίσματος των δεδομένων ASAR. Ο χρήστης μπορεί μόνο να συνεισφέρει στην εισαγωγή της πρωτότυπης εικόνας ASAR και των προερχόμενων εξ αυτών προϊόντων. Ο χρόνος υπολογισμού για την προτεινόμενη μεθοδολογία μιας μεσαίου ψηφίσματος εικόνας ASAR είναι 2-5 λεπτά.

3.Βάση δεδομένων Η μεθοδολογία που αναπτύχθηκε εφαρμόστηκε σε μια βάση δεδομένων τεσσάρων ENVISAT ASAR εικόνων μεσαίου ψηφίσματος. Η βάση δεδομένων περιέχει αρκετές καταστάσεις της θάλασσας και όλες οι εικόνες περιέχουν ένα συγκεκριμένο αριθμό σκούρων αντικειμένων. Δύο από τις εικόνες περιέχουν τουλάχιστον μια πετρελαιοκηλίδα, ενώ οι άλλες δύο περιέχουν μόνο παρεμφερείς τους μορφές. Για λόγους παρουσίασης η εφαρμογή της μεθοδολογίας παρουσιάζεται σε δύο εικόνες ASAR: η πρώτη (εικόνα 2) λήφθηκε στις 28/7/2006 (orbit 23050, frame 2242) και η δεύτερη (εικόνα 3) λήφθηκε στις 21/7/2006 (orbit 22950, frame 1464).

Εικόνα 2: ENVISAT ASAR εικόνα μεσαίου ψηφίσματος που περιέχει πετρελαιοκηλίδες και το αποτέλεσμα της ταξινόμησης.

Οι δύο εικόνες παρουσιάζουν διαφορετικές καταστάσεις τις θάλασσας και περιέχουν πετρελαιοκηλίδες και παρεμφερείς τους μορφές. Οι εικόνες αναλύθηκαν διεξοδικά από τρεις διαφορετικούς επιστήμονες που χρησιμοποίησαν φωτοερμηνευτηκές τεχνικές. Η πρώτη εικόνα παρουσιάζει μια τραχεία επιφάνεια θάλασσας, ικανή να παράγει ένα ισχυρό σήμα αντίθεσης στην παρουσία πετρελαιοκηλίδων. Περιέχει τέσσερεις παλιές πετρελαιοκηλίδες στο αριστερό μέρος και μια νέα πετρελαιοκηλίδα στο δεξί μέρος. Επίσης περιέχει μια παρεμφερή μορφή πετρελαιοκηλίδας στο αριστερό μέρος, πολύ κοντά στη γη. Η κατάσταση της θάλασσας είναι ιδανική για την ανίχνευση των πετρελαιοκηλίδων, καθώς η ταχύτητα του ανέμου εκτιμάται στα 3.4 m/sec. Η δεύτερη εικόνα περιέχει ιδιαίτερα περίπλοκα χαρακτηριστικά. Η ταχύτητα του ανέμου ποικίλει από 0 m/sec σε 4 m/sec, κάνοντας την ανίχνευση της πετρελαιοκηλίδας ένα μάλλον δύσκολο έργο. Η εικόνα περιέχει αρκετές παρεμφερείς μορφές πετρελαιοκηλίδων στην περιοχή κοντά στη γη.

Εικόνα 3: ENVISAT ASAR εικόνα μεσαίου ψηφίσματος που περιέχει παρεμφερείς μορφές πετρελαιοκηλίδων και το αποτέλεσμα της ταξινόμησης.

4.Αποτελέσματα Το αποτέλεσμα της ανάλυσης των εικόνων ENVISAT ASAR παρουσιάζεται στις εικόνες 2-5. Από την εικόνα 2 φαίνεται ότι οι τέσσερις παλιές πετρελαιοκηλίδες στην αριστερή μεριά ανιχνεύτηκαν επιτυχώς. Η εικόνα 4 δίνει έμφαση σε μια πιο μεγάλη πετρελαιοκηλίδα στην αριστερή πλευρά της εικόνας. Αντιθέτως η πρόσφατη πετρελαιοκηλίδα στη δεξιά πλευρά της εικόνας 2 δεν ανιχνεύτηκε. Η αποτυχία εμφανίστηκε στη σκοτεινή φάση ανίχνευσης. Η μέθοδος διαχώρισε επιτυχώς την εικόνα σε τέσσερα μεγάλα τμήματα όμως η διαφορά των μικρών τμημάτων που απεικόνισαν τη νέα κηλίδα, από το μεγαλύτερο κομμάτι τους δεν ήταν αρκετή προκειμένου να ανιχνευτεί το μαύρο αντικείμενο. Έτσι, δεν υπήρχε αντικείμενο που να περιγράφει τη νέα κηλίδα στο στάδιο της ταξινόμησης. Οι τιμές της ακτινοβολίας οπισθοδιασποράς της νέας κηλίδας δεν ήταν εντός των ορίων που παρήχθησαν από νέες κηλίδες που εξετάστηκαν προηγουμένως μέσω του ERS PRI.

Η εικόνα 3 δείχνει το αποτέλεσμα της ανάλυσης της δεύτερης εικόνας που περιέχει μόνο παρεμφερείς μορφές πετρελαιοκηλίδων. Εδώ, η μέθοδος ταξινόμησης λειτούργησε επιτυχώς καθώς όλα τα σκούρα χαρακτηριστικά επιτυχώς ταξινομήθηκαν σαν παρεμφερείς μορφές πετρελαιοκηλίδων. Στην εικόνα 5 δίνεται ένα πιο λεπτομερές παράδειγμα για παρεμφερή μορφή πετρελαιοκηλίδας που είναι τοποθετημένη στο πάνω αριστερό μέρος της εικόνας 3.

5.Συμπεράσματα Στην παρούσα μελέτη παρουσιάστηκε μια νέα αυτοματοποιημένη μεθοδολογία για την ανίχνευση πετρελαιοκηλίδων με τη χρήση δεδομένων ENVISAT ASAR μέτριου χωρικού ψηφίσματος. Η μεθοδολογία προηγουμένως αναπτύχθηκε για δεδομένα ERS PRI. Διάφοροι παράγοντες έπρεπε να αλλάξουν όπως τα επίπεδα της κατάτμησης και τα συγκεχυμένα όρια προκειμένου να λειτουργήσει επιτυχώς σε πολλές περιπτώσεις ανίχνευσης πετρελαιοκηλίδων για εικόνες ENISAT. Τα μορφολογικά χαρακτηριστικά των πετρελαιοκηλίδων και οι τιμές της ακτινοβολίας οπισθοδιασποράς δεν είναι οι ίδιες για υψηλό και μέτριο ψήφισμα, επομένως απαιτείται μια συγκεκριμένη μελέτη για την προσαρμογή τους σε κάθε ψήφισμα.

Εικόνα 4: Ένα παράδειγμα πετρελαιοκηλίδας και η ταξινόμησή του.

Εικόνα 5: Ένα παράδειγμα παρεμφερούς μορφής πετρελαιοκηλίδας και η ταξινόμησή του.

Η προταθείσα μεθοδολογία έχει δύο βασικά πλεονεκτήματα. Πρώτον, τα αποτελέσματά της δεν επηρεάζονται από τις συνθήκες της θάλασσας και δεύτερον η μέθοδος είναι ανεξάρτητη από την αρχική ποιότητα των δεδομένων ASAR (επίπεδο βαθμονόμησης του αισθητήρα, στίγμα, ατμοσφαιρικές συνθήκες). Επιπλέον, τα μαύρα αντικείμενα δεν απομονώνονται από την εικόνα και επομένως οι κανόνες γειτνίασης μπορούν να χρησιμοποιηθούν για τη φάση της ταξινόμησης. Η σημασία της τελευταίας παρατήρησης μπορεί να φανεί στις εικόνες 4 και 5. Ακόμα και ένας ειδικός δε μπορεί να διακρίνει μια πετρελαιοκηλίδα από μια παρεμφερή της μορφή όταν μόνο τμήματα των εικόνων αυτών εξετάζονται. Απεναντίας η ανάλυση είναι πολύ ευκολότερη όταν λαμβάνονται υπόψη και τα χαρακτηριστικά γειτνίασης.

Επιπλέον έρευνα πάνω σε αυτό το θέμα περιλαμβάνει επικύρωση της μεθόδου από περισσότερες εικόνες με διάφορους καταστάσεις θάλασσας και τύπους πετρελαιοκηλίδων. Επιπλέον πρέπει να γίνει μια σύγκριση μεταξύ της προτεινόμενης μεθόδου και μιας που βασίζεται σε στατιστικές, χρησιμοποιώντας ως δεδομένα εισόδου τα ίδια δεδομένα ASAR που θα πρέπει να περιλαμβάνουν επιβεβαιωμένες πετρελαιοκηλίδες και παρεμφερείς τους μορφές.