基于Sentinel-1衛(wèi)星的北冰洋海冰信息提取

羅麗程，張文奇，胡 勇，周 穎，鞏彩蘭

(1. 中國科學院 上海技術物理研究所，上海 200083； 2. 中國科學院大學，北京 100049；3. 武漢大學 遙感信息工程學院，湖北 武漢 430072；4. 中國科學院 紅外探測與成像技術重點實驗室，上海 200083)

0 引言

受全球變暖影響，北極地區(qū)的海冰消融速度逐漸加快，覆蓋范圍不斷減小，對全球氣候產(chǎn)生了不容忽視的影響，導致了一系列生態(tài)問題。同時，北極地區(qū)的海冰消融有利于北極航道的開通和北極資源的利用。因此，對北冰洋重點區(qū)域的海冰狀況進行監(jiān)測，對掌握海洋環(huán)境相關要素信息、累積可靠的數(shù)據(jù)資料、分析北冰洋海冰氣候效應、維護北極航道安全、合理開采北極資源等具有重要意義。

衛(wèi)星遙感技術是最高效的海冰監(jiān)測手段，具有大范圍、實時性、可持續(xù)的優(yōu)點。目前，極地海冰密集度產(chǎn)品主要來自不同衛(wèi)星傳感器的被動微波輻射計，利用各種反演算法生成。海冰密集度產(chǎn)品空間分辨率多為4～25 km[1-2]。另外，由于傳感器、算法等不同，以及夏季海冰表面融化導致的不確定性，海冰密集度反演結果還存在一定問題，需要大量的現(xiàn)場觀測來進行驗證[1]?；谖⒉ㄟb感數(shù)據(jù)，國內(nèi)外開展了許多有關海冰變化分析的研究[3-4]。隨著合成孔徑雷達(SAR)技術的發(fā)展，SAR在海冰監(jiān)測方面的應用越來越廣泛，如：鄭楊龍等[5]基于Radarsat-2衛(wèi)星SAR圖像對海冰密集度進行了分類提取，發(fā)現(xiàn)高分辨率SAR在邊緣區(qū)小尺寸海冰監(jiān)測方面具有優(yōu)勢；朱海天等[6]利用星載SAR構建了渤海海冰遙感監(jiān)測系統(tǒng)；張寶華等[7]提出了基于稀疏分解和改進MRF分割模型的圖像分割算法，其分割結果能準確反映海冰分布情況。歐洲的Sentinel-1衛(wèi)星提供C波段的SAR觀測數(shù)據(jù)，具有雙極化、短重訪周期、快速產(chǎn)品生產(chǎn)的能力[8]。KARVONEN[9]利用Sentinel-1衛(wèi)星SAR數(shù)據(jù)和AMSR2微波輻射計數(shù)據(jù)對波羅的海的海冰密集度進行研究；MUCKENHUHER等[10]基于Sentinel-1衛(wèi)星數(shù)據(jù)，采用特征跟蹤與模式匹配相結合的方法，對海冰漂移算法進行了研究。國內(nèi)鮮有利用Sentinel-1衛(wèi)星SAR數(shù)據(jù)開展海冰研究的報道。

目前，國內(nèi)外對海冰分布變化規(guī)律的研究，常基于大尺度(分辨率為4～25 km) 的海冰密集度產(chǎn)品。隨著北極航道開通及北極資源開發(fā)，國內(nèi)外對海冰監(jiān)測產(chǎn)品的分辨率、頻次要求必然更高。本文利用Sentinel-1衛(wèi)星SAR數(shù)據(jù)進行研究。選取2015—2017年6—10月的數(shù)據(jù)，利用K-均值聚類算法對研究區(qū)域進行海冰提取，在此基礎上進行海冰密集度提取、浮冰區(qū)海冰形態(tài)參數(shù)提取?；陂L時間序列數(shù)據(jù)，對研究區(qū)域海冰變化規(guī)律進行分析。

1 數(shù)據(jù)預處理與海冰提取

1.1 數(shù)據(jù)預處理

本文研究區(qū)域為弗雷姆海峽的格陵蘭島沿岸。弗雷姆海峽為北冰洋和北大西洋之間的主要海洋通道，也是研究海冰變化的關鍵區(qū)域[11]。受東格陵蘭寒流影響，弗雷姆海峽的海冰主要分布在格陵蘭島沿岸一端，該區(qū)域范圍約為4°E～18°W，75.5°N～79.5°N。

Sentinel-1衛(wèi)星的超寬幅模式主要用于海上、冰川、極地等需要大范圍覆蓋、短時間重訪的區(qū)域[8]。本文對該模式下的數(shù)據(jù)進行研究，數(shù)據(jù)預處理步驟如圖2所示。對2015年7月12日拍攝的衛(wèi)星影像進行預處理，結果如圖3所示。

圖3 影像預處理結果Fig.3 Result of image preprocessing

1.2 海冰提取

SAR圖像中的不同灰度值代表了不同地物的后向散射系數(shù)。影響地物后向散射系數(shù)的主要因素眾多。對于試驗影像中的海冰、海水這2種地物，主要考慮表面粗糙度和介電常數(shù)這2個因素。對海冰而言，由于其受生長階段、外部環(huán)境條件的影響，類型多樣，因此其表面特征各不相同，介電常數(shù)范圍較大；表面粗糙的海冰，引起的后向散射較大，在影像上較亮。對海水而言，海風是影響其表面粗糙度的主要原因[12]。另外，海水介電常數(shù)很高，幾乎所有的雷達波能量會在水面上被反射[13]。因此，海水返回的雷達波較少，在影像上較暗。

通過觀察研究地區(qū)試驗影像可發(fā)現(xiàn)，在大部分區(qū)域，海冰、海水表現(xiàn)出顯著的亮度差異，能較好區(qū)分。但由于研究區(qū)域范圍大，氣候環(huán)境多變，在一些區(qū)域出現(xiàn)了海冰、海水不易區(qū)別的情況。海冰表面的融池會降低冰面的后向散射，使其在影像上較暗。波浪使海水表面更粗糙，使其后向散射變大，導致海冰、海水亮度較接近。

為了對海冰密集度進行長時序、高頻次的分析，需處理海量的影像數(shù)據(jù)，從中提取出海冰分布。因此，在選擇海冰提取方法時，應既考慮提取精度，又關注提取效率。雖然缺乏研究區(qū)域的實地海冰數(shù)據(jù)，但基于海冰、海水在SAR影像上表現(xiàn)出的顯著亮度差異，可采用K-均值聚類算法對海冰進行提取。K-均值聚類算法為基于樣本間相似性度量的間接聚類方法，其聚類準則是使每一類中的各點至中心點距離的平方和最小，是經(jīng)典的非監(jiān)督分類方法，該方法易于實現(xiàn)且效率較高，在所有聚類算法中應用最為廣泛[14]，在海冰提取分類中也得到了廣泛應用[15-17]。使用該方法時，需事先人為指定K值(類別數(shù))。經(jīng)過反復試驗，最終將K設為5。在缺乏先驗知識的情況下，采用K-均值聚類算法，能在保證精度的同時，較快完成海冰分布的提取。分類結果示意如圖4所示。在完成分類后，還需進行類別合并和分類后操作，最終生成海冰、海水的分類結果，如圖5所示。圖中海冰為白色區(qū)域，海水為黑色區(qū)域。

圖4 K-均值聚類算法分類結果Fig.4 Result of K-means classification

圖5 二值化結果Fig.5 Result of binarization

2 海冰信息參數(shù)計算

2.1 海冰分布參數(shù)

海冰密集度是海冰監(jiān)測和預報業(yè)務的一項重要指標[18]。它是影響地球兩極海洋與大氣水熱交換強度的重要因素，是許多海洋和大氣環(huán)流模式的輸入?yún)?shù)之一，是全球尤其兩極地區(qū)長時間尺度氣溫變化的指示器[19]，也是影響航線通航的重要水文環(huán)境因素之一。

海冰密集度為一定區(qū)域(子區(qū))內(nèi)海冰覆蓋面積與整個研究區(qū)域面積的比值。通過劃分子區(qū)，計算子區(qū)內(nèi)海冰像元個數(shù)與子區(qū)總像元數(shù)的比值，其表達式為

C=(Ni/Nt)×100%

(1)

式中：C為密集度；Ni為子區(qū)內(nèi)海冰像元數(shù)量；Nt為子區(qū)內(nèi)的總像元數(shù)量。

當劃分子區(qū)時，子區(qū)尺度會影響海冰密集度的尺度。當子區(qū)尺度較大時，面積相對較小的冰間湖信息在圖像上會有所損失。為使密集度提取結果能在影像上更細致體現(xiàn)出這些信息，突出高分辨率SAR衛(wèi)星影像的優(yōu)勢，選擇15×15的小窗口進行海冰密集度的計算。海冰密集度提取結果如圖6所示。

圖6 海冰密集度提取結果(子區(qū)大?。?5×15像素)Fig.6 Result of sea ice concentration extraction (subregion：15×15 pixels)

本文采用美國國家冰雪數(shù)據(jù)中心發(fā)布的海冰密集度產(chǎn)品MASAM2(分辨率為4 km)，對海冰密集度提取結果進行對比分析。SAR密集度產(chǎn)品(基于SAR數(shù)據(jù)生成的密集度)與MASAM2密集度產(chǎn)品(基于被動微波輻射計數(shù)據(jù)生成的密集度)的差值圖像如圖7所示，統(tǒng)計結果見表1。由圖7和表1可見：密集度差值主要分布在0%～20%；均方根誤差的統(tǒng)計結果分布在15%～20%；平均偏差的統(tǒng)計結果分布在0.06～0.10。SAR影像分辨率較高，對小尺寸的碎冰、冰間水道、冰間湖具有更好的探測能力。

2.2 海冰形態(tài)參數(shù)

海冰消融會形成形態(tài)多樣的浮冰，對航行的船只造成不同影響。為進一步描述海冰狀態(tài)，提供更豐富的冰情信息，本文對流冰區(qū)的海冰尺寸、形狀分布進行研究。

選取2016年7月1日、6日、13日、25日的4幅試驗影像，從中裁剪出流冰區(qū)。流冰區(qū)圖像像元個數(shù)為4 868(行)×2 584(列)，像元分辨率為40 m，總面積約為20 126 km2。由影像可知，流冰區(qū)存在大片海冰相互連接的情況。原因可能是冰塊消融碰撞過程中連接處還未完全斷裂，也可能是冰塊相互擠壓形成。對于大片的相連海冰，由于其狀態(tài)較不穩(wěn)定，連接處易斷裂，因此需重點關注。部分海冰內(nèi)部存在融池、冰間湖。

對流冰區(qū)影像進行形態(tài)學運算，消除離散孤立點的影響。在此基礎上，通過對象化算法，提取每塊海冰的內(nèi)外輪廓，計算描述冰塊形態(tài)的參數(shù)。參數(shù)包括面積、周長和圓度。圓度為

R=C2/4πS

(2)

式中：R為圓度；C為周長；S為面積[20-21]。海冰的形狀變化是熱力學側向融化和動力學冰間磨損的共同作用的結果。在相同熱力、同等面積的條件下，多個小尺寸海冰比大尺寸海冰周長更長，因此側向融化作用對小尺寸海冰形狀的影響更顯著，小尺寸海冰更容易接近圓形。圓度是描述浮冰形狀接近圓形程度的指標，其值越接近于1，說明浮冰形狀與圓形越相似，該指標越大，說明浮冰形狀越復雜，越容易破碎、分離。

為了更詳細、直觀地描述不同的浮冰特征，根據(jù)浮冰面積大小，將浮冰分為7類(見表2)。通過提取海冰的尺寸信息和形狀信息，分析對應的參數(shù)變化情況，研究海冰尺寸分布的規(guī)律及其與海冰破碎物理過程的關系。

表2 浮冰分類準則

3 結果與分析

3.1 海冰密集度提取結果分析

由2015—2017年6—10月海冰密集度的變化可知，0%的密集度呈現(xiàn)出先增加后減少的變化，在8月或9月達到最大值。這是由于不同年份獲取的影像數(shù)據(jù)，在時間分布上并不完全一致，對密集度的均值造成影響。100%的密集度在6—10月呈現(xiàn)出先減少再增加的變化趨勢，在8月或9月達到最小值。2016年6—10月的月平均密集度變化如圖8所示。圖中：橫坐標表示海冰密集度的數(shù)值，無量綱；縱坐標表示當前密集度占的比例，無量綱。

圖8 月平均密集度變化(2016年6月—10月)Fig.8 Changes of monthly average sea ice concentration (2016.6—2016.10)

選取2015—2017年日期相近的數(shù)據(jù)，生成100%密集度的年際變化圖(見圖9)。通過比較發(fā)現(xiàn)，2017年9月的海冰密集度出現(xiàn)異常，較2015、2016年海冰覆蓋范圍出現(xiàn)明顯下降?；诿绹鴩冶?shù)據(jù)中心發(fā)布的海冰密集度產(chǎn)品MASAM2和海冰覆蓋范圍產(chǎn)品Sea ice index(分辨率為25 km)，對研究區(qū)域內(nèi)同一時間的海冰覆蓋情況進行了估算。海冰覆蓋情況由研究區(qū)內(nèi)海冰像元數(shù)與研究區(qū)像元總數(shù)的比值見表3。由表3可見，2017年的海冰覆蓋范圍較2015，2016年大幅減小，與研究結果呈現(xiàn)出相同變化趨勢。

圖9 海冰密集度為100%的年際變化圖Fig.9 Interannual changes of the 100% sea ice concentration

影像日期產(chǎn)品類型Sentinel-1MASAM2Sea ice index2015-09-232016-09-232017-09-232015-09-272016-09-272017-09-27覆蓋率/%—81.1865.2842.6357.8844.406.712.477.5374.9879.3572.07—70.7047.8411.7610.6614.41

3.2 海冰形態(tài)參數(shù)提取結果分析

對2016年7月1日、6日、13日和25日的4幅試驗影像進行海冰信息提取，各類浮冰的個數(shù)統(tǒng)計見表4。由表可知：實際面積小于0.8 km2的1類浮冰數(shù)量占所有浮冰類型數(shù)量的絕大部分，且隨著夏季海冰的消融，該類浮冰的數(shù)量呈增加趨勢；與之類似，面積較小的第2～4類浮冰也呈現(xiàn)該規(guī)律。第5類浮冰除2016年7月25日外，數(shù)量也呈現(xiàn)增加趨勢。面積巨大的第6、7類浮冰，隨著夏季海冰的消融，前者數(shù)量無明顯變化，后者數(shù)量呈增加趨勢。這2類海冰多由大片海冰連接而成，海冰與海冰之間的連接處厚度較不穩(wěn)定，隨著氣溫上升，連接處逐漸融化，大片浮冰分裂成多塊浮冰。另外，對于相互碰撞暫時連接在一起的大片海冰，在海浪和海冰本身消融的作用下，也可能發(fā)生分離。

表4 浮冰個數(shù)分類統(tǒng)計

表5 平均面積、周長分類統(tǒng)計

表6 平均圓度分類統(tǒng)計

各類浮冰的平均面積、平均周長的變化情況見表5。由表5可知：第1～6類的浮冰平均面積相對穩(wěn)定，而第7類巨大型浮冰的平均面積明顯減小。結合表4可知，原因應該是巨大型浮冰會逐漸融化和破裂，形成面積較小的浮冰。各類浮冰平均周長的變化規(guī)律同平均面積基本相同。

各類浮冰的平均圓度分類統(tǒng)計情況見表6。由表6可知：隨著各類浮冰面積的增大，浮冰圓度逐漸增大；對于第1類細碎浮冰，其圓度最接近于1，其形狀最接近圓形。浮冰面積越大，其圓度也越大，說明浮冰越偏離圓形，形狀復雜，也更容易破碎和分離。

4 結束語

本文基于長時間序列、多時相的Sentinel-1衛(wèi)星SAR數(shù)據(jù)，對北極弗雷姆海峽區(qū)域的海冰分布和海冰形狀特征參數(shù)的提取及其變化規(guī)律進行了研究。介紹了SAR數(shù)據(jù)預處理流程，提取了海冰，進一步獲取了海冰分布信息、海冰形狀特征，分析了海冰參數(shù)的時序變化。海冰分布信息由密集度體現(xiàn)，海冰形狀特征由面積、周長、圓度體現(xiàn)?；诿娣e大小，將浮冰分為7類。統(tǒng)計各類浮冰的形狀特征參數(shù)，分析其變化規(guī)律，為研究海冰變化物理過程提供支持和數(shù)據(jù)。本文研究區(qū)域為東格陵蘭寒流流經(jīng)的格陵蘭島沿岸，分析了該區(qū)域2015—2017年的海冰密集度變化及2016年7月1日、6日、13日和25日4個時相的浮冰形態(tài)特征參數(shù)變化。結果表示：利用高分辨率SAR數(shù)據(jù)，能獲取精細的海冰分布信息，將其與傳統(tǒng)的海冰密集度產(chǎn)品相結合，可構造信息更豐富的多尺度冰情圖。后續(xù)將對研究區(qū)域進行擴大，并通過增加更多時相的數(shù)據(jù)，進行長時間序列的分析。未來還可開展基于SAR數(shù)據(jù)的海冰分類研究。在基于海冰生長過程建立的分類體系中，不同類別的海冰之間主要的區(qū)別在于冰齡和厚度。分類時，可利用灰度特征、紋理特征和極化特征等信息。基于特征的SAR影像海冰分類研究表明，利用單一的特征進行分類已經(jīng)無法滿足需要，多特征融合后的分類精度明顯優(yōu)于前者。隨著機器學習、神經(jīng)網(wǎng)絡等技術的發(fā)展，將這些技術運用在海冰分類研究中，也是新的發(fā)展趨勢。

[1] 趙杰臣, 周翔, 孫曉宇, 等. 北極遙感海冰密集度數(shù)據(jù)的比較和評估[J]. 遙感學報, 2017, 21(3): 351-364.

[2] 劉艷霞. 南北極海冰密集度估算與海冰范圍變化時序研究[D]. 武漢：武漢大學, 2016.

[3] 沈校熠, 柯長青, 張杰. 2002—2011年南極海冰變化的遙感分析[J]. 極地研究, 2017, 29(1): 163-171.

[4] CAVALIERI D J, PARKINSON C L, VINNIKOV K Y. 30-Year satellite record reveals contrasting Arctic and Antarctic decadal sea ice variability [J]. Geophysical Research Letters, 2003, 30(18)：1970.

[5] 鄭楊龍, 盧鵬, 李志軍, 等. 基于Radarsat-2 SAR圖像分類與HY-2微波輻射計反演獲取北極海冰密集度的比較研究[J]. 極地研究, 2016, 28(3): 413-423.

[6] 朱海天, 馮倩, 曾韜, 等. 基于星載SAR的渤海海冰遙感監(jiān)測系統(tǒng)設計與研究[J]. 遙感信息, 2012(2): 81-84，95.

[7] 張寶華, 周文濤, 呂曉琪. 基于稀疏分解和改進MRF模型的SAR海冰圖像分割方法[J]. 遙感技術與應用, 2017, 32(4): 709-713.

[8] 楊魁, 楊建兵, 江冰茹. Sentinel-1衛(wèi)星綜述[J]. 城市勘測, 2015(2): 24-27.

[9] JUHA K. Baltic sea ice concentration estimation using SENTINEL-1 SAR and AMSR2 microwave radiometer data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(5): 2871-2883.

[10] STEFAN M, STEIN S. Open-source sea ice drift algorithm for Sentinel-1 SAR imagery using a combination of feature tracking and pattern matching[J]. The Cryosphere, 2017, 11: 1835-1850.

[11] PATRICIA C S, SIMON T B. Seasonal sea ice variability in eastern Fram Strait over the last 2000 years [J]. Arktos, 2016, 2(1):22.

[12] 舒寧. 微波遙感原理[M]. 武漢:武漢大學出版社, 2003.

[13] 紀永剛. 基于微波圖像的遼東灣海冰典型要素信息提取[D].青島：中國科學院研究生院(海洋研究所), 2006.

[14] 王慧賢, 靳惠佳, 王嬌龍, 等.k均值聚類引導的遙感影像多尺度分割優(yōu)化方法[J]. 測繪學報, 2015, 44(5): 526-532.

[15] MUNDY C J, BARBER D G. On the relationship between spatial patterns of sea-ice type and the mechanisms which create and maintain the North Water (NOW) polynya[J]. Atmosphere-Ocean, 2001, 39(3): 327-341.

[16] ZHANG Q, SKJETNE R, L?SET S, et al. Digital image processing for sea ice observations in support to Arctic DP operations [C]//ASME 2012 31st International Conference on Ocean, Offshore and Arctic Engineering. American Society of Mechanical Engineers, 2012: 555-561.

[17] REMUND Q P, LONG D G, DRINKWATER M R. Polar sea-ice classification using enhanced resolution NSCAT data [C]//Geoscience and Remote Sensing Symposium Proceedings, 1998. IGARSS'98. 1998 IEEE International. IEEE, 1998, 4: 1976-1978.

[18] 周穎. 基于風云三號氣象衛(wèi)星數(shù)據(jù)監(jiān)測北冰洋海冰運動變化的研究[D]. 上海:中國科學院大學， 2013.

[19] 曹梅盛, 晉銳.遙感技術監(jiān)測海冰密集度[J]. 遙感技術與應用, 2006(3): 259-264.

[20] PEROVICH D K, GOW A J. A quantitative description of sea ice inclusions [J]. Journal of Geophysical Research: Oceans, 1996, 101(8): 18327-18343.

[21] 周穎, 匡定波, 鞏彩蘭, 等. 風云三號衛(wèi)星MERSI影像提取北極海冰參數(shù)的方法[J]. 紅外與毫米波學報, 2017, 36(1): 41-48,126-127.