基于SAR圖像紋理的北極海冰厚度的反演研究

于淼 盧鵬 李志軍 石立堅

?

基于SAR圖像紋理的北極海冰厚度的反演研究

于淼1盧鵬1李志軍1石立堅2,3

(1大連理工大學海岸和近海工程國家重點實驗室, 遼寧 大連 116024;2國家衛(wèi)星海洋應用中心, 北京 100081;3國家海洋局空間海洋遙感與應用研究重點實驗室, 北京 100081)

基于七景北極Radarsat-2 SAR圖像以及中國第六次北極科學考察走航期間利用船側錄像觀測獲得的平整冰厚度數據, 通過灰度共生矩陣計算紋理, 確定了最適合反演海冰厚度的紋理參數。并分析了海冰厚度與紋理之間的相關關系, 探討了紋理反演海冰厚度的可能性。選取了最合適的紋理特征進行擬合, 并利用所得經驗方程進行反演驗證, 結果與實測數據吻合較好, 平均相對誤差13.7%。與傳統(tǒng)的僅依靠后向散射系數反演海冰厚度進行對比, 新方法的誤差更小, 證明了紋理特征反演冰厚的優(yōu)勢。

北極 海冰厚度 灰度共生矩陣 紋理

0 引言

海冰的存在影響了大氣與海洋之間的直接能量交換, 在全球大氣和海洋之間起到重要的調節(jié)作用。近年來, 北極海冰面積快速減小, 其變化影響著北極氣候乃至全球的生態(tài)環(huán)境[1]。同時, 北極具有豐富的自然資源, 以及不菲的商業(yè)利益, 北極航道的商業(yè)利用符合我國的北極戰(zhàn)略[2], 而海冰正是航道利用中需要考慮的主要因素。

由于北極地區(qū)復雜惡劣的氣候和海洋環(huán)境, 北極海冰物理參數實測數據的獲取很困難, 其中, 厚度是最重要的參數之一, 也是最難獲取的參數。目前海冰厚度的獲取最準確的方法是鉆孔測量, 同樣也是最消耗資源的方法。于是各種非接觸測量技術相繼出現, 如仰視聲納、電磁感應、走航攝影觀測、衛(wèi)星遙感等[3]。近年來遙感技術的發(fā)展充分發(fā)揮了其大尺度、可重復和成本低的優(yōu)勢, 為長期動態(tài)獲取北極海冰信息提供了新思路。其中合成孔徑雷達(Synthetic Aperture Radar, SAR)由于具有對光照條件不敏感、不受云層遮擋的特點, 特別適合復雜的天氣條件, 能夠實現全天候、全天時的冰情監(jiān)測。目前已經廣泛用于海冰范圍、分類、密集度、速度以及厚度等基礎參數的觀測研究[4-10]]。

影響海冰SAR圖像散射特征主要有兩個因素, 海冰表面粗糙度和復介電常數[11-12], 兩者均與海冰生長過程密切相關, 可與海冰厚度聯(lián)系起來用于冰厚的反演。表面粗糙程度主要是通過紋理特征以及后向散射系數(0)體現: 紋理目前在冰型分類的方面應用比較多[13], 在厚度方面應用相對較少, 而且精度不夠理想[14]。０用于海冰厚度反演有一定的積累, 但是存在著低估海冰厚度的情況以及適用地域限制[15], 一般需要結合其他的產品共同使用。復介電常數的應用主要是與之相關的極化參數, Alpha角()是從全極化SAR數據中提取出來關于海冰介電常數和入射角的函數, 已經被證明可以用來反演海冰厚度[16]。

本文嘗試利用紋理特征反演海冰厚度主要基于以下經驗理論: 海冰越厚, 生長時間越長, 所受到的外力作用也會越多越復雜, 相應的變形及表面的粗糙程度也會發(fā)生變化[15]。本文的紋理特征分析方法采用灰度共生矩陣(GLCM), 它能夠反映出圖像要素的自身特征以及像素之間的空間關系, 在遙感領域紋理特征分析方面的應用最為廣泛[17-19]。利用∑AP圖像以及匹配的平整冰厚度數據, 分析紋理特征和冰厚之間的相關性, 選出最合適的紋理特征擬合經驗方程, 然后進行冰厚的反演及誤差分析, 并與傳統(tǒng)的厚度反演方法進行比較分析。

1 研究區(qū)域與數據源

本文使用的SAR圖像數據是七景北冰洋Radar-sat-2雙極化(HH+HV)SGF產品, 是中國第六次北極科學考察的途經區(qū)域, 圖像區(qū)域大部分被一年冰覆蓋, 除8月11日圖像有部分開闊水面, 其他圖像幾乎沒有明顯冰裂縫或開闊水, 適合提取冰表面紋理進行研究。圖像詳細參數見表1。研究區(qū)域如圖1所示, 圖中顏色代表2014年8月平均海冰密集度, 數據來自德國不萊梅大學發(fā)布的AMSR2/ASI產品, 黑色矩形代表SAR圖像位置, 黑色虛線代表第六次北極科考船航線?

表1 SAR圖像參數

圖1 研究區(qū)域位置示意圖

Fig.1. Map of study sites

現場冰厚數據來自第六次北極科考, 是利用船側觀測錄像提取的。與衛(wèi)星等大尺度遙感方式相比, 數字攝影產品可以有針對性的對一個區(qū)域進行觀測, 并且具有更高的分辨率, 能夠彌補大尺度遙感的分辨率不足和觀測位置的局限。首次北極科學考察就已經對密集冰區(qū)進行了航空數字相機遙感觀測, 得到了一批不同類型的高分辨率海冰數字影像[20]。目前船側錄像已經廣泛用在極地考察中進行冰情的觀測, 它的主要優(yōu)點就是自動化程度高, 可以自動記錄走航路線中的冰情, 而且觀測結果可以達到很高的精度[21]。其基本原理如圖2所示,當船在冰區(qū)前進, 冰層被壓碎后隨著船體向后滑動, 由于船體的阻礙而發(fā)生側翻露出斷面, 根據斷面的寬度及參照物就可以計算出相應的海冰厚度[22]。即從觀測錄像中篩選出帶有側翻海冰的信息, 根據圖上翻冰厚度和參照球直徑的比例, 乘以參照球的直徑就可以得到冰層的實際厚度, 此方法在平整冰的應用上能達到很高的精確度。

圖2 冰厚獲取示意圖

Fig.2. Method of getting ice thickness

在本文的研究中使用的海冰厚度數據是經過預處理, 提取完成的厚度數據, 包括拍攝時間, 經緯度以及對應的海冰厚度, 共計981個測量點。為保證精確度, 數據中冰厚最大和最小的兩個區(qū)間部分數據過于零散, 很難得到有意義的統(tǒng)計數據, 予以剔除, 在余下970個測量點的基礎上對平整海冰進行厚度反演研究。如圖3所示為厚度數據的地理位置及厚度大小, 圖中紅線為科考船航線。并將數據隨機分為兩組, 其中一組數據用于相關分析, 確定待定系數擬合反演方程,另一組數據用于反演厚度并計算誤差。

圖3 厚度數據位置及大小示意圖

Fig.3. Location and value of ice thickness

2 研究方法

2.1 圖像預處理

SAR數據預處理主要包括輻射校正、幾何校正、濾波降噪處理和入射角校正[23]。其中輻射校正是將圖像的像元亮度值消除誤差后轉化為真實的后向散射系數, 并以dB為單位保存。再通過幾何校正修正圖像的幾何畸變, 并使用Polar Stereo-graphic投影進行圖像投影, 將圖像坐標與經緯度進行對應。然后使用Refined Lee濾波處理來降低由于雷達波相干作用產生的斑點噪聲。最后還用一個基于入射角和后向散射系數之間關系的經驗線性方程對入射角進行校正, 降低由于入射角的變化引起的圖像在距離向灰度的變化[14,24]。

2.2 GLCM參數選取

紋理是所有物體表面先天具有的特性, 反應了物體表面結構組織排列的方式以及它們與周圍環(huán)境的關系。如圖4所示, 灰度共生矩陣是用圖像灰度級之間聯(lián)合條件概率密度函數(,,,)表示紋理, 該函數表示在給定空間距離和方向時, 灰度為起點, 出現灰度級為的概率[25]。所有的()用矩陣的形式表示, 稱為灰度共生矩陣, 用來量化圖像灰度的空間關系。

表2是Haralick定義的部分紋理特征值, 根據矩陣便可以計算出多個紋理特征的統(tǒng)計值[19]。

由于C波段同極化對地物表面粗糙程度的變化比交叉極化更加敏感[26]。本文使用HH極化方式的圖像進行紋理提取。在利用灰度共生矩陣提取紋理分析時, 首先要確定計算灰度共生矩陣時所需的4個參數:窗口大小?方向?位移量和灰度量化級別[25]?在實際計算GLCM時, 改變以上4個參數的任何一個均會影響GLCM中的元素數值, 這就會直接影響紋理特征值的大小, 使得提取的紋理特征不能真實地反映物體的紋理特征, 進而影響與海冰厚度的相關性[27]?但這4個參數往往難以確定, 目前沒有足夠的理論支持參數應該如何選取, 多是憑借個人經驗。以往的文獻表明方向和灰度量化級別對海冰的紋理特征影響很小[28], 方向一般選擇為0°、45°、90°、135°四個離散方向, 研究中多采用其中某一方向或者四個方向的紋理平均值[29]。本文選取灰度量化級別為64, 四個方向取紋理平均值?還需要確定窗口大小和位移, 這里用5×5、7×7、9×9、11×11的窗口分別以1、3、5、7的位移進行紋理計算, 以確定最優(yōu)組合。

圖4 GLCM的計算示意及矩陣形式

Fig.4. Diagram of GLCM and form of matrix

表2 GLCM紋理特征值表

根據厚度數據中的經緯度提取紋理特征, 以厚度數據的經緯度值為中心點, 利用3×3的窗口從SAR圖像中獲取該點的平均紋理特征值, 并與對應的冰厚進行匹配?由于同一海冰厚度對應的每個紋理值會在一定范圍內出現波動, 用直接得到的紋理值和海冰厚度進行分析, 很難得到兩者之間的相關性。以往的研究中都采用了不同方式的分段處理, 文獻[[14]]中采用K-means聚類方法對圖像進行分割, 將關于像素的冰厚數據轉換成關于圖像片段的冰厚數據, 文獻[[15]]中采用邊緣分割的方法對圖像進行預處理, 然后對分割片段內數據進行平均來分析相關性。以上方法比較適合大量的連續(xù)數據, 可以保證在每一片段內的數據都可以達到足夠的數量, 以便于提取有意義的統(tǒng)計數據。由于本文使用的厚度數據分布很不規(guī)律, 直接采用分段平均處理的方法[16], 將零散的厚度數據分組, 轉換成厚度段數據, 在定性分組的基礎上進行定量的分析, 即在實測數據范圍內, 每0.1 m的范圍分為一段, 并計算每一厚度段內的平均紋理值作為這一厚度段的紋理值, 便于之后的冰厚與紋理特性之間的相關分析?

圖5是不同參數組合下紋理特征和厚度的相關系數(<0.01), 橫坐標中5.1代表5×5窗口, 位移為1, 以此類推?？梢钥闯鰧Ρ榷?、相異性、同質性3個特征在小窗口下比較好, 在大位移下受影響很大; 二階矩、能量、最大概率、熵對窗口大小不敏感, 大位移對其有一定影響; 均值、相關性、方差3個特征在大窗口下略好, 受位移影響很小。綜上, 考慮應采用中等窗口小位移來提取紋理, 以最大程度上保證各特征值的相關性, 本文選擇9×9窗口、=1來進行后續(xù)分析。

圖5 不同紋理參數組合下紋理與冰厚的相關系數(絕對值)

Fig.5. Correlation coefficient (absolute value) between texture feature and ice thickness depending on the window size and the displacement

表3 相關系數匯總

2.3 相關分析

GLCM的參數確定為窗口大小9×9, 位移量為1, 灰度量化級別64, 取四個方向紋理平均值。在此基礎上各個紋理特征與海冰厚度的相關系數如表3所示。同時還沿襲傳統(tǒng)方法, 提取了圖像的后向散射系數HH, 并分析其與海冰厚度的相關性, 來與紋理反演厚度進行對比分析。由于GLCM的某些紋理之間存在公式上的相似, 彼此相關, 在多紋理相關分析時應該避開, 以及考慮紋理特征的波動情況, 最終選取熵和相關性兩個紋理特征用于厚度反演。紋理值和厚度之間呈現出比較明顯的線性關系, 利用第一組匹配好的實測數據確定待定系數, 從而得到海冰厚度與散射特征之間的經驗方程。

得到三個不同的海冰厚度的線性經驗方程, 其中方程(1)是只依靠后向散射系數, 是以往研究中最常用的反演厚度方法, 方程(2)是本文使用的紋理反演方法, 方程(3)是結合后向散射系數和紋理的反演方法。

=43.10·HH+730.22 (1)

=217.58·+1307.71·r–3277.68 (2)

=33.37·HH+254.28·+46.89·–2060.68 (3)

2.4 反演結果

將相關分析得到的三個經驗方程回代到第二組匹配好的厚度分層數據中來驗證規(guī)律的可靠性, 并對三個反演方程進行對比, 如圖6—圖8所示, 其中橫坐標為每一分層內的所有測量點的平均厚度, 縱坐標為相應的平均反演厚度。從圖6中可以看出, 在使用傳統(tǒng)方法HH反演厚度上出現了比較明顯的厚冰厚度被低估的現象, 以往的研究中提過此問題[15], 但并未做出解釋, 原因可能是海冰厚度達到一定程度后其表面的粗糙程度變化不夠明顯。圖7、圖8顯示利用紋理信息對冰厚進行反演在已有數據范圍內獲得了很好的表現。從表4中可以看出有紋理參與的反演方式獲得的反演結果誤差明顯優(yōu)于傳統(tǒng)方法, 且紋理和HH共同反演的結果和紋理單獨反演相差很小, 可能是由于紋理中已經包含了HH中的大部分信息。

后向散射系數HH反演結果如圖6所示:

圖6 σHH反演海冰厚度結果

Fig.6. Comparison between measured and retrieval ice thickness depending onHHmodel

紋理(熵和相關性)反演結果如圖7所示:

Fig.7. Comparison between measured and retrieval ice thickness depending on texture feature model

三特征要素(HH、熵和相關性)反演結果如圖8所示:

圖8 σHH和紋理反演海冰厚度結果

Fig.8. Comparison between measured and retrieval ice thickness depending onHHand texture feature model

表4 不同反演方式及反演精度

3 結論

本文利用七景SAR數據和對應的平整海冰厚度數據, 利用灰度共生矩陣, 首先研究了紋理的四個參數值對海冰厚度和紋理特征之間的相關性的影響, 確定了最適合反演海冰厚度的紋理參數和紋理特征, 并得到了利用紋理信息計算海冰厚度的經驗公式。利用經驗公式對SAR圖像上的海冰進行了厚度的反演, 并與傳統(tǒng)的0厚度反演方式進行了對比。主要結論如下:

1. GLCM的參數選擇上, 不同的紋理特征和冰厚的相關性對窗口大小和位移量的敏感度不同, 最終確定選用9×9的窗口, 位移為1來計算矩陣紋理反演厚度最合適, 同時也表明北極海冰的紋理尺度較大, 且比較細致, 這應該是由北極地區(qū)復雜的環(huán)境導致。

2. 在選擇紋理特征值時, 根據公式及意義將紋理分為三組, 可以看到在以往的研究中應用比較多的對比度和二階矩在厚度方面的相關性并不占優(yōu)勢, 而且數據的方差很大, 很不穩(wěn)定, 并不適合用來反演計算厚度, 本文選擇了熵和相關性來反演厚度。

3. 經過對比驗證, 本文的方法相比于傳統(tǒng)的只使用后向散射系數的反演方法精度更高, 表明僅用SAR直接呈現出的后向散射系數并不能完全體現出海冰厚度的變化, 而且也證實了紋理在海冰厚度的反演方面有著很高的潛力。

另外, 由于本文所使用的厚度數據來自船側翻冰測量, 由于此方法的局限性, 海冰厚數據多來自平整的中一年冰, 80%以上的數據處于80—130 cm, 薄冰和厚變形冰部分樣本很少, 對回歸方程的函數類型及其待定系數會有一定的影響, 而且不足50 cm區(qū)間冰厚的反演情況完全空白, 本方法在薄冰和厚變形冰的應用情況還要驗證。此外, 本方法對海冰密集度要求較高, 海水的存在會對紋理值產生很大的影響。以往的研究也表明, 海冰SAR圖像的散射特征和海冰厚度的相關性在不同的地點、不同的海冰形態(tài)上的表現并不一致[30], 目前還沒有發(fā)現普遍適用的規(guī)律, 本文的方法在其他地區(qū)的合理性還有待驗證。而且, 如果不對紋理信息進行分段統(tǒng)計處理, 直接提取圖上紋理信息進行厚度反演的結果并不理想。其中很重要的一個原因是SAR圖像受固有的相干作用影響[31], 信噪比不高, 單一像素所體現的信息只有部分反映了地物的真實信息, 其他部分來自無關的隨機噪聲[32], 使得SAR圖像一直以來廣泛用于定性分析, 直接定點定量地獲取地物信息目前還是困難重重。因此, 如果要實現SAR圖像定點定量地獲取信息, 可以考慮從兩個方面入手: 一個是對濾波降噪算法的改進[33], 提高圖像的信噪比, 另一個是結合多種數據對地物信息進行限制以獲取更加準確的信息。想要在分段反演的基礎上進一步提高精確度, 逐步達到定點反演厚度還需要更深入的研究。接下來的計劃中, 考慮使用如衛(wèi)星測高等更加連續(xù)密集的實測厚度數據, 應用圖像聚類分析對海冰進行分類, 由于紋理信息更加側重考慮像素與其周圍像素之間的關系, 分類片段和紋理共同作用下的結果值得期待。

1 STROEVE J C, SERREZE M C, HOLLAND M M, et al. The Arctic’s rapidly shrinking sea ice cover: a research synthesis[J]. Climatic Change, 2012, 110(3): 1005—1027.

2 胡鞍鋼, 張新, 張巍. 開發(fā)“一帶一路一道(北極航道)”建設的戰(zhàn)略內涵與構想[J].清華大學學報(哲學社會科學版), 2017,(3): 15—22.

3 季青, 龐小平, 許蘇清,等. 極地海冰厚度探測方法及其應用研究綜述[J]. 極地研究, 2016, 28(4): 431—441.

4 曹梅盛. 冰凍圈遙感[M]. 北京: 科學出版社, 2006.

5 國巧真, 陳云浩, 李京, 等. 遙感技術在我國海冰研究方面的進展[J]. 海洋預報, 2006, 23(4): 95—103.

6 張晰, 張杰, 孟俊敏, 等. 基于極化散射特征的極化合成孔徑雷達海冰分類方法研究: 以渤海海冰分類為例[J]. 海洋學報, 2013, 35(5): 95—101.

7 KARVONEN J. Baltic sea ice concentration estimation based on C-band HH-polarized SAR data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012, 5(6): 1874—1884.

8 LEHTIRANTA J, SIIRI? S, KARVONEN J. Comparing C- and L-band SAR images for sea ice motion estimation[J]. Cryosphere, 2015, 9(1): 357—366.

9 KARVONEN J, CHENG B, VIHMA T, et al. A method for sea ice thickness and concentration analysis based on SAR data and a thermodynamic model[J]. Cryosphere Discussions, 2012, 6(3): 1507—1526.

10 ZHANG X, ZHANG J, MENG J, et al. Analysis of multi-dimensional SAR for determining the thickness of thin sea ice in the Bohai Sea[J]. Journal of Oceanology and Limnology, 2013, 31(3): 681—698.

11 KIM J W, KIM D J, HWANG B J. Characterization of Arctic sea ice thickness using high-resolution spaceborne polarimetric SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(1): 13—22.

12 郭井學. 基于電磁感應理論的極地海冰厚度探測研究[D]. 吉林大學, 2007.

13 孔毅, 陳曦, 艾未華, 等. 基于GLCM和小波特征的SAR海冰分類[J]. 解放軍理工大學學報自然科學版, 2015,(1): 74—79.

14 SHI L, KARVONEN J, CHENG B, et al. Sea ice thickness retrieval from SAR imagery over Bohai sea[C]. Geoscience and Remote Sensing Symposium. IEEE, 2014: 4864—4867.

15 KARVONEN J, SIMILA M, HALLIKAINEN M, et al. Estimation of equivalent deformed ice thickness from Baltic Sea ice SAR imagery[C]. IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2005: 5165—5167.

16 劉眉潔, 戴永壽, 張杰, 等. 拉布拉多海一年平整冰厚度SAR反演算法[J]. 中國石油大學學報自然科學版, 2014, 38(3): 186—192.

17 郭德軍, 宋蟄存. 基于灰度共生矩陣的紋理圖像分類研究[J]. 林業(yè)機械與木工設備, 2005, 33(7): 21—23.

18 鄒亞榮, 林明森, 馬騰波, 等. 基于GLCM的SAR溢油紋理特征分析[J]. 海洋通報, 2010, 29(4): 455—458.

19 劉俊, 畢華興, 朱沛林, 等. 基于ALOS遙感數據紋理及紋理指數的柞樹蓄積量估測[J]. 農業(yè)機械學報, 2014, 45(7): 245—254.

20 趙進平, 任敬萍. 從航空數字影像提取北極海冰形態(tài)參數的方法研究[J]. 遙感學報, 2000, 21(4): 271—278.

21 盧鵬. 基于圖像分析的海冰幾何參數和拖曳系數參數化研究[D]. 大連理工大學, 2007.

22 盧鵬, 李志軍, 董西路, 等. 基于遙感影像的北極海冰厚度和密集度分析方法[J]. 極地研究, 2004, 16(4): 317—323.

23 KARVONEN J. A sea ice concentration estimation algorithm utilizing radiometer and SAR data[J]. Cryosphere, 2014, 8(5): 2213—2241.

24 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.

25 薄華, 馬縛龍, 焦李成. 圖像紋理的灰度共生矩陣計算問題的分析[J]. 電子學報, 2006, 34(1): 155—158.

26 孫少波, 車濤, 王樹果, 等. C波段SAR山區(qū)積雪面積提取研究[J]. 遙感技術與應用, 2013, 28(3): 444—452.

27 梁小祎, 張杰, 孟俊敏. 溢油SAR圖像分類中的紋理特征選擇[J]. 海洋科學進展, 2007, 25(3): 346—354.

28 張晰, 張杰, 紀永剛. 基于紋理特征分析的遼東灣SAR影像海冰檢測[J]. 海洋科學進展, 2008, 26(3): 386—393.

29HAVERKAMP D, SOH L K, TSATSOULIS C. A comprehensive, automated approach to determining sea ice thickness from SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1995, 33(1): 46—57.

30 KARVONEN J,CHENG B, SIMIL? M. Ice thickness charts produced by C-band SAR imagery and HIGHTSI thermodynamic ice model[C]. Geoscience and Remote Sensing Symposium, 2008.

31皮亦鳴. 合成孔徑雷達成像原理[M]. 成都: 電子科技大學出版社, 2007.

32 周曉光, 匡綱要, 萬建偉. 多極化SAR圖像斑點抑制綜述[J]. 中國圖象圖形學報,2008,(03): 377—385.

33 LEE J S, POTTIER E. Polarimetric radar imaging: from basics to applications[M]. Boca Raton: Francis Grou, 2009.

ARCTIC SEA ICE THICKNESS RETRIEVAL BASED ON SAR IMAGE TEXTURE FEATURE

Yu Miao1, Lu Peng1, Li Zhijun1, Shi Lijian2,3

(1State Key Laboratory of Coastal and Offshore Engineering, Dalian University of Technology, Dalian 116024, China;2National Satellite Ocean Application Service, Beijing 100081, China;3Key Laboratory of Space Ocean Remote Sensing and Application, Beijing 100081, China)

A novel method to estimate ice thickness based on seven Arctic Radarsat-2 SAR images and data for level ice thickness collected from the 6th Chinese National Arctic Research Expedition (2014) is presented. Suitable values of texture parameters are confirmed using a gray level co-occurrence matrix (GLCM). Relationships between sea-ice thickness and texture features are analyzed, and the possibility of determining sea-ice thickness based on ice texture features is discussed. Curve-fitting equations can be determined by optimum texture features. Estimated thickness agrees well with in-situ measurements, with an average relative error of 13.7%. Compared with another commonly used method that depends on a backscattering coefficient, this new method has less error, indicating texture features can be reliably used to determine ice thickness.

Arctic, sea-ice thickness, gray level co-occurrence matrix(GLCM), texture feature

2017年8月收到來稿, 2018年1月收到修改稿

國家重點研發(fā)計劃專項(2016YFC1402702)、國家自然科學基金面上項目(41676187, 41376186)、國家國際科技合作專項(2011DFA22260)資助

于淼, 男, 1993年生。碩士研究生, 主要從事海冰遙感研究。E-mail: yumiao2411@mail.dlut.edu.cn

盧鵬, E-mail:lupeng@dlut.edu.cn

10. 13679/j. jdyj. 20170035