基于HY-2A/SCAT數(shù)據(jù)極地海冰檢測(cè)方法研究*

趙朝方， 徐 銳， 趙 可

(1. 中國(guó)海洋大學(xué)信息科學(xué)與工程學(xué)院，山東 青島 266100； 2. 青島海洋科學(xué)與技術(shù)國(guó)家試點(diǎn)實(shí)驗(yàn)室，區(qū)域海洋動(dòng)力學(xué)與數(shù)值模擬功能實(shí)驗(yàn)室，山東 青島 266011)

海冰是一種敏感的氣候指標(biāo)，限制海洋和大氣之間的能量、動(dòng)量和物質(zhì)的交換。同時(shí)，海冰的存在影響海表反照率，減少地球表面吸收的太陽(yáng)輻射量。海冰在形成過(guò)程中析出鹽可以導(dǎo)致冰下海水密度增加，有助于垂直方向的海洋的溫鹽環(huán)流，而海冰融化會(huì)增加上層海洋的穩(wěn)定性。此外，海冰直接影響高緯度地區(qū)船舶航行和近海作業(yè)。因此，在高緯或極地海域，準(zhǔn)確確定海冰的范圍，對(duì)航行安全十分重要[1]。同時(shí)，研究極地海冰的時(shí)空特性對(duì)于監(jiān)測(cè)全球氣候變化、天氣預(yù)報(bào)、漁業(yè)捕撈和海洋運(yùn)輸具有重要意義[2]。

早期的海冰觀測(cè)方式包括測(cè)量船、飛機(jī)探測(cè)等，這兩種觀測(cè)方式不僅效率低、成本高，而且對(duì)于位置偏遠(yuǎn)且環(huán)境惡劣的極地海冰，更是難以直接觀測(cè)。隨著遙感技術(shù)的發(fā)展，衛(wèi)星遙感已經(jīng)成為研究極地海冰的有效手段。用于海冰檢測(cè)的遙感傳感器主要包括可見(jiàn)、紅外傳感器和微波傳感器?？梢?jiàn)光與近紅外波段傳感器包括NOAA/AVHRR傳感器、EOS/MODIS傳感器、以及近年來(lái)發(fā)射的高分辨率可見(jiàn)和紅外傳感器等，它們所獲取的各波段遙感資料被廣泛應(yīng)用于海冰范圍及海冰密集度的監(jiān)測(cè)研究[3]。但是可見(jiàn)和紅外傳感器在多云和極夜等條件下容易受到云或霧等天氣的影響，造成遙感圖像模糊影響觀測(cè)結(jié)果。微波可以穿透云層，具備全天時(shí)、全天候的工作能力，因此微波傳感器成為觀測(cè)海冰的重要工具。目前有兩種微波傳感器用于海冰觀測(cè)，被動(dòng)微波傳感器和主動(dòng)微波傳感器。被動(dòng)微波傳感器主要是指多波段微波輻射計(jì)如雨云系列衛(wèi)星Nimbus-5搭載的電子掃描微波輻射計(jì)(Electronically Scanning Microwave Radiometer,ESMR)，主要通過(guò)測(cè)量亮溫獲取海冰邊緣等參數(shù)。搭載在Nimbus-7衛(wèi)星的掃描多通道微波輻射儀(Scanning Multichannal Microwave Radiometer,SMMR)，將SMMR海冰觀測(cè)與飛機(jī)觀測(cè)結(jié)果進(jìn)行比較，SMMR對(duì)總冰密集度的估計(jì)精度為±3%，多年冰密集度的估計(jì)精度為+10%[4]。1987年開始的美國(guó)國(guó)防氣象衛(wèi)星計(jì)劃(Defence Meteorological Satellite Program,DMSP)系列衛(wèi)星先后搭載了專用微波成像儀和專用微波成像探測(cè)儀(Special Sensor Microwave/Imager and Special Sensor Microwave Imager/Sounder,SSM/I和SSMIS)，成為海冰數(shù)據(jù)的主要來(lái)源[5]。2002年EOS-Aqua衛(wèi)星搭載改進(jìn)型多通道掃描輻射計(jì)(Advanced Microwave Scanning Radiometer-Earth Observing System,AMSR-E)，比SSM/I具有更高的空間分辨率和更大的光譜范圍，能夠更好地評(píng)估不同類型海冰的空間分布[6]。

觀測(cè)海冰的另一種微波傳感器是主動(dòng)微波傳感器，主要包括合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)和散射計(jì)等。1978年，海洋衛(wèi)星Seasat-A成為第一顆提供高分辨率海冰SAR影像的衛(wèi)星，SAR傳感器以其高分辨率成像能力、不受多云天氣影響，可以獲取海冰邊緣線和冰塊縫隙等信息，在極地和高緯度海冰檢測(cè)中發(fā)揮著重要作用。但SAR的覆蓋范圍小，資料成本高，其時(shí)空覆蓋率難以滿足極地海冰和中大尺度海洋現(xiàn)象的研究[7]。1990年代以來(lái)，微波散射計(jì)開始用于海冰探測(cè)，包括C波段的ERS-1、ERS-2、ASCAT以及Ku波段的NSCAT、QUIKSCAT、HY-2A/SCAT等。微波散射計(jì)是非成像傳感器，其設(shè)計(jì)初衷是通過(guò)測(cè)量后向散射系數(shù)(σ0)反演風(fēng)場(chǎng)，但是近年來(lái)在海冰方面的探測(cè)也逐漸成熟起來(lái)。

目前來(lái)看，針對(duì)HY-2A/SCAT數(shù)據(jù)進(jìn)行海冰檢測(cè)算法還較少，缺少更加全面的比較。貝葉斯海冰檢測(cè)算法雖然已經(jīng)被很多散射計(jì)所應(yīng)用，卻還未用HY-2A/SCAT數(shù)據(jù)進(jìn)行過(guò)實(shí)驗(yàn)；此外，李明明等[2]已經(jīng)用FLDA算法對(duì)HY-2A/SCAT數(shù)據(jù)進(jìn)行了海冰檢測(cè)，模式識(shí)別中廣泛應(yīng)用的支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)算法在很多方面都比FLDA表現(xiàn)出獨(dú)特的優(yōu)越性，因此將這兩種算法加入HY-2A/SCAT數(shù)據(jù)的海冰檢測(cè)研究具有重要意義。此外，參考文獻(xiàn)[14]在參數(shù)選擇方面的啟發(fā)，本文在輸入?yún)?shù)方面基于主成分分析(Principal Component Analysis,PCA)對(duì)特征參量進(jìn)行選擇，在此基礎(chǔ)上利用BP神經(jīng)網(wǎng)絡(luò)檢測(cè)算法來(lái)進(jìn)行海冰檢測(cè)。本文使用貝葉斯海冰檢測(cè)算法、線性判別算法、支持向量機(jī)算法和基于PCA的BP神經(jīng)網(wǎng)絡(luò)算法對(duì)HY-2A/SCAT進(jìn)行極地海冰檢測(cè)，分析比較不同算法的結(jié)果，并在此基礎(chǔ)上分析極地海冰的季節(jié)變化。

1 數(shù)據(jù)介紹

1.1 主要數(shù)據(jù)

1.2 輔助數(shù)據(jù)

本文所用輔助數(shù)據(jù)是搭載于DMSP的24通道無(wú)源微波輻射計(jì)SSMIS海冰密集度數(shù)據(jù)，用來(lái)與HY-2A/SCAT海冰檢測(cè)結(jié)果進(jìn)行對(duì)比分析。SSMIS頻率范圍為19～183 GHz，可獲得每日海冰密集度，是目前公認(rèn)的海冰數(shù)據(jù)集，該海冰密集度數(shù)據(jù)可以在美國(guó)數(shù)據(jù)冰雪中心獲取[17]。

圖1 散射計(jì)觀測(cè)幾何[16]

SSMIS極地網(wǎng)格海冰密集度數(shù)據(jù)的空間分辨率為25 km，數(shù)據(jù)來(lái)源：ftp://sidads.colorado.edu/pub/DATASETS/nsidc0051gsfc_NASAteam_seaice/。

1.3 數(shù)據(jù)時(shí)空范圍

本文使用HY-2A/SCAT全球數(shù)據(jù)對(duì)南北極地區(qū)的海冰進(jìn)行探測(cè)。作為標(biāo)準(zhǔn)數(shù)據(jù)的SSMIS極地網(wǎng)格數(shù)據(jù)采用NASA 和 NSIDC提出的極地橢球投影方法(正軸等角割方位投影)[18]，為了便于觀察和比較，對(duì)HY-2A/SCAT南北極地區(qū)數(shù)據(jù)采用相同的方法進(jìn)行投影，投影前后分辨率均為25 km。投影后北極和南極平面柵格大小分別為448×304和332×316。投影后北半球經(jīng)緯度范圍：30.98°N～90°N，180°W～180°E。投影后南半球經(jīng)緯度范圍：39.23°S～90°S，180°W～180°E。

本文所研究的時(shí)間范圍：2013年9月—2014年8月。圖2為極地平面地圖網(wǎng)格，其中l(wèi)on表示經(jīng)度(Longitude),lat表示緯度(Latitude)。

2 研究?jī)?nèi)容

2.1 貝葉斯海冰檢測(cè)算法

2.1.1 貝葉斯海冰檢測(cè)算法原理 貝葉斯海冰檢測(cè)算法在海水和海冰地球物理模式函數(shù)(GMF)的基礎(chǔ)上，通過(guò)統(tǒng)計(jì)到海水和海冰兩個(gè)GMF對(duì)應(yīng)的后向散射系數(shù)(σ0)分布的概率距離,利用貝葉斯公式來(lái)實(shí)現(xiàn)海冰檢測(cè)。后向散射系數(shù)的大小主要取決于海面粗糙度，在無(wú)冰的海面上海面粗糙度主要由風(fēng)應(yīng)力決定[10]，因此海水GMF即海面風(fēng)場(chǎng)的GMF。

根據(jù)貝葉斯公式，海冰的條件概率可以寫成：

(1)

式中：p(ice|σ0)代表待識(shí)別單元分類為海冰的后驗(yàn)概率，p0(ice)與p0(wind)的初始值設(shè)定為0.5,條件概率p(σ0|ice)與p(σ0|wind)可用下式表示：

p(σ0|wind)=p(MLEwind)；

(2)

p(σ0|ice)=p(MLEice)。

(3)

MLEwind和MLEice分別為特征值到海面風(fēng)場(chǎng)GMF(相當(dāng)于沒(méi)有結(jié)冰的海面)和冰GMF對(duì)應(yīng)的σ0分布函數(shù)的最大似然估計(jì)(Maximum Likelihood Estimators, MLE)，表示特征值相對(duì)于兩個(gè)模型σ0分布的最小平方距離。參考Seawinds海面風(fēng)場(chǎng)反演時(shí)MLE的定義[9]，MLEwind和MLEice分別可以表示為：

(方框內(nèi)為研究區(qū)域。Rectangle region is the research area.) 圖2 極地平面地圖網(wǎng)格

(4)

(5)

MLEwind和MLEice函數(shù)的期望分布分別可以近似為具有N-2和N-1個(gè)獨(dú)立自由度的卡方分布[20],概率分布表示為：

(6)

(7)

為了充分利用歷史先驗(yàn)信息，每處理一軌數(shù)據(jù)都會(huì)更新p0(ice)與p0(wind)值，根據(jù)Seawinds進(jìn)行貝葉斯海冰檢測(cè)時(shí)的p0(ice)與p0(wind)的更新原則[9]，對(duì)HY-2A/SCAT進(jìn)行處理時(shí)也采用相同的閾值，即：

(8)

2.1.2 貝葉斯海冰檢測(cè)算法參數(shù)獲取

2.1.2.1 海面風(fēng)場(chǎng)GMF與海冰GMFσ0分布函數(shù)參數(shù) 本文使用的海面風(fēng)場(chǎng)GMF 為NSCAT-4 GMF，該GMF是在NSCAT 雙極化后向散射測(cè)量與ECMWF(European Centre For Medium Range Weather Forecasts)模式基礎(chǔ)上建立的[20]，將后向散射系數(shù)(σ0)表達(dá)為風(fēng)速、風(fēng)向、入射角以及極化方式的函數(shù)[21]。

σV,dB=A×σH,dB+B。

(9)

計(jì)算海冰GMF σ0分布函數(shù)的根本是確定線性方程的斜率A和截距B。海冰GMF σ0分布線性方程的斜率受混合冰水以及冰架等很多因素的影響，為了保證海冰GMF σ0分布線性方程的一致性，應(yīng)選取最具代表性時(shí)間段的純海冰擬合這條直線的斜率[9]。

圖與之差的絕對(duì)值分布(單位：dB)

圖4是不同海冰密集度下北極每日線性模式方程斜率。參考Seawinds海冰GMFσ0分布函數(shù)的參數(shù)計(jì)算過(guò)程，結(jié)合斜率曲線，選擇1—3月份，60°N以上范圍內(nèi)的海冰的平均斜率為最終的海冰GMFσ0分布函數(shù)斜率。

最終確定的北極海冰GMFσ0分布函數(shù)的斜率為1.095 8，截距為-0.192 2。

得到海冰GMFσ0分布擬合函數(shù)的斜率和截距后，可以最終確定NSCAT-4 GMF 與海冰GMF在原始后向散射測(cè)量空間中的分布。圖5為兩個(gè)模型在HH和VV兩個(gè)極化后向散射測(cè)量空間中的σ0分布，虛線框選范圍為海面風(fēng)場(chǎng)GMFσ0分布，直線為HY-2A/SCAT冰GMFσ0分布的線性擬合。

(北極參考斜率用紅色虛線標(biāo)出。The reference Arctic winter slope is highlighted in red dashed line.)

圖4 不同海冰密集度下北極每日海冰 GMFσ0分布線性函數(shù)擬合斜率

Fig.4 Arctic daily fitting slopes to sea ice GMFσ0distribution linear model of three different sea ice concentration

圖5 NSCAT-4GMF與HY-2A/SCAT海冰 GMF在垂直和水平極化測(cè)量空間中的σ0 分布

圖6 后向散射系數(shù)觀測(cè)值到海冰GMF σ0 分布線性函數(shù)的距離(標(biāo)準(zhǔn)差)示意圖

2.2 線性判別(FLDA)海冰檢測(cè)算法

假設(shè)有n組樣本數(shù)據(jù)，每一組樣本數(shù)據(jù)可以表示為四維參數(shù)矢量xi，由于海冰檢測(cè)只有冰和水兩個(gè)類別，因此只需要把樣本數(shù)據(jù)投影到一條直線上。對(duì)任意一組樣本矢量,它在直線w上的投影可以表示為wTxi,設(shè)兩個(gè)類別的中心點(diǎn)μ0,μ1， 在直線w的投影分別為wTμ0和wTμ1。根據(jù)線性判別原理，需要讓冰水兩個(gè)類別中心的距離盡可能大，亦即最大化‖wTμ0-wTμ1‖2,同時(shí)要求同一類別數(shù)據(jù)的投影點(diǎn)盡可能的接近，相當(dāng)于要求協(xié)方差wT∑0w和wT∑1w盡可能小，即最小化wT∑0w+wT∑1w。綜上所述，優(yōu)化目標(biāo)函數(shù)為：

(10)

類間離散矩陣表示為

SB=(μ0-μ1)(μ0-μ1)T。

(11)

類內(nèi)離散矩陣表示為

圖7 海冰后向散射到海冰GMFσ0 分布線性函數(shù)的距離頻率直方圖分布

SW=Σ0+Σ1=

(12)

因此優(yōu)化目標(biāo)函數(shù)可以重寫為

(13)

采用拉格朗日乘子法解出上式的最佳投影方向

(14)

則判別函數(shù)可以寫為

y=w*Tx。

(15)

然后確定分類閾值w0,本文采用下式來(lái)獲得w0:

(16)

根據(jù)這個(gè)原則將所有樣本數(shù)據(jù)投影至最優(yōu)一維矢量空間后，比較投影后待識(shí)別單元的y值與閾值w0的大小,判斷該待識(shí)別單元屬于海冰還是開闊海水。

2.3 支持向量機(jī)(SVM)海冰檢測(cè)算法

由于線性判別分析(FLDA)只能處理線性可分問(wèn)題，但是數(shù)據(jù)樣本通常并不一定線性可分。支持向量機(jī)(Support Vector Machine,SVM)算法通過(guò)引入核函數(shù)解決非線性可分問(wèn)題。

wT×φ(xi)+b=0 (i=1,…,n)。

(17)

(18)

s.t.((wT*φ(xi))+b)≥1 (i=1,…,n)。

(19)

式中：y是類別標(biāo)簽；yi是y的第i個(gè)分量。本文僅有海冰和海水兩個(gè)類別，即y設(shè)置為+1和-1。這個(gè)公式可以使用拉格朗日乘數(shù)法來(lái)求解。即先對(duì)每條約束添加拉格朗日乘子βi≥0，則該問(wèn)題的拉格朗日函數(shù)可寫為：

(20)

用序列最小優(yōu)化算法(SMO)可得w的最優(yōu)解w*：

(21)

得到w*后可代入式(17)得到的b最優(yōu)解b*。則對(duì)于任意測(cè)試樣本點(diǎn)m，其決策函數(shù)可以寫為：

f(m)=

(22)

式中：m表示投影后測(cè)試樣本點(diǎn)參數(shù)；φT(xi)φ(m)即為投影后測(cè)試樣本點(diǎn)與訓(xùn)練樣本的內(nèi)積，由于直接計(jì)算這個(gè)內(nèi)積比較困難，所以用核函數(shù)代替內(nèi)積：

(23)

本文使用高斯核函數(shù)，可以表示為：

(24)

式中,σ是達(dá)到率，即函數(shù)值跌落到0的速度參數(shù)。

2.4 基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)海冰檢測(cè)算法

主成分分析是通過(guò)正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為線性不相關(guān)的變量。主成分分析可以減少特征數(shù)量，有助于降低數(shù)據(jù)變量的復(fù)雜性。BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是采用誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)[22]，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)進(jìn)行分類，若輸入太多的樣本特征，則會(huì)降低網(wǎng)絡(luò)的訓(xùn)練速度與效率，嚴(yán)重時(shí)會(huì)導(dǎo)致網(wǎng)絡(luò)不收斂。所以結(jié)合PCA對(duì)原始數(shù)據(jù)進(jìn)行主成分提取可以提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度與效率。

3 結(jié)果分析

為了對(duì)比不同算法檢測(cè)海冰的能力，本文從冰水誤判、海冰邊界、海冰面積變化趨勢(shì)三個(gè)方面對(duì)四種算法的海冰檢測(cè)結(jié)果進(jìn)行分析。

3.1 海冰檢測(cè)結(jié)果誤判率對(duì)比

圖8為利用四種算法得到的2013年9月16日北極海冰范圍檢測(cè)結(jié)果，以及與同時(shí)期SSMIS 15%海冰密集度的海冰范圍(見(jiàn)圖8(e))進(jìn)行比較。從圖中可以看出，F(xiàn)LDA和SVM算法得到的海冰檢測(cè)結(jié)果在區(qū)域C處都存在大量海冰誤判，貝葉斯算法與基于PCA的BP神經(jīng)網(wǎng)絡(luò)算法在這個(gè)位置的誤判相對(duì)較少。四種方法的誤判率(噪聲點(diǎn)與全部測(cè)量點(diǎn)的比)進(jìn)行統(tǒng)計(jì)見(jiàn)表1。

從表1可知，貝葉斯算法的總誤判率最小，其次是基于PCA的BP神經(jīng)網(wǎng)絡(luò)算法，SVM算法和FLDA算法的誤判率較大。Rivas[20]利用貝葉斯算法對(duì)Seawinds數(shù)據(jù)進(jìn)行冰水檢測(cè)時(shí)，發(fā)現(xiàn)高風(fēng)速會(huì)影響檢測(cè)結(jié)果，因此利用數(shù)值預(yù)報(bào)NWP(Numerical Weather Prediction)風(fēng)速進(jìn)行校正；此外，應(yīng)用RL-N算法海冰檢測(cè)也發(fā)現(xiàn)，高風(fēng)速影響檢測(cè)效果，尤其是在格陵蘭島和威德?tīng)柡Ｓ騕9]。其原因在于高風(fēng)速的海面，海冰和開闊海水的后向散射系數(shù)非常相近，導(dǎo)致海冰和開闊海水的特征區(qū)分不明顯。

(a 貝葉斯算法 Bayesian； b 基于PCA的BP神經(jīng)網(wǎng)絡(luò)算法 BP neural network based on PCA； c 線性判別算法 FLDA； d 支持向量機(jī)算法 SVM； e SSMIS海冰范圍 SSMIS sea ice extent。區(qū)域C處表示四種算法的誤判差異。Area C indicates misjudgment difference among four algorithms.)

圖8 不同算法得到的2013年9月16日 北極海冰范圍和SSMIS結(jié)果

Note： ① Water to ice; ② Ice to water; ③ All misjudgment points; ④ Bayesian; ⑤ FLDA; ⑥ SVM; ⑦ BP neural network based on PCA

為了驗(yàn)證區(qū)域C處產(chǎn)生誤判的原因，對(duì)2013年9月16日區(qū)域C內(nèi)后向散射系數(shù)分布(見(jiàn)圖9)和ECMWF風(fēng)速(見(jiàn)圖10)進(jìn)行分析。

從圖中可以看出，誤判位置的后向散射系數(shù)比周圍開闊海水區(qū)高的多，可以達(dá)到-10 dB，風(fēng)速也都在15 m/s以上。因此，該位置產(chǎn)生的過(guò)多誤判與風(fēng)速有著很大聯(lián)系。

圖9 北極地區(qū)分布(2013年9月16日)

圖10 北極地區(qū)ECMWF風(fēng)速(m/s)(2013年9月16日)

貝葉斯方法由于結(jié)合了先驗(yàn)概率信息，其冰水檢測(cè)不完全依賴當(dāng)前觀測(cè)的后向散射系數(shù)，結(jié)合海面風(fēng)場(chǎng)和海冰GMF并加入了NWP風(fēng)速，可以校正風(fēng)速過(guò)高引起的誤差，因此誤判相對(duì)較低，優(yōu)于FLDA和SVM算法；基于PCA的BP神經(jīng)網(wǎng)絡(luò)算法，在主成分分析時(shí)僅保留最主要的特征信息，并且BP神經(jīng)網(wǎng)絡(luò)通過(guò)反復(fù)的后向反饋，理論上可以實(shí)現(xiàn)任何非線性映射的功能，所以誤判率也相對(duì)較低，但仔細(xì)分析冰水的邊界，發(fā)現(xiàn)這種算法得到的海冰邊界比較粗糙。

3.2 海冰邊界對(duì)比

SSMIS海冰密集度數(shù)據(jù)與HY-2A/SCAT海冰范圍采用相同的極地投影方式，并且具有相同的分辨率，可以直接進(jìn)行海冰邊界的比較。將四種算法的海冰邊界與SSMIS海冰邊界進(jìn)行對(duì)比后得到，四種算法的海冰邊界均介于SSMIS 0%和30%海冰密集度海冰邊界之間。

為了對(duì)HY-2A/SCAT南北極海冰邊界進(jìn)行具體分析，本文只列出了貝葉斯算法和SVM算法的海冰邊界與SSMIS 0%、30%海冰密集度海冰范圍邊界的對(duì)比圖(見(jiàn)圖11)。為了清楚地展示比較結(jié)果，海冰輪廓疊加在SSMIS 0%密集度圖像上。

(a 貝葉斯算法(南極) Bayesian(Antarctic); b 貝葉斯算法(北極) Bayesian(Arctic); c 支持向量機(jī)(南極) SVM(Antarctic); d 支持向量機(jī)(北極) SVM(Arctic)。綠色線條表示SSMIS 0%密集度邊界；黃色線條表示SSMIS 30%密集度邊界；紅色線條代表貝葉斯和SVM得到海冰邊界。Green line indicates SSMIS 0% concentration edge; yellow line indicates SSMIS 30% concentration edge; red line indicates Bayesian and SVM edge.)

圖11 基于貝葉斯和SVM算法得到的 2013年9月20日極地海冰邊界

Fig.11 Polar sea ice edge based on Bayesian and SVM on Sept.20,2013

從圖11可以看出，兩種算法獲得的海冰邊界都在海冰密集度0%～30%之間，由此說(shuō)明這兩種算法都可以用于海冰邊界的檢測(cè)。

3.3 南北極海冰范圍季節(jié)趨勢(shì)分析

考慮到PCA的BP神經(jīng)網(wǎng)絡(luò)算法運(yùn)行效率，以及FLDA誤判較多，本文選取貝葉斯算法和SVM算法海冰檢測(cè)結(jié)果，對(duì)HY-2A/SCAT 2013年9月到2014年8月份極地海冰變化趨勢(shì)進(jìn)行分析(見(jiàn)圖12)。其中，對(duì)SVM算法結(jié)果進(jìn)行了圖像腐蝕膨脹技術(shù)處理，貝葉斯海冰檢測(cè)算法中α取3，將SSMIS 0%、15%、30%密集度以上的海冰面積作為比較標(biāo)準(zhǔn)。

從整體來(lái)看，貝葉斯算法與SVM算法海冰面積變化趨勢(shì)圖都能很好的展現(xiàn)海冰面積的季節(jié)性變化。在海冰結(jié)冰期(冬季)，與SSMIS 15%、30%密集度海冰面積相比，貝葉斯和SVM算法得到的海冰面積變化都與其比較一致，且都介于SSMIS 0%、30%密集度海冰面積曲線之間；而在海冰融冰期(夏季)，貝葉斯算法和SVM算法探測(cè)的海冰面積都要比SSMIS 30%海冰密集度以上的海冰面積大，且貝葉斯算法探測(cè)的海冰面積超過(guò)SSMIS 30%海冰密集度以上的海冰面積的程度更大，而SVM算法結(jié)果與SSMIS 15%海冰密集度以上的海冰面積比較一致,該結(jié)果與之前研究[9，23]基本相符。

圖12 2013年9月1日～2014年8月31日 基于HY-2A/SCAT的極地日海冰范圍

4 結(jié)語(yǔ)

本文針對(duì)HY-2A/SCAT可以進(jìn)行海冰檢測(cè)的有用參數(shù)，詳細(xì)研究了貝葉斯、FLDA、SVM以及基于PCA的BP神經(jīng)網(wǎng)絡(luò)的海冰檢測(cè)算法，分析HY-2A/SCAT在極地海冰檢測(cè)中的應(yīng)用效果，以及在冰水誤判、海冰面積變化趨勢(shì)等方面的表現(xiàn)。

從海冰檢測(cè)結(jié)果來(lái)看，四種方法都能基于HY-2A/SCAT進(jìn)行海冰檢測(cè)。初步結(jié)果表明，高風(fēng)速引起的誤判對(duì)貝葉斯算法和基于PCA的BP神經(jīng)網(wǎng)絡(luò)算法影響較小,FLDA以及SVM算法受高風(fēng)速影響較大。其中針對(duì)貝葉斯算法，本文基于HY-2A/SCAT數(shù)據(jù)獲取了適合HY-2A/SCAT的海冰GMF σ0分布擬合參數(shù)及其方差，實(shí)現(xiàn)了HY-2A/SCAT貝葉斯海冰檢測(cè)算法。

將貝葉斯和SVM算法得到的海冰邊界與SSMIS 0%、30%海冰密集度的海冰邊界相比，結(jié)果顯示這兩種算法的海冰邊界都介于SSMIS 0%、30%海冰密集度的海冰邊界之間。

對(duì)貝葉斯和SVM算法得到的海冰面積季節(jié)變化趨勢(shì)與SSMIS 0%、15%、30%海冰密集度的海冰面積變化相比較，它們?cè)诮Y(jié)冰期(冬季)吻合度較高；而在融冰期(夏季)，基于散射計(jì)的兩種算法得到的海冰面積比SSMIS 30%海冰密集度以上的海冰面積要大，但SVM算法探測(cè)的海冰面積與SSMIS 15%海冰密集度以上的海冰面積比較一致。

綜上所述，四種算法均適用于HY-2A/SCAT的海冰檢測(cè)研究，證明了HY-2A/SCAT具有良好的海冰檢測(cè)能力，不失為一種海冰探測(cè)的有效手段。在未來(lái)的工作中，將進(jìn)一步探索HY-2A/SCAT在海冰分類方面的研究，了解不同算法的物理機(jī)制，以及尋找更多更適合的海冰檢測(cè)特征，為極地海冰監(jiān)測(cè)與全球變化研究服務(wù)。