冰间水道(leads)是由于海冰运动导致浮冰断裂而形成的线状开阔水域，一般定义为浮冰群中可供船只通航的断裂带^[1]。由于气温较低，水道形成后会迅速被薄冰覆盖^[2]，因此，遥感研究中的冰间水道通常包括开阔水域和薄冰覆盖的水道。水道表面与底层大气的温差可达30~40℃^[3]，海-气水热交换、产冰和脱盐速率比多年冰区高2个量级^[4]。在北极中心区，冬季开阔水域冰间水道面积仅占不到1%，薄冰(冰厚 < 1 m)覆盖的水道面积占8%~12%^[5]，然而水道区域对海-气热量输送的总贡献可达到70%以上^[5-6]。水道面积比例每增加1%，会导致近表面大气温度增加3.5 K^[7]。

水道形成后，随着热量的散失，薄冰迅速覆盖水道内的裸露水面并逐渐增厚，水热交换和产冰脱盐活动逐渐减弱。然而，即便水道内的冰厚增加到0.2 m，其湍流热通量仍然比多年冰区高出10倍左右^[4]；冰厚为0.8 m的薄冰区域，其湍流热通量仍然5倍于多年冰区的数值^[5]。当冰厚超过1 m时，水道区域的热量交换和产冰等活动强度与多年冰区无异^[4-5]。准确获取冰间水道内的冰情，在海-气水热通量^[8-10]和产冰量的精确计算^[9]与船只导航^[11]等方面具有重要意义。

早期冰间水道研究^[12-13]表明，冰间水道形成后，裸露的水面上会先形成冰针(frazil ice, FI)，冰针在风力作用下呈现为与风向平行的线性冰流，并在下风向堆积形成油脂冰(grease ice, GI)，油脂冰逐渐增厚固结形成更厚的年轻冰(young ice, YI)，从而在冰间水道中沿风向形成3层结构。在持续的风力条件下，这种结构在宽阔的冰间水道中十分常见^[14-16]，但是文献中对于各层薄冰具体冰型和冰厚的描述有所差异。

近年来，冰间水道研究主要依赖于星载光学、热红外和微波传感器数据进行泛北极尺度的遥感监测。鉴于冰间水道与厚冰在反照率、表面温度、微波亮温和后向散射等参数上的差异，研究者们通常采用阈值法^{[6, 17-21]}、区域增长法^[22]和边缘检测法^[23]等图像分割方法来提取冰间水道。现已形成多种基于星载传感器的冰间水道产品^[24-26]。但由于影像分辨率和算法的限制，现有的冰间水道遥感研究大多偏重提取冰间水道的总体空间分布特征，而缺乏对水道内部冰情的关注。

合成孔径雷达(synthetic aperture radar, SAR)不受云层和极夜的影响，同时具有空间分辨率高的优势。单极化SAR影像(HH或VV)一般可用于海冰与海水的分类，分类精度受风速、降雨等天气条件和入射角的影响^[27]。相比之下，海冰和海水在交叉极化(HV)影像上的后向散射值较低，对入射角也不敏感，双极化(HH和HV，或VV和HV)和多极化SAR影像将有助于提高海冰影像的分类精度^[28-29]。

本研究使用可见光、热红外和极化SAR影像数据进行多源信息融合，以获取高分辨率下的冰间水道分布及其内部冰情，通过对比单一数据源的水道提取结果，探索不同遥感数据和方法在冰间水道提取和冰型识别方面的优势和差异。

1 数据与方法

本文的研究区域位于北极班克斯岛以西的波弗特海海域，具体位置如图 1所示。由于波弗特回旋的剪切作用，波弗特海的冰间水道每年会以固定的模式重复出现^[30]。结合多源遥感数据对冰间水道进行识别, 有助于对该区域冰间水道的形成和发展变化过程进行更深入的探索。本研究使用的主要数据为UTC时间2016-04-25 T02:20:00的一景波弗特海RadarSat-2(RS2)双极化SAR影像和对应的MODIS影像，数据的详细情况见图 1和表 1。Terra星上的MODIS在波弗特海区域的重访周期约为100 min，根据RadarSat-2影像的成像时间匹配到MODIS影像，两者时间差约为10 min，其间冰面温度的变化和海冰的生长、漂移可以忽略不计。

本研究主要基于高分辨率的RadarSat-2极化影像进行多源数据的决策树分类，来提取不同发育阶段的冰间水道。基于MODIS第31、32波段热红外影像的冰面温度(ice surface temperature，IST)是冰间水道识别算法^[21]的主要输入数据，也是决策树的输入数据之一。研究还引入了250 m分辨率的MODIS第1波段反射率用于辅助分类。由于现有的冰间水道产品^[24-26]未能覆盖本研究影像所在时段，研究仅采用基于AMSR-2亮温数据的北冰洋海冰算法(Arctic sea ice，ASI)日均海冰密集度(sea ice concentration，SIC)产品^[31]和两天后过境的两景Sentinel-2高分辨率光学影像做对比验证。

1.1 基于冰面温度的水道提取

利用MODIS热红外第31、32波段亮温，应用劈裂窗算法^[32-33]可以计算得到冰表面温度。根据IST图像直方图的双峰结构，采用温度阈值除云，得到的图像如图 2所示。该图像可直接用于温度阈值法来提取薄冰覆盖的区域，也可用于计算温度异常指数δ，再进行阈值分割得到水道范围，本文采用后一种方法。

以w为窗口宽度计算局部温度异常值指数δ：

式中，T_s为冰面温度，单位为K; m_(Ts)w为以w个像元为边长的正方形窗口内冰面温度的均值，单位为K。窗口大小w的选取需考虑研究区域内冰间水道的宽度和密度等因素。参考现有研究^[18-21]并结合研究区域内冰间水道的特点，本文选取31个像元的窗口宽度来计算δ，结果如图 3所示。对δ图像设定适当的标准差(standard deviation, Std)阈值即可提取薄冰覆盖的冰间水道区域。

1.2 RadarSat-2影像的监督分类

对RadarSat-2 HH和HV双极化影像进行辐射校正、几何校正和入射角校正后可获得后向散射系数σ⁰影像。为了扩展RadarSat-2数据的维度，实验中计算了HV后向散射σ_HV⁰与HH后向散射σ_HH⁰的差值σ_HV⁰-σ_HH⁰，并进行假彩色合成(见图 4)，通过目视可以识别包括多年冰(multi-year ice, MYI)和一年冰(first-year ice, FYI)在内的主要冰型。

冰间水道内的海冰会影响水道上的热量交换强度和可通航性，本研究结合研究区域内海冰的影像特征，根据海冰的生长顺序将Radarsat-2影像中的水道分为3个阶段^[12-16]。第一阶段(first-stage ice leads, FIL)，水道刚刚形成，FI形成线状冰流^[15]；第二阶段(second-stage ice leads, SIL)，水道为GI覆盖，使得水面毛细波趋于缓和，海面粗糙度降低，后向散射达到最低值^[13]；第三阶段(third-stage ice leads, TIL)，水道以YI为主，冰厚在0.1 m以上，年轻冰表面的霜花导致表面粗糙度增加，后向散射系数陡增^[13]。

通过对RadarSat-2假彩色图像进行目视解译和采样，得到了5种海冰类型样本的后向散射系数。不同海冰类型样本的后向散射之间的可分离度见表 2。

可分离度的数值介于0~2之间，数值越大，可分离度越高。从表 2中可知，第二和第三阶段冰间水道的可分离度最高，达到1.96；而第一阶段冰间水道与多年冰和一年冰之间的可分离度较低，分别为0.80和0.11。因此，如果仅依据RadarSat-2后向散射进行分类，可能会存在错误分类，需要引入其他数据才能有效提取出第一阶段冰间水道。本研究根据训练样本，采用最大似然法对Radarsat-2彩色图像进行监督分类。

1.3 多源数据的决策树分类

鉴于MODIS冰面温度和RadarSat-2影像在冰间水道提取和冰型识别方面的特点，可以通过建立决策树将两种数据相结合，以提高海冰分类的精度和水道提取的准确性^[34]。基于多源遥感数据的决策树分类流程如图 5所示。决策树所采用的阈值均来源于对冰型样本的直方图分析，根据最小误差法选取阈值。

分类时，先将MODIS冰面温度和反射率数据插值到RardarSat-2的50 m分辨率的网格上，再进行运算，两者像元的中心点误差约为14 m。考虑到原数据分辨率差异较大，像元错位对分类结果的影响可以忽略不计。对于MODIS有云区域，冰面温度和反射率数据缺失，仅根据各类型海冰的后向散射系数直方图特征，采用最小误差法来进行分类。有云区域的分类结果不计入决策树精度评价。

2 结果分析 2.1 单变量冰间水道提取结果

利用MODIS冰面温度异常指数δ图像，以1倍标准差为阈值提取到的冰间水道如图 6所示。温度异常指数方法可以大致提取第一和第二阶段冰间水道范围，但是难以识别第三阶段冰间水道，也无法区分水道两侧的海冰类型。

采用最大似然法对于RadarSat-2假彩色图像进行分类，结果如图 7所示。研究中邀请不参与前期分类的海冰专家在RadarSat-2影像区域内以约700个像素的间距(约为35 km)等间隔采样，得到210个以14×15阵列分布的有效样点。以目视解译结果作为验证数据，对采样点的监督分类结果进行验证，所得混淆矩阵见表 3(括号内值)。由混淆矩阵计算得到监督分类的总体精度为52.38%，Kappa系数为0.37，一致性一般。监督分类结果明显高估了一年冰的分布，普遍存在将第一阶段冰间水道和多年冰错分为一年冰的情况。

2.2 决策树分类结果

基于多源数据的决策树分类的结果如图 8所示，对应混淆矩阵见表 3。相较于监督分类，决策树分类对多年冰、一年冰和第一阶段冰间水道的制图精度分别提高了约18%、15%和13%。决策树分类的总体精度为67.16%，Kappa系数为0.53，具有中等的一致性，优于监督分类结果，且多年冰、一年冰与第一阶段冰间水道的错误分类得到明显改善。第二阶段冰间水道的制图精度较低，可能是由于MODIS分辨率粗糙且第二阶段冰间水道的宽度较窄，从而形成混合像元，使得该类型在分类时的不确定性增加。

2.3 讨论

研究发现，由于水道上的热量交换会形成水雾，MOD35云掩膜产品会将部分冰间水道区域识别为云。考虑到影像中研究区域内的云层污染主要为低温云层^[35]，实验利用表面温度阈值来除云，但该方法无法消除反射率影像上的云影干扰。由于无法获知海冰表面的积雪状态等信息，实验中忽略薄冰表面积雪的影响^[36]，因而反射率主要取决于海冰的厚度。但是，由于波段反射率对太阳天顶角和传感器观测角都十分敏感，根据反射率阈值来划分海冰类型不可避免地存在着误差。使用高质量的反照率产品取代波段反射率数据参与决策分类，将有望提高不同类型海冰的分类精度，优化冰间水道的提取结果。

在RadarSat-2后向散射影像中，不同类型的海冰对入射角的响应有所不同。实验中对σ_HH⁰影像全局进行入射角校正，校正后的海面和薄冰对入射角仍有一定敏感性。另外，σ_HV⁰影像上存在波纹干扰，波纹对监督分类和决策树分类结果的影响比较明显。如能采用量化的方法修正σ_HV⁰影像中的波纹干扰，将有利于提高海冰分类和冰间水道提取的精度。

3 对比及验证

不莱梅大学发布的3.25 km AMSR-2-ASI海冰密集度数据产品，可用于计算开阔水域密集度(见图 9)，但ASI日均密集度产品与RadarSat-2影像之间存在一定偏移(如图 8和图 9中的1#子区域)。两天后过境的两景Sentinel-2光学影像覆盖了一半的研究区域，如图 10所示，图中显示了由一级大气层顶(top of atmosphere，TOA)反射率产品计算得到的第4波段(664.5 nm)辐射率影像，单位μW/(cm²·sr·nm)。相对于RadarSat-2影像，Sentinel-2中的浮冰和水道的位移量最大可达60 km以上。在匹配的子区域，Sentinel-2高分辨率影像可以为研究提供一定参照。另外，欧洲中期气象预报中心的ERA-Interim再分析数据库提供的海面10 m高处风速显示，4月25日-27日期间，研究区域内的风速维持在9 m/s左右，风向由东向西。

对比图 8和图 9可以看出，ASI开阔水域密集度与决策树分类得到的主要薄冰和水道分布一致。与基于MODIS冰面温度的提取结果相似，ASI产品倾向于将第一、二阶段的冰间水道视为开阔水域，而忽略第三阶段冰间水道。另外，由于AMSR-2的分辨率较低，密集度产品无法定位水道边界。尤其是在2#区域中，ASI产品无法识别水道中的多年冰浮冰块，而只将其视为低密集度区。密集度产品中，混合像元处冰情的不确定性较大。两个子区域的决策树分类的结果与其他数据的比较如图 11所示。图 11中MODIS冰面温度图像中的线状扰动主要由Bow-Tie效应和校正操作所引起。

1#区域中，MODIS冰面温度图像仅能提供冰间水道的大致范围；2#区域中，开阔水域右侧与厚冰中间有宽阔的过渡带，过渡带主要为第二阶段冰间水道，表面温度变化达5 K，一年冰和多年冰的表面温度基本一致；相较于冰温图像，RadarSat-2可以提供更详细的海冰类型信息。RadarSat-2合成影像上可以明显看到各类型海冰的分异，其中第一阶段水道和一年冰的差异主要表现在其线状纹理(即冰针流)；决策树分类图像上，第一阶段水道和一年冰得到有效区分。两个区域中均可见3种不同阶段的冰间水道共存，从左下到右上分别为第一、第二和第三阶段水道，这种分布结构与该区域强盛的东风有关；Sentinel-2反射率影像中同样能够看到冰间水道的层次结构。2#区域，相对于RadarSat-2影像，Sentinel-2影像中水道中间的纺锤形浮冰块发生了向上的漂移，另有多层薄冰在浮冰块下方堆积。第一与第二水道反射率差异较小，分别约为0.05和0.12；一年冰与多年冰反射率也比较接近，分别约为0.78和0.83；第三阶段水道反射率介于以上两类之间，约为0.42。Sentinel-2影像中不同阶段水道与厚冰的分布和相对位置与决策树分类图像一致。

4 结语

本研究利用MODIS光学和热红外波段数据与RadaraSat-2等多源数据，通过构建分类决策树来提取冰间水道。多源数据的应用可以有效结合不同数据的优势，识别不同发育阶段的水道系统。分类结果可以提供更详细、更准确的冰情信息，优于单变量算法结果。通过与AMSR-2海冰密集度数据和Sentinel-2高分辨率光学影像的对比，验证了决策树分类结果中不同阶段冰间水道的分布特征和规律。冰间水道提取结果有助于下一步理解大气-海洋之间的热量交换过程，也能为船只航行提供更有价值的冰情信息。