留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

利用多源遥感数据识别波弗特海冰间水道

屈猛 庞小平 赵羲 季青 范沛

屈猛, 庞小平, 赵羲, 季青, 范沛. 利用多源遥感数据识别波弗特海冰间水道[J]. 武汉大学学报 ● 信息科学版, 2019, 44(6): 917-924. doi: 10.13203/j.whugis20170296
引用本文: 屈猛, 庞小平, 赵羲, 季青, 范沛. 利用多源遥感数据识别波弗特海冰间水道[J]. 武汉大学学报 ● 信息科学版, 2019, 44(6): 917-924. doi: 10.13203/j.whugis20170296
QU Meng, PANG Xiaoping, ZHAO Xi, JI Qing, FAN Pei. Detection of Sea Ice Lead in Beaufort Sea Based on Multisensory Remote Sensing Images[J]. Geomatics and Information Science of Wuhan University, 2019, 44(6): 917-924. doi: 10.13203/j.whugis20170296
Citation: QU Meng, PANG Xiaoping, ZHAO Xi, JI Qing, FAN Pei. Detection of Sea Ice Lead in Beaufort Sea Based on Multisensory Remote Sensing Images[J]. Geomatics and Information Science of Wuhan University, 2019, 44(6): 917-924. doi: 10.13203/j.whugis20170296

利用多源遥感数据识别波弗特海冰间水道

doi: 10.13203/j.whugis20170296
基金项目: 

国家自然科学基金 41576188

国家重点研发计划 2016YFC1402704

详细信息
    作者简介:

    屈猛, 博士生, 主要从事极地遥感中海冰参数反演和冰间水道提取研究。mango@whu.edu.cn

    通讯作者: 赵羲, 博士, 副教授。xi.zhao@whu.edu.cn
  • 中图分类号: P237

Detection of Sea Ice Lead in Beaufort Sea Based on Multisensory Remote Sensing Images

Funds: 

The National Natural Science Foundation of China 41576188

the National Key Research and Development Program of China 2016YFC1402704

More Information
    Author Bio:

    QU Meng, PhD candidate, specializes in cartography and sea ice remote sensing. E-mail: mango@whu.edu.cn

    Corresponding author: ZHAO Xi, PhD, associate professor. E-mail: xi.zhao@whu.edu.cn
  • 摘要: 采用MODIS可见光反射率、热红外亮温和RadarSat-2双极化后向散射等多源数据,通过建立决策树综合判断来识别波弗特海域冬季的冰间水道及其内部冰型,并进行精度评价。研究发现,MODIS热红外只能粗略提取冰间水道轮廓;而高分辨率的RadarSat-2影像可以提供更多海冰类型信息,但是不同冰型的后向散射信号有重叠,影响水道提取的精度。研究结合多源数据建立决策树,综合极化后向散射和表面温度等参数来判断海冰类型,从而识别不同发育阶段的冰间水道。该方法的识别精度优于单变量方法。高分辨率Sentinel-2光学影像验证了不同阶段冰间水道的顺序分布。多源数据的应用有助于更准确地计算水道区域的海-气热通量和产冰量,同时为船只导航提供更详细的冰情信息。
  • 图  1  波弗特海冰间水道分布

    Figure  1.  Distribution of Sea Ice Leads in Beaufort Sea

    图  2  除云后的冰面温度图像

    Figure  2.  MODIS Ice Surface

    图  3  冰面温度异常指数δ图像

    Figure  3.  Anomaly Map from Ice Surface Temperature Temp erature Map with Cloud Area Removed

    图  4  RadarSat-2假彩色合成图像中不同类型的海冰

    Figure  4.  Sea Ice Types in RadarSat-2 False Color Image

    图  5  基于多源遥感数据的决策树分类

    Figure  5.  Decision Tree Based on Multisensory Data

    图  6  由温度异常指数δ提取到的冰间水道范围

    Figure  6.  Sea Ice Lead Distribution Derived from Temperature Anomaly

    图  7  RadarSat-2彩色合成影像的监督分类结果

    Figure  7.  Result from Supervised Classification of RadarSat-2 Color Image

    图  8  决策树分类结果(矩形框内的1#与2#子区主要用于对比分析)

    Figure  8.  Result from Decision Tree (Subregions 1# and 2# Marked by Rectangles Were Used for Comparison)

    图  9  由ASI海冰密集度产品得到的开阔水域密集度(1#与2#子区域位置与图 8相同)

    Figure  9.  Open Water Fraction Derived from ASI Sea Ice Concentration Product (Rectangles are in the same Locations as Shown in Fig. 8)

    图  10  4月27日两景Sentinel-2A的覆盖范围

    Figure  10.  Coverage of Two Successive Sentinel-2A Images on April 27

    图  11  不同数据与决策树结果的对比

    Figure  11.  Subregions in Different Data

    表  1  主要数据情况

    Table  1.   Information on the Images and Product

    数据源 说明 分辨率/m 日期 时间
    RadarSat-2 SAR HH/HV 50 2016-04-25 02:20
    MODIS 光学 b1 250 2016-04-25 02:10
    热红外 b31-b32 1 000 2016-04-25 02:10
    AMSR-2 被动微波 SIC 3 250 2016-04-25
    Sentinel-2 光学 b4 10 2016-04-27 21:12
    下载: 导出CSV

    表  2  不同海冰类型之间的可分离度

    Table  2.   Separability Between Different Sea Ice Types

    海冰类型 MYI FYI TIL SIL FIL
    MYI - 0.962 6 1.126 6 1.643 7 0.795 6
    FYI 0.962 6 - 1.463 5 1.007 3 0.114 1
    TIL 1.126 6 1.463 5 - 1.958 3 1.000 7
    SIL 1.643 7 1.007 3 1.958 3 - 1.205 4
    FIL 0.795 6 0.114 1 1.000 7 1.205 4
    下载: 导出CSV

    表  3  决策树分类与监督分类结果的混淆矩阵(括号中为监督分类对应值)

    Table  3.   Confusion Matrix from Decision Tree (Supervised Classification in Bracket)

    海冰类型 MYI FYI YI-TIL GI-SIL FI-FIL 总计 用户精度
    MYI 45(48) 6(3) 3(2) 1(3) 2(5) 57 (61) 0.789 (0.786)
    FYI 8(14) 24(28) 1(0) 0(0) 3(13) 36 (55) 0.666 (0.509)
    YI-TIL 5(6) 2(0) 13(14) 0(0) 2(5) 22 (25) 0.590 (0.560)
    GI-SIL 0(10) 0(6) 0(0) 2(8) 0(1) 2 (25) 1.000 (0.320)
    FI-FIL 3(8) 5(19) 0(3) 3(2) 6(12) 17 (44) 0.352 (0.272)
    总计 61(86) 37(56) 17(19) 6(13) 13 (36) 134 (210)
    制图精度 0.737 (0.558) 0.648 (0.500) 0.764 (0.736) 0.333 (0.615) 0.461 (0.333) 0.671 (0.523)
    下载: 导出CSV
  • [1] Fequet D. MANICE: Manual of Standard Procedures for Observing and Reporting Ice Conditions[S/OL]. Operations and Field Services Divisions, Canadian Ice Service, 2005(2016-03-07)[2019-03-08]. https://www.canada.ca/en/environment-climate-change/services/weather-manuals-documentation/manice-manual-of-ice/chapter-1.html
    [2] Bauer J, Martin S. A Model of Grease Ice Growth in Small Leads[J]. Journal of Geophysical Research:Oceans, 1983, 88(C5):2917-2925 doi:  10.1029/JC088iC05p02917
    [3] Andreas E L, Paulson C A, William R M, et al. The Turbulent Heat Flux from Arctic Leads[J]. Boundary-Layer Meteorology, 1979, 17(1):57-91 doi:  10.1007/BF00121937
    [4] Alam A, Curry J A. Evolution of New Ice and Turbulent Fluxes over Freezing Winter Leads[J]. Journal of Geophysical Research:Oceans, 1998, 103(C8):15783-15802 doi:  10.1029/98JC01188
    [5] Maykut G A. Energy Exchange over Young Sea Ice in the Central Arctic[J]. Journal of Geophysical Research:Oceans, 1978, 83(C7):3646-3658 doi:  10.1029/JC083iC07p03646
    [6] Marcq S, Weiss J. Influence of Sea Ice Lead-width Distribution on Turbulent Heat Transfer Between the Ocean and the Atmosphere[J]. The Cryosphere, 2012(6):143-156 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=Doaj000002819139
    [7] Lüpkes C, Vihma T, Birnbaum G, et al. Influence of Leads in Sea Ice on the Temperature of the Atmospheric Boundary Layer During Polar Night[J]. Geophysical Research Letters, 2008, 35(3):135-144 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=4eab1e8cfe850fff27355541ed5ec8ca
    [8] Ruffieux D, Persson P O G, Fairall C W, et al. Ice Pack and Lead Surface Energy Budgets During LEADEX 1992[J]. Journal of Geophysical Research:Oceans, 1995, 100(C3):4593-4612 doi:  10.1029/94JC02485
    [9] Eisen O, Kottmeier C. On the Importance of Leads in Sea Ice to the Energy Balance and Ice Formation in the Weddell Sea[J]. Journal of Geophysical Research:Oceans, 2000, 105(C6):14045-14060 doi:  10.1029/2000JC900050
    [10] Pinto J O, Alam A, Maslanik J A, et al. Surface Characteristics and Atmospheric Footprint of Springtime Arctic Leads at SHEBA[J]. Journal of Geophysical Research:Oceans, 2003, 108(C4):8051-8065 doi:  10.1029/2000JC000473
    [11] Jung T, Gordon N D, Bauer P, et al. Advancing Polar Prediction Capabilities on Daily to Seasonal Time Scales[J]. Bulletin of the American Meteorological Society, 2016, 97(9):1631-1647 doi:  10.1175/BAMS-D-14-00246.1
    [12] Eppler D T, Farmer L D, Lohanick A W, et al. Passive Microwave Signatures of Sea Ice[M]//Carsey F D. Microwave Remote Sensing of Sea Ice. Washington: American Geophysical Union, 1992: 47-71
    [13] Onstott R G. SAR and Scatterometer Signatures of Sea Ice[M]//Carsey F D. Microwave Remote Sensing of Sea Ice. Washington: American Geophysical Union, 1992: 73-104
    [14] Martin S.Frazil Ice in Rivers and Oceans[J]. Annual Review of Fluid Mechanics, 1981, 13(1):379-397 doi:  10.1146/annurev.fl.13.010181.002115
    [15] Fett R W, Davidson K L, Overland J E. Opening and Closing of the "Husky-l" Lead Complex[C]//Johannessen O M, Muench R D, Overland J E. The Polar Oceans and Their Role in Shaping the Global Environment, AGU Geophysical Monograph. Washington: The American Geophysical Union, 1994, 85: 455-473
    [16] Fett R W, Englebretson R E, Burk S D. Techniques for Analyzing Lead Condition in Visible, Infrared and Microwave Satellite Imagery[J]. Journal of Geophysical Research:Atmospheres, 1997, 102(D12):13657-13671 doi:  10.1029/97JD00340
    [17] Fily M, Rothrock D A. Opening and Closing of Sea Ice Leads:Digital Measurements from Synthetic Aperture Radar[J]. Journal of Geophysical Research:Oceans, 1990, 95(C1):789-796 doi:  10.1029/JC095iC01p00789
    [18] Lindsay R W, Rothrock D A. Arctic Sea Ice Leads from Advanced Very High Resolution Radiometer Images[J]. Journal of Geophysical Research:Oceans, 1995, 100(C3):4533-4544 doi:  10.1029/94JC02393
    [19] Röhrs J, Kaleschke L. An Algorithm to Detect Sea Ice Leads by Using AMSR-E Passive Microwave Imagery[J]. The Cryosphere, 2012, 6(2):343-352 doi:  10.5194/tc-6-343-2012
    [20] Ivanova N, Rampal P, Bouillon S. Error Assessment of Satellite-Derived Lead Fraction in the Arctic[J]. The Cryosphere, 2016, 10(2):585-595 doi:  10.5194/tc-10-585-2016
    [21] Willmes S, Heinemann G. Pan-Arctic Lead Detection from MODIS Thermal Infrared Imagery[J]. Annals of Glaciology, 2015, 56(69):29-37 doi:  10.3189/2015AoG69A615
    [22] Tschudi M A, Curry J A, Maslanik J A. Characteri-zation of Springtime Leads in the Beaufort/Chukchi Seas from Airborne and Satellite Observations Du-ring FIRE/SHEBA[J]. Journal of Geophysical Research:Oceans, 2002, 107(C10):8034-8048 doi:  10.1029/2000JC000541
    [23] Hui F, Li X, Zhao T, et al. Semi-automatic Mapping of Tidal Cracks in the Fast Ice Region Near Zhongshan Station in East Antarctica Using Landsat-8 OLI Imagery[J]. Remote Sensing, 2016, 8(3):242 doi:  10.3390/rs8030242
    [24] Bröhan D, Kaleschke L. A Nine-year Climatology of Arctic Sea Ice Lead Orientation and Frequency from AMSR-E[J]. Remote Sensing, 2014, 6(2):1451-1475 doi:  10.3390/rs6021451
    [25] Wernecke A, Kaleschke L. Lead Detection in Arctic Sea Ice from CryoSat-2:Quality Assessment, Lead Area Fraction and Width Distribution[J]. The Cryosphere, 2015, 9(5):1955-1968 doi:  10.5194/tc-9-1955-2015
    [26] Willmes S, Heinemann G. Sea-Ice Wintertime Lead Frequencies and Regional Characteristics in the Arctic, 2003-2015[J]. Remote Sensing, 2015, 8(1):4 doi:  10.3390/rs8010004
    [27] Steffen K, Heinrichs J. Feasibility of Sea Ice Typing with Wynthetic Aperture Radar (SAR):Merging of Landsat Thematic Mapper and ERS 1 SAR Satellite Imagery[J]. Journal of Geophysical Research:Oceans, 1994, 99(C11):22413-22424 doi:  10.1029/94JC01398
    [28] Nghiem S V, Bertoia C. Study of Multi-Polarization C-Band Backscatter Signatures for Arctic Sea Ice Mapping with Future Satellite SAR[J]. Canadian Journal of Remote Sensing, 2001, 27(5):387-402 doi:  10.1080/07038992.2001.10854882
    [29] Scheuchl B, Flett D, Caves R, et al. Potential of RadarSat-2 Data for Operational Sea Ice Monitoring[J]. Canadian Journal of Remote Sensing, 2004, 30(3):448-461 doi:  10.5589/m04-011
    [30] Barry R G, Miles M W, Cianflone R C, et al. Characteristics of Arctic Sea Ice from Remote-Sensing Data and Their Relationship to Atmospheric Processes[J]. Annals of Glaciology, 1989, 12(1):9-15 http://www.researchgate.net/publication/319962953_Characteristics_of_Arctic_Sea_Ice_From_Remote-Sensing_Data_and_Their_Relationship_to_Atmospheric_Processes
    [31] Spreen G, Kaleschke L, Heygster G. Sea Ice Remote Sensing Using AMSR-E 89-GHz Channels[J]. Journal of Geophysical Research:Oceans, 2008, 113(C2):42-48 http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ021471068/
    [32] Key J R, Collins J B, Fowler C, et al. High-Latitude Surface Temperature Estimates from Thermal Satellite Data[J]. Remote Sensing of Environment, 1997, 61(2):302-309 doi:  10.1016/S0034-4257(97)89497-7
    [33] Hall D K, Key J R, Casey K A, et al. Sea Ice Surface Temperature Product from MODIS[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(5):1076-1087 doi:  10.1109/TGRS.2004.825587
    [34] 张晰, 张杰, 孟俊敏, 等.基于极化散射特征的极化合成孔径雷达海冰分类方法研究:以渤海海冰分类为例[J].海洋学报, 2013, 35(5):95-101 doi:  10.3969/j.issn.0253-4193.2013.05.010

    Zhang Xi, Zhang Jie, Meng Junmin, et al. Polarimetric Scattering Characteristics Based Sea Ice Types Classification by Polarimetric Synthetic Aperture Radar:Taking Sea Ice in the Bohai Sea for Example[J]. Acta Oceanologica Sinica, 2013, 35(5):95-101 doi:  10.3969/j.issn.0253-4193.2013.05.010
    [35] Ackerman S, Strabala K, Menzel P, et al. Discriminating Clear-sky from Cloud with MODIS Algorithm Theoretical Basis Document (MOD35)[R]. Madison: MOIDS Cloud Mask Team, Cooperative Institute for Meteorological Satellite Studies, University of Wisconsin, 2010
    [36] Mäkynen M, Cheng B, Similä M. On the Accuracy of Thin-ice Thickness Retrieval Using MODIS Thermal Imagery over Arctic First-year Ice[J]. Annals of Glaciology, 2013, 54(62):87-96 doi:  10.3189/2013AoG62A166
  • [1] 许慧慧, 高美玲, 李振洪, 胡羽丰.  多源地表温度估算近地表气温的精度对比 . 武汉大学学报 ● 信息科学版, 2022, 0(0): 0-0. doi: 10.13203/j.whugis20210541
    [2] 姜湾, 沈焕锋, 曾超, 张良培, 张洪艳, 刘欣鑫.  Terra MODIS数据28波段影像条带噪声去除方法 . 武汉大学学报 ● 信息科学版, 2014, 39(5): 526-530. doi: 10.13203/j.whugis20130006
    [3] 刘海, 陈晓玲, 宋珍, 殷守敬.  MODIS影像雪深遥感反演特征参数选择与模型研究 . 武汉大学学报 ● 信息科学版, 2011, 36(1): 113-116.
    [4] 徐永明, 覃志豪, 陈爱军.  基于查找表的MODIS逐像元大气校正方法研究 . 武汉大学学报 ● 信息科学版, 2010, 35(8): 959-962.
    [5] 杜聪, 王世新, 周艺, 阎福礼.  太湖悬浮物浓度的MODIS影像估测研究 . 武汉大学学报 ● 信息科学版, 2010, 35(1): 97-101.
    [6] 韩涛, 徐晓桃, 颉耀文.  基于单时相MODIS数据的决策树自动构建及分类研究 . 武汉大学学报 ● 信息科学版, 2009, 34(2): 191-194.
    [7] 赵强, 杨世植, 乔延利, 麻金继.  利用MODIS红外资料反演大气参数以及表层温度的研究 . 武汉大学学报 ● 信息科学版, 2009, 34(4): 400-403.
    [8] 周旋, 周晓中, 吴耀平, 翟景秋.  利用MODIS数据监测夜间雾 . 武汉大学学报 ● 信息科学版, 2008, 33(6): 581-583.
    [9] 马慧云, 李德仁, 刘良明, 梁益同.  基于AVHRR、MODIS和MVRIS数据的辐射雾变化检测与分析 . 武汉大学学报 ● 信息科学版, 2007, 32(4): 297-300.
    [10] 杜晓, 王世新, 周艺, 魏华.  一种新的基于MODIS的地表含水量模型构造与验证 . 武汉大学学报 ● 信息科学版, 2007, 32(3): 205-207.
    [11] 马慧云, 李德仁, 刘良明, 郭建星.  基于MODIS数据的雾光谱特性研究 . 武汉大学学报 ● 信息科学版, 2007, 32(6): 506-509.
    [12] 刘良明, 张红梅, 张丰.  近海Ⅱ类水体的MODIS影像大气校正方法 . 武汉大学学报 ● 信息科学版, 2007, 32(2): 104-107.
    [13] 周纪, 陈云浩, 李京, 蒋卫国.  基于MODIS数据的雪面温度遥感反演 . 武汉大学学报 ● 信息科学版, 2007, 32(8): 671-675.
    [14] 刘三超, 柳钦火, 高懋芳.  利用Terra和Aqua双星MODIS数据协同研究沙尘暴 . 武汉大学学报 ● 信息科学版, 2006, 31(12): 1051-1054.
    [15] 张立福, 张良培, 村松加奈子, 藤原昇.  利用MODIS数据计算陆地植被指数VIUPD . 武汉大学学报 ● 信息科学版, 2005, 30(8): 699-702.
    [16] 毛克彪, 覃志豪, 施建成, 宫鹏.  针对MODIS影像的劈窗算法研究 . 武汉大学学报 ● 信息科学版, 2005, 30(8): 703-707.
    [17] 马慧云, 李德仁, 刘良明, 梁益同.  基于MODIS卫星数据的平流雾检测研究 . 武汉大学学报 ● 信息科学版, 2005, 30(2): 143-145.
    [18] 刘良明, 胡艳, 鄢俊洁, 谭德宝.  MODIS干旱监测模型各参数权值分析 . 武汉大学学报 ● 信息科学版, 2005, 30(2): 139-142.
    [19] 闫利, 王颖, 徐亚明.  一种改进的MODIS影像BRDF辐射校正方法 . 武汉大学学报 ● 信息科学版, 2004, 29(9): 788-790,804.
    [20] 刘良明, 梁益同, 马慧云, 黄靖.  MODIS和AVHRR植被指数关系的研究 . 武汉大学学报 ● 信息科学版, 2004, 29(4): 307-310.
  • 加载中
图(11) / 表(3)
计量
  • 文章访问数:  1094
  • HTML全文浏览量:  134
  • PDF下载量:  112
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-06-09
  • 刊出日期:  2019-06-05

利用多源遥感数据识别波弗特海冰间水道

doi: 10.13203/j.whugis20170296
    基金项目:

    国家自然科学基金 41576188

    国家重点研发计划 2016YFC1402704

    作者简介:

    屈猛, 博士生, 主要从事极地遥感中海冰参数反演和冰间水道提取研究。mango@whu.edu.cn

    通讯作者: 赵羲, 博士, 副教授。xi.zhao@whu.edu.cn
  • 中图分类号: P237

摘要: 采用MODIS可见光反射率、热红外亮温和RadarSat-2双极化后向散射等多源数据,通过建立决策树综合判断来识别波弗特海域冬季的冰间水道及其内部冰型,并进行精度评价。研究发现,MODIS热红外只能粗略提取冰间水道轮廓;而高分辨率的RadarSat-2影像可以提供更多海冰类型信息,但是不同冰型的后向散射信号有重叠,影响水道提取的精度。研究结合多源数据建立决策树,综合极化后向散射和表面温度等参数来判断海冰类型,从而识别不同发育阶段的冰间水道。该方法的识别精度优于单变量方法。高分辨率Sentinel-2光学影像验证了不同阶段冰间水道的顺序分布。多源数据的应用有助于更准确地计算水道区域的海-气热通量和产冰量,同时为船只导航提供更详细的冰情信息。

English Abstract

屈猛, 庞小平, 赵羲, 季青, 范沛. 利用多源遥感数据识别波弗特海冰间水道[J]. 武汉大学学报 ● 信息科学版, 2019, 44(6): 917-924. doi: 10.13203/j.whugis20170296
引用本文: 屈猛, 庞小平, 赵羲, 季青, 范沛. 利用多源遥感数据识别波弗特海冰间水道[J]. 武汉大学学报 ● 信息科学版, 2019, 44(6): 917-924. doi: 10.13203/j.whugis20170296
QU Meng, PANG Xiaoping, ZHAO Xi, JI Qing, FAN Pei. Detection of Sea Ice Lead in Beaufort Sea Based on Multisensory Remote Sensing Images[J]. Geomatics and Information Science of Wuhan University, 2019, 44(6): 917-924. doi: 10.13203/j.whugis20170296
Citation: QU Meng, PANG Xiaoping, ZHAO Xi, JI Qing, FAN Pei. Detection of Sea Ice Lead in Beaufort Sea Based on Multisensory Remote Sensing Images[J]. Geomatics and Information Science of Wuhan University, 2019, 44(6): 917-924. doi: 10.13203/j.whugis20170296
  • 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。

    • 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。

      图  1  波弗特海冰间水道分布

      Figure 1.  Distribution of Sea Ice Leads in Beaufort Sea

      表 1  主要数据情况

      Table 1.  Information on the Images and Product

      数据源 说明 分辨率/m 日期 时间
      RadarSat-2 SAR HH/HV 50 2016-04-25 02:20
      MODIS 光学 b1 250 2016-04-25 02:10
      热红外 b31-b32 1 000 2016-04-25 02:10
      AMSR-2 被动微波 SIC 3 250 2016-04-25
      Sentinel-2 光学 b4 10 2016-04-27 21:12

      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。

    • 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。

      图  2  除云后的冰面温度图像

      Figure 2.  MODIS Ice Surface

      w为窗口宽度计算局部温度异常值指数δ

      $$ \delta=T_{s}-m_{\left(T_{s}\right) w} $$

      式中,Ts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。

      图  3  冰面温度异常指数δ图像

      Figure 3.  Anomaly Map from Ice Surface Temperature Temp erature Map with Cloud Area Removed

    • 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σHV0与HH后向散射σHH0的差值σHV0HH0,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。

      图  4  RadarSat-2假彩色合成图像中不同类型的海冰

      Figure 4.  Sea Ice Types in RadarSat-2 False Color Image

      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

      表 2  不同海冰类型之间的可分离度

      Table 2.  Separability Between Different Sea Ice Types

      海冰类型 MYI FYI TIL SIL FIL
      MYI - 0.962 6 1.126 6 1.643 7 0.795 6
      FYI 0.962 6 - 1.463 5 1.007 3 0.114 1
      TIL 1.126 6 1.463 5 - 1.958 3 1.000 7
      SIL 1.643 7 1.007 3 1.958 3 - 1.205 4
      FIL 0.795 6 0.114 1 1.000 7 1.205 4

      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。

    • 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。

      图  5  基于多源遥感数据的决策树分类

      Figure 5.  Decision Tree Based on Multisensory Data

      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。

    • 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。

      图  6  由温度异常指数δ提取到的冰间水道范围

      Figure 6.  Sea Ice Lead Distribution Derived from Temperature Anomaly

      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。

      图  7  RadarSat-2彩色合成影像的监督分类结果

      Figure 7.  Result from Supervised Classification of RadarSat-2 Color Image

      表 3  决策树分类与监督分类结果的混淆矩阵(括号中为监督分类对应值)

      Table 3.  Confusion Matrix from Decision Tree (Supervised Classification in Bracket)

      海冰类型 MYI FYI YI-TIL GI-SIL FI-FIL 总计 用户精度
      MYI 45(48) 6(3) 3(2) 1(3) 2(5) 57 (61) 0.789 (0.786)
      FYI 8(14) 24(28) 1(0) 0(0) 3(13) 36 (55) 0.666 (0.509)
      YI-TIL 5(6) 2(0) 13(14) 0(0) 2(5) 22 (25) 0.590 (0.560)
      GI-SIL 0(10) 0(6) 0(0) 2(8) 0(1) 2 (25) 1.000 (0.320)
      FI-FIL 3(8) 5(19) 0(3) 3(2) 6(12) 17 (44) 0.352 (0.272)
      总计 61(86) 37(56) 17(19) 6(13) 13 (36) 134 (210)
      制图精度 0.737 (0.558) 0.648 (0.500) 0.764 (0.736) 0.333 (0.615) 0.461 (0.333) 0.671 (0.523)
    • 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。

      图  8  决策树分类结果(矩形框内的1#与2#子区主要用于对比分析)

      Figure 8.  Result from Decision Tree (Subregions 1# and 2# Marked by Rectangles Were Used for Comparison)

    • 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σHH0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,σHV0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σHV0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。

    • 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。

      图  9  由ASI海冰密集度产品得到的开阔水域密集度(1#与2#子区域位置与图 8相同)

      Figure 9.  Open Water Fraction Derived from ASI Sea Ice Concentration Product (Rectangles are in the same Locations as Shown in Fig. 8)

      图  10  4月27日两景Sentinel-2A的覆盖范围

      Figure 10.  Coverage of Two Successive Sentinel-2A Images on April 27

      对比图 8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。

      图  11  不同数据与决策树结果的对比

      Figure 11.  Subregions in Different Data

      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。

    • 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。

参考文献 (36)

目录

    /

    返回文章
    返回