海冰作为地球极区重要组成部分,对全球气候变化和海上人类活动有重要影响。在气候方面,海冰相较于海水对太阳辐射有着更大反照率,可以显著减少进入海洋的太阳辐射能^[1]。同时,海冰能够阻碍风场对海水动量的输入,减缓海洋与大气之间的能量交换,是全球气候系统稳定的重要影响因素^[2]。在人类活动方面,海冰会造成港口和航道封锁、海上运输阻断以及海洋工程设施和船只毁坏,阻碍海上资源开采,甚至导致严重灾害^[3]。因此,海冰检测对全球气候研究以及人类活动都具有重要意义。

作为目前海冰研究的主要观测手段,光学遥感受气象条件影响较大,微波遥感重访周期较长且费用较高^[4],新兴的全球导航卫星系统反射测量（global navigation satellite system-reflectometry,GNSS-R）技术可以很好地规避这些问题。GNSS-R利用经地表反射的卫星导航信号,与卫星导航直射信号进行协同处理,根据反射信号相对直射信号在波形、相位、幅度等方面的变化,提取其中携带的地表特征信息^[5]。在提出GNSS-R对地观测概念^[6-7]及GNSS-R双基雷达前向散射模型^[8]后,GNSS-R技术飞速发展,观测平台由地基、机载发展到低轨卫星,星载GNSS-R进一步发挥了L波段双基雷达的优点^[9]。信号发射源由免费且全球覆盖性好的GNSS系统提供,无需额外布置信号源^[10],且接收卫星体积小、功耗低,经济成本较低^[11]。另外,星载GNSS-R可实现全天候工作,重访周期短,时间分辨率高^[12-14]。目前除已退役的英国TechDemoSat-1（TDS-1）卫星^[15-16]外,仍有超过11颗GNSS-R卫星在轨运行,如美国的旋风全球导航卫星系统（cyclone global navigation satellite system,CYGNSS）卫星^[17]、中国风云3E卫星^[18-19]和捕风1号卫星^[20]等。随着星载GNSS-R数据积累,已有学者将该技术应用于海洋^[21]、陆地^[22]和冰冻圈^[23]的地球物理参数反演中。其中,星载GNSS-R技术应用于海冰检测的研究起步较晚,目前数据集公开且覆盖地球两极的只有英国TDS-1卫星。TDS-1卫星于2014年成功发射,许多学者利用其时延多普勒图（delay-Doppler map, DDM）观测值研究海冰检测方法。为提高用于后续处理的数据质量,一般需对DDM数据进行预处理。文献[26]介绍了几种常见DDM数据预处理方法,包括以峰值信噪比（signal-to-noise ratio,SNR）为指标过滤数据、数据对齐、DDM正常化等；文献[24-26]通过研究海水和海冰的各种DDM特征值差异,实现高准确率的海冰检测；机器学习方法也被引入星载GNSS-R海冰检测^[27-30]。大部分机器学习方法需自行提取DDM特征值,数据预处理较复杂且存在丢失信息风险,而将整幅DDM作为输入值的卷积神经网络（convolutional neural network, CNN）算法可简化数据预处理,模型复杂度低且最大限度保留DDM所含反射面信息。卷积神经网络是一类包含卷积计算的前馈神经网络,能直接与图像像素进行卷积提取特征值,常用于图像分类,是深度学习代表算法之一^[31-32]。相较于全连接神经网络,CNN的权值共享属性可降低参数量,提升训练效率并降低网络过拟合的可能^[33],文献[28]验证了CNN比全连接神经网络方法更适用于海冰检测。将CNN运用于海冰检测可实现自动提取DDM特征值,大大减少数据预处理工作量,并通过卷积层中滤波器降低DDM噪声。

已有利用机器学习的GNSS-R海冰检测研究大都选用TDS-1卫星2月数据,数据集时间跨度较小,代表性有限,且未对训练集内不同类型数据比例设置进行讨论,缺乏对方法泛化能力和可靠性的研究,在实际应用场景的适用性较为有限。此外,TDS-1产品中含部分错误数据,可能对机器学习造成负面影响,但在已有研究中未被考虑。本文针对现有问题,首先提出了一种筛除畸形DDM的方法以加强数据质量控制,限制天线增益和翻转部分DDM以增强数据质量。然后设计合理CNN结构,采用合适的初始化方法和优化器,使网络更适用于DDM产品。选取TDS-1 2018年2月数据,通过对比实验,分析数据集内海水和海冰比例对CNN海冰检测方法泛化能力的影响,验证已有研究的不足并优化数据集选取策略。最后利用2018年全年数据集评估改进的方法在大数据量和大时间跨度时的有效性及可靠性。

1 数据集和预处理

1.1   数据集

1.1.1   TDS⁃1数据

搭载在TDS-1卫星上的载荷SGR-ReSI（space global positioning system receiver remote sensing instrument）可接收处理GNSS反射信号,并于2014-09开始下传DDM观测量、接收机及发射机参数等产品,自2018-02开始全时段运行至2018-12。本文选用英国TDS-1卫星2018-02—2018-12纬度大于55°地区的Level-1B产品（ftp.merrbys.co.uk/Data/L1B/）。

图1给出了TDS-1 Level-1B产品中海水和海冰DDM,时延像素和多普勒像素分别为128和20,反映反射信号在时间延迟和多普勒频移两个方向的分布,图中红色框为相应DDM的20（多普勒频移）×40（时间延迟）像素窗口。从图1可看出,海水DDM呈现出典型的马蹄形,而海冰DDM在时延多普勒域分布集中,这是因为海水表面较粗糙,反射信号以非相干分量为主,在时延域和多普勒域扩散程度高,而海冰较光滑,反射信号具有更强的相干分量。根据DDM形态差异,可区分反射表面是海水还是海冰,从而实现海冰检测。除DDM外,本文在海冰检测过程中还使用了SNR、入射角、天线增益及纬度4种信息,其中SNR和入射角用于数据质量控制,天线增益用于数据质量增强,纬度用于筛选北极地区数据。

图  1  海水和海冰DDM

Figure  1.  DDMs of Seawater and Sea Ice

下载: 全尺寸图片 幻灯片

1.1.2   参考数据

OSISAF（Ocean and Sea Ice Satellite Application Facility）隶属于欧洲气象卫星组织,利用传统遥感技术生成的海冰产品可靠性较高,包括海冰密集度、海冰边界和海冰种类等,其中海冰边界产品将海洋表面划分为海水（海冰密集度<30%）、开放冰（30%≤海冰密集度<70%）和密集冰（海冰密集度≥70%）,开放冰和密集冰统称为海冰^[34]。本文采用OSISAF海冰边界产品（ftp：//osisaf.met.no）作为真值训练卷积神经网络,并验证海冰检测结果。

1.2   数据初筛及预处理

受空间几何关系、姿态、天线增益、发射功率、反射面等因素影响,TDS-1卫星数据质量参差不齐,需进行数据质量控制以筛选出质量较好的DDM。本文数据质量控制准则如下：（1）TDS-1数据受热噪声和散斑噪声影响,噪声水平过高的数据无法提供有效反射面信息。采用峰值SNR作为衡量DDM噪声水平的依据,选取峰值SNR大于0 dB的数据。（2）GNSS信号传播到地球表面的角度会影响信号损耗,入射角越大时,路径损耗越大。在海洋表面粗糙度相同时,入射角越大,相干散射分量占比越大,在海冰检测时更易将海水误判为海冰^[35-36],因此,选取卫星入射角小于35°的数据^[24,26]。（3）为避免受DDM功率值影响,根据峰值功率将DDM归一化,生成正常化DDM。（4）受镜面点位置计算误差等因素影响,DDM峰值点位置出现偏移。为便于检测,将DDM中心化,即移动DDM峰值点到几何中心位置。

1.3   畸形DDM筛除及数据质量增强

1.3.1   畸形DDM筛除

DDM在经过§1.2中初筛和预处理后,仍残余畸形DDM,如图2所示。畸形DDM是错误观测量,未筛除会降低数据集选取合理性并影响神经网络训练效果。因此,本文提出一种畸形DDM筛除方法。

图  2  畸形DDM

Figure  2.  Malformed DDM

下载: 全尺寸图片 幻灯片

图2展示了两幅畸形DDM,推测可能是射频干扰和海面上岛礁导致,图中红色框为相应DDM的20（多普勒频移）$\times$40（时间延迟）像素窗口。对比已对齐和归一化后的畸形DDM（图2）和正常DDM（图1）可看出,正常DDM在窗口（图1红框区域）内像素值一般较小,而畸形DDM窗口（图2红框区域）内则含有较高信号值的像素。因此,引入特征值$A_{\mathrm{D}\mathrm{D}\mathrm{M}}$^[37],定义为对齐和归一化后DDM的20（多普勒频移）$\times$40（时间延迟）窗口的归一化功率均值,其中时间延迟从0侧开始选取,计算如下：

式中,$P_{i,j}^N$为第i个多普勒像素、第j个时延像素对应的归一化功率值。将$A_{\mathrm{D}\mathrm{D}\mathrm{M}}^{\mathrm{20}\times \mathrm{40}}$大于设定阈值的DDM判定为畸形DDM,予以筛除。

为了确定最优阈值,从2018年全年所有DDM中随机抽取10 000张,以0.001为间隔,统计阈值从0~0.05对应的筛除率、筛除准确率、误筛除率,结果如图3所示。其中,筛除率表示筛除成功的畸形DDM在所有畸形DDM中的占比,体现方法对畸形DDM的筛除能力；筛除准确率表示畸形DDM在所有被筛除的DDM中的占比；误筛除率表示被筛除的正常DDM在所有正常DDM中的占比,筛除准确率和误筛除率共同体现方法对正常和畸形DDM的识别能力。

图  3  筛除效果随阈值变化图

Figure  3.  Change of Screening Effect with Threshold

下载: 全尺寸图片 幻灯片

由图3可知,随着阈值的增大,筛除率先维持在100%再逐渐下降,筛除准确率逐渐上升至100%,误筛除率逐渐下降至0。由于在海冰检测领域DDM数据量较为充足,且正常DDM数量远多于畸形DDM,在评估筛除效果时优先考虑方法对畸形DDM的筛除能力,即筛除率是更为重要的指标。因此,设定畸形DDM筛除方法的阈值为0.02,此时筛除率为100%,筛除准确率为95.38%,误筛除率为0.03%,说明本文方法能够在大限度保持数据完整度的前提下有效筛除畸形DDM。

采用本文方法筛除2018年数据集内畸形DDM,统计不同月份数据集内畸形DDM占比,结果如表1所示。由表1可知,畸形DDM占比在部分月份浮动较大,最高达9.95%,而全年数据集内畸形DDM占比约0.52%。统计本文方法在畸形DDM占比最大的10月数据集上的筛除率、筛除准确率和误筛除率,分别为100%、95.70%和0.47%,验证了方法的有效性。

表  1  2018年数据集内畸形DDM占比

Table  1.  Proportion of Malformed DDM in the 2018 Dataset

时间	筛除前	畸形DDM数	筛除后	畸形DDM占比/%
2月	78 316	610	77 706	0.78
3月	107 747	320	107 427	0.30
4月	109 785	636	109 149	0.58
5月	23 401	91	23 310	0.39
6月	51 234	57	51 177	0.11
7月	149 113	388	148 725	0.26
8月	103 184	243	102 941	0.24
9月	44 695	34	44 661	0.08
10月	935	93	842	9.95
11月	92 676	1 570	91 106	1.69
12月	57 048	245	56 803	0.43
全年	818 134	4 287	813 847	0.52

下载: 导出CSV 

| 显示表格

1.3.2   数据质量增强

在神经网络训练过程中,为提高模型泛化能力和鲁棒性,可采用翻转、旋转和人为添加噪声等方法增强数据质量,改善网络效果^[38],因此分别设置1/3概率对DDM左右翻转、上下翻转和保持不变。由于天线增益会影响反射信号SNR,天线增益较低时数据质量较差,准备数据集时将天线增益值小于3 dB的DDM移入总训练集,再随机将剩余DDM分为两部分,并使总训练集和总测试集大小约为4∶3,从而确保测试集内DDM天线增益大于3 dB,而训练集内DDM的天线增益不进行控制,以此降低训练集数据质量,增加训练数据多样性。

2 基于CNN的海冰检测方法研究

CNN通常包括输入层、卷积层、池化层、全连接层和输出层。卷积层提取输入数据的特征,经过激活函数的非线性处理产生特征图。池化层能在保留有用信息的基础上减少数据处理量,提升网络训练效率。全连接层每个节点都与上一层所有节点相连,在CNN中起到分类器的作用。在将CNN运用到海冰检测时,需准备预处理后的训练集、测试集,将训练集内DDM作为输入进行训练,更新神经网络参数,而测试集用于检验准确率,不影响神经网络参数更新。

本文基于经典卷积神经网络LeNet-5^[39],根据DDM图像尺寸较小和像素矩阵较为稀疏的特点,减小卷积核大小并修改部分网络模型训练相关的超参数,设计CNN结构如图4所示,由3个卷积层（C1、C2、C3）、两个池化层（S1、S2）和两个全连接层组成。3个卷积层分别采用4个3×3的卷积核、8个2×2的卷积核和16个2×2的卷积核,卷积核与该层输入的图像做卷积处理,经过ReLU（rectified linear unit）激活函数生成新的特征图。ReLU函数可表示为：

图  4  采用的卷积神经网络结构

Figure  4.  Structure of Employed CNN

下载: 全尺寸图片 幻灯片

在初始化CNN模型时,采用和ReLU激活函数更匹配的Kaiming初始化,其服从正态分布$N(\mathrm{0},s^{\mathrm{2}})$,其中,$s$可表示为：

式中,s表示标准差；$N_{\mathrm{i}\mathrm{n}}$为输入神经元个数；a为默认值0。

优化器选用更加适合稀疏网络分类问题的Adam优化器,学习率设置为0.001。与已有利用CNN进行海冰检测的研究采用的随机初始化和带动量的随机梯度下降（stochastic gradient descent with momentum,SGDM）优化器相比,此模型更不易陷入局部最优,准确率也有所提升。

损失函数是神经网络寻找最优权重参数的指标,本文经实验对比后采用交叉熵损失函数。为降低过拟合,在两个全连接层后使用随机失活（dropout）方法,分别设置0.2和0.1的概率将节点丢弃。输出层设置两个节点,softmax作为激活函数使两个输出节点输出值范围在$\left[\mathrm{0,1}\right]$,且输出值之和为1,输出值更大的节点为最终分类结果,实现海水和海冰二分类。本文海冰检测方法流程图如图5所示。

图  5  CNN海冰检测流程

Figure  5.  CNN Sea Ice Detection Process

下载: 全尺寸图片 幻灯片

3 实验与结果分析

首先选取小样本的2018-02数据,初步评估本文方法的海冰检测准确率,并通过设置不同海水与海冰DDM比例的数据集研究数据集内水冰比对检测效果和方法泛化能力的影响,再使用筛除畸形DDM前后的数据重复以上实验。根据实验结果优化数据集选取策略后,使用大样本的2018年全年数据验证改进的方法在大数据量和大时间跨度时的可靠性。

3.1   实验设计

为对比实验效果,选取2018-02数据,固定训练集和测试集样本大小,设置训练集样本大小为8 000,测试集样本大小为6 000。此外,为研究数据集内海水与海冰DDM比例对训练效果的影响,设置13种水冰比例,训练集依次记为A~M,测试集依次记为a~m。表2为实验数据集内海水和海冰DDM分布情况。将每个训练集训练

表  2  不同海水-海冰比例的数据集

Table  2.  Data Sets for Different Seawater-Sea Ice Ratios

海水∶海冰	训练集名称	训练集	测试集名称	测试集
7∶1	A	7 000∶1 000	a	5 250∶750
6∶1	B	6 857∶1 143	b	5 143∶857
5∶1	C	6 667∶1 333	c	5 000∶1 000
4∶1	D	6 400∶1 600	d	4 800∶1 200
3∶1	E	6 000∶2 000	e	4 500∶1 500
2∶1	F	5 333∶2 667	f	4 000∶2 000
1∶1	G	4 000∶4 000	g	3 000∶3 000
1∶2	H	2 667∶5 333	h	2 000∶4 000
1∶3	I	2 000∶6 000	i	1 500∶4 500
1∶4	J	1 600∶6 400	j	1 200∶4 800
1∶5	K	1 333∶6 667	k	1 000∶5 000
1∶6	L	1 143∶6 857	l	857∶5 143
1∶7	M	1 000∶7 000	m	750∶5 250

下载: 导出CSV 

| 显示表格

500个历元,用每个历元所得神经网络模型测试所有测试集,得到共13×13组实验结果。为定量分析筛除畸形DDM对海冰检测的影响,分别使用未筛除和已筛除畸形DDM的数据重复以上实验。

3.2   实验结果分析

3.2.1   海冰检测准确率分析

计算准确率已趋于稳定的300~500历元平均值作为每个实验组最终准确率。表3给出了筛除畸形DDM前后海冰检测准确率统计情况,可看出筛除畸形DDM前,所有实验组海冰检测准确率均在89%以上,最高准确率为98.00%；筛除畸形DDM后,所有实验组海冰检测准确率均在90%以上,最高准确率为98.44%,说明方法有较高的海冰检测准确率。

表  3  筛除畸形DDM前后海冰检测准确率/%

Table  3.  Sea Ice Detection Accuracy Before and After Removing Malformed DDM/%

实验组	最高准确率	最低准确率	平均准确率
筛除前	98.00	89.54	94.83
筛除后	98.44	90.35	95.33

下载: 导出CSV 

| 显示表格

图6给出了筛除畸形DDM前后海冰检测准确率对比,图中准确率为每个训练集对应所有测试集（a~m）海冰检测准确率均值。从图6可以看出,每个训练集对应所有测试集（a~m）的检测准确率均值在筛除畸形DDM后均有所提升。计算所有实验组在筛除数据前、后的检测准确率均值,分别为94.83%、95.33%,得出本实验中海冰检测准确率在筛除畸形DDM后约有0.5%的提

图  6  筛除畸形DDM前后准确率对比

Figure  6.  Comparison of Accuracy Before and After Removing Malformed DDM

下载: 全尺寸图片 幻灯片

升,提升幅度与2月数据集内畸形DDM占比相当。但由于畸形DDM占比在各月浮动较大,且畸形DDM在原始数据集内常连续出现,在数据量及时间跨度较小的实际应用场景下无法预估畸形DDM在数据集内的占比,导致该场景下方法的稳定性降低,因此有必要筛除。

3.2.2   方法泛化能力分析

图7为筛除畸形DDM后所有实验组海冰检测准确率随数据集内水冰比变化情况,图8给出了海冰检测准确率均方差变化,此均方差表示每个训练集（A~M）所得网络模型在所有测试集（a~m）上检测准确率的均方差。

图  7  海冰检测准确率变化图

Figure  7.  Accuracy Change of Sea Ice Detection

下载: 全尺寸图片 幻灯片

图  8  海冰检测准确率均方差变化图

Figure  8.  Accuracy Change of Mean Square Error of Sea Ice Detection

下载: 全尺寸图片 幻灯片

从图7（a）可以看出,当训练集内水冰比大于1（训练集A~F）时,检测准确率随着测试集内水冰比减小而减小；当训练集内水冰比小于1（训练集H~M）时,检测准确率随着测试集内水冰比减小而增大；当训练集内水冰比等于1（训练集G）时,其在各测试集上的海冰检测准确率仅在较小范围内波动,较为稳定。从图7（b）可以看出,当训练集内水冰比等于1（训练集G）时,其在各测试集（a~m）上的检测准确率较为集中,平均准确率为96.68%,最高准确率与最低准确率差值仅为0.58%；当训练集内水冰比不等于1时,其在各测试集上的检测准确率波动较大,最高准确率与最低准确率差值最高达7.63%,且训练集内水冰比越接近1时该波动越小,即模型泛化能力越强。因此,在图6和图8中,随着训练集内水冰比减小（训练集A~M）,平均准确率先增大后减小,在比值为1时达到最大值；均方差先减小后增大,在比值为1时达到最小值。

研究表明,当训练集内水冰比为1时,训练所得CNN模型能在各种水冰比的测试集内以最小波动和高准确率完成海冰检测,优于其他水冰比的训练集所得CNN模型。若以时间为标准选取数据,仅采用水冰比约1∶4的2月数据作为训练集,所得模型泛化能力有限。因此,本文优化了CNN海冰检测方法的数据集选取策略,将训练集内水冰比设置为1,使所得CNN模型泛化能力更强,能够更好地适应水冰比未知或时间跨度较大的实际应用场景。

3.2.3   方法可靠性分析

经筛除畸形数据和优化数据集选取策略后,本文方法的高准确率及强泛化能力已在2018-02数据集中得到初步验证,但为避免数据量和时间跨度较小导致数据代表性不足,仍需进一步实验验证。因此,从筛除畸形数据后的2018年全年数据中随机抽取80 000张DDM组成训练集,控制其水冰比为1∶1,将训练所得模型在包含813 843张DDM的

2018年全年数据集中测试,准确率为95.11%,能较好完成海冰检测,证明改进的海冰检测方法可靠。

值得注意的是,全年海冰检测准确率与由2月数据组成的训练集G在各测试集（a~m）上平均准确率96.68%相比较低。根据文献[23],冰水混合区域更易呈现出与海水表面相似的特征,检测时更易误判为水,导致准确率降低,因此推测全年海冰检测准确率相比2月较低的原因是全年冰水混合区域相比2月更多。

表4给出了2月与全年数据集内开放冰在海冰中的占比对比。由表4可知,全年开放冰的占比与2月相比较大,即全年冰水混合区域更多。为进一步验证数据集内开放冰的比例对检测准确率的影响,从筛除畸形DDM后的全年数据中随机抽取组成同样大小和水冰比的两组数据集,数据集内开放冰比例分别与2月（13.70%）和全年（23.30%）相同,两组海冰检测准确率的对比如表5所示。

表  4  2018-02与全年数据集内开放冰DDM占比对比

Table  4.  Comparison of Open Ice DDM in February and the Whole Year

数据集	DDM总数	海冰	开放冰	开放冰/海冰/%	准确率/%
2月	77 706	61 858	8 477	13.70	96.68
全年	813 843	461 161	107 402	23.30	95.11

下载: 导出CSV 

| 显示表格

表  5  不同开放冰比例的海冰检测准确率对比

Table  5.  Accuracy Comparison of Sea Ice Detection with Different Open Ice Ratios

数据来源	训练集	测试集	数据集内水冰比	开放冰/海冰/%	准确率/%
全年	20 000	10 000	1∶1	13.70	96.17
全年	20 000	10 000	1∶1	23.30	94.42

下载: 导出CSV 

| 显示表格

由表5可知,在其他条件相同时,数据集内开放冰的占比较大时,海冰检测准确率更低,因此在使用开放冰占比更大的全年数据集进行海冰检测时更易发生误判,其准确率较2月更低,但仍能以高准确率、泛化能力及可靠性完成海冰检测。

4 结 语

本文针对已有研究在数据代表性和方法泛化能力的不足,对星载GNSS-R卷积神经网络海冰检测方法进行研究和改进,并得出如下结论：

1）冰水混合区域在检测时更易发生误判,训练集内水冰比也会影响神经网络方法在不同测试集上的表现,仅以时间为标准选取时间跨度较小、冰水混合区域较少且水冰比不均衡的2月数据会导致数据代表性有限。

2）本文方法提出的筛除畸形DDM方法能够在最大限度保持数据完整性的同时有效剔除TDS-1数据集中的异常数据,加强数据质量控制,进而提升该方法在数据量及时间跨度较小的实际应用场景下的稳定性。

3）训练集内水冰比为1∶1时所得CNN模型具有最好泛化能力和较高检测准确率,更适用于水冰比未知的实际应用场景,因此应对数据集选取策略进行优化,在数据集选取时将训练集内水冰比设置为1∶1。

本文改进的方法通过加强数据质量控制和优化数据集选取策略,提升方法泛化能力和可靠性,使其更适用于复杂的实际应用场景,是一种更稳定且更有效的星载GNSS-R海冰检测方法,可为今后星载GNSS-R冰水混合物、海冰消融等研究提供参考。随着GNSS系统的完善及未来星载GNSS-R在有效载荷的质量和数量上的进一步发展,相信更高时空分辨率、更高质量的GNSS-R观测数据会给冰冻圈遥感带来更多创新方法和应用,从而为全球气候变化研究和人类海上活动提供有效帮助。