近日，中国科学院海洋研究所李晓峰研究团队，基于合成孔径雷达（SAR）卫星遥感影像，构建深度学习模型融合SAR极化信息和图像纹理信息，实现了北极波弗特海域一年冰、多年冰和冰间水道的高精度识别，并建立了波弗特海2018-2022年80米分辨率海冰类型数据集。该成果在遥感领域国际顶级学术期刊《环境遥感》（Remote Sensing of Environment， IF=13.5）发表。

受全球气候变化影响，北极海冰在范围、年龄和体量上都有明显的减少趋势。近十年间，北极越来越多的多年冰（MYI）被一年冰（FYI）取代，这一现象在波弗特海尤为明显。在此背景下，精准高效的遥感海冰分类将有利于北极气候变化监测和北极航道开发利用。

李晓峰研究团队基于SAR卫星影像，构建了双分支U-Net的海冰分类模型DBU-Net，融合SAR影像的极化信息和由SAR图像衍生得到的GLCM纹理信息，实现了开放水域（OW）、FYI和MYI的分类，以及冰间水道（Lead）识别（图1）。由于GLCM的计算涉及频数统计等不连续运算过程，无法被神经网络的反向传播过程学习。因此，本研究基于Jeffries-Matusita距离筛选有利于海冰分类的GLCM特征，并将其显示地加入模型输入，可有效地提升不同类型海冰和冰间水道的识别精度。

图1 双分支U-Net（DBU-Net）模型结构示意图

研究采用16幅哨兵1号EW模式SAR影像构建训练集，采用另外8幅独立的影像构建测试集。实验结果显示， DBU-Net对8幅完整图像的海冰分类准确率（Acc）、平均重叠度（mIoU）和Kappa系数分布达到了91.83%、0.841和0.849，比传统机器学习模型如SVM、RF和CNN模型提升明显。相对于原始的U-Net模型，加入GLCM纹理特征对海冰分类精度提升显著（图2）。

图2 原U-Net和双分支U-Net（DBU-Net）在测试图像的结果对比，红框标注了DBU-Net有明显改进的区域，GT为真值

进一步将模型应用于冰间水道的识别。采用冰间水道样本集重训练DBU-Net，模型在测试集展示出较高的水道识别能力，其Acc、mIoU和Kappa系数分别达到了99.49%、0.801和0.745（图3）。

图3 DBU-Net的冰间水道（Lead）监测结果。第1列子图中红框为第3到滴列子图展示的区域，GT为真值

基于该模型，研究收集了2018-2022年间冬季时序的波弗特海哨兵一号SAR影像，共454幅，应用该模型生成了80米分辨率的波弗特海海冰类型数据集，包括OW、FYI、MYI和冰间水道四种类型。分析了波弗特海海冰类别的变化情况（图4）：2018-2019年冬季波弗特海MYI呈输出态，2019-2021冬季MYI呈输入态，2021-2022冬季MYI呈稳定态，其变化与波弗特高压的强度和位置相关。2018-2019年波弗特海80米分辨率海冰类型数据示例如图5所示。

图4  2018-2022年冬季波弗特海海冰类别密集度变化情况。红色折线为波弗特海平均海表面气温（SAT），来自NECP-NCAR再分析数据

图5 2018-2019年冬季波弗特海海冰类型时间序列数据集

论文第一作者是中国科学院海洋研究所2023届硕士黄岩，通讯作者为任沂斌副研究员，合作者为李晓峰研究员。该研究得到了国家自然科学青年基金等项目资助。

相关论文信息：

[1] Huang, Y., Ren, Y.*, & Li, X. (2024). Deep learning techniques for enhanced sea-ice types classification in the Beaufort Sea via SAR imagery. Remote Sensing of Environment, 308, 114204. https://doi.org/10.1016/j.rse.2024.114204

[2] Y. Ren, X. Li, X. Yang and H. Xu, Development of a Dual-Attention U-Net Model for Sea Ice and Open Water Classification on SAR Images, in IEEE Geoscience and Remote Sensing Letters, vol. 19, pp. 1-5, 2022, Art no. 4010205, doi: 10.1109/LGRS.2021.3058049