近日，中国科学院海洋研究所人工智能海洋学研究组发表最新研究成果，提出面向Sentinel-1合成孔径雷达影像的冰间水道智能检测模型LeadNet，并据此构建了空间分辨率为80m的泛北极冬季冰间水道数据集，进一步实现冰间水道长度、宽度等形态参数的精细化提取，为研究北极海冰动力过程及海气相互作用提供了高分辨率观测资料。相关论文发表在国际期刊International Journal of Digital Earth。

冰间水道（sea-ice lead，简称水道）是海冰在风、海流和潮汐等作用下形成的线性开阔水域。尽管其面积相对较小，却是冬季北极海洋与大气之间热量、水汽和气体交换的重要通道。冰间水道通常较为狭窄，形态复杂且不断开合、冻结，给泛北极尺度的连续监测带来困难。光学和热红外遥感容易受到云层及极夜条件影响，被动微波数据则难以分辨细窄水道。Sentinel-1合成孔径雷达具备全天时、全天候观测能力，但海冰类型、表面粗糙度和入射角变化会造成复杂的雷达纹理，传统方法难以兼顾大范围处理效率与细窄水道识别能力。

针对上述问题，研究人员构建了双分支深度学习模型LeadNet。模型分别从Sentinel-1 HH极化后向散射影像和灰度共生矩阵纹理特征中提取信息，并在编码过程中进行特征融合，从而增强对复杂海冰背景中细窄水道的识别能力。研究选取15景Sentinel-1影像用于模型训练，另选10景空间上相互独立的影像进行测试。测试场景覆盖格陵兰海、楚科奇海、波弗特海、喀拉海、东西伯利亚海和北极中央区，包括一年冰、多年冰及混合冰况。测试结果显示，LeadNet的平均交并比（mean Intersection over Union，mIoU）为0.78，Kappa系数为0.73；对于宽度为100~300m、识别难度较大的细窄水道，模型仍保持了较好的识别能力。

在此基础上，研究人员处理了2019年10月至2020年4月北纬65°以北的14093景Sentinel-1超宽幅影像，生成了北极冰间水道数据集。该数据集包括逐景冰间水道分类结果和逐月冰间水道频率图，可同时支持单次水道事件追踪、区域形态统计和泛北极季节变化分析，展示出80m数据集对泛北极水道空间格局与季节变化的精细刻画能力（图1）。

图1 2019年10月至2020年4月LeadNet反演的泛北极逐月冰间水道频率分布

基于该数据集，研究结合近地面气温和海平面气压、海冰漂移与海冰辐散数据以及海冰厚度资料，对不同阶段的热力和动力背景进行了分析，并进一步通过采用骨架提取和距离变换方法，以波弗特海为典型区域对水道长度、宽度和面积进行对象级定量分析。形态统计结果表明，宽度小于300m或长度小于5km的水道对总水道面积的贡献约为20%~40%，在晚冬和早春显著增加，说明细窄和短小水道在冬季海冰破裂过程中具有不可忽视的作用（图2）。

图2 波弗特海冰间水道长度与宽度精细提取及形态统计

北极冰间水道数据集以GeoTIFF格式公开发布，总数据量约1.09TB（链接附后），能够为北极海冰动力变化、海气热通量估算以及高分辨率气候模式评估等研究提供观测基础，也为深度学习方法在大规模极地遥感数据处理中的应用提供了参考。

论文第一作者为中国科学院海洋研究所硕士毕业生杨欣冉，通讯作者为任沂斌副研究员，合作者包括中国科学院海洋研究所李晓峰研究员和江苏海洋大学硕士研究生赵友豪。研究得到了国家自然科学基金等项目的支持。

论文信息：

Yang, X., Ren, Y.*, Zhao, Y., and Li, X. 2026. “Pan-Arctic Winter Sea-Ice Lead Mapping at 80-m Resolution from Sentinel-1 SAR Using LeadNet: Product Generation and Morphological Insights.” International Journal of Digital Earth 19(2): 2728309. https://doi.org/10.1080/17538947.2026.2728309.

数据集链接：

http://dx.doi.org/10.12157/IOCAS.20251117.001