基于Sentinel-1卫星的北冰洋海冰信息提取

罗丽程，张文奇，胡 勇，周 颖，巩彩兰

(1. 中国科学院 上海技术物理研究所，上海 200083； 2. 中国科学院大学，北京 100049；3. 武汉大学 遥感信息工程学院，湖北 武汉 430072；4. 中国科学院 红外探测与成像技术重点实验室，上海 200083)

0 引言

受全球变暖影响，北极地区的海冰消融速度逐渐加快，覆盖范围不断减小，对全球气候产生了不容忽视的影响，导致了一系列生态问题。同时，北极地区的海冰消融有利于北极航道的开通和北极资源的利用。因此，对北冰洋重点区域的海冰状况进行监测，对掌握海洋环境相关要素信息、累积可靠的数据资料、分析北冰洋海冰气候效应、维护北极航道安全、合理开采北极资源等具有重要意义。

卫星遥感技术是最高效的海冰监测手段，具有大范围、实时性、可持续的优点。目前，极地海冰密集度产品主要来自不同卫星传感器的被动微波辐射计，利用各种反演算法生成。海冰密集度产品空间分辨率多为4～25 km[1-2]。另外，由于传感器、算法等不同，以及夏季海冰表面融化导致的不确定性，海冰密集度反演结果还存在一定问题，需要大量的现场观测来进行验证[1]。基于微波遥感数据，国内外开展了许多有关海冰变化分析的研究[3-4]。随着合成孔径雷达(SAR)技术的发展，SAR在海冰监测方面的应用越来越广泛，如：郑杨龙等[5]基于Radarsat-2卫星SAR图像对海冰密集度进行了分类提取，发现高分辨率SAR在边缘区小尺寸海冰监测方面具有优势；朱海天等[6]利用星载SAR构建了渤海海冰遥感监测系统；张宝华等[7]提出了基于稀疏分解和改进MRF分割模型的图像分割算法，其分割结果能准确反映海冰分布情况。欧洲的Sentinel-1卫星提供C波段的SAR观测数据，具有双极化、短重访周期、快速产品生产的能力[8]。KARVONEN[9]利用Sentinel-1卫星SAR数据和AMSR2微波辐射计数据对波罗的海的海冰密集度进行研究；MUCKENHUHER等[10]基于Sentinel-1卫星数据，采用特征跟踪与模式匹配相结合的方法，对海冰漂移算法进行了研究。国内鲜有利用Sentinel-1卫星SAR数据开展海冰研究的报道。

目前，国内外对海冰分布变化规律的研究，常基于大尺度(分辨率为4～25 km) 的海冰密集度产品。随着北极航道开通及北极资源开发，国内外对海冰监测产品的分辨率、频次要求必然更高。本文利用Sentinel-1卫星SAR数据进行研究。选取2015—2017年6—10月的数据，利用K-均值聚类算法对研究区域进行海冰提取，在此基础上进行海冰密集度提取、浮冰区海冰形态参数提取。基于长时间序列数据，对研究区域海冰变化规律进行分析。

1 数据预处理与海冰提取

1.1 数据预处理

本文研究区域为弗雷姆海峡的格陵兰岛沿岸。弗雷姆海峡为北冰洋和北大西洋之间的主要海洋通道，也是研究海冰变化的关键区域[11]。受东格陵兰寒流影响，弗雷姆海峡的海冰主要分布在格陵兰岛沿岸一端，该区域范围约为4°E～18°W，75.5°N～79.5°N。

Sentinel-1卫星的超宽幅模式主要用于海上、冰川、极地等需要大范围覆盖、短时间重访的区域[8]。本文对该模式下的数据进行研究，数据预处理步骤如图2所示。对2015年7月12日拍摄的卫星影像进行预处理，结果如图3所示。

图3 影像预处理结果Fig.3 Result of image preprocessing

1.2 海冰提取

SAR图像中的不同灰度值代表了不同地物的后向散射系数。影响地物后向散射系数的主要因素众多。对于试验影像中的海冰、海水这2种地物，主要考虑表面粗糙度和介电常数这2个因素。对海冰而言，由于其受生长阶段、外部环境条件的影响，类型多样，因此其表面特征各不相同，介电常数范围较大；表面粗糙的海冰，引起的后向散射较大，在影像上较亮。对海水而言，海风是影响其表面粗糙度的主要原因[12]。另外，海水介电常数很高，几乎所有的雷达波能量会在水面上被反射[13]。因此，海水返回的雷达波较少，在影像上较暗。

通过观察研究地区试验影像可发现，在大部分区域，海冰、海水表现出显著的亮度差异，能较好区分。但由于研究区域范围大，气候环境多变，在一些区域出现了海冰、海水不易区别的情况。海冰表面的融池会降低冰面的后向散射，使其在影像上较暗。波浪使海水表面更粗糙，使其后向散射变大，导致海冰、海水亮度较接近。

为了对海冰密集度进行长时序、高频次的分析，需处理海量的影像数据，从中提取出海冰分布。因此，在选择海冰提取方法时，应既考虑提取精度，又关注提取效率。虽然缺乏研究区域的实地海冰数据，但基于海冰、海水在SAR影像上表现出的显著亮度差异，可采用K-均值聚类算法对海冰进行提取。K-均值聚类算法为基于样本间相似性度量的间接聚类方法，其聚类准则是使每一类中的各点至中心点距离的平方和最小，是经典的非监督分类方法，该方法易于实现且效率较高，在所有聚类算法中应用最为广泛[14]，在海冰提取分类中也得到了广泛应用[15-17]。使用该方法时，需事先人为指定K值(类别数)。经过反复试验，最终将K设为5。在缺乏先验知识的情况下，采用K-均值聚类算法，能在保证精度的同时，较快完成海冰分布的提取。分类结果示意如图4所示。在完成分类后，还需进行类别合并和分类后操作，最终生成海冰、海水的分类结果，如图5所示。图中海冰为白色区域，海水为黑色区域。

图4 K-均值聚类算法分类结果Fig.4 Result of K-means classification

图5 二值化结果Fig.5 Result of binarization

2 海冰信息参数计算

2.1 海冰分布参数

海冰密集度是海冰监测和预报业务的一项重要指标[18]。它是影响地球两极海洋与大气水热交换强度的重要因素，是许多海洋和大气环流模式的输入参数之一，是全球尤其两极地区长时间尺度气温变化的指示器[19]，也是影响航线通航的重要水文环境因素之一。

海冰密集度为一定区域(子区)内海冰覆盖面积与整个研究区域面积的比值。通过划分子区，计算子区内海冰像元个数与子区总像元数的比值，其表达式为

C=(Ni/Nt)×100%

(1)

式中：C为密集度；Ni为子区内海冰像元数量；Nt为子区内的总像元数量。

当划分子区时，子区尺度会影响海冰密集度的尺度。当子区尺度较大时，面积相对较小的冰间湖信息在图像上会有所损失。为使密集度提取结果能在影像上更细致体现出这些信息，突出高分辨率SAR卫星影像的优势，选择15×15的小窗口进行海冰密集度的计算。海冰密集度提取结果如图6所示。

图6 海冰密集度提取结果(子区大小：15×15像素)Fig.6 Result of sea ice concentration extraction (subregion：15×15 pixels)

本文采用美国国家冰雪数据中心发布的海冰密集度产品MASAM2(分辨率为4 km)，对海冰密集度提取结果进行对比分析。SAR密集度产品(基于SAR数据生成的密集度)与MASAM2密集度产品(基于被动微波辐射计数据生成的密集度)的差值图像如图7所示，统计结果见表1。由图7和表1可见：密集度差值主要分布在0%～20%；均方根误差的统计结果分布在15%～20%；平均偏差的统计结果分布在0.06～0.10。SAR影像分辨率较高，对小尺寸的碎冰、冰间水道、冰间湖具有更好的探测能力。

2.2 海冰形态参数

海冰消融会形成形态多样的浮冰，对航行的船只造成不同影响。为进一步描述海冰状态，提供更丰富的冰情信息，本文对流冰区的海冰尺寸、形状分布进行研究。

选取2016年7月1日、6日、13日、25日的4幅试验影像，从中裁剪出流冰区。流冰区图像像元个数为4 868(行)×2 584(列)，像元分辨率为40 m，总面积约为20 126 km2。由影像可知，流冰区存在大片海冰相互连接的情况。原因可能是冰块消融碰撞过程中连接处还未完全断裂，也可能是冰块相互挤压形成。对于大片的相连海冰，由于其状态较不稳定，连接处易断裂，因此需重点关注。部分海冰内部存在融池、冰间湖。

对流冰区影像进行形态学运算，消除离散孤立点的影响。在此基础上，通过对象化算法，提取每块海冰的内外轮廓，计算描述冰块形态的参数。参数包括面积、周长和圆度。圆度为

R=C2/4πS

(2)

式中：R为圆度；C为周长；S为面积[20-21]。海冰的形状变化是热力学侧向融化和动力学冰间磨损的共同作用的结果。在相同热力、同等面积的条件下，多个小尺寸海冰比大尺寸海冰周长更长，因此侧向融化作用对小尺寸海冰形状的影响更显著，小尺寸海冰更容易接近圆形。圆度是描述浮冰形状接近圆形程度的指标，其值越接近于1，说明浮冰形状与圆形越相似，该指标越大，说明浮冰形状越复杂，越容易破碎、分离。

为了更详细、直观地描述不同的浮冰特征，根据浮冰面积大小，将浮冰分为7类(见表2)。通过提取海冰的尺寸信息和形状信息，分析对应的参数变化情况，研究海冰尺寸分布的规律及其与海冰破碎物理过程的关系。

表2 浮冰分类准则

3 结果与分析

3.1 海冰密集度提取结果分析

由2015—2017年6—10月海冰密集度的变化可知，0%的密集度呈现出先增加后减少的变化，在8月或9月达到最大值。这是由于不同年份获取的影像数据，在时间分布上并不完全一致，对密集度的均值造成影响。100%的密集度在6—10月呈现出先减少再增加的变化趋势，在8月或9月达到最小值。2016年6—10月的月平均密集度变化如图8所示。图中：横坐标表示海冰密集度的数值，无量纲；纵坐标表示当前密集度占的比例，无量纲。

图8 月平均密集度变化(2016年6月—10月)Fig.8 Changes of monthly average sea ice concentration (2016.6—2016.10)

选取2015—2017年日期相近的数据，生成100%密集度的年际变化图(见图9)。通过比较发现，2017年9月的海冰密集度出现异常，较2015、2016年海冰覆盖范围出现明显下降。基于美国国家冰雪数据中心发布的海冰密集度产品MASAM2和海冰覆盖范围产品Sea ice index(分辨率为25 km)，对研究区域内同一时间的海冰覆盖情况进行了估算。海冰覆盖情况由研究区内海冰像元数与研究区像元总数的比值见表3。由表3可见，2017年的海冰覆盖范围较2015，2016年大幅减小，与研究结果呈现出相同变化趋势。

图9 海冰密集度为100%的年际变化图Fig.9 Interannual changes of the 100% sea ice concentration

影像日期产品类型Sentinel-1MASAM2Sea ice index2015-09-232016-09-232017-09-232015-09-272016-09-272017-09-27覆盖率/%—81.1865.2842.6357.8844.406.712.477.5374.9879.3572.07—70.7047.8411.7610.6614.41

3.2 海冰形态参数提取结果分析

对2016年7月1日、6日、13日和25日的4幅试验影像进行海冰信息提取，各类浮冰的个数统计见表4。由表可知：实际面积小于0.8 km2的1类浮冰数量占所有浮冰类型数量的绝大部分，且随着夏季海冰的消融，该类浮冰的数量呈增加趋势；与之类似，面积较小的第2～4类浮冰也呈现该规律。第5类浮冰除2016年7月25日外，数量也呈现增加趋势。面积巨大的第6、7类浮冰，随着夏季海冰的消融，前者数量无明显变化，后者数量呈增加趋势。这2类海冰多由大片海冰连接而成，海冰与海冰之间的连接处厚度较不稳定，随着气温上升，连接处逐渐融化，大片浮冰分裂成多块浮冰。另外，对于相互碰撞暂时连接在一起的大片海冰，在海浪和海冰本身消融的作用下，也可能发生分离。

表4 浮冰个数分类统计

表5 平均面积、周长分类统计

表6 平均圆度分类统计

各类浮冰的平均面积、平均周长的变化情况见表5。由表5可知：第1～6类的浮冰平均面积相对稳定，而第7类巨大型浮冰的平均面积明显减小。结合表4可知，原因应该是巨大型浮冰会逐渐融化和破裂，形成面积较小的浮冰。各类浮冰平均周长的变化规律同平均面积基本相同。

各类浮冰的平均圆度分类统计情况见表6。由表6可知：随着各类浮冰面积的增大，浮冰圆度逐渐增大；对于第1类细碎浮冰，其圆度最接近于1，其形状最接近圆形。浮冰面积越大，其圆度也越大，说明浮冰越偏离圆形，形状复杂，也更容易破碎和分离。

4 结束语

本文基于长时间序列、多时相的Sentinel-1卫星SAR数据，对北极弗雷姆海峡区域的海冰分布和海冰形状特征参数的提取及其变化规律进行了研究。介绍了SAR数据预处理流程，提取了海冰，进一步获取了海冰分布信息、海冰形状特征，分析了海冰参数的时序变化。海冰分布信息由密集度体现，海冰形状特征由面积、周长、圆度体现。基于面积大小，将浮冰分为7类。统计各类浮冰的形状特征参数，分析其变化规律，为研究海冰变化物理过程提供支持和数据。本文研究区域为东格陵兰寒流流经的格陵兰岛沿岸，分析了该区域2015—2017年的海冰密集度变化及2016年7月1日、6日、13日和25日4个时相的浮冰形态特征参数变化。结果表示：利用高分辨率SAR数据，能获取精细的海冰分布信息，将其与传统的海冰密集度产品相结合，可构造信息更丰富的多尺度冰情图。后续将对研究区域进行扩大，并通过增加更多时相的数据，进行长时间序列的分析。未来还可开展基于SAR数据的海冰分类研究。在基于海冰生长过程建立的分类体系中，不同类别的海冰之间主要的区别在于冰龄和厚度。分类时，可利用灰度特征、纹理特征和极化特征等信息。基于特征的SAR影像海冰分类研究表明，利用单一的特征进行分类已经无法满足需要，多特征融合后的分类精度明显优于前者。随着机器学习、神经网络等技术的发展，将这些技术运用在海冰分类研究中，也是新的发展趋势。

[1] 赵杰臣, 周翔, 孙晓宇, 等. 北极遥感海冰密集度数据的比较和评估[J]. 遥感学报, 2017, 21(3): 351-364.

[2] 刘艳霞. 南北极海冰密集度估算与海冰范围变化时序研究[D]. 武汉：武汉大学, 2016.

[3] 沈校熠, 柯长青, 张杰. 2002—2011年南极海冰变化的遥感分析[J]. 极地研究, 2017, 29(1): 163-171.

[4] CAVALIERI D J, PARKINSON C L, VINNIKOV K Y. 30-Year satellite record reveals contrasting Arctic and Antarctic decadal sea ice variability [J]. Geophysical Research Letters, 2003, 30(18)：1970.

[5] 郑杨龙, 卢鹏, 李志军, 等. 基于Radarsat-2 SAR图像分类与HY-2微波辐射计反演获取北极海冰密集度的比较研究[J]. 极地研究, 2016, 28(3): 413-423.

[6] 朱海天, 冯倩, 曾韬, 等. 基于星载SAR的渤海海冰遥感监测系统设计与研究[J]. 遥感信息, 2012(2): 81-84，95.

[7] 张宝华, 周文涛, 吕晓琪. 基于稀疏分解和改进MRF模型的SAR海冰图像分割方法[J]. 遥感技术与应用, 2017, 32(4): 709-713.

[8] 杨魁, 杨建兵, 江冰茹. Sentinel-1卫星综述[J]. 城市勘测, 2015(2): 24-27.

[9] JUHA K. Baltic sea ice concentration estimation using SENTINEL-1 SAR and AMSR2 microwave radiometer data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(5): 2871-2883.

[10] STEFAN M, STEIN S. Open-source sea ice drift algorithm for Sentinel-1 SAR imagery using a combination of feature tracking and pattern matching[J]. The Cryosphere, 2017, 11: 1835-1850.

[11] PATRICIA C S, SIMON T B. Seasonal sea ice variability in eastern Fram Strait over the last 2000 years [J]. Arktos, 2016, 2(1):22.

[12] 舒宁. 微波遥感原理[M]. 武汉:武汉大学出版社, 2003.

[13] 纪永刚. 基于微波图像的辽东湾海冰典型要素信息提取[D].青岛：中国科学院研究生院(海洋研究所), 2006.

[14] 王慧贤, 靳惠佳, 王娇龙, 等.k均值聚类引导的遥感影像多尺度分割优化方法[J]. 测绘学报, 2015, 44(5): 526-532.

[15] MUNDY C J, BARBER D G. On the relationship between spatial patterns of sea-ice type and the mechanisms which create and maintain the North Water (NOW) polynya[J]. Atmosphere-Ocean, 2001, 39(3): 327-341.

[16] ZHANG Q, SKJETNE R, LØSET S, et al. Digital image processing for sea ice observations in support to Arctic DP operations [C]//ASME 2012 31st International Conference on Ocean, Offshore and Arctic Engineering. American Society of Mechanical Engineers, 2012: 555-561.

[17] REMUND Q P, LONG D G, DRINKWATER M R. Polar sea-ice classification using enhanced resolution NSCAT data [C]//Geoscience and Remote Sensing Symposium Proceedings, 1998. IGARSS'98. 1998 IEEE International. IEEE, 1998, 4: 1976-1978.

[18] 周颖. 基于风云三号气象卫星数据监测北冰洋海冰运动变化的研究[D]. 上海:中国科学院大学， 2013.

[19] 曹梅盛, 晋锐.遥感技术监测海冰密集度[J]. 遥感技术与应用, 2006(3): 259-264.

[20] PEROVICH D K, GOW A J. A quantitative description of sea ice inclusions [J]. Journal of Geophysical Research: Oceans, 1996, 101(8): 18327-18343.

[21] 周颖, 匡定波, 巩彩兰, 等. 风云三号卫星MERSI影像提取北极海冰参数的方法[J]. 红外与毫米波学报, 2017, 36(1): 41-48,126-127.