基于高分影像的冰灾遥感监测方法研究

杜吉生，张华忠

(中国消防救援学院 基础部，北京 102202)

0 引言

海冰灾害是我国众多自然灾害之一，也是我国北部沿海地区冬季频繁的一种海洋灾种，对海上运输、海水养殖、油气勘测及沿海经济等具有重要影响，严重海冰灾害会造成石油平台倒坍、轮船损毁和航运中断等重大灾害[1-3]，对区域经济造成重大损失。据报道，2010年冬季，我国渤海、黄海等遭遇了近30年以来最严重的海冰灾害，直接经济损失高达63.18亿元，占全年海洋灾害总经济损失的47.6%，辽宁、河北、天津和山东等沿海三省一市受灾人口达6.1万人，船只损毁7 157艘，港口及码头封冻296个，损失惨重[4]。因此，对海冰边缘进行准确、客观地快速监测,及时了解并掌握海冰的空间分布范围、分布状态及发展趋势等，对于应急管理及救援部门进行及时预警防范、救援实施及减少损失等具有重要现实意义。

早期，主要是基于船舶、机载影像和观测值等进行海冰边缘监测。该方法精度高，但需要较大现场人力作业保障，且多为局部观测值，一般不能满足大范围海冰分析及高时效需求[5]。后来，随着卫星遥感技术的投入使用，不少研究者开始探讨利用星载SAR[6-7]、MODIS[8-11]和FY[12-13]等卫星图像进行大范围海冰内业监测。相较之前，鉴于卫星遥感具有获取海冰信息时间短、区域空间大等显著优势，使该类方法在监测时效、监测范围等方面都得到了大幅度提升，节约了不少人力物力。但此时期，遥感图像空间分辨率整体偏低，大多处于数百米量级，且大部分图像幅宽相对较窄，再加上SAR自身成像系统带来的相干斑噪声、入射角敏感性等特征，对具有复杂物理特征的海冰边缘一直难以进行准确定位与识别。近年来，随着各类宽幅高分辨率卫星的快速发展，尤其是我国各类高分系列、资源系列及各类小卫星的相继发射，各类高分辨率卫星图像已逐步应用于海冰遥感监测研究及业务运行[14-17]，如目前国家海洋环境预报中心每年冬季均会定期对外发布海冰监测结果，用以指导海冰灾害的预警与救援，取得了较好成果，降低了冰灾带来的经济损失。但该发布结果目前主要是采用人工判读方法进行监测，存在海冰监测效果因人而异、人工劳动强度大、与高分辨率相匹配的高定位精度有待提升等不足，无法满足监测结果客观性强、尽可能自动化、准确度高的新型需求，在一定程度上影响了灾害预警及救援实施效果的提升。

鉴于以上海冰监测的重要性及新型应用需求，结合现有业务运行中的技术现状及存在问题，本文利用目前我国高分辨率遥感图像，考虑海冰本身的图像辐射特征，设计了一种集冰情特征、图像分割和众数统计于一体的海冰监测方法，并以我国辽东湾水域环境为例，开展了典型应用实验，研究成果可为我国冬季中高纬度区域海冰灾害的准确监测和预警防范提供技术支撑。

1 实验区概况

辽东湾地处渤海东北部，位于39°36′N～41°N，120°23′E～122°18′E，是渤海三大海湾之一，也是我国纬度最高的海湾，盐度约25%，越靠近岸边，盐度越低，冬季多北风，每年冬季都会出现轻重不同的结冰现象，是我国沿海冰情最严重的区域。该区域每年初冰期一般发生于12月份，终冰期一般在3月初，冰情生消与发展的全部过程都在一个年度的冬季进行，属于一年生海冰。近年来，随着全球气候变化加剧，区域内每年发生的海冰范围、海冰类型和海冰分布等都较为复杂，其厚度及范围与该年度的冰情密切相关，轻冰年与重冰年差异甚大[14](如表1所示)，给日常生活和每年的海冰预测及防范带来较大困难。

2 实验方案

2.1 实验数据

本次实验数据选取覆盖整个辽东湾区域云量较少的高分全色遥感图像，空间分辨率为5 m，全色谱段，拍摄时间为2018年1月22—25日，共4期经过地面辐射校正和几何校正的卫星图像，典型全色图像如图1所示。

图1 辽东湾影像图示Fig.1 Image of Liaodong Bay

2.2 总体技术流程

结合现有业务化运行中基于人工解译进行海冰边缘信息提取方法，本文设计了自动/半自动提取方案，其总体技术流程在人工解译流程的数据预处理、海冰影像特征分析基础上，改变纯人工解译勾画的环节为图像分割及基于众数辐射值统计法的冰缘提取等环节，用于提高整个流程的自动化程度及提取结果的客观性。技术流程如图2所示。

图2 技术流程Fig.2 Technical flow chart

2.3 数据预处理

针对实验区各期卫星图像，以海冰监测为目的对实验区的矢量数据图像数据进行地理匹配，而后进行水陆分离等相关预处理，获取辽东湾水域区域的遥感图像，用以提高监测的准确性并降低计算量，具体为：

① 地理匹配：对辽东湾水陆边界矢量与遥感图像进行精确匹配，其目的一是使边界矢量和遥感图像具有相对一致的几何信息；二是确保面积量算、距离量测等具有物理意义。具体应用中，可视情灵活选择矢量到图像配准或图像到矢量配准。本实验中，考虑到遥感图像计算量大的原因，这里主要采用矢量到影像的匹配，匹配前后如图3所示。

图3 匹配效果图示Fig.3 Image of matching effect

② 水陆分离：基于上述匹配好的辽东湾海陆边界矢量数据及遥感图像数据，进行掩膜运算，去除遥感图像中的陆域部分，仅保留辽东湾海域区域图像用于进行冰情信息监测。该技术环节的主要目的是降低遥感图像数据量，减少后续进行冰情边缘监测过程中的运算量，提高海冰监测效率。

2.4 典型海冰特征

海冰一般分为流冰和固定冰2大类，其中流冰是指浮在海面随风、流、浪和潮作用而流动的海冰；固定冰是指与海岸、岛屿或海底冻结在一起，不能做水平运动而能随海面升降做垂直运动的海冰。根据海冰的发展阶段和形态，其中流冰又可以分为初生冰、冰皮、尼罗冰、莲叶冰、灰冰、灰白冰和白冰7种冰型；固定冰又可以分为沿岸冰、冰脚和搁浅冰3种冰型。海上最初出现的冰是流冰，当海水热量散失到一定程度时，岸区才有固定冰出现。各种冰型在全色图像上表现为不同的辐射及几何特征，如图4所示，其色调、形状等是海冰监测的基础与依据。

(a) 初生冰

(b) 莲叶冰

(c) 冰皮和尼罗冰

(d) 灰冰、灰白冰和白冰

(e) 沿岸冰

其中，初生冰是由海水直接冻结而成或由雪降至低温海面而生成，无特定形状，图像上色调与海水接近，纹理在低分辨率图像上难以与海水区分，在高分辨率图像上可通过纹理清晰判别；冰皮是由平静海面直接冻结或由初生冰冻结而成的冰壳层，在风的作用下易被折碎而成长方形冰块；尼罗冰表面无光泽，在波浪等外力作用下易弯曲，并能产生“指状”重叠现象，在重叠处呈浅白色“指状”；莲叶冰多为圆形冰块，由于相互碰撞而具有隆起的边缘，全色图像上呈现为密集分布的小圆形冰块，中心处呈浅白色，边缘处呈白色；灰冰表面平坦湿润，多呈灰色，重叠处呈白色；灰白冰表面比较粗糙，呈灰白色，分布有白色冰脊；白冰表面凸凹不平，形状复杂，层次分明，多呈白色，堆积现象显著。灰冰、灰白冰和白冰相对较厚，一般超过10 cm。

2.5 图像分割

区别于传统的基于像素级的信息提取方法，这里采用面向对象的多尺度图像分割方法进行海冰范围检测。该方法将整个实验区分割成若干互不交叠的非空子区域，每个子区域的内部都是连通的，同一区域内部具有相同或相似的色调、形状和纹理等图像特性。该环节的目的是将实验区内的冰与水进行分离，其核心要点是分割算法的选取及分割参数的设置。

其中分割算法主要采用典型的基于Sobel算子边缘检测方法，该方法速度快，算子包含横向和纵向共2组3×3的矩阵，将之与图像做平面卷积，即可分别得出横向和纵向的亮度差分近似值。以A表示其中一幅原图像，Gx，Gy分别代表横向和纵向的边缘检测灰度值，其计算公式为：

图像的每个像素梯度大小G及梯度方向θ计算公式为：

对于分割参数的设置，缘于图像均经过辐射校正，且同一区域的海水辐射特征短期内变化甚微，因此分割参数可在常规经验值基础上视情进行微调即可。分割结果以产生的对象边界与海冰边缘相吻合为准，该过程可以借鉴常规目视解译方法对分割预览结果进行快速查看，进而执行图像分割及结果矢量化输出。

本实验中，分割尺度50、合并尺度90状态下，基本能取得很好的效果，不同的图像可以视情在该参数上进行微调，如图5所示。

图5 面向对象图像分割图示Fig.5 Object-oriented image segmentation diagram

2.6 冰缘提取

在完成图像分割、得到一个个互不重叠、无缝覆盖整个实验区的对象矢量后，需要进一步进行冰、水区分。目前常用的冰、水区分法主要是基于像素级的统计学方法，即通过计算整个区域反射率直方图，取其“谷”点，即为冰水分界点。但该方法主要是基于像素级运算，面向工程应用存在难以克服的缺陷：一是极易出现大量噪声图斑，造成后处理工作量大；二是直方图可能出现多个“谷”点，难以确定哪个分界点最佳，提取结果更为准确；三是计算量大，尤其是海域范围较大时，时效难以保证。

针对上述问题及缺陷，本文对像素级方法进行改进，提出采取对象众数辐射值统计法，具体算法为：

① 基于分割出来的对象矢量，自动统计计算每个对象区域Ii对应遥感图像区域的众数像素值Ni：

Ni=mode(Ii)(i=1,2,…,n)。

② 统计多个典型海水区Rjwater的众数像素值Njwater，并取其最大众数像素值为Nwater：

③ 根据分割对象众数值Ni与海水区域最大众数值关系计算提取海冰区域Rice(即Ni>Nwater的对象区域即为海冰对象)：

Rice=Ni>Nwater(i=1,2,…,n)。

④ 对多个相邻的海冰对象进行整体融合处理、边缘平滑处理及碎小面积海冰的综合自动处理，完成整个实验区的海冰边缘范围的精确检测，如图6所示。

图6 海冰边缘提取结果图示Fig.6 Extraction results of sea ice edge

3 实验结果与分析

基于本文上述方法，对2018年1月22—25日4期遥感影像分别进行了辽东湾海冰边缘范围监测，并将监测结果矢量叠加到遥感图像上进行空间显示，实验区遥感图像、整体监测结果和监测结果局部放大如表2所示。

表2 海冰连续监测结果Tab.2 Continuous monitoring results of sea ice

基于上述连续4 d监测结果，分别量取每日海冰外缘最大距离d试验(即从海陆边界到海冰最外缘之间最大距离)，计算每日冰缘外扩递增累计距离cd试验和冰缘外扩速率sp试验，并将该结果与正式发布的国家海洋环境预报中心基于人工解译的同期结果海冰外缘最大距离d常规、冰缘外扩累计距离cd常规和冰缘外扩速率sp常规进行对比分析，其中cd，sp计算方法分别为：

本文实验及官方正式报道的具体量化值及其外扩发展趋势分别如表3和图7所示。

表3 辽东湾外缘线报道资料与本文结果对比Tab.3 Comparison between the reported edge data and the experimental results of Liaodong Bay

(a) 海冰边缘外扩趋势

(b) 海冰边缘外扩速率图7 海冰边缘外扩趋势及外扩速率图示Fig.7 Spreading trend and spreading speed of sea ice boundary

结合常规人工解译和本文技术流程，从表3和图7的监测结果分析可以看出：① 2018年1月22—25日4 d时间内，该实验监测结果与官方常规人工解译结果海冰边缘发展趋势相同，即辽东湾海冰外扩累计4 d时间呈快速递增趋势，且以24日递增最快；② 2018年1月22—25日4 d时间内，该实验监测结果与常规人工解译结果海冰边缘外扩速率为同一量级，均为先是2～4 n mile/d的中速外扩，之后6～8 n mile/d的高速外扩，最后1～2 n mile的低速外扩，中间2 d时间海冰外扩最快；③ 海冰边缘定位精度上，该实验采用面向对象的图像分割和对象众数像素值统计相结合的自动/半自动提取方法，摒弃人工勾画环节，其结果更加客观，边缘定位精度属于像素级；而常规人工解译方法一般需要在不同比例尺视图下解译勾画，其结果会因人而异主观性强，且定位精度一般为10倍像素以上。

4 结束语

本文面向海冰预警业务运行中海冰边缘提取过程更客观、提取结果更准确的应用需求，基于高分辨率遥感图像，提出了一种集冰情特征、图像分割和众数统计于一体的自动/半自动冰灾范围监测方法，并以我国2018年辽东湾重大海冰灾害为例进行了实验验证，结果表明：

① 基于本文方法提取的海冰边缘结果不仅外扩趋势与人工方法相同，而且每日的外扩速率也为同一量级，另外海冰边缘定位精度可提升10倍以上(本文可达像素级，人工目视10倍像素级)。

② 本文方法摒弃了常规人工目视解译技术流程的人工勾画环节，采用自动/半自动提取流程，结果更为客观，且降低了人工强度、提升了海冰监测的自动化程度。

该研究成果可为我国中高纬区域冬季冰情灾害客观准确监测、预防及紧急救援等提供较好的技术支撑。后续研究中，可基于该方法从图像内部辐射差异、图像分割参数自适应设置等方面，进一步提升其自动化程度。