海冰类型SAR探测-《海洋遥感探测技术与应用》

海冰类型不仅是海冰研究的核心参数，还是海冰面积和密集度等其他重要海冰参数获取的前提条件。现阶段，SAR已经成为国外海冰监测的主要传感器。SAR属于成像传感器，能够获取海冰表面和内部的微波散射信息，因而，海冰类型识别研究不仅可以将SAR影像当成一幅图像进行分类，还可以利用海冰极化散射信息进行分类。

1.海冰类型划分标准

根据两极和高纬度区域的海冰情况，国际气象组织（World Meteorological Organization，WMO）对海冰类型的定义给出了多种方式，如海冰生长过程、海冰形态、海冰表面特征、海冰运动状态等。渤海海冰属于季节性一年冰，形态和状态特征与两极和高纬度区域的海冰有很大的不同，因而WMO定义的一些冰型不可能出现在渤海。基于上述原因，国家海洋局和气象局等主管单位，按照中华人民共和国国家质量监督检验检疫总局和中国国家标准化管理委员会的要求，依据我国海冰的特点，并参考国际气象组织（WMO）规定的海冰术语，对我国海冰类型划分标准进行了规范，并发布了《海滨观测规范》，后经多次修改和完善，现在使用的是2006年颁布的GB/T 14914—2006版本。《海滨观测规范》规定我国海冰是根据海冰成因和生长过程区分海冰类型的，主要包括固定冰（Fast Ice）和浮冰（Floating Ice）两大类，前者与海岸或海底冻结在一起，可以随着海面垂直运动，但不能随水漂流；后者浮在海面上，能够在风浪流的作用下水平运动（GB/T 14914—2006，2006）。渤海海冰类型具体划分如下：

（1）浮冰

初生冰（New Ice）：所有最初形成的海冰的总称，包括冰针、油脂冰、粘冰、海绵状冰、冰皮和尼罗冰等。冰针属于海冰最初生成时的冰型，尼罗冰属于初生冰中发展末期的海冰，厚度是最大的，在10 cm以内。初生冰都是由冻结的松散冰晶组成的，在风浪和外力作用下容易弯曲破碎。

初期冰（Young Ice）：尼罗冰向薄一年冰发展过程中的过渡冰型，厚度为10～30cm，包括灰冰和灰白冰两种冰型。灰冰和灰白冰一般交错生长，在一些冰情比较复杂的区域，两者很难区分开。

一年冰（First-Year Ice）：由初期冰发展而来，生命期不会超过一个冬季。一年冰厚度范围在30cm～2m之间，按照厚度划分，可以分为薄一年冰、中一年冰和厚一年冰这三类，其中薄一年冰又称为白冰。渤海浮冰一般以薄一年冰即白冰为主。

（2）固定冰

沿岸冰（Coastal Ice）：牢固冻结在海岸、浅滩上依附生长的海冰，可以随着海面高度变化而做起伏运动。

冰脚（Ice Foot）：沿岸冰漂走后残留在岸上的部分，或由黏糊状的浮冰和海水飞沫冻结在海岸上聚集起来的冰带。

搁浅冰（Stranded Ice）：退潮时搁浅在浅滩或滞留在潮间带的海冰。

在海冰生长过程中，随着风、浪、流的作用，固定冰可能会离开海岸和浅滩，成为海表面的浮冰，浮冰也可能搁浅到浅滩成为固定冰；而且原本平整的海冰也会出现挤压重叠等情况，形成冰脊和变形冰等。在此过程中，海冰表面特性变化明显，如海冰表面粗糙度增加，海冰表面纹理特征变化显著等。

2.现有海冰类型识别方法

现今海冰类型识别主要包括根据海冰SAR影像的图像特征分类，基于实测数据分析的分类，和根据海冰SAR极化特征分类等。

①图像分类法：该方法的做法是将SAR影像看成具有强相干斑噪声的图像来处理，即通过发展新的SAR影像分割和分类方法，减小相干斑噪声对SAR影像的影响，以便更好地获取不同海冰类型的边缘信息。主要方法有：纹理特征分析法、图像分割和模式识别等常用的图像处理方法。纹理特征在海冰生长过程中变化明显，是海冰SAR影像的重要特征，利用影像强度和纹理的差异性，可以提高海冰的分类精度（Palenichka等，2011）。海冰影像分割算法是海冰分类研究的重要内容，通过将影像分成同属性斑块，可为海冰分类提供基础。可以利用图像分割技术和统计方法提取海冰边缘区域内的运动和形变特征；也可以根据马尔可夫随机场等理论，改进海冰分割分类算法，提高分类精度。模式识别在海冰分类中具有重要作用，例如，利用基于像素自适应滤波法和基于区域生长的边缘检测法等模式识别方法可以提取海冰类型，而且后者的海冰分类精度比较高；利用最大似然法和海冰不同类型的影像强度阈值对海冰SAR影像进行类型识别的精度也比较高。(www.xing528.com)

②基于实测数据分析的分类法：这是根据海冰极化散射特征进行分类的方法。通过现场实验，获取不同海冰类型的微波响应信号（不同极化、不同波段的散射系数/亮温/极化比/相位差等），然后通过分析建立分类规则，给出海冰的分类方法。实测数据的获取具有多种方式，例如，在冰面上架设微波散射计，获取不同海冰类型的多波段全极化SAR（C、L和P）数据，并结合一定的分类方法，如神经网络技术，可以实现海冰自动分类，能够表现出多频SAR影像互补进行海冰分类的优势（Wolfgang等，2007）；而且还可以通过海冰现场调查实验，研究极化散射参数（极化熵、极化比、相位等）与海冰类型之间的关系，识别海冰类型；利用船载C波段散射计获取了多种海冰类型在不同入射角（0°～60°）下的信号变化规律，可以作为SAR海冰分类的先验知识。

③全极化分类法：该方法是利用雷达极化特征来区分海冰类型，雷达极化信息直接反映了地物目标的散射特征，利用雷达极化属性对地物分类，越来越受到人们的重视。现在常用的海冰极化分类方法主要是利用H-α（散射熵entropy，H；极化Alpha角，α）分解结合Wishart分类器对海冰进行分类。目前，利用全极化SAR的极化处理方法开展海冰分类的研究并不多，且大多是将新的雷达极化处理方法应用在海冰分类上，没有针对雷达极化处理方法的原始创新，例如，根据现场照片和同步SAR影像，可以描述和分析海冰类型在SAR影像中的形态特征；利用C波段全极化数据对不同海冰类型的极化比、相关系数和相位差等极化参数取值范围进行分析，可以得到海冰边缘识别的有效极化参数，能够为基于极化信息的海冰类型识别提供依据；利用Envisat和RADARSAT-1识别不同海冰类型。研究指出主动微波数据可有效区分边缘冰和重叠冰，主被动微波数据皆可有效区分一年冰和多年冰。例如，SAR数据采用渤海辽东湾东岸的RADARSAT-2全极化单视复影像（SLC）。影像的获取时间为2009年1月14日6：01，8 m分辨率，入射角范围32.4°～34.1°，覆盖范围为25km×25km，如彩图2.8所示。利用常规的基于H-α分解的Wishart监督分类方法可得海冰类型识别结果，如彩图2.9所示。

3.海冰类型识别方法的发展

由于SAR自身发展十分迅速：从传统的单极化到多极化，从低分辨率到高分辨率。这些发展不仅为海冰SAR监测提供了新机遇，同时也提出了新问题。单极化SAR只能获得地物单一极化的电磁散射特性，其信息量有限。极化SAR能够获取更丰富的待测目标的极化信息，但充分挖掘海冰极化信息以提高海冰类型识别能力的工作尚处于研究阶段。随着SAR影像分辨率的不断提高，可分辨的海冰类型增加，相干斑噪声更加明显，适用于低分辨率海冰SAR影像的基于像元的传统影像分类技术无法充分利用高分辨率影像所特有的纹理信息，且分类结果受相干斑噪声等的影响加剧（Liu等，2015）。针对上述情况，在充分利用SAR的极化特征和纹理信息的基础上，发展新的海冰类型识别方法，如多尺度分割方法等，提高海冰分类精度，特举一例说明。

SAR数据采用彩图2.8中辽东湾东岸的一部分。研究区域内包括浮冰和沿岸固定冰，浮冰类型包括初期冰（灰冰、灰白冰）和一年冰（白冰、中一年冰）等主要冰型，如彩图2.10所示。

（1）海冰类型SAR极化特征分析

不同的极化方式对不同海冰表面特征的探测能力不同，因而极化方式在海冰类型识别中起到重要作用，如图2.11所示。

图2.11　RADARSAT-2 SAR影像的四种极化方式©CSA 2009

通过海冰类型的SAR极化特性分析可以看出，海冰和海水的识别用交叉极化比较好；初期冰与一年冰的分界线可由交叉极化划定，初期冰中具有不同表面粗糙度的灰冰和灰白冰可用同极化信息区分；一年冰和海水边界由交叉极化区分，一年冰和沿岸固定冰的界限通过同极化分辨；沿岸固定冰与浮冰区的分界线用同极化数据划定，沿岸固定冰内部的冰型用交叉极化信息识别。

（2）海冰类型SAR纹理特征分析

在海冰生长过程中，海冰上下两个表面的特性，即海冰表面的纹理特征，会持续变化，如表面粗糙度不断增加，因而海冰纹理特征与海冰类型密切相关。海冰纹理信息可以由灰度共生矩阵表示，主要包括均值、方差、对比度、均质性、相异性、熵、角二阶矩和相关性等8项常用参数。不同的纹理特征量所反映出来的海冰特征是不同的。由于方差、对比度和相异性三者之间以及均质性和角二阶矩两者之间，都有很高的相关度，因而，选择均值、对比度、熵和角二阶矩等四种海冰纹理信息用于海冰类型识别。再结合海冰极化特征，可以选出比较好的参数，即交叉极化方式（HV和VH）下的均值和对比度，同极化方式（HH和VV）下的均值、对比度、熵。HH和VV的同极化方式，HV和VH的交叉极化方式，各纹理特征量之间都有很高的相关性。因此可以各自只选其中的一种，如HV和HH。

（3）基于多尺度分割的SAR海冰分类方法

多尺度分割算法是目前分割效果最好、最先进的分割方法，对遥感影像最适用。凝聚层次聚类是多尺度分割分类中的常用算法。其基本思想是根据一些规则逐渐合并最近的两个类，直到满足预先设定的终止条件，如达到要求的聚类数目或最近的两个类之间的距离达到了预定的阈值，如彩图2.12所示。

选择SAR影像（彩图2.10）中覆盖整个小辽东湾的部分，如彩图2.13（a）所示，进行海冰类型识别，分类结果如彩图2.13（b）所示。可以看出，基于多尺度分割的凝聚层次聚类方法较准确地找到了各种冰型的边界，而且在每种冰型内部的碎块和误分较少，分类结果与目视解译的结果非常接近，分类结果具有较高的可用性。