海洋所基于人工智能的北極海冰分類和冰間水道識(shí)別研究取得新進(jìn)展
近日,中國科學(xué)院海洋研究所李曉峰研究團(tuán)隊(duì),基于合成孔徑雷達(dá)(SAR)衛(wèi)星遙感影像,構(gòu)建深度學(xué)習(xí)模型融合SAR極化信息和圖像紋理信息,實(shí)現(xiàn)了北極波弗特海域一年冰、多年冰和冰間水道的高精度識(shí)別,并建立了波弗特海2018-2022年80米分辨率海冰類型數(shù)據(jù)集。該成果在遙感領(lǐng)域國際頂級(jí)學(xué)術(shù)期刊《環(huán)境遙感》(Remote Sensing of Environment, IF=13.5)發(fā)表。
受全球氣候變化影響,北極海冰在范圍、年齡和體量上都有明顯的減少趨勢。近十年間,北極越來越多的多年冰(MYI)被一年冰(FYI)取代,這一現(xiàn)象在波弗特海尤為明顯。在此背景下,精準(zhǔn)高效的遙感海冰分類將有利于北極氣候變化監(jiān)測和北極航道開發(fā)利用。
李曉峰研究團(tuán)隊(duì)基于SAR衛(wèi)星影像,構(gòu)建了雙分支U-Net的海冰分類模型DBU-Net,融合SAR影像的極化信息和由SAR圖像衍生得到的GLCM紋理信息,實(shí)現(xiàn)了開放水域(OW)、FYI和MYI的分類,以及冰間水道(Lead)識(shí)別(圖1)。由于GLCM的計(jì)算涉及頻數(shù)統(tǒng)計(jì)等不連續(xù)運(yùn)算過程,無法被神經(jīng)網(wǎng)絡(luò)的反向傳播過程學(xué)習(xí)。因此,本研究基于Jeffries-Matusita距離篩選有利于海冰分類的GLCM特征,并將其顯示地加入模型輸入,可有效地提升不同類型海冰和冰間水道的識(shí)別精度。

圖1?雙分支U-Net(DBU-Net)模型結(jié)構(gòu)示意圖
研究采用16幅哨兵1號(hào)EW模式SAR影像構(gòu)建訓(xùn)練集,采用另外8幅獨(dú)立的影像構(gòu)建測試集。實(shí)驗(yàn)結(jié)果顯示, DBU-Net對8幅完整圖像的海冰分類準(zhǔn)確率(Acc)、平均重疊度(mIoU)和Kappa系數(shù)分布達(dá)到了91.83%、0.841和0.849,比傳統(tǒng)機(jī)器學(xué)習(xí)模型如SVM、RF和CNN模型提升明顯。相對于原始的U-Net模型,加入GLCM紋理特征對海冰分類精度提升顯著(圖2)。

圖2 原U-Net和雙分支U-Net(DBU-Net)在測試圖像的結(jié)果對比,紅框標(biāo)注了DBU-Net有明顯改進(jìn)的區(qū)域,GT為真值
進(jìn)一步將模型應(yīng)用于冰間水道的識(shí)別。采用冰間水道樣本集重訓(xùn)練DBU-Net,模型在測試集展示出較高的水道識(shí)別能力,其Acc、mIoU和Kappa系數(shù)分別達(dá)到了99.49%、0.801和0.745(圖3)。

圖3 DBU-Net的冰間水道(Lead)監(jiān)測結(jié)果。第1列子圖中紅框?yàn)榈?到滴列子圖展示的區(qū)域,GT為真值
基于該模型,研究收集了2018-2022年間冬季時(shí)序的波弗特海哨兵一號(hào)SAR影像,共454幅,應(yīng)用該模型生成了80米分辨率的波弗特海海冰類型數(shù)據(jù)集,包括OW、FYI、MYI和冰間水道四種類型。分析了波弗特海海冰類別的變化情況(圖4):2018-2019年冬季波弗特海MYI呈輸出態(tài),2019-2021冬季MYI呈輸入態(tài),2021-2022冬季MYI呈穩(wěn)定態(tài),其變化與波弗特高壓的強(qiáng)度和位置相關(guān)。2018-2019年波弗特海80米分辨率海冰類型數(shù)據(jù)示例如圖5所示。

圖4 ?2018-2022年冬季波弗特海海冰類別密集度變化情況。紅色折線為波弗特海平均海表面氣溫(SAT),來自NECP-NCAR再分析數(shù)據(jù)

圖5 2018-2019年冬季波弗特海海冰類型時(shí)間序列數(shù)據(jù)集
論文第一作者是中國科學(xué)院海洋研究所2023屆碩士黃巖,通訊作者為任沂斌副研究員,合作者為李曉峰研究員。該研究得到了國家自然科學(xué)青年基金等項(xiàng)目資助。
相關(guān)論文信息:
[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
附件下載:
魯公網(wǎng)安備37020202001323號(hào) | 古鎮(zhèn)口園區(qū)地址:青島市西海岸新區(qū)海軍路88號(hào) 南海路園區(qū)地址:青島市市南區(qū)南海路7號(hào) 科考船碼頭基地:青島市西海岸新區(qū)長江東路8號(hào) |
郵編:266000 郵件:iocas@qdio.ac.cn 電話:0532-82898611 傳真:0532-82898612 |
