楊成林,徐躍通

(山東師范大學 人口·資源與環(huán)境學院,山東 濟南 250014)

基于遙感的海冰信息檢測及其變化分析

楊成林,徐躍通

(山東師范大學 人口·資源與環(huán)境學院,山東 濟南 250014)

摘要：以中分辨率成像光譜儀(MODIS)影像為數(shù)據(jù)源,同時對可見光、近紅外和熱紅外的多個波段進行了計算,分析了冰雪反射率的特征屬性,輔以歸一化雪被指數(shù)和輻射亮溫相關理論,總結出了一種基于數(shù)據(jù)挖掘的海冰信息反演方法。并以遼東灣為研究對象,對遼東灣海冰信息進行了提取,根據(jù)提取數(shù)據(jù)建立預測模型,預測了未來10年的海冰變化情況。

關鍵詞：MODIS;數(shù)據(jù)挖掘;海冰;預測模型

收稿日期：2015-07-07

作者簡介：楊成林(1991—)，男，山東濟南人,山東師范大學人口·資源與環(huán)境學院碩士研究生。

通訊作者：徐躍通(1961—),男,浙江金華人,教授,博士生導師,主要從事北極冰川地理、資源環(huán)境信息系統(tǒng)等研究工作。

中圖分類號：P731

文獻標識碼：A

文章編號：編號：1674-9944(2015)09-0006-04

Abstract:With the MODIS image as the data source,the article calculates the multi-bands of visible light,near infrared light and thermal infrared light.Through the analysis of the characteristic properties of snow and ice reflectivity and combining with normalized snow index and related theory of radiation brightness temperature,the article su mmarizes a kind of sea ice information inversion method based on data mining.In addition,taking Liaodong Bay as the research object,the article extracts information of sea ice in Liaodong Bay.Then a prediction model is established based on the extracted data,which can forecast changing situation of sea ice for the next ten years.

1引言

我國北部海域緯度較高,受西伯利亞寒流的影響,冬季經(jīng)常會出現(xiàn)海面結冰現(xiàn)象,對海上航行產(chǎn)生了嚴重危害,由此而帶來的經(jīng)濟損失也是十分嚴重。若能有效地檢測到海冰的分布范圍,觀測海冰變化,對于研究海面結冰規(guī)律,分析其分布面積,從而降低災害等具有重要意義。

傳統(tǒng)的海冰檢測方法極易受到時間和空間的限制,為了能夠得到實時有效并且面積廣泛的海冰外緣線、冰密集度、冰厚度等參數(shù),大多數(shù)研究者選擇使用遙感衛(wèi)星對海冰進行觀測研究。國巧真[1]等學者提出了一種海冰災害的等級劃分方法,為海冰預報提供了依據(jù);吳奎橋[2-3]等利用遙感數(shù)據(jù)進行了海冰參數(shù)的相關計算;韓素芹等[4]研究了利用MODIS檢測海冰的分布;許占堂[5]等討論了海冰反射率與海冰雙向反射分布函數(shù)之間的相關關系;謝鋒[6]等利用NOAA衛(wèi)星的AVHRR遙感資料對海冰進行研究,提出了海冰厚度的反照率反演公式,并對遼東灣海冰資源量進行了估算;武晉雯[7]等采用可見光和近紅外通道反射率閾值法對MODIS衛(wèi)星進行海冰面積反演,得到遼東灣年度海冰面積變化過程。Sungwook Hong[8]等提出利用被動微波來反演小規(guī)模冰面的粗糙系數(shù)和海冰的折射率,并通過粗糙系數(shù)提取出了海冰數(shù)據(jù)。

目前為止,真正應用于業(yè)務化的海冰檢測技術還比較少,預測海冰信息更是難上加難。美國國家航天局使用MODIS數(shù)據(jù)開發(fā)出了海洋產(chǎn)品,該產(chǎn)品基于一組判定條件的算法,計算量較小,避免了人工干預,可適用于全球海冰的檢測,但美中不足的是只能檢測出離岸較近的固態(tài)冰。

事實上,海冰的檢測就是將海冰信息從海冰和海水的混合物中進行提取與分類,這恰好滿足了數(shù)據(jù)挖掘技術的應用條件。通過數(shù)據(jù)挖掘的方法,人們可以發(fā)現(xiàn)潛在的規(guī)則和知識,從而可以有效地將需要的信息進行突出、提取?，F(xiàn)階段,常見的數(shù)據(jù)挖掘方法有決策樹分類算法、最大似然法和BP神經(jīng)網(wǎng)絡法等。通過比較發(fā)現(xiàn),決策樹分類性能最佳。近年來,決策樹方法在土壤分類、復雜生產(chǎn)過程的質(zhì)量檢測、地類分析、植被指數(shù)提取以及土地利用等方面應用越來越廣[9]。決策樹算法具有靈活多變、操作性強、運算效率高等特點,是遙感技術分類技術的一大突破。

本文基于決策樹算法,通過對MODIS衛(wèi)星數(shù)據(jù)進行波段分析,影像分類等工作,獲取了較為準確的海冰分布相關數(shù)據(jù)。并以此數(shù)據(jù)為依據(jù),建立海冰分布預測模型,預測其未來十年的分布面積,并分析其變化趨勢。

2數(shù)據(jù)準備與海冰識別原理分析

2.1　MODIS數(shù)據(jù)介紹

MODIS是搭載于美國EOS系列衛(wèi)星上的重要傳感器,也是EOS Terra/Aqua平臺上唯一進行直接廣播的對地觀測儀器[10]。MODIS是當前世界上新一代“圖譜合一”的光學遙感儀器,具有36個波譜通道,分布在0.4~14.4μm的電磁波譜范圍內(nèi),可同時對大氣、海洋和地表進行觀測,每兩日甚至每日即可獲取一次全球的觀測數(shù)據(jù)。其重訪周期短、光譜分辨率高的特性使其在水體檢測中具有絕對優(yōu)勢。但MODIS-1B數(shù)據(jù)不可以直接用于海冰的檢測分析,需要經(jīng)過相關處理后方可投入使用[11]。

2.2　海冰識別原理和方法

運用遙感技術識別目標物的物理基礎,是根據(jù)各目標物間光譜特征的差別進行區(qū)分,海冰監(jiān)測的本質(zhì)就是冰與水的識別。圖1為冰與水在可見光-近紅外區(qū)域的光譜曲線,由圖可以看出冰和水在不同光譜區(qū)域內(nèi)的反射率差異。海冰在400~800 nm波段反射率稍高,基本維持在0.5以上,與海水有較大差距;波長超過800 nm以后的近紅外波段,水幾乎成了全吸收體;盡管冰在近紅外波段(800~1000 nm)的反射率明顯降低,但仍與海水有較大差別。

圖1　冰、水光譜曲線

另外,我們通常運用NDSI來提取積雪信息,主要是因為在可見光波段,積雪表現(xiàn)出較高的反射率,而在短紅外波段,反射率則較低[12]。海冰具有與之相似的特點,所以,我們用NDSI作為其中一個判定條件。NDSI計算公式為:

NDSI=(B4-B6)/(B4+B6)。

海冰和海水的輻射亮溫有明顯差異,有利于區(qū)分海冰和海水[13]。且海水中含有鹽分,其結冰溫度明顯低于淡水,又因為海水結冰溫度與鹽度成線性關系,既隨著鹽度的增加,冰點降低。當海水鹽度為0.03時,冰點大約為-1.6 ℃。我國黃海與渤海北部近岸海區(qū),冬季海水鹽度一般在0.007~0.031之間。因此,一般認為海水溫度低于-2 ℃時,才有結冰現(xiàn)象。所以選取與輻射亮溫有關的B31,B32波段,利用IST法,反演冰表面溫度,并根據(jù)冰表面溫度來判斷是否為海冰。其反演公式為

IST=a+b×T31+c×(T31-T32)+d×[(T31-T32)×(secq-1)]。

式中T31為MODIS-1B數(shù)據(jù)中第31波段的亮溫值,T32為MODIS-1B數(shù)據(jù)中第32波段的亮溫值,q為傳感器的天頂角,a,b,c,d分別為根據(jù)經(jīng)驗確定的大氣影響系數(shù)。

2.3　基于決策樹的海冰信息挖掘

決策樹分類是基于遙感影像數(shù)據(jù)及其他空間數(shù)據(jù),通過專家經(jīng)驗總結、簡單的數(shù)學統(tǒng)計和歸納方法等,獲得分類規(guī)則并進行遙感分類的一種分類方法[14]。分類規(guī)則易于理解,分類過程也符合人的認知過程,最大的特點是利用了多源數(shù)據(jù)。

本文采用C4.5決策樹算法進行數(shù)據(jù)挖掘與分類[15]。C4.5算法以信息論為基礎,使用信息增益率代替信息增益作為分類依據(jù),不論是對屬性連續(xù)還是屬性值缺失的訓練樣本都可進行有效處理,然后通過采用不同的修剪枝葉技術有效解決過度擬合問題,并且采用交叉驗證對分類模型進行評估。

終止決策樹增長的方式有兩種:①當節(jié)點中所有樣本均屬同一類別;②葉子節(jié)點樣本數(shù)小于某個閾值。由于第一種方法需要大量數(shù)據(jù),所以本文選取第二種方式,通過對處理后的影像進行大量樣點數(shù)據(jù)采集,根據(jù)實際地理環(huán)境進行整合分析,多次試驗,調(diào)節(jié)閾值,最終得到更加合理的閾值結果。

3實例分析

3.1　研究區(qū)概況

渤海屬于封閉型內(nèi)海,位于中國大陸東部,北端。主要分布于北緯37°~41°,東經(jīng)117°~122°之間。渤海由五部分組成,包括遼東灣、渤海灣、萊州灣、淺海盆地和渤海海峽。

遼東灣西起中國遼寧省西部六股河口,東到遼東半島西側長興島,是中國緯度最高的海灣。是中國海域水溫最低,冰情最嚴重地區(qū),固體冰常年出現(xiàn)。

3.2　數(shù)據(jù)處理與分析

獲取的MODIS-1B原始影像不能直接投入使用,需要通過相關軟件進行幾何糾正、入射率,反射率等的計算。由于研究區(qū)上空經(jīng)常出現(xiàn)云霧,會影響到冰況提取的準確性,所以需要進一步對研究區(qū)薄云進行剔除。然后通過第6波段分離陸地與海域,將經(jīng)過預處理的影像按本文提取的決策規(guī)則進行分類,結果如圖2。圖中a為采用本文的數(shù)據(jù)挖掘規(guī)則生成的決策樹監(jiān)測出的海冰分布圖,b為MODIS-1B影像的原始數(shù)據(jù)(1、4、3波段合成)彩色影像。

圖3　遼東灣海冰分布

由圖3的原始數(shù)據(jù)和分類后數(shù)據(jù)進行比較可以看出,本文總結的決策樹分類規(guī)則在海冰分布檢測中具有較高的準確性,海冰邊緣線影像分布清晰,與實際分布高度一致。同時,對于海上存在的流冰,碎冰,其分類結果中也比較理想。

4海冰變化預測分析

4.1　遼東灣海冰分布時間變化分析

根據(jù)渤海海區(qū)的氣候特征,首先確定其在冬季(12月份-次年2月份)才會出現(xiàn)海面結冰現(xiàn)象,并且考慮到海洋氣候變化較大陸而言會有稍許延遲,所以選取12月中旬至3月上旬遙感影像為數(shù)據(jù)源,以2013~2014年冬季時間段為例,根據(jù)海冰面積的遙感計算方法:

S=n×Si

其中S為海冰面積,n為海冰像元數(shù),Si為像元面積。獲取遼東灣港口地區(qū)海冰面積如圖3。

圖3　2013~2014年冬季遼東灣海冰面積

有上表分析可知,渤海海域遼東灣港口地區(qū),2013年12月中旬已出現(xiàn)明顯結冰現(xiàn)象,海冰面積為72 km2,自此,海冰面積總體呈擴大趨勢,直至2月上旬出現(xiàn)最大值為7391 km2,然后海冰面積開始快速下降,到2月下旬,遼東灣幾乎無冰層覆蓋,面積僅剩3 km2。

用同樣的方法分析歷年數(shù)據(jù),除個別年份外均可得到相似結論。為了預測未來海冰面積的變化趨勢,本次研究,選取2004~2014十年數(shù)據(jù),以2月上旬海冰面積為例,對遼東灣海冰面積進行預測。

4.2　海冰變化預測

4.2.1灰色預測模型

灰色系統(tǒng)理論是由我國著名學家鄧聚龍教授提出并完善的,此模型可以通過少量、不完整的信息對數(shù)據(jù)進行預測。對于數(shù)據(jù)序列波動大,或者發(fā)展趨勢無規(guī)律可循的現(xiàn)象,灰色預測提供了一種切實有效的方法。由于海冰的變化受氣溫、洋流、環(huán)境等多方面條件的影響,其歷年的變化趨勢呈不穩(wěn)定的隨機序列,恰好符合灰色預測隨機性的條件?；疑A測一般有一下幾步。

(1)根據(jù)原始數(shù)據(jù)生成累加序列。若數(shù)列X(0)={X(0)(1),X(0)(2),…X(0)(n)},對其累加獲得新的數(shù)列X(1),有:

X(1)(1)=X(0)(1)，

X(1)(2)=X(0)(1)+X(0)(2)，

X(1)(3)=X(0)(1)+X(0)(2)+X(0)(3)，

……

X(1)(n)=X(0)+X(0)(2)+…+X(0)(n)。

(2)構建微分方程。對數(shù)列X(1)可構建微分方程:

式中參數(shù)向量可用最小二乘法求解:

上式中:

(4)精度檢驗及預測。A.殘差檢驗,絕對誤差:

相對誤差:

B.后驗差檢驗,原始數(shù)列平均值:

原始數(shù)列方差:

殘差平均值:

殘差的方差:

后驗差比值:

小誤差概率:

精度等級劃分如表1。

表1　預測精度

4.2.2模型預測

本文選取2004~2014年冬季2月上旬海冰面積作為原始數(shù)據(jù),如圖4。

通過建立矩陣,計算參數(shù)可得其時間響應函數(shù)為:

其殘差與相對殘差計算結果見表2。

圖4　2005~2014年2月上旬海冰面積分布

表2　預測殘差值 km2

由計算得c=0.31<0.35,其精度等級為好,p=1,預測等級同樣為好,滿足預測要求,可以根據(jù)推導公式繼續(xù)計算,預測未來十年2月上旬遼東灣海冰面積,預測結果見表3。

表3　模型預測結果 km2

從表3中可以看出,遼東灣地區(qū)2月份海冰面積呈逐年降低趨勢,其分布范圍在不斷減少。由前五年和后五年的面積減少值可知,雖然遼東灣海冰面積呈減少趨勢,但其減少的速度是有所緩和的。本文的預測結果與全球變暖,海冰融化,海平面上升觀點基本吻合。

5結語

(1)本次研究,以MODIS影像為數(shù)據(jù)源,根據(jù)海冰的波譜特性,結合可見光、近紅外和熱紅外多個波段的數(shù)學運算,運用數(shù)據(jù)挖掘的方法,對海冰和海水的分類規(guī)則進行了挖掘。并以遼東灣為例,選取多年MODIS影像數(shù)據(jù),進行海冰分布面積檢測計算,將分類結果與真彩色合成影像進行比對,驗證了本文提出的分類規(guī)則的有效性。同時運用數(shù)學模型,對計算數(shù)據(jù)模擬預算,預測了未來十年遼東灣海冰分布面積,通過精度檢驗,預測結果具有較高準確性,為海洋災害監(jiān)測提供依據(jù)。

(2)本文使用的預測模型屬于灰色模型,盡管模型檢測結果精度較高,但任然存在誤差。且海冰的變化受多種因素的影響,存在隨機性、多變性,實際應用中,對海冰的實測精度還有待提高。

參考文獻：

[1] 國巧真,顧衛(wèi),李京,等.基于遙感數(shù)據(jù)的渤海海冰災害風險研究[J].災害學,2008,23(2):10~18.

[2] 吳奎橋,徐瑩,郝軼萌.Modis數(shù)據(jù)在海冰遙感中的應用[J].海洋預報,2005(22):44~49.

[3] 吳龍濤,吳輝碇,孫蘭濤.Modis渤海海冰遙感資料反演[J].中國海洋大學學報,2006,32(2):173~179.

[4] 韓素芹,黎貞發(fā),孫治貴.EOS/Modis衛(wèi)星對渤海海冰的觀測研究[J].氣象科學,2005,25(6):624~628.

[5] 許占堂,楊躍忠,王桂芬,等.遼東灣海冰反射特性[J].光譜學與光譜分析,2010,30(7):1902~1907.

[6] 謝鋒,顧衛(wèi),袁藝.遼東灣海冰資源量的遙感估算方法研究[J].資源科學,2003,3(25):17~23.

[7] 武晉雯,張玉書,馮銳,等.基于MODIS的海冰面積遙感監(jiān)測及其與氣溫的相關分析[J].遙感技術與應用,2009,24(1):73~76.

[8] Hong Sungwook,Detection of Small-ScaleRoughness and Refractive Index of Sea ice in Passive Satellite Microwave Re-mote Sensing[J].Remote Sensing of Environment,2010,114(5):1136~1140.

[9] 陳云,戴錦芳,李俊杰.,基于影像多種特征的CART決策樹分類方法及其應用[J].地理與地理信息科學,2008,24(2):33~36.

[10] 劉海,陳曉玲,宋珍,等.MODIS影像雪深遙感反演特征參數(shù)選擇與模型研究[J].武漢大學學報:信息科學版,2011,36(1):113~116.

[11] 孫芳.基于MODIS數(shù)據(jù)的海冰監(jiān)測研究[C]//中國測繪學會海洋測繪專業(yè)委員會.第二十一屆海洋測繪綜合性學術研討會論文集.成都:中國氣象學會,2009:594~597.

[12] 劉良明,徐琪,胡玥,等.利用非線性NDSI模型進行積雪覆蓋率反演研究[J].武漢大學學報.信息科學版,2012,37(5):534~536.

[13] 馬龍.NASA MODIS海冰產(chǎn)品評價分析[J].國土資源遙感,2011,88(1):115~117.

[14] 邵峰晶,于忠清,王金龍,等.數(shù)據(jù)挖掘原理與算法[M].北京:科學出版社,2009.

[15] 任朝輝,邵峰晶.基于數(shù)據(jù)挖掘的MODIS影像海冰檢測方法[J].青島大學學報:工程技術版,2012,27(2):1~5.

Retrieval and Mutation Analysis of Sea ice Information Based on

Remote Sensing

Yang Chenglin,Xu Yuetong

(CollegeofPopulation,ResourcesandEnvironment,ShandongNormalUniversity,Jinan250014,China)

Key words:MODIS data mining;sea ice;prediction model