羅麗程，張文奇，胡 勇，周 穎，鞏彩蘭

(1. 中國(guó)科學(xué)院 上海技術(shù)物理研究所，上海 200083； 2. 中國(guó)科學(xué)院大學(xué)，北京 100049；3. 武漢大學(xué) 遙感信息工程學(xué)院，湖北 武漢 430072；4. 中國(guó)科學(xué)院 紅外探測(cè)與成像技術(shù)重點(diǎn)實(shí)驗(yàn)室，上海 200083)

0 引言

受全球變暖影響，北極地區(qū)的海冰消融速度逐漸加快，覆蓋范圍不斷減小，對(duì)全球氣候產(chǎn)生了不容忽視的影響，導(dǎo)致了一系列生態(tài)問題。同時(shí)，北極地區(qū)的海冰消融有利于北極航道的開通和北極資源的利用。因此，對(duì)北冰洋重點(diǎn)區(qū)域的海冰狀況進(jìn)行監(jiān)測(cè)，對(duì)掌握海洋環(huán)境相關(guān)要素信息、累積可靠的數(shù)據(jù)資料、分析北冰洋海冰氣候效應(yīng)、維護(hù)北極航道安全、合理開采北極資源等具有重要意義。

衛(wèi)星遙感技術(shù)是最高效的海冰監(jiān)測(cè)手段，具有大范圍、實(shí)時(shí)性、可持續(xù)的優(yōu)點(diǎn)。目前，極地海冰密集度產(chǎn)品主要來自不同衛(wèi)星傳感器的被動(dòng)微波輻射計(jì)，利用各種反演算法生成。海冰密集度產(chǎn)品空間分辨率多為4～25 km[1-2]。另外，由于傳感器、算法等不同，以及夏季海冰表面融化導(dǎo)致的不確定性，海冰密集度反演結(jié)果還存在一定問題，需要大量的現(xiàn)場(chǎng)觀測(cè)來進(jìn)行驗(yàn)證[1]?；谖⒉ㄟb感數(shù)據(jù)，國(guó)內(nèi)外開展了許多有關(guān)海冰變化分析的研究[3-4]。隨著合成孔徑雷達(dá)(SAR)技術(shù)的發(fā)展，SAR在海冰監(jiān)測(cè)方面的應(yīng)用越來越廣泛，如：鄭楊龍等[5]基于Radarsat-2衛(wèi)星SAR圖像對(duì)海冰密集度進(jìn)行了分類提取，發(fā)現(xiàn)高分辨率SAR在邊緣區(qū)小尺寸海冰監(jiān)測(cè)方面具有優(yōu)勢(shì)；朱海天等[6]利用星載SAR構(gòu)建了渤海海冰遙感監(jiān)測(cè)系統(tǒng)；張寶華等[7]提出了基于稀疏分解和改進(jìn)MRF分割模型的圖像分割算法，其分割結(jié)果能準(zhǔn)確反映海冰分布情況。歐洲的Sentinel-1衛(wèi)星提供C波段的SAR觀測(cè)數(shù)據(jù)，具有雙極化、短重訪周期、快速產(chǎn)品生產(chǎn)的能力[8]。KARVONEN[9]利用Sentinel-1衛(wèi)星SAR數(shù)據(jù)和AMSR2微波輻射計(jì)數(shù)據(jù)對(duì)波羅的海的海冰密集度進(jìn)行研究；MUCKENHUHER等[10]基于Sentinel-1衛(wèi)星數(shù)據(jù)，采用特征跟蹤與模式匹配相結(jié)合的方法，對(duì)海冰漂移算法進(jìn)行了研究。國(guó)內(nèi)鮮有利用Sentinel-1衛(wèi)星SAR數(shù)據(jù)開展海冰研究的報(bào)道。

目前，國(guó)內(nèi)外對(duì)海冰分布變化規(guī)律的研究，?；诖蟪叨?分辨率為4～25 km) 的海冰密集度產(chǎn)品。隨著北極航道開通及北極資源開發(fā)，國(guó)內(nèi)外對(duì)海冰監(jiān)測(cè)產(chǎn)品的分辨率、頻次要求必然更高。本文利用Sentinel-1衛(wèi)星SAR數(shù)據(jù)進(jìn)行研究。選取2015—2017年6—10月的數(shù)據(jù)，利用K-均值聚類算法對(duì)研究區(qū)域進(jìn)行海冰提取，在此基礎(chǔ)上進(jìn)行海冰密集度提取、浮冰區(qū)海冰形態(tài)參數(shù)提取?；陂L(zhǎng)時(shí)間序列數(shù)據(jù)，對(duì)研究區(qū)域海冰變化規(guī)律進(jìn)行分析。

1 數(shù)據(jù)預(yù)處理與海冰提取

1.1 數(shù)據(jù)預(yù)處理

本文研究區(qū)域?yàn)楦ダ啄泛{的格陵蘭島沿岸。弗雷姆海峽為北冰洋和北大西洋之間的主要海洋通道，也是研究海冰變化的關(guān)鍵區(qū)域[11]。受東格陵蘭寒流影響，弗雷姆海峽的海冰主要分布在格陵蘭島沿岸一端，該區(qū)域范圍約為4°E～18°W，75.5°N～79.5°N。

Sentinel-1衛(wèi)星的超寬幅模式主要用于海上、冰川、極地等需要大范圍覆蓋、短時(shí)間重訪的區(qū)域[8]。本文對(duì)該模式下的數(shù)據(jù)進(jìn)行研究，數(shù)據(jù)預(yù)處理步驟如圖2所示。對(duì)2015年7月12日拍攝的衛(wèi)星影像進(jìn)行預(yù)處理，結(jié)果如圖3所示。

圖3 影像預(yù)處理結(jié)果Fig.3 Result of image preprocessing

1.2 海冰提取

SAR圖像中的不同灰度值代表了不同地物的后向散射系數(shù)。影響地物后向散射系數(shù)的主要因素眾多。對(duì)于試驗(yàn)影像中的海冰、海水這2種地物，主要考慮表面粗糙度和介電常數(shù)這2個(gè)因素。對(duì)海冰而言，由于其受生長(zhǎng)階段、外部環(huán)境條件的影響，類型多樣，因此其表面特征各不相同，介電常數(shù)范圍較大；表面粗糙的海冰，引起的后向散射較大，在影像上較亮。對(duì)海水而言，海風(fēng)是影響其表面粗糙度的主要原因[12]。另外，海水介電常數(shù)很高，幾乎所有的雷達(dá)波能量會(huì)在水面上被反射[13]。因此，海水返回的雷達(dá)波較少，在影像上較暗。

通過觀察研究地區(qū)試驗(yàn)影像可發(fā)現(xiàn)，在大部分區(qū)域，海冰、海水表現(xiàn)出顯著的亮度差異，能較好區(qū)分。但由于研究區(qū)域范圍大，氣候環(huán)境多變，在一些區(qū)域出現(xiàn)了海冰、海水不易區(qū)別的情況。海冰表面的融池會(huì)降低冰面的后向散射，使其在影像上較暗。波浪使海水表面更粗糙，使其后向散射變大，導(dǎo)致海冰、海水亮度較接近。

為了對(duì)海冰密集度進(jìn)行長(zhǎng)時(shí)序、高頻次的分析，需處理海量的影像數(shù)據(jù)，從中提取出海冰分布。因此，在選擇海冰提取方法時(shí)，應(yīng)既考慮提取精度，又關(guān)注提取效率。雖然缺乏研究區(qū)域的實(shí)地海冰數(shù)據(jù)，但基于海冰、海水在SAR影像上表現(xiàn)出的顯著亮度差異，可采用K-均值聚類算法對(duì)海冰進(jìn)行提取。K-均值聚類算法為基于樣本間相似性度量的間接聚類方法，其聚類準(zhǔn)則是使每一類中的各點(diǎn)至中心點(diǎn)距離的平方和最小，是經(jīng)典的非監(jiān)督分類方法，該方法易于實(shí)現(xiàn)且效率較高，在所有聚類算法中應(yīng)用最為廣泛[14]，在海冰提取分類中也得到了廣泛應(yīng)用[15-17]。使用該方法時(shí)，需事先人為指定K值(類別數(shù))。經(jīng)過反復(fù)試驗(yàn)，最終將K設(shè)為5。在缺乏先驗(yàn)知識(shí)的情況下，采用K-均值聚類算法，能在保證精度的同時(shí)，較快完成海冰分布的提取。分類結(jié)果示意如圖4所示。在完成分類后，還需進(jìn)行類別合并和分類后操作，最終生成海冰、海水的分類結(jié)果，如圖5所示。圖中海冰為白色區(qū)域，海水為黑色區(qū)域。

圖4 K-均值聚類算法分類結(jié)果Fig.4 Result of K-means classification

圖5 二值化結(jié)果Fig.5 Result of binarization

2 海冰信息參數(shù)計(jì)算

2.1 海冰分布參數(shù)

海冰密集度是海冰監(jiān)測(cè)和預(yù)報(bào)業(yè)務(wù)的一項(xiàng)重要指標(biāo)[18]。它是影響地球兩極海洋與大氣水熱交換強(qiáng)度的重要因素，是許多海洋和大氣環(huán)流模式的輸入?yún)?shù)之一，是全球尤其兩極地區(qū)長(zhǎng)時(shí)間尺度氣溫變化的指示器[19]，也是影響航線通航的重要水文環(huán)境因素之一。

海冰密集度為一定區(qū)域(子區(qū))內(nèi)海冰覆蓋面積與整個(gè)研究區(qū)域面積的比值。通過劃分子區(qū)，計(jì)算子區(qū)內(nèi)海冰像元個(gè)數(shù)與子區(qū)總像元數(shù)的比值，其表達(dá)式為

C=(Ni/Nt)×100%

(1)

式中：C為密集度；Ni為子區(qū)內(nèi)海冰像元數(shù)量；Nt為子區(qū)內(nèi)的總像元數(shù)量。

當(dāng)劃分子區(qū)時(shí)，子區(qū)尺度會(huì)影響海冰密集度的尺度。當(dāng)子區(qū)尺度較大時(shí)，面積相對(duì)較小的冰間湖信息在圖像上會(huì)有所損失。為使密集度提取結(jié)果能在影像上更細(xì)致體現(xiàn)出這些信息，突出高分辨率SAR衛(wèi)星影像的優(yōu)勢(shì)，選擇15×15的小窗口進(jìn)行海冰密集度的計(jì)算。海冰密集度提取結(jié)果如圖6所示。

圖6 海冰密集度提取結(jié)果(子區(qū)大?。?5×15像素)Fig.6 Result of sea ice concentration extraction (subregion：15×15 pixels)

本文采用美國(guó)國(guó)家冰雪數(shù)據(jù)中心發(fā)布的海冰密集度產(chǎn)品MASAM2(分辨率為4 km)，對(duì)海冰密集度提取結(jié)果進(jìn)行對(duì)比分析。SAR密集度產(chǎn)品(基于SAR數(shù)據(jù)生成的密集度)與MASAM2密集度產(chǎn)品(基于被動(dòng)微波輻射計(jì)數(shù)據(jù)生成的密集度)的差值圖像如圖7所示，統(tǒng)計(jì)結(jié)果見表1。由圖7和表1可見：密集度差值主要分布在0%～20%；均方根誤差的統(tǒng)計(jì)結(jié)果分布在15%～20%；平均偏差的統(tǒng)計(jì)結(jié)果分布在0.06～0.10。SAR影像分辨率較高，對(duì)小尺寸的碎冰、冰間水道、冰間湖具有更好的探測(cè)能力。

2.2 海冰形態(tài)參數(shù)

海冰消融會(huì)形成形態(tài)多樣的浮冰，對(duì)航行的船只造成不同影響。為進(jìn)一步描述海冰狀態(tài)，提供更豐富的冰情信息，本文對(duì)流冰區(qū)的海冰尺寸、形狀分布進(jìn)行研究。

選取2016年7月1日、6日、13日、25日的4幅試驗(yàn)影像，從中裁剪出流冰區(qū)。流冰區(qū)圖像像元個(gè)數(shù)為4 868(行)×2 584(列)，像元分辨率為40 m，總面積約為20 126 km2。由影像可知，流冰區(qū)存在大片海冰相互連接的情況。原因可能是冰塊消融碰撞過程中連接處還未完全斷裂，也可能是冰塊相互擠壓形成。對(duì)于大片的相連海冰，由于其狀態(tài)較不穩(wěn)定，連接處易斷裂，因此需重點(diǎn)關(guān)注。部分海冰內(nèi)部存在融池、冰間湖。

對(duì)流冰區(qū)影像進(jìn)行形態(tài)學(xué)運(yùn)算，消除離散孤立點(diǎn)的影響。在此基礎(chǔ)上，通過對(duì)象化算法，提取每塊海冰的內(nèi)外輪廓，計(jì)算描述冰塊形態(tài)的參數(shù)。參數(shù)包括面積、周長(zhǎng)和圓度。圓度為

R=C2/4πS

(2)

式中：R為圓度；C為周長(zhǎng)；S為面積[20-21]。海冰的形狀變化是熱力學(xué)側(cè)向融化和動(dòng)力學(xué)冰間磨損的共同作用的結(jié)果。在相同熱力、同等面積的條件下，多個(gè)小尺寸海冰比大尺寸海冰周長(zhǎng)更長(zhǎng)，因此側(cè)向融化作用對(duì)小尺寸海冰形狀的影響更顯著，小尺寸海冰更容易接近圓形。圓度是描述浮冰形狀接近圓形程度的指標(biāo)，其值越接近于1，說明浮冰形狀與圓形越相似，該指標(biāo)越大，說明浮冰形狀越復(fù)雜，越容易破碎、分離。

為了更詳細(xì)、直觀地描述不同的浮冰特征，根據(jù)浮冰面積大小，將浮冰分為7類(見表2)。通過提取海冰的尺寸信息和形狀信息，分析對(duì)應(yīng)的參數(shù)變化情況，研究海冰尺寸分布的規(guī)律及其與海冰破碎物理過程的關(guān)系。

表2 浮冰分類準(zhǔn)則

3 結(jié)果與分析

3.1 海冰密集度提取結(jié)果分析

由2015—2017年6—10月海冰密集度的變化可知，0%的密集度呈現(xiàn)出先增加后減少的變化，在8月或9月達(dá)到最大值。這是由于不同年份獲取的影像數(shù)據(jù)，在時(shí)間分布上并不完全一致，對(duì)密集度的均值造成影響。100%的密集度在6—10月呈現(xiàn)出先減少再增加的變化趨勢(shì)，在8月或9月達(dá)到最小值。2016年6—10月的月平均密集度變化如圖8所示。圖中：橫坐標(biāo)表示海冰密集度的數(shù)值，無量綱；縱坐標(biāo)表示當(dāng)前密集度占的比例，無量綱。

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

選取2015—2017年日期相近的數(shù)據(jù)，生成100%密集度的年際變化圖(見圖9)。通過比較發(fā)現(xiàn)，2017年9月的海冰密集度出現(xiàn)異常，較2015、2016年海冰覆蓋范圍出現(xiàn)明顯下降。基于美國(guó)國(guó)家冰雪數(shù)據(jù)中心發(fā)布的海冰密集度產(chǎn)品MASAM2和海冰覆蓋范圍產(chǎn)品Sea ice index(分辨率為25 km)，對(duì)研究區(qū)域內(nèi)同一時(shí)間的海冰覆蓋情況進(jìn)行了估算。海冰覆蓋情況由研究區(qū)內(nèi)海冰像元數(shù)與研究區(qū)像元總數(shù)的比值見表3。由表3可見，2017年的海冰覆蓋范圍較2015，2016年大幅減小，與研究結(jié)果呈現(xiàn)出相同變化趨勢(shì)。

圖9 海冰密集度為100%的年際變化圖Fig.9 Interannual changes of the 100% sea ice concentration

影像日期產(chǎn)品類型Sentinel-1MASAM2Sea ice index2015-09-232016-09-232017-09-232015-09-272016-09-272017-09-27覆蓋率/%—81.1865.2842.6357.8844.406.712.477.5374.9879.3572.07—70.7047.8411.7610.6614.41

3.2 海冰形態(tài)參數(shù)提取結(jié)果分析

對(duì)2016年7月1日、6日、13日和25日的4幅試驗(yàn)影像進(jìn)行海冰信息提取，各類浮冰的個(gè)數(shù)統(tǒng)計(jì)見表4。由表可知：實(shí)際面積小于0.8 km2的1類浮冰數(shù)量占所有浮冰類型數(shù)量的絕大部分，且隨著夏季海冰的消融，該類浮冰的數(shù)量呈增加趨勢(shì)；與之類似，面積較小的第2～4類浮冰也呈現(xiàn)該規(guī)律。第5類浮冰除2016年7月25日外，數(shù)量也呈現(xiàn)增加趨勢(shì)。面積巨大的第6、7類浮冰，隨著夏季海冰的消融，前者數(shù)量無明顯變化，后者數(shù)量呈增加趨勢(shì)。這2類海冰多由大片海冰連接而成，海冰與海冰之間的連接處厚度較不穩(wěn)定，隨著氣溫上升，連接處逐漸融化，大片浮冰分裂成多塊浮冰。另外，對(duì)于相互碰撞暫時(shí)連接在一起的大片海冰，在海浪和海冰本身消融的作用下，也可能發(fā)生分離。

表4 浮冰個(gè)數(shù)分類統(tǒng)計(jì)

表5 平均面積、周長(zhǎng)分類統(tǒng)計(jì)

表6 平均圓度分類統(tǒng)計(jì)

各類浮冰的平均面積、平均周長(zhǎng)的變化情況見表5。由表5可知：第1～6類的浮冰平均面積相對(duì)穩(wěn)定，而第7類巨大型浮冰的平均面積明顯減小。結(jié)合表4可知，原因應(yīng)該是巨大型浮冰會(huì)逐漸融化和破裂，形成面積較小的浮冰。各類浮冰平均周長(zhǎng)的變化規(guī)律同平均面積基本相同。

各類浮冰的平均圓度分類統(tǒng)計(jì)情況見表6。由表6可知：隨著各類浮冰面積的增大，浮冰圓度逐漸增大；對(duì)于第1類細(xì)碎浮冰，其圓度最接近于1，其形狀最接近圓形。浮冰面積越大，其圓度也越大，說明浮冰越偏離圓形，形狀復(fù)雜，也更容易破碎和分離。

4 結(jié)束語(yǔ)

本文基于長(zhǎng)時(shí)間序列、多時(shí)相的Sentinel-1衛(wèi)星SAR數(shù)據(jù)，對(duì)北極弗雷姆海峽區(qū)域的海冰分布和海冰形狀特征參數(shù)的提取及其變化規(guī)律進(jìn)行了研究。介紹了SAR數(shù)據(jù)預(yù)處理流程，提取了海冰，進(jìn)一步獲取了海冰分布信息、海冰形狀特征，分析了海冰參數(shù)的時(shí)序變化。海冰分布信息由密集度體現(xiàn)，海冰形狀特征由面積、周長(zhǎng)、圓度體現(xiàn)?；诿娣e大小，將浮冰分為7類。統(tǒng)計(jì)各類浮冰的形狀特征參數(shù)，分析其變化規(guī)律，為研究海冰變化物理過程提供支持和數(shù)據(jù)。本文研究區(qū)域?yàn)闁|格陵蘭寒流流經(jīng)的格陵蘭島沿岸，分析了該區(qū)域2015—2017年的海冰密集度變化及2016年7月1日、6日、13日和25日4個(gè)時(shí)相的浮冰形態(tài)特征參數(shù)變化。結(jié)果表示：利用高分辨率SAR數(shù)據(jù)，能獲取精細(xì)的海冰分布信息，將其與傳統(tǒng)的海冰密集度產(chǎn)品相結(jié)合，可構(gòu)造信息更豐富的多尺度冰情圖。后續(xù)將對(duì)研究區(qū)域進(jìn)行擴(kuò)大，并通過增加更多時(shí)相的數(shù)據(jù)，進(jìn)行長(zhǎng)時(shí)間序列的分析。未來還可開展基于SAR數(shù)據(jù)的海冰分類研究。在基于海冰生長(zhǎng)過程建立的分類體系中，不同類別的海冰之間主要的區(qū)別在于冰齡和厚度。分類時(shí)，可利用灰度特征、紋理特征和極化特征等信息?；谔卣鞯腟AR影像海冰分類研究表明，利用單一的特征進(jìn)行分類已經(jīng)無法滿足需要，多特征融合后的分類精度明顯優(yōu)于前者。隨著機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等技術(shù)的發(fā)展，將這些技術(shù)運(yùn)用在海冰分類研究中，也是新的發(fā)展趨勢(shì)。

[1] 趙杰臣, 周翔, 孫曉宇, 等. 北極遙感海冰密集度數(shù)據(jù)的比較和評(píng)估[J]. 遙感學(xué)報(bào), 2017, 21(3): 351-364.

[2] 劉艷霞. 南北極海冰密集度估算與海冰范圍變化時(shí)序研究[D]. 武漢：武漢大學(xué), 2016.

[3] 沈校熠, 柯長(zhǎng)青, 張杰. 2002—2011年南極海冰變化的遙感分析[J]. 極地研究, 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] 鄭楊龍, 盧鵬, 李志軍, 等. 基于Radarsat-2 SAR圖像分類與HY-2微波輻射計(jì)反演獲取北極海冰密集度的比較研究[J]. 極地研究, 2016, 28(3): 413-423.

[6] 朱海天, 馮倩, 曾韜, 等. 基于星載SAR的渤海海冰遙感監(jiān)測(cè)系統(tǒng)設(shè)計(jì)與研究[J]. 遙感信息, 2012(2): 81-84，95.

[7] 張寶華, 周文濤, 呂曉琪. 基于稀疏分解和改進(jìn)MRF模型的SAR海冰圖像分割方法[J]. 遙感技術(shù)與應(yīng)用, 2017, 32(4): 709-713.

[8] 楊魁, 楊建兵, 江冰茹. Sentinel-1衛(wèi)星綜述[J]. 城市勘測(cè), 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] 舒寧. 微波遙感原理[M]. 武漢:武漢大學(xué)出版社, 2003.

[13] 紀(jì)永剛. 基于微波圖像的遼東灣海冰典型要素信息提取[D].青島：中國(guó)科學(xué)院研究生院(海洋研究所), 2006.

[14] 王慧賢, 靳惠佳, 王嬌龍, 等.k均值聚類引導(dǎo)的遙感影像多尺度分割優(yōu)化方法[J]. 測(cè)繪學(xué)報(bào), 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, L?SET 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] 周穎. 基于風(fēng)云三號(hào)氣象衛(wèi)星數(shù)據(jù)監(jiān)測(cè)北冰洋海冰運(yùn)動(dòng)變化的研究[D]. 上海:中國(guó)科學(xué)院大學(xué)， 2013.

[19] 曹梅盛, 晉銳.遙感技術(shù)監(jiān)測(cè)海冰密集度[J]. 遙感技術(shù)與應(yīng)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] 周穎, 匡定波, 鞏彩蘭, 等. 風(fēng)云三號(hào)衛(wèi)星MERSI影像提取北極海冰參數(shù)的方法[J]. 紅外與毫米波學(xué)報(bào), 2017, 36(1): 41-48,126-127.