于淼 盧鵬 李志軍 石立堅(jiān)

?

基于SAR圖像紋理的北極海冰厚度的反演研究

于淼1盧鵬1李志軍1石立堅(jiān)2,3

(1大連理工大學(xué)海岸和近海工程國(guó)家重點(diǎn)實(shí)驗(yàn)室, 遼寧 大連 116024;2國(guó)家衛(wèi)星海洋應(yīng)用中心, 北京 100081;3國(guó)家海洋局空間海洋遙感與應(yīng)用研究重點(diǎn)實(shí)驗(yàn)室, 北京 100081)

基于七景北極Radarsat-2 SAR圖像以及中國(guó)第六次北極科學(xué)考察走航期間利用船側(cè)錄像觀測(cè)獲得的平整冰厚度數(shù)據(jù), 通過(guò)灰度共生矩陣計(jì)算紋理, 確定了最適合反演海冰厚度的紋理參數(shù)。并分析了海冰厚度與紋理之間的相關(guān)關(guān)系, 探討了紋理反演海冰厚度的可能性。選取了最合適的紋理特征進(jìn)行擬合, 并利用所得經(jīng)驗(yàn)方程進(jìn)行反演驗(yàn)證, 結(jié)果與實(shí)測(cè)數(shù)據(jù)吻合較好, 平均相對(duì)誤差13.7%。與傳統(tǒng)的僅依靠后向散射系數(shù)反演海冰厚度進(jìn)行對(duì)比, 新方法的誤差更小, 證明了紋理特征反演冰厚的優(yōu)勢(shì)。

北極 海冰厚度 灰度共生矩陣 紋理

0 引言

海冰的存在影響了大氣與海洋之間的直接能量交換, 在全球大氣和海洋之間起到重要的調(diào)節(jié)作用。近年來(lái), 北極海冰面積快速減小, 其變化影響著北極氣候乃至全球的生態(tài)環(huán)境[1]。同時(shí), 北極具有豐富的自然資源, 以及不菲的商業(yè)利益, 北極航道的商業(yè)利用符合我國(guó)的北極戰(zhàn)略[2], 而海冰正是航道利用中需要考慮的主要因素。

由于北極地區(qū)復(fù)雜惡劣的氣候和海洋環(huán)境, 北極海冰物理參數(shù)實(shí)測(cè)數(shù)據(jù)的獲取很困難, 其中, 厚度是最重要的參數(shù)之一, 也是最難獲取的參數(shù)。目前海冰厚度的獲取最準(zhǔn)確的方法是鉆孔測(cè)量, 同樣也是最消耗資源的方法。于是各種非接觸測(cè)量技術(shù)相繼出現(xiàn), 如仰視聲納、電磁感應(yīng)、走航攝影觀測(cè)、衛(wèi)星遙感等[3]。近年來(lái)遙感技術(shù)的發(fā)展充分發(fā)揮了其大尺度、可重復(fù)和成本低的優(yōu)勢(shì), 為長(zhǎng)期動(dòng)態(tài)獲取北極海冰信息提供了新思路。其中合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)由于具有對(duì)光照條件不敏感、不受云層遮擋的特點(diǎn), 特別適合復(fù)雜的天氣條件, 能夠?qū)崿F(xiàn)全天候、全天時(shí)的冰情監(jiān)測(cè)。目前已經(jīng)廣泛用于海冰范圍、分類、密集度、速度以及厚度等基礎(chǔ)參數(shù)的觀測(cè)研究[4-10]]。

影響海冰SAR圖像散射特征主要有兩個(gè)因素, 海冰表面粗糙度和復(fù)介電常數(shù)[11-12], 兩者均與海冰生長(zhǎng)過(guò)程密切相關(guān), 可與海冰厚度聯(lián)系起來(lái)用于冰厚的反演。表面粗糙程度主要是通過(guò)紋理特征以及后向散射系數(shù)(0)體現(xiàn): 紋理目前在冰型分類的方面應(yīng)用比較多[13], 在厚度方面應(yīng)用相對(duì)較少, 而且精度不夠理想[14]。０用于海冰厚度反演有一定的積累, 但是存在著低估海冰厚度的情況以及適用地域限制[15], 一般需要結(jié)合其他的產(chǎn)品共同使用。復(fù)介電常數(shù)的應(yīng)用主要是與之相關(guān)的極化參數(shù), Alpha角()是從全極化SAR數(shù)據(jù)中提取出來(lái)關(guān)于海冰介電常數(shù)和入射角的函數(shù), 已經(jīng)被證明可以用來(lái)反演海冰厚度[16]。

本文嘗試?yán)眉y理特征反演海冰厚度主要基于以下經(jīng)驗(yàn)理論: 海冰越厚, 生長(zhǎng)時(shí)間越長(zhǎng), 所受到的外力作用也會(huì)越多越復(fù)雜, 相應(yīng)的變形及表面的粗糙程度也會(huì)發(fā)生變化[15]。本文的紋理特征分析方法采用灰度共生矩陣(GLCM), 它能夠反映出圖像要素的自身特征以及像素之間的空間關(guān)系, 在遙感領(lǐng)域紋理特征分析方面的應(yīng)用最為廣泛[17-19]。利用∑AP圖像以及匹配的平整冰厚度數(shù)據(jù), 分析紋理特征和冰厚之間的相關(guān)性, 選出最合適的紋理特征擬合經(jīng)驗(yàn)方程, 然后進(jìn)行冰厚的反演及誤差分析, 并與傳統(tǒng)的厚度反演方法進(jìn)行比較分析。

1 研究區(qū)域與數(shù)據(jù)源

本文使用的SAR圖像數(shù)據(jù)是七景北冰洋Radar-sat-2雙極化(HH+HV)SGF產(chǎn)品, 是中國(guó)第六次北極科學(xué)考察的途經(jīng)區(qū)域, 圖像區(qū)域大部分被一年冰覆蓋, 除8月11日?qǐng)D像有部分開(kāi)闊水面, 其他圖像幾乎沒(méi)有明顯冰裂縫或開(kāi)闊水, 適合提取冰表面紋理進(jìn)行研究。圖像詳細(xì)參數(shù)見(jiàn)表1。研究區(qū)域如圖1所示, 圖中顏色代表2014年8月平均海冰密集度, 數(shù)據(jù)來(lái)自德國(guó)不萊梅大學(xué)發(fā)布的AMSR2/ASI產(chǎn)品, 黑色矩形代表SAR圖像位置, 黑色虛線代表第六次北極科考船航線?

表1 SAR圖像參數(shù)

圖1 研究區(qū)域位置示意圖

Fig.1. Map of study sites

現(xiàn)場(chǎng)冰厚數(shù)據(jù)來(lái)自第六次北極科考, 是利用船側(cè)觀測(cè)錄像提取的。與衛(wèi)星等大尺度遙感方式相比, 數(shù)字?jǐn)z影產(chǎn)品可以有針對(duì)性的對(duì)一個(gè)區(qū)域進(jìn)行觀測(cè), 并且具有更高的分辨率, 能夠彌補(bǔ)大尺度遙感的分辨率不足和觀測(cè)位置的局限。首次北極科學(xué)考察就已經(jīng)對(duì)密集冰區(qū)進(jìn)行了航空數(shù)字相機(jī)遙感觀測(cè), 得到了一批不同類型的高分辨率海冰數(shù)字影像[20]。目前船側(cè)錄像已經(jīng)廣泛用在極地考察中進(jìn)行冰情的觀測(cè), 它的主要優(yōu)點(diǎn)就是自動(dòng)化程度高, 可以自動(dòng)記錄走航路線中的冰情, 而且觀測(cè)結(jié)果可以達(dá)到很高的精度[21]。其基本原理如圖2所示,當(dāng)船在冰區(qū)前進(jìn), 冰層被壓碎后隨著船體向后滑動(dòng), 由于船體的阻礙而發(fā)生側(cè)翻露出斷面, 根據(jù)斷面的寬度及參照物就可以計(jì)算出相應(yīng)的海冰厚度[22]。即從觀測(cè)錄像中篩選出帶有側(cè)翻海冰的信息, 根據(jù)圖上翻冰厚度和參照球直徑的比例, 乘以參照球的直徑就可以得到冰層的實(shí)際厚度, 此方法在平整冰的應(yīng)用上能達(dá)到很高的精確度。

圖2 冰厚獲取示意圖

Fig.2. Method of getting ice thickness

在本文的研究中使用的海冰厚度數(shù)據(jù)是經(jīng)過(guò)預(yù)處理, 提取完成的厚度數(shù)據(jù), 包括拍攝時(shí)間, 經(jīng)緯度以及對(duì)應(yīng)的海冰厚度, 共計(jì)981個(gè)測(cè)量點(diǎn)。為保證精確度, 數(shù)據(jù)中冰厚最大和最小的兩個(gè)區(qū)間部分?jǐn)?shù)據(jù)過(guò)于零散, 很難得到有意義的統(tǒng)計(jì)數(shù)據(jù), 予以剔除, 在余下970個(gè)測(cè)量點(diǎn)的基礎(chǔ)上對(duì)平整海冰進(jìn)行厚度反演研究。如圖3所示為厚度數(shù)據(jù)的地理位置及厚度大小, 圖中紅線為科考船航線。并將數(shù)據(jù)隨機(jī)分為兩組, 其中一組數(shù)據(jù)用于相關(guān)分析, 確定待定系數(shù)擬合反演方程,另一組數(shù)據(jù)用于反演厚度并計(jì)算誤差。

圖3 厚度數(shù)據(jù)位置及大小示意圖

Fig.3. Location and value of ice thickness

2 研究方法

2.1 圖像預(yù)處理

SAR數(shù)據(jù)預(yù)處理主要包括輻射校正、幾何校正、濾波降噪處理和入射角校正[23]。其中輻射校正是將圖像的像元亮度值消除誤差后轉(zhuǎn)化為真實(shí)的后向散射系數(shù), 并以dB為單位保存。再通過(guò)幾何校正修正圖像的幾何畸變, 并使用Polar Stereo-graphic投影進(jìn)行圖像投影, 將圖像坐標(biāo)與經(jīng)緯度進(jìn)行對(duì)應(yīng)。然后使用Refined Lee濾波處理來(lái)降低由于雷達(dá)波相干作用產(chǎn)生的斑點(diǎn)噪聲。最后還用一個(gè)基于入射角和后向散射系數(shù)之間關(guān)系的經(jīng)驗(yàn)線性方程對(duì)入射角進(jìn)行校正, 降低由于入射角的變化引起的圖像在距離向灰度的變化[14,24]。

2.2 GLCM參數(shù)選取

紋理是所有物體表面先天具有的特性, 反應(yīng)了物體表面結(jié)構(gòu)組織排列的方式以及它們與周圍環(huán)境的關(guān)系。如圖4所示, 灰度共生矩陣是用圖像灰度級(jí)之間聯(lián)合條件概率密度函數(shù)(,,,)表示紋理, 該函數(shù)表示在給定空間距離和方向時(shí), 灰度為起點(diǎn), 出現(xiàn)灰度級(jí)為的概率[25]。所有的()用矩陣的形式表示, 稱為灰度共生矩陣, 用來(lái)量化圖像灰度的空間關(guān)系。

表2是Haralick定義的部分紋理特征值, 根據(jù)矩陣便可以計(jì)算出多個(gè)紋理特征的統(tǒng)計(jì)值[19]。

由于C波段同極化對(duì)地物表面粗糙程度的變化比交叉極化更加敏感[26]。本文使用HH極化方式的圖像進(jìn)行紋理提取。在利用灰度共生矩陣提取紋理分析時(shí), 首先要確定計(jì)算灰度共生矩陣時(shí)所需的4個(gè)參數(shù):窗口大小?方向?位移量和灰度量化級(jí)別[25]?在實(shí)際計(jì)算GLCM時(shí), 改變以上4個(gè)參數(shù)的任何一個(gè)均會(huì)影響GLCM中的元素?cái)?shù)值, 這就會(huì)直接影響紋理特征值的大小, 使得提取的紋理特征不能真實(shí)地反映物體的紋理特征, 進(jìn)而影響與海冰厚度的相關(guān)性[27]?但這4個(gè)參數(shù)往往難以確定, 目前沒(méi)有足夠的理論支持參數(shù)應(yīng)該如何選取, 多是憑借個(gè)人經(jīng)驗(yàn)。以往的文獻(xiàn)表明方向和灰度量化級(jí)別對(duì)海冰的紋理特征影響很小[28], 方向一般選擇為0°、45°、90°、135°四個(gè)離散方向, 研究中多采用其中某一方向或者四個(gè)方向的紋理平均值[29]。本文選取灰度量化級(jí)別為64, 四個(gè)方向取紋理平均值?還需要確定窗口大小和位移, 這里用5×5、7×7、9×9、11×11的窗口分別以1、3、5、7的位移進(jìn)行紋理計(jì)算, 以確定最優(yōu)組合。

圖4 GLCM的計(jì)算示意及矩陣形式

Fig.4. Diagram of GLCM and form of matrix

表2 GLCM紋理特征值表

根據(jù)厚度數(shù)據(jù)中的經(jīng)緯度提取紋理特征, 以厚度數(shù)據(jù)的經(jīng)緯度值為中心點(diǎn), 利用3×3的窗口從SAR圖像中獲取該點(diǎn)的平均紋理特征值, 并與對(duì)應(yīng)的冰厚進(jìn)行匹配?由于同一海冰厚度對(duì)應(yīng)的每個(gè)紋理值會(huì)在一定范圍內(nèi)出現(xiàn)波動(dòng), 用直接得到的紋理值和海冰厚度進(jìn)行分析, 很難得到兩者之間的相關(guān)性。以往的研究中都采用了不同方式的分段處理, 文獻(xiàn)[[14]]中采用K-means聚類方法對(duì)圖像進(jìn)行分割, 將關(guān)于像素的冰厚數(shù)據(jù)轉(zhuǎn)換成關(guān)于圖像片段的冰厚數(shù)據(jù), 文獻(xiàn)[[15]]中采用邊緣分割的方法對(duì)圖像進(jìn)行預(yù)處理, 然后對(duì)分割片段內(nèi)數(shù)據(jù)進(jìn)行平均來(lái)分析相關(guān)性。以上方法比較適合大量的連續(xù)數(shù)據(jù), 可以保證在每一片段內(nèi)的數(shù)據(jù)都可以達(dá)到足夠的數(shù)量, 以便于提取有意義的統(tǒng)計(jì)數(shù)據(jù)。由于本文使用的厚度數(shù)據(jù)分布很不規(guī)律, 直接采用分段平均處理的方法[16], 將零散的厚度數(shù)據(jù)分組, 轉(zhuǎn)換成厚度段數(shù)據(jù), 在定性分組的基礎(chǔ)上進(jìn)行定量的分析, 即在實(shí)測(cè)數(shù)據(jù)范圍內(nèi), 每0.1 m的范圍分為一段, 并計(jì)算每一厚度段內(nèi)的平均紋理值作為這一厚度段的紋理值, 便于之后的冰厚與紋理特性之間的相關(guān)分析?

圖5是不同參數(shù)組合下紋理特征和厚度的相關(guān)系數(shù)(<0.01), 橫坐標(biāo)中5.1代表5×5窗口, 位移為1, 以此類推?？梢钥闯鰧?duì)比度、相異性、同質(zhì)性3個(gè)特征在小窗口下比較好, 在大位移下受影響很大; 二階矩、能量、最大概率、熵對(duì)窗口大小不敏感, 大位移對(duì)其有一定影響; 均值、相關(guān)性、方差3個(gè)特征在大窗口下略好, 受位移影響很小。綜上, 考慮應(yīng)采用中等窗口小位移來(lái)提取紋理, 以最大程度上保證各特征值的相關(guān)性, 本文選擇9×9窗口、=1來(lái)進(jìn)行后續(xù)分析。

圖5 不同紋理參數(shù)組合下紋理與冰厚的相關(guān)系數(shù)(絕對(duì)值)

Fig.5. Correlation coefficient (absolute value) between texture feature and ice thickness depending on the window size and the displacement

表3 相關(guān)系數(shù)匯總

2.3 相關(guān)分析

GLCM的參數(shù)確定為窗口大小9×9, 位移量為1, 灰度量化級(jí)別64, 取四個(gè)方向紋理平均值。在此基礎(chǔ)上各個(gè)紋理特征與海冰厚度的相關(guān)系數(shù)如表3所示。同時(shí)還沿襲傳統(tǒng)方法, 提取了圖像的后向散射系數(shù)HH, 并分析其與海冰厚度的相關(guān)性, 來(lái)與紋理反演厚度進(jìn)行對(duì)比分析。由于GLCM的某些紋理之間存在公式上的相似, 彼此相關(guān), 在多紋理相關(guān)分析時(shí)應(yīng)該避開(kāi), 以及考慮紋理特征的波動(dòng)情況, 最終選取熵和相關(guān)性兩個(gè)紋理特征用于厚度反演。紋理值和厚度之間呈現(xiàn)出比較明顯的線性關(guān)系, 利用第一組匹配好的實(shí)測(cè)數(shù)據(jù)確定待定系數(shù), 從而得到海冰厚度與散射特征之間的經(jīng)驗(yàn)方程。

得到三個(gè)不同的海冰厚度的線性經(jīng)驗(yàn)方程, 其中方程(1)是只依靠后向散射系數(shù), 是以往研究中最常用的反演厚度方法, 方程(2)是本文使用的紋理反演方法, 方程(3)是結(jié)合后向散射系數(shù)和紋理的反演方法。

=43.10·HH+730.22 (1)

=217.58·+1307.71·r–3277.68 (2)

=33.37·HH+254.28·+46.89·–2060.68 (3)

2.4 反演結(jié)果

將相關(guān)分析得到的三個(gè)經(jīng)驗(yàn)方程回代到第二組匹配好的厚度分層數(shù)據(jù)中來(lái)驗(yàn)證規(guī)律的可靠性, 并對(duì)三個(gè)反演方程進(jìn)行對(duì)比, 如圖6—圖8所示, 其中橫坐標(biāo)為每一分層內(nèi)的所有測(cè)量點(diǎn)的平均厚度, 縱坐標(biāo)為相應(yīng)的平均反演厚度。從圖6中可以看出, 在使用傳統(tǒng)方法HH反演厚度上出現(xiàn)了比較明顯的厚冰厚度被低估的現(xiàn)象, 以往的研究中提過(guò)此問(wèn)題[15], 但并未做出解釋, 原因可能是海冰厚度達(dá)到一定程度后其表面的粗糙程度變化不夠明顯。圖7、圖8顯示利用紋理信息對(duì)冰厚進(jìn)行反演在已有數(shù)據(jù)范圍內(nèi)獲得了很好的表現(xiàn)。從表4中可以看出有紋理參與的反演方式獲得的反演結(jié)果誤差明顯優(yōu)于傳統(tǒng)方法, 且紋理和HH共同反演的結(jié)果和紋理單獨(dú)反演相差很小, 可能是由于紋理中已經(jīng)包含了HH中的大部分信息。

后向散射系數(shù)HH反演結(jié)果如圖6所示:

圖6 σHH反演海冰厚度結(jié)果

Fig.6. Comparison between measured and retrieval ice thickness depending onHHmodel

紋理(熵和相關(guān)性)反演結(jié)果如圖7所示:

Fig.7. Comparison between measured and retrieval ice thickness depending on texture feature model

三特征要素(HH、熵和相關(guān)性)反演結(jié)果如圖8所示:

圖8 σHH和紋理反演海冰厚度結(jié)果

Fig.8. Comparison between measured and retrieval ice thickness depending onHHand texture feature model

表4 不同反演方式及反演精度

3 結(jié)論

本文利用七景SAR數(shù)據(jù)和對(duì)應(yīng)的平整海冰厚度數(shù)據(jù), 利用灰度共生矩陣, 首先研究了紋理的四個(gè)參數(shù)值對(duì)海冰厚度和紋理特征之間的相關(guān)性的影響, 確定了最適合反演海冰厚度的紋理參數(shù)和紋理特征, 并得到了利用紋理信息計(jì)算海冰厚度的經(jīng)驗(yàn)公式。利用經(jīng)驗(yàn)公式對(duì)SAR圖像上的海冰進(jìn)行了厚度的反演, 并與傳統(tǒng)的0厚度反演方式進(jìn)行了對(duì)比。主要結(jié)論如下:

1. GLCM的參數(shù)選擇上, 不同的紋理特征和冰厚的相關(guān)性對(duì)窗口大小和位移量的敏感度不同, 最終確定選用9×9的窗口, 位移為1來(lái)計(jì)算矩陣紋理反演厚度最合適, 同時(shí)也表明北極海冰的紋理尺度較大, 且比較細(xì)致, 這應(yīng)該是由北極地區(qū)復(fù)雜的環(huán)境導(dǎo)致。

2. 在選擇紋理特征值時(shí), 根據(jù)公式及意義將紋理分為三組, 可以看到在以往的研究中應(yīng)用比較多的對(duì)比度和二階矩在厚度方面的相關(guān)性并不占優(yōu)勢(shì), 而且數(shù)據(jù)的方差很大, 很不穩(wěn)定, 并不適合用來(lái)反演計(jì)算厚度, 本文選擇了熵和相關(guān)性來(lái)反演厚度。

3. 經(jīng)過(guò)對(duì)比驗(yàn)證, 本文的方法相比于傳統(tǒng)的只使用后向散射系數(shù)的反演方法精度更高, 表明僅用SAR直接呈現(xiàn)出的后向散射系數(shù)并不能完全體現(xiàn)出海冰厚度的變化, 而且也證實(shí)了紋理在海冰厚度的反演方面有著很高的潛力。

另外, 由于本文所使用的厚度數(shù)據(jù)來(lái)自船側(cè)翻冰測(cè)量, 由于此方法的局限性, 海冰厚數(shù)據(jù)多來(lái)自平整的中一年冰, 80%以上的數(shù)據(jù)處于80—130 cm, 薄冰和厚變形冰部分樣本很少, 對(duì)回歸方程的函數(shù)類型及其待定系數(shù)會(huì)有一定的影響, 而且不足50 cm區(qū)間冰厚的反演情況完全空白, 本方法在薄冰和厚變形冰的應(yīng)用情況還要驗(yàn)證。此外, 本方法對(duì)海冰密集度要求較高, 海水的存在會(huì)對(duì)紋理值產(chǎn)生很大的影響。以往的研究也表明, 海冰SAR圖像的散射特征和海冰厚度的相關(guān)性在不同的地點(diǎn)、不同的海冰形態(tài)上的表現(xiàn)并不一致[30], 目前還沒(méi)有發(fā)現(xiàn)普遍適用的規(guī)律, 本文的方法在其他地區(qū)的合理性還有待驗(yàn)證。而且, 如果不對(duì)紋理信息進(jìn)行分段統(tǒng)計(jì)處理, 直接提取圖上紋理信息進(jìn)行厚度反演的結(jié)果并不理想。其中很重要的一個(gè)原因是SAR圖像受固有的相干作用影響[31], 信噪比不高, 單一像素所體現(xiàn)的信息只有部分反映了地物的真實(shí)信息, 其他部分來(lái)自無(wú)關(guān)的隨機(jī)噪聲[32], 使得SAR圖像一直以來(lái)廣泛用于定性分析, 直接定點(diǎn)定量地獲取地物信息目前還是困難重重。因此, 如果要實(shí)現(xiàn)SAR圖像定點(diǎn)定量地獲取信息, 可以考慮從兩個(gè)方面入手: 一個(gè)是對(duì)濾波降噪算法的改進(jìn)[33], 提高圖像的信噪比, 另一個(gè)是結(jié)合多種數(shù)據(jù)對(duì)地物信息進(jìn)行限制以獲取更加準(zhǔn)確的信息。想要在分段反演的基礎(chǔ)上進(jìn)一步提高精確度, 逐步達(dá)到定點(diǎn)反演厚度還需要更深入的研究。接下來(lái)的計(jì)劃中, 考慮使用如衛(wèi)星測(cè)高等更加連續(xù)密集的實(shí)測(cè)厚度數(shù)據(jù), 應(yīng)用圖像聚類分析對(duì)海冰進(jìn)行分類, 由于紋理信息更加側(cè)重考慮像素與其周圍像素之間的關(guān)系, 分類片段和紋理共同作用下的結(jié)果值得期待。

1 STROEVE J C, SERREZE M C, HOLLAND M M, et al. The Arctic’s rapidly shrinking sea ice cover: a research synthesis[J]. Climatic Change, 2012, 110(3): 1005—1027.

2 胡鞍鋼, 張新, 張巍. 開(kāi)發(fā)“一帶一路一道(北極航道)”建設(shè)的戰(zhàn)略內(nèi)涵與構(gòu)想[J].清華大學(xué)學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)版), 2017,(3): 15—22.

3 季青, 龐小平, 許蘇清,等. 極地海冰厚度探測(cè)方法及其應(yīng)用研究綜述[J]. 極地研究, 2016, 28(4): 431—441.

4 曹梅盛. 冰凍圈遙感[M]. 北京: 科學(xué)出版社, 2006.

5 國(guó)巧真, 陳云浩, 李京, 等. 遙感技術(shù)在我國(guó)海冰研究方面的進(jìn)展[J]. 海洋預(yù)報(bào), 2006, 23(4): 95—103.

6 張晰, 張杰, 孟俊敏, 等. 基于極化散射特征的極化合成孔徑雷達(dá)海冰分類方法研究: 以渤海海冰分類為例[J]. 海洋學(xué)報(bào), 2013, 35(5): 95—101.

7 KARVONEN J. Baltic sea ice concentration estimation based on C-band HH-polarized SAR data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012, 5(6): 1874—1884.

8 LEHTIRANTA J, SIIRI? S, KARVONEN J. Comparing C- and L-band SAR images for sea ice motion estimation[J]. Cryosphere, 2015, 9(1): 357—366.

9 KARVONEN J, CHENG B, VIHMA T, et al. A method for sea ice thickness and concentration analysis based on SAR data and a thermodynamic model[J]. Cryosphere Discussions, 2012, 6(3): 1507—1526.

10 ZHANG X, ZHANG J, MENG J, et al. Analysis of multi-dimensional SAR for determining the thickness of thin sea ice in the Bohai Sea[J]. Journal of Oceanology and Limnology, 2013, 31(3): 681—698.

11 KIM J W, KIM D J, HWANG B J. Characterization of Arctic sea ice thickness using high-resolution spaceborne polarimetric SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(1): 13—22.

12 郭井學(xué). 基于電磁感應(yīng)理論的極地海冰厚度探測(cè)研究[D]. 吉林大學(xué), 2007.

13 孔毅, 陳曦, 艾未華, 等. 基于GLCM和小波特征的SAR海冰分類[J]. 解放軍理工大學(xué)學(xué)報(bào)自然科學(xué)版, 2015,(1): 74—79.

14 SHI L, KARVONEN J, CHENG B, et al. Sea ice thickness retrieval from SAR imagery over Bohai sea[C]. Geoscience and Remote Sensing Symposium. IEEE, 2014: 4864—4867.

15 KARVONEN J, SIMILA M, HALLIKAINEN M, et al. Estimation of equivalent deformed ice thickness from Baltic Sea ice SAR imagery[C]. IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2005: 5165—5167.

16 劉眉潔, 戴永壽, 張杰, 等. 拉布拉多海一年平整冰厚度SAR反演算法[J]. 中國(guó)石油大學(xué)學(xué)報(bào)自然科學(xué)版, 2014, 38(3): 186—192.

17 郭德軍, 宋蟄存. 基于灰度共生矩陣的紋理圖像分類研究[J]. 林業(yè)機(jī)械與木工設(shè)備, 2005, 33(7): 21—23.

18 鄒亞榮, 林明森, 馬騰波, 等. 基于GLCM的SAR溢油紋理特征分析[J]. 海洋通報(bào), 2010, 29(4): 455—458.

19 劉俊, 畢華興, 朱沛林, 等. 基于ALOS遙感數(shù)據(jù)紋理及紋理指數(shù)的柞樹(shù)蓄積量估測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014, 45(7): 245—254.

20 趙進(jìn)平, 任敬萍. 從航空數(shù)字影像提取北極海冰形態(tài)參數(shù)的方法研究[J]. 遙感學(xué)報(bào), 2000, 21(4): 271—278.

21 盧鵬. 基于圖像分析的海冰幾何參數(shù)和拖曳系數(shù)參數(shù)化研究[D]. 大連理工大學(xué), 2007.

22 盧鵬, 李志軍, 董西路, 等. 基于遙感影像的北極海冰厚度和密集度分析方法[J]. 極地研究, 2004, 16(4): 317—323.

23 KARVONEN J. A sea ice concentration estimation algorithm utilizing radiometer and SAR data[J]. Cryosphere, 2014, 8(5): 2213—2241.

24 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.

25 薄華, 馬縛龍, 焦李成. 圖像紋理的灰度共生矩陣計(jì)算問(wèn)題的分析[J]. 電子學(xué)報(bào), 2006, 34(1): 155—158.

26 孫少波, 車濤, 王樹(shù)果, 等. C波段SAR山區(qū)積雪面積提取研究[J]. 遙感技術(shù)與應(yīng)用, 2013, 28(3): 444—452.

27 梁小祎, 張杰, 孟俊敏. 溢油SAR圖像分類中的紋理特征選擇[J]. 海洋科學(xué)進(jìn)展, 2007, 25(3): 346—354.

28 張晰, 張杰, 紀(jì)永剛. 基于紋理特征分析的遼東灣SAR影像海冰檢測(cè)[J]. 海洋科學(xué)進(jìn)展, 2008, 26(3): 386—393.

29HAVERKAMP D, SOH L K, TSATSOULIS C. A comprehensive, automated approach to determining sea ice thickness from SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1995, 33(1): 46—57.

30 KARVONEN J,CHENG B, SIMIL? M. Ice thickness charts produced by C-band SAR imagery and HIGHTSI thermodynamic ice model[C]. Geoscience and Remote Sensing Symposium, 2008.

31皮亦鳴. 合成孔徑雷達(dá)成像原理[M]. 成都: 電子科技大學(xué)出版社, 2007.

32 周曉光, 匡綱要, 萬(wàn)建偉. 多極化SAR圖像斑點(diǎn)抑制綜述[J]. 中國(guó)圖象圖形學(xué)報(bào),2008,(03): 377—385.

33 LEE J S, POTTIER E. Polarimetric radar imaging: from basics to applications[M]. Boca Raton: Francis Grou, 2009.

ARCTIC SEA ICE THICKNESS RETRIEVAL BASED ON SAR IMAGE TEXTURE FEATURE

Yu Miao1, Lu Peng1, Li Zhijun1, Shi Lijian2,3

(1State Key Laboratory of Coastal and Offshore Engineering, Dalian University of Technology, Dalian 116024, China;2National Satellite Ocean Application Service, Beijing 100081, China;3Key Laboratory of Space Ocean Remote Sensing and Application, Beijing 100081, China)

A novel method to estimate ice thickness based on seven Arctic Radarsat-2 SAR images and data for level ice thickness collected from the 6th Chinese National Arctic Research Expedition (2014) is presented. Suitable values of texture parameters are confirmed using a gray level co-occurrence matrix (GLCM). Relationships between sea-ice thickness and texture features are analyzed, and the possibility of determining sea-ice thickness based on ice texture features is discussed. Curve-fitting equations can be determined by optimum texture features. Estimated thickness agrees well with in-situ measurements, with an average relative error of 13.7%. Compared with another commonly used method that depends on a backscattering coefficient, this new method has less error, indicating texture features can be reliably used to determine ice thickness.

Arctic, sea-ice thickness, gray level co-occurrence matrix(GLCM), texture feature

2017年8月收到來(lái)稿, 2018年1月收到修改稿

國(guó)家重點(diǎn)研發(fā)計(jì)劃專項(xiàng)(2016YFC1402702)、國(guó)家自然科學(xué)基金面上項(xiàng)目(41676187, 41376186)、國(guó)家國(guó)際科技合作專項(xiàng)(2011DFA22260)資助

于淼, 男, 1993年生。碩士研究生, 主要從事海冰遙感研究。E-mail: yumiao2411@mail.dlut.edu.cn

盧鵬, E-mail:lupeng@dlut.edu.cn

10. 13679/j. jdyj. 20170035