陳璐 胡凱龍 劉明博

(應(yīng)急管理部國(guó)家減災(zāi)中心，北京 100124)

海冰主要是由海水凍結(jié)而成的咸水冰，與海嘯、風(fēng)暴潮、災(zāi)害海浪和赤潮并稱(chēng)為海洋五種主要災(zāi)害，尤其多發(fā)于極地海域和某些高緯度區(qū)域。海冰災(zāi)害嚴(yán)重時(shí)會(huì)導(dǎo)致航運(yùn)中斷、船舶受損、石油平臺(tái)等大型海上工程建筑塌陷等，海冰膨脹時(shí)還會(huì)破壞港口和碼頭[1]。我國(guó)北部海域因緯度偏高每年都會(huì)出現(xiàn)結(jié)冰現(xiàn)象，遼東灣是我國(guó)緯度最高的海域，冬季受寒潮影響會(huì)出現(xiàn)大面積海冰現(xiàn)象[2]，此外還有黃河冰凌由入海口流入海洋，在歷史上曾發(fā)生多次嚴(yán)重災(zāi)情并造成重大經(jīng)濟(jì)損失。因此，在海冰易發(fā)季節(jié)有效監(jiān)測(cè)海冰的變化，并結(jié)合氣象等信息分析其發(fā)展趨勢(shì)在防范減少災(zāi)害損失方面具有重大意義。

衛(wèi)星遙感具有非接觸、實(shí)時(shí)獲取的特點(diǎn)，對(duì)于大范圍的海冰分布監(jiān)測(cè)更加方便高效。目前的海冰遙感監(jiān)測(cè)方法主要集中在基于高分辨率光學(xué)影像的特征提取和基于合成孔徑雷達(dá)(SAR)[3]的主動(dòng)遙感方法。雖然光學(xué)遙感受天氣影響較大，但其具有應(yīng)用成本低、分辨率精細(xì)和重訪周期短等特點(diǎn)[4]，且影像直觀真實(shí)，在海冰監(jiān)測(cè)中有較為明顯的優(yōu)勢(shì)，可進(jìn)行業(yè)務(wù)化的生產(chǎn)和應(yīng)用。我國(guó)已有的應(yīng)用于海洋監(jiān)測(cè)的衛(wèi)星主要有海洋(HY-1、HY-2、HY-3)衛(wèi)星系列、高分三號(hào)衛(wèi)星等，用于海洋環(huán)境和資源監(jiān)測(cè)等[5]。以防災(zāi)減災(zāi)、環(huán)境保護(hù)為主要業(yè)務(wù)的環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星具有強(qiáng)大的數(shù)據(jù)獲取能力，具備兩星組網(wǎng)，實(shí)現(xiàn)可見(jiàn)及紅外多光譜數(shù)據(jù)全球2天1張圖、高光譜數(shù)據(jù)全球15天1張圖的能力。在保證寬視場(chǎng)的同時(shí)，多光譜數(shù)據(jù)的空間分辨率達(dá)16 m，適用于大范圍的高精度海冰監(jiān)測(cè)。

利用光學(xué)衛(wèi)星影像的海冰提取方法主要有基于指數(shù)[6]的、基于紋理[7]的、基于圖像分割[1]的和利用機(jī)器學(xué)習(xí)[8]等方法，雖然達(dá)到了一定的分類(lèi)效果，但難以處理海量數(shù)據(jù)并快速提供決策支持。卷積神經(jīng)網(wǎng)絡(luò)(CNN)通過(guò)選擇合適的卷積核對(duì)輸入圖像進(jìn)行變換，能更好的根據(jù)圖像特征進(jìn)行分類(lèi)，提高識(shí)別準(zhǔn)確率，應(yīng)用于海冰提取中的精度已達(dá)到98%以上[9]。本文利用基于深度學(xué)習(xí)的語(yǔ)義分割模型，對(duì)環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星獲取的不同時(shí)相多光譜影像進(jìn)行海冰范圍提取，對(duì)渤海遼東灣海冰分布情況進(jìn)行動(dòng)態(tài)監(jiān)測(cè)并分析其應(yīng)用能力。

1 研究區(qū)概況與數(shù)據(jù)

1.1 研究區(qū)概況

本文研究區(qū)域位于渤海遼東灣，地理坐標(biāo)120.21°E～122.73°E，39.59°N～41.37°N，地處河北省大清河口到遼東半島南端老鐵山角以北的海域，是中國(guó)渤海三大海灣之一。研究區(qū)范圍如圖1所示。遼東灣是中國(guó)邊海水溫最低、冰情最重處，受西北風(fēng)影響，東岸又較西岸為重。每年受強(qiáng)冷空氣和寒潮天氣長(zhǎng)時(shí)間影響，渤海遼東灣海冰結(jié)冰范圍較大，海冰災(zāi)害對(duì)沿海各地港口運(yùn)輸，水產(chǎn)養(yǎng)殖、油氣開(kāi)采等涉海生產(chǎn)和群眾生活帶來(lái)一定程度的影響。

圖1 研究區(qū)示意圖Fig.1 Overview of study area

1.2 衛(wèi)星影像數(shù)據(jù)

本文研究主要利用環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星影像數(shù)據(jù)對(duì)渤海遼東灣海域進(jìn)行海冰監(jiān)測(cè)。環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星均配置16 m相機(jī)、高光譜成像儀、紅外相機(jī)和大氣校正儀等4種載荷，可提供16 m多光譜、48 m高光譜和48 m紅外圖像數(shù)據(jù)，大氣校正儀可在軌同步獲取與16 m相機(jī)相同視場(chǎng)的大氣多譜段信息。具體參數(shù)見(jiàn)表1。

表1 環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星主要參數(shù)Table 1 Main parameters of HJ-2A/B satellites

本文利用2021年末至2022年初冬季低溫海冰易形成時(shí)期的成像效果良好的環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星的多光譜數(shù)據(jù)，對(duì)遼東灣地區(qū)的海冰進(jìn)行監(jiān)測(cè)。影像數(shù)據(jù)的具體參數(shù)見(jiàn)表2。

表2 衛(wèi)星影像數(shù)據(jù)基本信息Table 2 Basic information of satellite image data

2 研究方法

本文對(duì)獲取的研究區(qū)遙感影像進(jìn)行大氣校正、輻射定標(biāo)、幾何校正和數(shù)據(jù)鑲嵌等預(yù)處理，利用基于DeepLabV3模型的深度學(xué)習(xí)語(yǔ)義分割算法進(jìn)行渤海灣海冰提取，再利用人工目視解譯結(jié)果對(duì)提取的海冰范圍進(jìn)行驗(yàn)證，通過(guò)比較2021年12月下旬至2022年1月中旬的其中6天的海冰范圍變化，對(duì)渤海灣海冰進(jìn)行監(jiān)測(cè)。

2.1 遙感影像預(yù)處理

1)輻射定標(biāo)

直接獲取的遙感影像中的每個(gè)像元記錄的是地物的亮度灰度值，其大小與傳感器的輻射分辨率、地物反射率和散射率等有關(guān)。在應(yīng)用過(guò)程中，為保證傳感器獲取數(shù)據(jù)的準(zhǔn)確性，需要進(jìn)行輻射定標(biāo)得到地物目標(biāo)的輻射亮度。輻射校正后的輻射亮度為

L=G×LDN+B

(1)

式中：L為輻射校正后的輻射亮度；LDN為傳感器像元記錄的亮度灰度；G為定標(biāo)系數(shù)增益；B為偏移量。

2)大氣校正

根據(jù)衛(wèi)星遙感影像的成像原理，傳感器最終測(cè)得的地面目標(biāo)的總輻射量度并不是地表真實(shí)反射率的反映，其中包含了由大氣吸收，尤其是散射作用造成的輻射量誤差。因此需要對(duì)環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星采集數(shù)據(jù)進(jìn)行大氣校正，消除這些由大氣影響所造成的輻射誤差，反演地物真實(shí)的表面反射率。本文采用的是基于輻射傳輸模型理論的FLAASH方法。

3)影像鑲嵌

由于環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星多光譜數(shù)據(jù)的幅寬和衛(wèi)星運(yùn)行軌跡影響，對(duì)遼東灣附近海域進(jìn)行大范圍監(jiān)測(cè)時(shí)需要對(duì)相鄰的兩景影像進(jìn)行鑲嵌。首先對(duì)影像構(gòu)建金字塔，以便于影像能夠快速顯示。由于相鄰影像之間的成像差異，不能直接鑲嵌或融合，需要根據(jù)影像之間的相關(guān)性進(jìn)行圖像配準(zhǔn)。本文使用的圖像配準(zhǔn)方法是基于圖像灰度的相關(guān)系數(shù)法，兩幅影像的相關(guān)系數(shù)為

R(I,T)=

(2)

式中：T(x,y)和I(x,y)為待配準(zhǔn)的兩幅圖像；x,y為圖像的行列號(hào)，表示像元的位置；μT和μI為兩幅圖像的均值；R為相關(guān)系數(shù)，可以準(zhǔn)確描述兩幅圖像的相似程度。

配準(zhǔn)后的影像再根據(jù)大地坐標(biāo)，將待鑲嵌影像對(duì)的重疊區(qū)域進(jìn)行灰度差值運(yùn)算，得到重疊區(qū)域的差值圖像，用來(lái)確定鑲嵌線。由于兩幅影像存在一定的亮度差異，尤其是在重疊區(qū)域處更為明顯，因此還須進(jìn)行亮度鑲嵌。將兩幅影像對(duì)應(yīng)像元的平均值作為重疊區(qū)域像元點(diǎn)的亮度值，調(diào)整后亮度值為

(3)

式中：g(i,j)為重疊部分亮度調(diào)整后的亮度值；i,j為行列號(hào)；gT(i,j)和gI(i,j)分別為圖像T和I在同一位置的像素亮度值。經(jīng)過(guò)圖像亮度鑲嵌后輸出的鑲嵌影像色彩均衡，色調(diào)統(tǒng)一。

2.2 基于深度學(xué)習(xí)的語(yǔ)義分割方法

語(yǔ)義分割是計(jì)算機(jī)視覺(jué)領(lǐng)域一種對(duì)圖像進(jìn)行像素級(jí)分類(lèi)的方法，傳統(tǒng)的語(yǔ)義分割方法包括直方圖閾值化方法、混合化特征空間聚類(lèi)方法、基于區(qū)域的方法、支持向量機(jī)(SVM)等算法?；谏疃葘W(xué)習(xí)的語(yǔ)義分割方法就是采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)分類(lèi)[10-13]，區(qū)別于傳統(tǒng)依賴(lài)于專(zhuān)家知識(shí)的特征提取，CNN具有一定的自動(dòng)特性學(xué)習(xí)能力。通過(guò)一系列卷積捕捉圖像的復(fù)雜特征，對(duì)圖像中的內(nèi)容進(jìn)行編碼，再解碼生成原始圖像的類(lèi)別，因此也將這種分類(lèi)模型稱(chēng)為基于編碼器-解碼器結(jié)構(gòu)的語(yǔ)義分割模型。

常見(jiàn)的基于編碼器-解碼器結(jié)構(gòu)的語(yǔ)義分割模型有全卷積神經(jīng)網(wǎng)絡(luò)(FCN)系列[14]、Unet網(wǎng)絡(luò)、DeepLab[15]系列、PSPNet[16]等模型。由于在卷積過(guò)程中連續(xù)的池化和下采樣，使特征分辨率下降，不利于定位，DeepLab V3[17]模型針對(duì)這一問(wèn)題提出了一種控制特征的抽取、學(xué)習(xí)多尺度特征的網(wǎng)絡(luò)結(jié)構(gòu)。DeepLab V1模型結(jié)合了深度卷積神經(jīng)網(wǎng)絡(luò)(DCNNs)和概率圖模型(DenseCRFs)，將DenseCRFs作為后處理，兼顧考慮了待分類(lèi)像素點(diǎn)周?chē)袼攸c(diǎn)的值，使語(yǔ)義分割的邊界清楚。但利用DCNNs進(jìn)行語(yǔ)義分割時(shí)還存在精準(zhǔn)度不夠的問(wèn)題，根本原因是重復(fù)的池化和下采樣降低了分辨率。但是另一方面，重復(fù)的池化和下采樣擴(kuò)大了感受野，而感受野的擴(kuò)大對(duì)語(yǔ)義分割任務(wù)來(lái)說(shuō)也是至關(guān)重要的。針對(duì)這一問(wèn)題，DeepLab V2模型采用的空洞卷積算法(即在卷積核中插入空值像元以達(dá)到擴(kuò)大卷積范圍的效果)擴(kuò)展感受野，與此同時(shí)不會(huì)降低特征圖的分辨率。另外，DeepLab V2模型組合了不同擴(kuò)張率的空洞卷積所產(chǎn)生的特征圖的ASPP模塊，用于獲取更加豐富的上下文信息。DeepLab V3模型對(duì)上述的ASPP模塊進(jìn)行了改進(jìn)(具體流程如圖2所示)，根據(jù)PSPNet模型思想引入了全局池化，使其能夠聚焦到全局的上下文信息，以獲得更準(zhǔn)確的分割結(jié)果。

圖2 DeepLab V3中的改進(jìn)ASPP模塊流程Fig.2 Flow chart of improved ASPP module in DeepLab V3

本文利用DeepLab V3語(yǔ)義分割模型，對(duì)經(jīng)過(guò)預(yù)處理后的環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星數(shù)據(jù)進(jìn)行海冰范圍提取并分析渤海遼東灣海冰隨時(shí)間變化規(guī)律，利用人工目視解譯結(jié)果進(jìn)行精度與評(píng)價(jià)。

3 結(jié)果分析

3.1 海冰范圍提取結(jié)果

本文分別對(duì)2021年12月24日、2021年12月25日、2022年1月3日、2022年1月5日、2022年1月6日、2022年1月14日的渤海遼東灣地區(qū)的海冰范圍進(jìn)行監(jiān)測(cè)，結(jié)果如圖3所示。

圖3 海冰范圍提取結(jié)果Fig.3 Sea ice range extraction results

由圖3可知，渤海遼東灣海冰范圍變化趨勢(shì)：2021年12月24日至25日海冰影響的海岸線長(zhǎng)度增加，海冰范圍由海岸線向外延伸，面積顯著增加，并于2022年1月3日減少；2022年1月3日至14日，海冰范圍逐步呈擴(kuò)大趨勢(shì)。通過(guò)對(duì)提取的海冰結(jié)果進(jìn)行計(jì)算，得到每日海冰影響面積見(jiàn)表3。根據(jù)氣象信息，遼東灣海域于2021年12月中旬進(jìn)入初冰期，受12月下旬寒潮影響，海冰范圍顯著增大，12月底氣溫有所回升導(dǎo)致海面浮冰融化，面積減小。隨著2022年1月第二次寒潮來(lái)臨，海面浮冰面積呈逐步增大的趨勢(shì)。上述結(jié)果表明，海冰監(jiān)測(cè)面積與氣溫變化趨勢(shì)基本一致。

表3 海冰影響范圍面積統(tǒng)計(jì)Table 3 Statistics of area affected by sea ice

由表3中的面積計(jì)算結(jié)果可知，受寒潮影響，2021年12月24日至25日一天時(shí)間海冰面積迅速增長(zhǎng)，約1381 km2；2022年1月3日至14日，遼東灣海冰面積以約平均每天100 km2的速率增大，須持續(xù)監(jiān)測(cè)防范海冰災(zāi)害發(fā)生。

3.2 海冰范圍提取精度分析

根據(jù)上述結(jié)果，利用基于深度學(xué)習(xí)的語(yǔ)義分割模型基本可以實(shí)現(xiàn)海冰提取，但在少數(shù)細(xì)微處還存在未提取的情況，如圖4所示。

圖4 漏提取區(qū)域Fig.4 Leak extraction area

為了定量評(píng)價(jià)該模型的提取精度，本文采用了目視解譯的海冰范圍作為參照，計(jì)算基于深度學(xué)習(xí)的語(yǔ)義分割模型的海冰提取精度為

(4)

式中：P為表示分類(lèi)精度；Sreal為正確提取的區(qū)域像素?cái)?shù)；Stotal為目視解譯提取的參考區(qū)域像素?cái)?shù)。

根據(jù)目視解譯結(jié)果選取渤海遼東灣海冰提取結(jié)果中有明顯漏提區(qū)域進(jìn)行精度評(píng)價(jià)，以2021年12月25日的海冰提取結(jié)果為例，計(jì)算得到提取精度達(dá)到97.4%?？梢缘贸隼肈eepLab V3語(yǔ)義分割模型對(duì)環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星數(shù)據(jù)的海冰提取結(jié)果精度可以達(dá)到97.4%以上，能夠滿(mǎn)足海冰日常監(jiān)測(cè)的業(yè)務(wù)需求。

4 結(jié)束語(yǔ)

本文以渤海遼東灣海冰監(jiān)測(cè)為例，利用環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星數(shù)據(jù)，采用基于DeepLab V3模型的深度學(xué)習(xí)語(yǔ)義分割方法，提取2021年12月下旬至2022年1月中旬的形成期海冰范圍，并監(jiān)測(cè)其面積變化。結(jié)果表明，受寒潮影響，海冰面積迅速增長(zhǎng)，最高可達(dá)1000平方千米/天以上。利用目視解譯結(jié)果對(duì)深度學(xué)習(xí)語(yǔ)義分割方法提取的海冰范圍進(jìn)行精度評(píng)價(jià)，計(jì)算得到海冰提取的準(zhǔn)確率達(dá)97.4%以上。本文研究結(jié)果表明：環(huán)境減災(zāi)二號(hào)A/B衛(wèi)星的16 m多光譜數(shù)據(jù)可以應(yīng)用在海冰日常監(jiān)測(cè)中，利用深度學(xué)習(xí)的語(yǔ)義分割算法提取海冰的準(zhǔn)確率可以滿(mǎn)足災(zāi)害風(fēng)險(xiǎn)日常監(jiān)測(cè)的業(yè)務(wù)需求。