謝濤，趙立

（1.南京信息工程大學(xué)遙感與測(cè)繪工程學(xué)院,江蘇 南京 210044；2.青島海洋科學(xué)與技術(shù)試點(diǎn)國家實(shí)驗(yàn)室 區(qū)域海洋動(dòng)力學(xué)與數(shù)值模擬功能實(shí)驗(yàn)室,山東 青島 266237；3.南京信息工程大學(xué)海洋科學(xué)學(xué)院,江蘇 南京 210044）

海冰是淡水冰晶、鹵水和含有鹽分的氣泡混合體，它在海洋中形成、生長和融化。海冰面積約為海洋面積的7%～15%[1]，廣泛分布于南北兩極地區(qū)。受冬季寒潮影響，我國渤海和黃海北部，每年都會(huì)有不同程度的結(jié)冰現(xiàn)象，冰情嚴(yán)重時(shí)便會(huì)對(duì)生產(chǎn)活動(dòng)造成損失[2]。例如，港灣和航道被封凍，船只被凍結(jié)在海上，海上石油平臺(tái)遭到破壞等。海冰作為北極乃至地球系統(tǒng)的重要組成部分，通過和海水、大氣交換熱量影響全球氣候，在氣候系統(tǒng)中扮演著關(guān)鍵角色[3]，長期以來被認(rèn)為是全球變暖的主要指標(biāo)之一[4]。隨著全球變暖，北極海冰消退速度加快，北極航道已部分開通，將產(chǎn)生可觀的經(jīng)濟(jì)效益，并且對(duì)世界格局產(chǎn)生重大影響。除此之外，北極地區(qū)礦產(chǎn)和漁業(yè)資源豐富，對(duì)于資源匱乏的中國來說具有重大經(jīng)濟(jì)意義[5]。因此，海冰監(jiān)測(cè)對(duì)于人類生產(chǎn)活動(dòng)可持續(xù)發(fā)展、全球氣候變化研究以及我國極地安全都具有重要意義。

早期的海冰觀測(cè)手段有限，主要有固定站觀測(cè)、船只走航調(diào)查和飛機(jī)航拍等。雖然能夠獲得較詳細(xì)的海冰信息，但觀測(cè)范圍有限，無法滿足實(shí)際應(yīng)用需求。隨著衛(wèi)星遙感技術(shù)的發(fā)展，通過星載傳感器獲取海冰信息已成為監(jiān)測(cè)海冰的主要手段，利用相關(guān)反演算法可以獲得海冰范圍、密集度、類型、厚度和漂移速度等信息。其中，海冰密集度是一定范圍內(nèi)海冰所占面積百分比，用于描述海冰分布狀況，是極區(qū)海冰監(jiān)測(cè)的重要參數(shù)。通過海冰密集度可以計(jì)算得到海冰面積和海冰范圍，進(jìn)而了解南北兩極海冰的長期變化趨勢(shì)。海冰密集度作為描述極地海洋表層熱狀況最為重要的參數(shù)之一，海洋學(xué)家需要其高質(zhì)量的數(shù)據(jù)研究上層海洋過程和海氣熱量交換。氣候?qū)W家認(rèn)為高時(shí)空分辨率、高精度的海冰密集度數(shù)據(jù)有助于驗(yàn)證海冰模式、改善氣候預(yù)測(cè)模型。此外，航海家們也需要詳細(xì)的海冰覆蓋信息，以便規(guī)劃航線，減少航行時(shí)間和燃油損耗。因此，如何利用衛(wèi)星數(shù)據(jù)反演得到高精度、高分辨率的海冰密集度是海洋學(xué)家、氣候?qū)W家以及航海家們都十分關(guān)心的問題。

本文著重闡述利用衛(wèi)星遙感技術(shù)反演海冰密集度的研究進(jìn)展，分析國內(nèi)外海冰密集度反演研究的現(xiàn)狀和趨勢(shì)，梳理星載海冰監(jiān)測(cè)傳感器的發(fā)展歷程、海冰密集度反演算法以及海冰密集度產(chǎn)品，總結(jié)海冰密集度反演中存在的問題，并對(duì)海冰密集度反演的發(fā)展方向進(jìn)行展望，以期為我國開展極地海冰及氣候變化等相關(guān)研究工作提供參考。

1 衛(wèi)星傳感器進(jìn)展

1.1 被動(dòng)微波傳感器

1972 年12 月10 日，搭載美國首個(gè)被動(dòng)微波傳感器電子掃描微波輻射計(jì)（Electronically Scanning Microwave Radiometer，ESMR）的衛(wèi)星Nimbus-5 成功發(fā)射，標(biāo)志著被動(dòng)微波傳感器監(jiān)測(cè)海冰密集度的開端。1978 年，Nimbus-7 衛(wèi)星成功發(fā)射，攜帶有更先進(jìn)的掃描式多通道微波輻射計(jì)（Scanning Multichannel Microwave Radiometer，SMMR）。SMMR 擁有5 個(gè)波段、10 個(gè)通道，不僅可以獲得海冰密集度，還能區(qū)分一年冰和多年冰。從1987 年開始，在美國國防氣象衛(wèi)星項(xiàng)目（Defense Meteorological Satellite Program，DMSP）支持下，載有特種微波成像儀（Special Sensor Microwave/Imager，SSM/I）的衛(wèi)星平臺(tái)F8、F10、F11、F13、F14、F15 相繼發(fā)射。SSM/I 有4 個(gè)波段、7 個(gè)通道，其中22.2 GHz 波段只有一個(gè)垂直極化通道，其他3 個(gè)波段均攜有雙極化（水平/垂直）通道。SSM/I 的下一代是專用傳感器微波成像儀/探測(cè)儀（Special Sensor Microwave Imager Sounder，SSMIS），同樣使用DMSP 衛(wèi)星平臺(tái)，首星于2003 年10 月發(fā)射，目前一共發(fā)射了F16、F17、F18、F19 四顆衛(wèi)星。2016 年2 月，F(xiàn)19 與地面失去聯(lián)系。SSMIS 擁有24 個(gè)通道，頻率范圍為19～183 GHz，能夠獲取絕大多數(shù)天氣條件下的大氣溫度、濕度和陸地變量信息。2001 年，隨著美國國家航空航天局（National Aeronautics and Space Administration，NASA）的Aqua 衛(wèi)星成功發(fā)射，被動(dòng)微波傳感器在海冰監(jiān)測(cè)中得到了更多的應(yīng)用。Aqua 衛(wèi)星攜帶了一個(gè)地球觀測(cè)系統(tǒng)先進(jìn)微波掃描輻射計(jì)（Advanced Microwave Scanning Radiometer for EOS，AMSR-E），由日本宇宙航空研究開發(fā)機(jī)構(gòu)（Japan Aerospace Exploration Agency，JAXA）提供，于2011 年10 月停止工作。AMSR-E 有6 個(gè)頻率波段、12 個(gè)通道，與SSM/I 相比，AMSR-E 的空間分辨率有了顯著提升。除了反演海冰密集度，AMSR-E 還能提供海冰厚度和表面溫度信息。2012 年5 月18 日，JAXA 發(fā)射了全球變化觀測(cè)任務(wù)（Global Change Observation Mission 1st-Water，GCOM-W1）衛(wèi)星，上面載有先進(jìn)微波掃描輻射計(jì)2（Advanced Microwave Scanning Radiometer 2，AMSR2）。相較于AMSR-E 而言，分辨率得到了進(jìn)一步提高。此外，我國海洋動(dòng)力環(huán)境衛(wèi)星海洋二號(hào)（HaiYang-2，HY-2）上搭載的掃描微波輻射計(jì)（Scanning Microwave Radiometer，SMR）和第二代極軌氣象衛(wèi)星風(fēng)云三號(hào)（FengYun-3，F(xiàn)Y-3）上搭載的微波成像儀（Microwave Radiation Imager，MWRI）也可用于海冰密集度反演[6-7]。海冰密集度反演的被動(dòng)微波傳感器基本參數(shù)，包括頻率、極化方式、分辨率和刈幅寬度，如表1 所示。

表1 主要被動(dòng)微波傳感器及其參數(shù)Table 1 Main passive microwave sensors and their parameters

1.2 主動(dòng)微波傳感器

與微波輻射計(jì)相比，合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）具有更高的空間分辨率，通過SAR圖像反演技術(shù)可以得到許多關(guān)鍵的海洋參數(shù)，有助于理解幾米至幾百千米水平尺度的物理現(xiàn)象，被廣泛用于海冰監(jiān)測(cè)，已成為制作冰情圖的主要數(shù)據(jù)來源。

1978 年，第一顆搭載SAR 傳感器（L 波段、HH 極化）的衛(wèi)星SeaSat 成功發(fā)射[8]。雖然只運(yùn)行了105 d，但證明了SAR 在海洋和海冰監(jiān)測(cè)方面有廣闊的應(yīng)用前景，為后續(xù)星載SAR 發(fā)展奠定了基礎(chǔ)。隨后，歐洲航天局（European Space Agency，ESA，簡(jiǎn)稱歐空局）于1991 和1995 年先后發(fā)射了2 顆歐洲遙感衛(wèi)星（European Remote Sensing Satellite-1/2，ERS-1/2），搭載了C 波段、VV 極化SAR，它們的一個(gè)重要任務(wù)是監(jiān)測(cè)極地冰蓋、冰層的動(dòng)態(tài)和冰體的均衡狀態(tài)[9]。在20 世紀(jì)90 年代，眾多學(xué)者基于這2 顆衛(wèi)星開展了大量的海冰研究工作[10-14]。1992 年，日本發(fā)射了地球資源衛(wèi)星一號(hào)（Japanese Earth Resources Satellite，JERS-1），上面搭載了L 波段SAR 傳感器。與C 波段相比，L 波段擁有更強(qiáng)的海冰穿透能力，從而能獲得更多的海冰信息。1995 年，加拿大發(fā)射了第一顆C 波段SAR 衛(wèi)星RadarSat-1，其主要目的是監(jiān)測(cè)極地和加拿大海域的海冰。RadarSat-1 擁有7 個(gè)觀測(cè)模式，其中掃描寬模式（ScanSAR-Wide）是使用最廣泛的模式。其后繼星RadarSat-2 于2007 年發(fā)射，觀測(cè)模式增至9 種。大量研究[15-17]表明，單極化（Single Polarization，SP）SAR 數(shù)據(jù)包含的海冰信息有限，限制了其在海冰監(jiān)測(cè)中的應(yīng)用。2002 年，搭載第一顆多極化先進(jìn)合成孔徑雷達(dá)（Advanced Synthetic Aperture Radar，ASAR）的歐洲衛(wèi)星EnviSat 成功發(fā)射。ASAR 工作在C 波段，擁有5 種極化模式：2 個(gè)SP 模式（VV、HH）和3 個(gè)雙極化（Dual Polarization，DP）模式（VV/VH、HH/HV、HH/VV）。多項(xiàng)研究評(píng)估了ASAR 數(shù)據(jù)在海冰分類[18-19]、海冰-海水識(shí)別[19]、冰山監(jiān)測(cè)[20-21]上的潛力，取得了令人滿意的成果。鑒于多極化SAR 數(shù)據(jù)在海冰監(jiān)測(cè)上的優(yōu)越性，全極化（Quad-polarization，QP）模式應(yīng)運(yùn)而生。日本ALOS（Advanced Land Observing Satellite）衛(wèi)星搭載的PALSAR、德國的TerraSAR-X、加拿大的RadarSat-2、歐洲的哨兵1 號(hào)A 星和B 星（Sentinel-1 A/B）都具有QP 模式，在海冰監(jiān)測(cè)領(lǐng)域得到了廣泛的應(yīng)用。QP 模式相比SP/DP 模式攜帶有更多的海冰信息，缺點(diǎn)是刈幅寬度小，不適合大范圍監(jiān)測(cè)海冰。為了兼顧極化信息和成像范圍，簡(jiǎn)縮極化（Compact Polarization，CP）是一個(gè)好的選擇。CP SAR 本質(zhì)上是一種雙極化系統(tǒng)，目前已提出3 種工作模式，分別為：①π/4模式[22]。發(fā)射45°線極化波，接收H 和V 線極化波。②雙圓極化（Dual Circular Polarization，DCP）模式[23]。發(fā)射左旋或右旋圓極化波，接收左旋和右旋圓極化波。③混合極化（Hybrid Polarization，HP）/圓極化發(fā)射線極化接收（Circular Transmit Linear Receive，CTLR）模式[24]。發(fā)射左旋或右旋圓極化波，接收H 和V 線極化波。相較于傳統(tǒng)線性DP SAR，CP SAR 能夠存儲(chǔ)回波信號(hào)的相位，信號(hào)組合方式更加靈活，從而能獲取更豐富的散射信息，在許多應(yīng)用中取得了與QP SAR 數(shù)據(jù)相近的結(jié)果[25-29]。2019 年，加拿大發(fā)射了新一代SAR 衛(wèi)星RCM（Radarsat Constellation Mission）。RCM 擁有SP、DP、QP 和HP模式，其在海冰監(jiān)測(cè)上的能力令人期待。

與國外相比，我國在SAR 領(lǐng)域的研究起步較晚。2012 年11 月19 日，我國成功發(fā)射首顆S 波段SAR 衛(wèi)星環(huán)境一號(hào)C 星（HuanJing-1C，HJ-1C）。HJ-1C 具有條帶和掃描兩種工作方式，成像寬度分別為40 km 和100 km，單視模式分辨率為5 m，四視模式分辨率為20 m，提供的SAR 圖像以多視模式為主。2016 年8 月10 日，中國發(fā)射了第一顆海洋監(jiān)視監(jiān)測(cè)衛(wèi)星高分三號(hào)（GaoFen-3，GF-3）01 星，是中國首顆分辨率達(dá)到1 m的C 波段多極化SAR 衛(wèi)星。GF-3 擁有12 種成像模式，是世界上成像模式最多的SAR 衛(wèi)星。高分三號(hào)02 星于2021 年11 月23 日成功發(fā)射，將與01 星在軌組網(wǎng)，進(jìn)一步提升我國對(duì)地觀測(cè)能力。主要的SAR 傳感器及參數(shù)信息如表2 所示。

表2 主要星載SAR 傳感器及參數(shù)Table 2 Main spaceborne SAR sensors and their parameters

1.3 光學(xué)傳感器

自衛(wèi)星遙感誕生以來，光學(xué)傳感器在對(duì)地觀測(cè)中發(fā)揮了重大作用，可以獲得高分辨率的海冰監(jiān)測(cè)數(shù)據(jù)。NASA 研制的中分辨率成像光譜儀（Moderate‐Resolution Imaging Spectroradiometer，MODIS）、美國國家海洋和大氣管理局（National Oceanic and Atmospheric Administration，NOAA）氣象衛(wèi)星上搭載的甚高分辨率輻射計(jì)（Advanced Very High Resolution Radiometer，AVHRR）、陸地衛(wèi)星LandSat 系列的多光譜掃描儀（Multispectral Scanner，MSS）和增強(qiáng)型專題制圖儀（Enhanced Thematic Mapper Plus，ETM+）所獲取的遙感資料被廣泛用于海冰密集度監(jiān)測(cè)[30]。雖然光學(xué)傳感器具有分辨率高、色彩豐富的優(yōu)點(diǎn)，但從海冰監(jiān)測(cè)的角度來看，由于極地天氣條件比較惡劣，大范圍云層的存在影響光學(xué)傳感器成像質(zhì)量，使用光學(xué)數(shù)據(jù)進(jìn)行海冰密集度反演時(shí)需要進(jìn)行云掩膜處理，使得可反演區(qū)域大大減小，不適合業(yè)務(wù)化的全域監(jiān)測(cè)。

2 反演算法研究進(jìn)展

2.1 被動(dòng)微波遙感

由于海冰和海水的輻射性質(zhì)存在很大的差異，絕大多數(shù)被動(dòng)微波海冰密集度反演算法基于亮溫極化比（Polarization Ratio，PR）和梯度比（Gradient Ratio，GR）來區(qū)分海冰和海水。經(jīng)典的反演算法包括NASA Team（NT）算法[31]、NASA Team 2（NT2）算法[32]、Bootstrap（BT）算法[33-34]、Near 90 GHz（N90）算法[35]、ARTIST Sea Ice（ASI）算法[36-37]、Environment Canada’s Ice Concentration Extractor（ECICE）算法[38]、Bristol（BRI）算法[39]、Atmospheric Environment Service-York University （AES-York）算法[40]、calibration-validation（Cal/Val）算法[41]和NORSEX 算法[42]等。此外，一些混合算法同時(shí)使用了上述多種算法，如：OSISAF 算法（BT+BRI）[43]、Sea Ice Climate Change Initiative（SICCI）算法（BT+BRI）[44]、Climate Data Record（CDR）算法（NT+BT）[45]等。根據(jù)算法是否使用高頻通道亮溫?cái)?shù)據(jù)，可以將上述算法分為高頻算法和低頻算法，兩類算法在海冰密集度中表現(xiàn)出不同的優(yōu)勢(shì)和局限性。低頻算法一般使用近19 GHz 和37 GHz 通道的亮溫?cái)?shù)據(jù)，對(duì)天氣效應(yīng)敏感性較低，分辨率也比較低，當(dāng)像元內(nèi)存在冰間水道、融池時(shí)，反演結(jié)果不理想；高頻算法使用85 GHz、89 GHz高頻通道亮溫?cái)?shù)據(jù)，反演結(jié)果具有較高的空間分辨率，能夠更好地刻畫小尺度的海冰分布情況，但高頻通道對(duì)天氣效應(yīng)敏感，在開闊水域可能會(huì)產(chǎn)生虛假海冰。近年來，隨著深度學(xué)習(xí)在衛(wèi)星遙感領(lǐng)域得到廣泛應(yīng)用，一些學(xué)者開始嘗試將深度學(xué)習(xí)算法應(yīng)用于被動(dòng)微波遙感海冰密集度反演[46-47]，取得了一定成果。研究表明，深度學(xué)習(xí)算法估計(jì)海冰密集度的能力與經(jīng)典的被動(dòng)微波海冰密集度反演算法相當(dāng)。但是，基于深度學(xué)習(xí)的被動(dòng)微波海冰密集度反演仍處于起步階段，有待進(jìn)一步研究。

2.1.1 低頻算法

1972 年，首個(gè)星載被動(dòng)微波輻射計(jì)ESMR 的誕生開啟了被動(dòng)微波遙感監(jiān)測(cè)極地海冰的時(shí)代。ESMR 是單通道（19.4 GHz）微波輻射計(jì)，用于觀測(cè)地表發(fā)射率的變化。在該頻率波段，海水的發(fā)射率約為0.40，一年冰和多年冰的發(fā)射率約為0.95 和0.80?；诎l(fā)射率差異可以區(qū)分海冰和海水，但不足以區(qū)分一年冰和多年冰。Comiso 和Zwally[48]假設(shè)只存在一年冰，采用線性內(nèi)插法反演海冰密集度，在一年冰區(qū)域的精度約為15%，在一年冰和多年冰混合區(qū)域的精度僅有25%。該方法需要海冰和海水的發(fā)射率以及物理溫度數(shù)據(jù)，具有較大的不確定性。隨著多通道微波輻射計(jì)SMMR 的出現(xiàn)，上述問題得到了有效解決。Cavalieri等[31]使用SMMR 數(shù)據(jù)開發(fā)了第一個(gè)多通道海冰密集度反演算法NT 算法，之后，被NASA 海冰算法工作組應(yīng)用于SSM/I 數(shù)據(jù)。NT 算法使用SSM/I 19 GHz 水平和垂直極化及37 GHz 垂直極化的亮溫?cái)?shù)據(jù)，基于簡(jiǎn)化的輻射傳輸方程反演海冰密集度。微波輻射亮溫主要由表面輻射、大氣上行輻射、大氣下行輻射和空間輻射四部分組成。在極地地區(qū)，空間輻射很?。梢院雎裕?，微波輻射亮溫可以表示為海水、一年冰和多年冰亮溫及其密集度的線性組合，與PR 和GR 組成了一組線性代數(shù)方程組，能夠計(jì)算整體海冰密集度、一年冰和多年冰密集度。NT 算法通過引入PR 和GR 成功解決了發(fā)射率和物理溫度的不確定性問題，但對(duì)新生冰辨識(shí)不足，在新冰區(qū)低估了海冰密集度值，并且低估大小跟新冰面積大小呈正相關(guān)關(guān)系。此外，NT 算法難以區(qū)分春季融雪期間的海冰類型。BT 算法基于多通道海冰亮溫的聚類分布特征估計(jì)整體海冰密集度[33]，有2 種工作模式：極化模式和頻率模式[18]。其中，極化模式使用37 GHz 水平和垂直極化亮溫?cái)?shù)據(jù)，適用于固結(jié)冰；而頻率模式使用19 GHz 和37 GHz 垂直極化亮溫?cái)?shù)據(jù)，用于從低密集度海冰中識(shí)別大氣和海洋粗糙效應(yīng)，以及從實(shí)際的密集度變化中區(qū)分由雪蓋和其他表面效應(yīng)導(dǎo)致的發(fā)射率變化。BT 算法對(duì)大氣水汽和表面效應(yīng)不敏感，但BT 算法假設(shè)有大范圍100%密集度海冰區(qū)域存在，在海冰邊緣區(qū)、薄冰和融池存在的區(qū)域，反演精度較低。BRI 算法是為了解決NT 和BT 算法水平通道對(duì)積雪分層的敏感性和BT 算法切換模式時(shí)獲得的密集度不連續(xù)問題而開發(fā)的。其原理與BT 算法相同，但它通過引入變換坐標(biāo)將極化和頻率方案結(jié)合在一起[39]。BRI 算法在高密集度海冰區(qū)域反演精度較BT 算法有所提高，但在海冰密集度低的區(qū)域仍然存在無法識(shí)別新生冰的問題。

上述算法各有優(yōu)劣勢(shì)，為了充分利用它們的優(yōu)勢(shì)，一些業(yè)務(wù)化海冰算法同時(shí)使用以上多種算法。OSISAF 算法是由歐洲氣象衛(wèi)星組織（European Organisation for the Exploitation of Meteorological Satellites，EUMETSAT）下的海洋和海冰衛(wèi)星應(yīng)用設(shè)施（Ocean and Sea Ice Satellite Application Facility，OSISAF）開發(fā)的一種混合算法，是BT 算法（頻率模式）和BRI 算法的線性組合[43]，使用輻射傳輸模型和數(shù)值天氣預(yù)報(bào)（Numerical Weather Prediction，NWP）數(shù)據(jù)校正亮溫。該算法使用動(dòng)態(tài)系點(diǎn)值對(duì)輸入數(shù)據(jù)進(jìn)行校正，考慮了亮溫值的季節(jié)性變化，對(duì)水汽等敏感性低。和OSISAF 算法類似，ESA 開發(fā)的SICCI 算法將基于BT 和BRI算法得到的海冰密集度線性合并成混合海冰密集度[44]。CDR 算法是NOAA 開發(fā)的海冰算法，使用NT 算法和BT 算法估計(jì)的海冰密集度數(shù)據(jù)作為輸入，根據(jù)2 種算法的已知特征生成新的海冰密集度產(chǎn)品[45]。值得注意的是，上述算法對(duì)缺失值進(jìn)行了時(shí)間和空間上的插值，雖具有時(shí)空連續(xù)性，但忽略了海冰密集度的實(shí)際意義，產(chǎn)品的分辨率并不能代表真實(shí)的分辨率[49]。

2.1.2 高頻算法

與低頻通道相比，高頻通道具有較高的空間分辨率，可以有效減小海岸附近混合像元的海冰密集度反演誤差，能夠更精細(xì)地刻畫海冰細(xì)節(jié)。為了利用高頻通道分辨率高的優(yōu)勢(shì)，許多高頻算法被相繼開發(fā)出來，典型的高頻算法有：NT2 算法、N90 算法、ASI 算法和ECICE 算法等。NT2 算法常被認(rèn)為是NT 算法的改進(jìn)版本，但事實(shí)并非如此，NT2 算法具有完全不同的反演方案，NT2 算法的精度也不一定比NT 算法的精度高[50]。NT2 算法通過旋轉(zhuǎn)PR 和GR，定義了3 個(gè)新的參數(shù)，利用前向微波輻射傳輸模型建立不同海冰密集度和大氣條件下的參數(shù)數(shù)據(jù)庫，將觀測(cè)數(shù)據(jù)與模擬數(shù)據(jù)進(jìn)行匹配得到最優(yōu)海冰密集度[32]。由于高頻通道對(duì)海冰表面狀態(tài)不敏感，NT2 算法在NT 算法基礎(chǔ)上加入了85 GHz 通道數(shù)據(jù)，解決表面效應(yīng)造成的海冰密集度低估問題，同時(shí)提高了海冰密集度反演結(jié)果的分辨率。但高頻通道對(duì)大氣影響敏感，NT2 算法利用輻射傳輸模型減少大氣對(duì)高頻通道的影響。N90 算法是專門為星載高頻被動(dòng)微波輻射計(jì)開發(fā)的，利用SSM/I 85 GHz 通道的極化差異計(jì)算整體海冰密集度?；诤?jiǎn)化的輻射傳輸方程，當(dāng)海冰密集度趨于0 和100%時(shí)，可以推導(dǎo)出極化差異和海冰密集度的函數(shù)關(guān)系。假設(shè)大氣影響是海冰密集度的平滑函數(shù)，通過三階多項(xiàng)式插值可以得到0～100%區(qū)間的海冰密集度[35]。與NT2 算法一樣，N90 算法使用輻射傳輸方程去除大氣影響。ASI 算法在N90 算法基礎(chǔ)上進(jìn)行了改進(jìn)，利用NT 算法作為天氣濾波器去除天氣影響，成功應(yīng)用于SSM/I 85 GHz 和AMSR-E 89 GHz 通道[37]。與其他高頻通道算法相比，ASI 算法不需要其他輔助數(shù)據(jù)，已成為業(yè)務(wù)化的海冰密集度反演算法。ECICE 算法是一種最優(yōu)化算法，通過構(gòu)造代價(jià)函數(shù)（每種表面類型的輻射觀測(cè)值與估計(jì)值之差的平方和）估計(jì)整體海冰密集度和部分海冰密集度[38]。與其他算法不同的是，該算法通過計(jì)算每種表面類型輻射值的概率密度分布取代系點(diǎn)這一標(biāo)準(zhǔn)概念，能夠更好地反映海冰季節(jié)及區(qū)域性變化。該算法可以識(shí)別任意種表面類型，但與整體海冰密集度相比，ECICE 算法在估計(jì)各類冰的密集度方面不太準(zhǔn)確。

2.2 主動(dòng)微波遙感

由于海冰和海水的物理性質(zhì)（介電常數(shù)、表面粗糙度、密度等）不同以及自然環(huán)境（溫度、風(fēng)速等）變化，海冰和海水在SAR 圖像上表現(xiàn)出復(fù)雜的圖像特征。通常來說，平靜海面的SAR 圖像強(qiáng)度比海冰低。隨著風(fēng)速的增加，粗糙海面與海冰的SAR 圖像強(qiáng)度產(chǎn)生混疊，這是利用SAR 圖像識(shí)別海冰和海水、計(jì)算海冰密集度所面臨的主要難題。

利用SAR 圖像反演海冰密集度的一種思路是首先對(duì)海冰海水進(jìn)行分類，然后計(jì)算海冰密集度。早期，眾多學(xué)者針對(duì)RadarSat-1、ERS-1 和ERS-2 SP SAR 圖像開發(fā)出了許多海冰海水分類算法，如非監(jiān)督分類方法[51]和紋理特征方法[52-53]等，但SP SAR 圖像攜帶的信息有限，無法區(qū)分所有類型的海冰和海水[17]。相比較SP SAR 圖像而言，多極化SAR 圖像能夠提供更豐富的極化特征、提高SAR 識(shí)別海冰和海水的能力。在多極化SAR 海冰和海水分類研究中，常用的極化參數(shù)有后向散射系數(shù)、極化比、總功率、相位差異、相關(guān)系數(shù)以及通過極化分解方法得到的極化參數(shù)[54]。許多學(xué)者評(píng)估了這些極化參數(shù)區(qū)分海冰和海水的能力[19,55-59]。研究結(jié)果表明，使用單個(gè)極化參數(shù)很難區(qū)分所有類型的海冰和海水，需使用多個(gè)極化參數(shù)才能有效分離海冰和海水。此外，一些學(xué)者從電磁散射機(jī)理出發(fā)，評(píng)估了SAR 區(qū)分海冰和海水的能力[60-61]，提出理論機(jī)化比模型用以識(shí)別海冰和海水[62]。隨著機(jī)器學(xué)習(xí)的興起，許多學(xué)者基于SAR 圖像紋理特征，結(jié)合機(jī)器學(xué)習(xí)方法對(duì)海冰和海水進(jìn)行分類，如支持向量機(jī)[63]（Support Vector Machine，SVM）、基于語義的迭代區(qū)域生長[64]（Iterative Region Growing using Semantics，IRGS）、條件隨機(jī)場(chǎng)[65]（Conditional Random Field，CRF）、隨機(jī)森林[66]（Random Forest，RF）等。傳統(tǒng)機(jī)器學(xué)習(xí)的性能很大程度上依賴于紋理特征的選擇。盡管紋理特征可以有效地反映海冰和開闊水域之間的差異，但當(dāng)海冰和開闊水域在SAR 圖像中有相似的特征時(shí)（如風(fēng)致粗糙洋面和薄冰表面），這些特征就失效了。以CNN 為代表的深度學(xué)習(xí)網(wǎng)絡(luò)是一種很好的解決方法，可以自動(dòng)地學(xué)習(xí)每個(gè)網(wǎng)絡(luò)層的特征，而不需要手動(dòng)選擇特征。相對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)算法，深度學(xué)習(xí)算法具有更高的海冰分類精度，在海冰邊緣區(qū)表現(xiàn)優(yōu)異[67-69]。近年來，不少學(xué)者探究了CP SAR 的海冰海水分類能力[26-29,70-71]，研究結(jié)果表明，CP SAR 在海冰海水分類中表現(xiàn)出良好的潛力，其分類能力與DP 和QP SAR 數(shù)據(jù)相當(dāng)。然而，目前CP SAR 數(shù)據(jù)多由QP SAR 數(shù)據(jù)仿真得到，真實(shí)CP SAR 數(shù)據(jù)的海冰分類能力有待進(jìn)一步檢驗(yàn)。由于海冰類型多樣、紋理特征復(fù)雜，而SAR 圖像受入射角、成像幾何和海冰物理性質(zhì)影響較大，因此未來仍有必要針對(duì)不同頻率、不同分辨率、不同模式的真實(shí)CP SAR 數(shù)據(jù)（比如RCM 數(shù)據(jù)）開展海冰紋理特征、散射特性和分類方法研究。

基于SAR 圖像反演海冰密集度的另一種思路是將海冰密集度和SAR 圖像特征直接關(guān)聯(lián)起來。與被動(dòng)微波遙感不同，準(zhǔn)確地獲取海冰密集度和SAR 圖像特征之間的函數(shù)關(guān)系是十分困難的，而深度學(xué)習(xí)方法能夠?qū)W習(xí)到復(fù)雜的圖像特征，為海冰密集度反演提供了一種更好的技術(shù)方案。深度學(xué)習(xí)算法以SAR 圖像作為輸入，冰情圖、微波輻射計(jì)數(shù)據(jù)等作為訓(xùn)練標(biāo)簽，采用深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，在海冰密集度反演中取得了不錯(cuò)的結(jié)果。目前應(yīng)用于SAR 圖像海冰密集度反演的深度學(xué)習(xí)模型主要有多層感知機(jī)（Multilayer Perceptron，MLP）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）和全卷積神經(jīng)網(wǎng)絡(luò)（Fully Convolutional Network，F(xiàn)CN）三大類。MLP 由輸入層、隱藏層和輸出層組成，是最簡(jiǎn)單的深度學(xué)習(xí)模型。2014 年，Karvonen[72-73]使用SAR 圖像和冰情圖、微波輻射計(jì)數(shù)據(jù)訓(xùn)練的MLP 估計(jì)海冰密集度，這是深度學(xué)習(xí)首次應(yīng)用于SAR 圖像海冰密集度反演。與傳統(tǒng)的機(jī)器學(xué)習(xí)算法一樣，MLP 依賴于人工選擇的特征，并且只接受矢量作為輸入，無法提取空間信息，限制了其在SAR 圖像海冰密集度的應(yīng)用。而CNN 通過卷積層、池化層和全連接層可實(shí)現(xiàn)對(duì)空間信息的高效提取，無需人工挑選特征，受到了許多學(xué)者的關(guān)注。Wang等[74]、Cooke 和Scott[75]基于RadarSat-2 DP SAR 圖像，利用CNN 估計(jì)海冰生長和融化時(shí)期的海冰密集度。與MLP 相比，CNN 對(duì)像素級(jí)細(xì)節(jié)不那么敏感，估計(jì)的海冰密集度噪聲更低，與冰情圖的結(jié)果更為接近。在上述研究中，冰情圖被用作訓(xùn)練標(biāo)簽。值得注意的是，在冰情圖上，海冰密集度標(biāo)簽對(duì)應(yīng)于一塊較大的區(qū)域，在該區(qū)域內(nèi)海冰密集度被認(rèn)為是均勻分布的。然而，在CNN 的預(yù)測(cè)尺度上，海冰密集度并非均勻分布，這會(huì)導(dǎo)致代表性誤差，該誤差在中等海冰密集度條件下尤為顯著。Tamber等[76]對(duì)此進(jìn)行了研究，提出了一種通過縮放SAR 圖像中的信息擴(kuò)充冰情圖數(shù)據(jù)的方法。與單獨(dú)使用冰情圖數(shù)據(jù)相比，該方法的準(zhǔn)確性有所提高，估計(jì)的海冰密集度具有更精細(xì)的細(xì)節(jié)。由于冰情圖的時(shí)空覆蓋范圍有限，一些學(xué)者使用被動(dòng)微波輻射計(jì)海冰密集度數(shù)據(jù)作為標(biāo)簽訓(xùn)練CNN。相較冰情圖而言，被動(dòng)微波輻射計(jì)數(shù)據(jù)具有更高的噪聲，與SAR 圖像噪聲疊加在一起，增加了海冰密集度反演的難度。Cooke 和Scott[75]使用被動(dòng)微波數(shù)據(jù)訓(xùn)練CNN 時(shí)發(fā)現(xiàn)常規(guī)訓(xùn)練方法容易出現(xiàn)過擬合的問題，他們選擇向數(shù)據(jù)添加噪聲的方式對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行擴(kuò)充，先后使用含有噪聲和不含有噪聲的數(shù)據(jù)進(jìn)行訓(xùn)練，成功解決了該問題。這種訓(xùn)練方式叫作課程學(xué)習(xí)，即先讓CNN 解決一個(gè)稍微簡(jiǎn)單的問題，然后再解決難一點(diǎn)的問題。雖然CNN 在SAR 圖像海冰密集度估計(jì)中取得了不錯(cuò)的結(jié)果，但CNN 存在一些缺點(diǎn)：為了實(shí)現(xiàn)像素級(jí)的回歸預(yù)測(cè)，需要使用該像素周圍的一個(gè)圖像塊作為CNN 的輸入，然后不斷滑動(dòng)窗口，將圖像塊輸入到CNN 中進(jìn)行預(yù)測(cè)，因此，需要的存儲(chǔ)空間隨滑動(dòng)窗口的次數(shù)和大小急劇上升；其次，相鄰像素塊基本上是重復(fù)的，針對(duì)每個(gè)像素塊逐個(gè)計(jì)算卷積，這種計(jì)算有很大程度上的重復(fù)，導(dǎo)致計(jì)算效率低下；最后，像素塊的大小限制了CNN 的感受野，導(dǎo)致預(yù)測(cè)性能受到限制。而FCN 通過將CNN 的全連接層替換為卷積層，可以接受任意尺寸的輸入圖像，采用反卷積層對(duì)最后一個(gè)卷積層的特征圖進(jìn)行上采樣，使它恢復(fù)到輸入圖像相同的尺寸，從而可以對(duì)每個(gè)像素都產(chǎn)生一個(gè)預(yù)測(cè)，同時(shí)保留了原始輸入圖像中的空間信息，最后在上采樣的特征圖上進(jìn)行逐像素預(yù)測(cè)。FCN 也存在明顯的缺點(diǎn)：分割結(jié)果不夠精細(xì)。上采樣雖然能將輸出恢復(fù)到原始輸入圖像的大小，但并不能增加圖像的信息。U-Net 模型在FCN 基礎(chǔ)上進(jìn)行了改進(jìn)，將來自于下采樣路徑的高分辨率表示與上采樣輸出相結(jié)合，改善上采樣時(shí)信息不足的問題。Radhakrishnan等[77]使用SAR 圖像和輻射計(jì)數(shù)據(jù)作為輸入，采用課程學(xué)習(xí)方法訓(xùn)練U-Net，海冰密集度的平均絕對(duì)誤差為7.18%。與CNN 相比，提高了海冰邊緣區(qū)的反演精度。但值得注意的是，U-Net 只結(jié)合了低分辨率表示和高分辨率表示，而沒有使用高分辨率表示來改進(jìn)低分辨率表示，模型性能還有進(jìn)一步提升的空間。

2.3 光學(xué)遙感

海水和海冰具有不同的光譜特性。在可見光和近紅外波段，海冰反照率遠(yuǎn)高于海水，在遙感圖像上能夠產(chǎn)生足以區(qū)分它們的灰度差[78]。選用合適的圖像閾值分割方法，便能確定海冰和海水以及海冰密集度[79]。在冬季太陽輻射很低的情況下，還可以利用海表溫度區(qū)分海冰和海水。例如，Meier[80]選擇271 K 作為閾值，溫度低于該閾值的像元被認(rèn)為是海冰。該方法假設(shè)海冰和海水像元是均勻分布的，但在海冰邊緣附近該假設(shè)并不總是成立，會(huì)導(dǎo)致估算的海冰密集度偏大。除了閾值分割法外，Steffen 和Schweiger[81]使用LandSat近紅外波段圖像計(jì)算白令海夏季以白冰為主的海冰整體密集度時(shí)，提出了系點(diǎn)算法。該算法簡(jiǎn)單、易于實(shí)現(xiàn)，但受限于單一冰型，無法滿足實(shí)際應(yīng)用。挪威氣象研究所的OSISAF 系統(tǒng)使用AVHRR 數(shù)據(jù)制作海冰密集度圖，經(jīng)過云掩膜處理后，采用貝葉斯算法估計(jì)海冰密集度[82]。在此基礎(chǔ)上，Killie等[83]使用AVHRR 的4 個(gè)光譜特征進(jìn)一步拓展了該方法。Drüe[84]、Drüe 和Heinemann[85]基于MODIS 數(shù)據(jù)，提出了MPA（MODIS potential open water algorithm）算法。該方法假設(shè)每個(gè)像元是開闊水域和厚冰的混合物，通過估計(jì)表面溫度和厚冰背景溫度計(jì)算海冰密集度，誤差約為±10%，時(shí)間分辨率為1 d，空間分辨率能達(dá)到1 km。國內(nèi)，Zhang等[86]分別使用徑向基函數(shù)（Radial Basis Function，RBF）和后向投影（Backpropagation，BP）神經(jīng)網(wǎng)絡(luò)算法從MODIS 圖像中提取了高精度的海冰密集度數(shù)據(jù)，結(jié)果表明RBF 算法的精度優(yōu)于BP 算法。Liu等[87]將VIIRS 大氣層頂反射率作為算法輸入，首先使用歸一化雪指數(shù)（Normalized Difference Snow Index，NDSI）進(jìn)行冰水識(shí)別，然后對(duì)識(shí)別為冰的像素進(jìn)行海冰密集度計(jì)算，最終使用單通道反射率計(jì)算海冰密集度結(jié)果。史凱琦等[88]對(duì)Liu 提出的算法[87]進(jìn)行了改進(jìn)，提出了最鄰近像素法確定純冰典型反射率的改進(jìn)算法，使用MODIS 數(shù)據(jù)作為數(shù)據(jù)源計(jì)算海冰密集度，提高了低密集度海冰的反演準(zhǔn)確性。

3 海冰密集度產(chǎn)品進(jìn)展

鑒于海冰密集度在航海、氣候變化研究等領(lǐng)域的重要作用，EUMETSAT、ESA、德國不來梅大學(xué)（Universit?t Bremen）、NOAA、美國冰雪數(shù)據(jù)中心（National Snow and Ice Data Center，NSIDC）、德國漢堡大學(xué)（Universit?t Hamburg）以及中國國家衛(wèi)星氣象中心（National Satellite Meteorological Centre，NSMC）和中國國家衛(wèi)星海洋應(yīng)用中心（National Satellite Ocean Application Service，NSOAS）等機(jī)構(gòu)發(fā)布了眾多的海冰密集度產(chǎn)品，數(shù)據(jù)源主要為微波輻射計(jì)數(shù)據(jù)。

OSISAF 基于SSMIS、AMSR2 等傳感器，采用OSISAF 混合算法，并使用ECMWF 數(shù)值模式結(jié)果進(jìn)行大氣校正，發(fā)布了3 種全球海冰密集度產(chǎn)品，分辨率為10 km 和25 km。基于AMSR-E/AMSR2 傳感器數(shù)據(jù)，ESA 采用SICCI 混合算法，制作了3 種分辨率的海冰密集度產(chǎn)品。Bremen 使用AMSR-E/AMSR2 數(shù)據(jù)，采用ASI 和BT 算法，得到了區(qū)域和全球海冰密集度產(chǎn)品；此外，結(jié)合高分辨率的MODIS 熱紅外數(shù)據(jù)和AMSR2數(shù)據(jù)，得到了1 km 分辨率北極海冰密集度產(chǎn)品，但只覆蓋冬季。NOAA 海冰密集度氣候數(shù)據(jù)記錄（CDR）由SMMR-SSM/I-SSMIS 亮溫?cái)?shù)據(jù)，基于NT 和BT 混合算法反演得到，并進(jìn)行了天氣濾波和質(zhì)量控制；NOAA還發(fā)布了VIIRS 海冰密集度產(chǎn)品，分辨率為750 m。NSIDC 發(fā)布了多種海冰密集度產(chǎn)品，其中3 個(gè)代表性產(chǎn)品分別為基于BT 算法和NT 算法反演得到的SMMR-SSM/I-SSMIS 海冰密集度產(chǎn)品以及基于NT2 算法制作的AMSR-E/AMSR2 海冰密集度產(chǎn)品。德國漢堡大學(xué)對(duì)SSM/I-SSMIS 數(shù)據(jù)應(yīng)用ASI 算法，并使用5 d 中值濾波器減少天氣影響[89]，制作并發(fā)布了12.5 km 分辨率海冰密集度產(chǎn)品。FY-3 系列極軌氣象衛(wèi)星上搭載的MWRI 微波成像儀可用于海冰密集度監(jiān)測(cè)，NSMC 提供了相應(yīng)的海冰密集度產(chǎn)品，MWRI 極區(qū)海冰密集度產(chǎn)品為12.5 km 分辨率通用橫球面投影極區(qū)日、旬產(chǎn)品。各類海冰密集度產(chǎn)品信息（發(fā)布機(jī)構(gòu)、名稱、傳感器、算法、分辨率、覆蓋時(shí)間、覆蓋范圍）如表3 所示。眾多學(xué)者分析了上述產(chǎn)品的精度[7,37,44,49,90-94]，本文不再詳細(xì)闡述。

表3 海冰密集度產(chǎn)品信息總結(jié)Table 3 Summary of sea ice concentration products

4 機(jī)遇與挑戰(zhàn)

4.1 基于深度學(xué)習(xí)的海冰密集度衛(wèi)星遙感反演研究

自1972 年以來，海冰密集度監(jiān)測(cè)步入衛(wèi)星遙感時(shí)代。經(jīng)過半個(gè)世紀(jì)的發(fā)展，在軌運(yùn)行的海冰密集度監(jiān)測(cè)傳感器數(shù)量急劇增長，為海冰密集度反演提供了海量的衛(wèi)星觀測(cè)數(shù)據(jù)。李曉峰等[95]在《國家科學(xué)評(píng)論》發(fā)文指出：“隨著衛(wèi)星和傳感器技術(shù)的發(fā)展，海洋遙感數(shù)據(jù)朝著更加大量、快速、多變和真實(shí)的方向發(fā)展，而其中蘊(yùn)含的高價(jià)值信息則是稀疏存在、需要挖掘的，從而體現(xiàn)出大數(shù)據(jù)的5V 特點(diǎn)。海洋遙感進(jìn)入大數(shù)據(jù)時(shí)代，亟待研究高效、準(zhǔn)確、穩(wěn)定的信息挖掘模型、技術(shù)與系統(tǒng)?！?/p>

近年來，基于深度學(xué)習(xí)的海洋遙感信息挖掘已展示出強(qiáng)大性能。其采用“端對(duì)端”的特征學(xué)習(xí)，通過多層卷積結(jié)構(gòu)學(xué)習(xí)復(fù)雜的非線性特征，這是其在圖像信息挖掘領(lǐng)域取得成功的重要原因，也標(biāo)志著特征模型從人工設(shè)計(jì)特征向機(jī)器學(xué)習(xí)特征轉(zhuǎn)變[95]。自2014 年以來，深度學(xué)習(xí)模型如DenseNet[75]、UNet[77]等已成功應(yīng)用于海冰密集度反演，取得了較好的結(jié)果。然而，目前使用的深度學(xué)習(xí)模型大多來自計(jì)算機(jī)視覺領(lǐng)域，存在泛化能力弱、穩(wěn)定性差的問題，亟需海洋學(xué)家貢獻(xiàn)自己的智慧，結(jié)合海冰密集度遙感反演物理機(jī)制，設(shè)計(jì)出適用于海冰密集度反演的深度學(xué)習(xí)模型。此外，不同傳感器獲取的數(shù)據(jù)差異大，需要研究面向不同傳感器均能發(fā)揮穩(wěn)定的深度學(xué)習(xí)模型，提升模型的泛化能力和實(shí)用價(jià)值。

4.2 基于深度學(xué)習(xí)的多源衛(wèi)星遙感數(shù)據(jù)融合研究

微波遙感不受晝夜限制，受云霧影響小，能全天時(shí)、全天候工作，具有較好的時(shí)空連續(xù)性，已成為海冰監(jiān)測(cè)的主要手段。被動(dòng)微波遙感具有極區(qū)全覆蓋周期短、反演算法較為成熟的優(yōu)點(diǎn)，缺點(diǎn)是夏季和海冰邊緣區(qū)的不確定性和誤差大、空間分辨率比較低。主動(dòng)微波遙感具有極高的空間分辨率，能夠刻畫出局部的海冰細(xì)節(jié)特征，在海邊邊緣區(qū)表現(xiàn)好，但時(shí)間分辨率低。光學(xué)遙感具有優(yōu)良的時(shí)空分辨率，但在夜晚和極夜不能監(jiān)測(cè)海冰；此外，由于受云層影響大，數(shù)據(jù)的空間覆蓋率低，限制了光學(xué)遙感在海冰密集度監(jiān)測(cè)中的應(yīng)用。

綜上所述，3 種遙感手段在海冰密集度監(jiān)測(cè)中都有其長處與不足。為了充分發(fā)揮各自的優(yōu)勢(shì)，獲取大范圍、高分辨率、高精度、高頻次的海冰密集度數(shù)據(jù)，開展多源數(shù)據(jù)融合是一個(gè)行之有效的方法。目前，國際上針對(duì)科研和業(yè)務(wù)需求，基于多源衛(wèi)星遙感數(shù)據(jù)產(chǎn)品，開發(fā)了多種全球多源海冰密集度逐日融合產(chǎn)品。英國氣象局基于OSISAF 海冰密集度產(chǎn)品，采用雙線性插值等方法，生成了全球0.05°逐日海冰密集度產(chǎn)品[96]。NOAA 使用美國國家航空航天局戈達(dá)德航天中心（Goddard Space Flight Center，GSFC）和國家環(huán)境預(yù)報(bào)中心（National Centers for Environmental Prediction，NCEP）的海冰密集度產(chǎn)品、采用中值濾波方法生成了全球0.25°逐日海冰密集度產(chǎn)品[97]。國內(nèi)，張雷等[98]開展了逐日全球多源海冰密集度資料的融合試驗(yàn)，采用包括風(fēng)云氣象衛(wèi)星產(chǎn)品在內(nèi)的多種數(shù)據(jù)源，綜合考慮各數(shù)據(jù)源的優(yōu)勢(shì)和誤差特征，訂正了各數(shù)據(jù)源資料的系統(tǒng)誤差并生成超級(jí)觀測(cè)場(chǎng)，利用多尺度變分技術(shù)將超級(jí)觀測(cè)場(chǎng)與模式背景場(chǎng)融合生成了2016 年逐日0.25°×0.25°分辨率的融合試驗(yàn)產(chǎn)品。與國際同類產(chǎn)品相比，系統(tǒng)誤差較小，具有較高的質(zhì)量。然而上述融合產(chǎn)品的主要數(shù)據(jù)源為被動(dòng)微波數(shù)據(jù)，時(shí)空分辨率仍然很低，無法滿足日益增長的應(yīng)用需求。

最近，部分學(xué)者針對(duì)SAR 數(shù)據(jù)、輻射計(jì)數(shù)據(jù)和光學(xué)數(shù)據(jù)開展了融合實(shí)驗(yàn)，取得了很好的結(jié)果。Ludwig等[93]對(duì)MODIS 熱紅外數(shù)據(jù)和AMSR2 輻射計(jì)數(shù)據(jù)進(jìn)行融合，得到了1 km 分辨率的海冰密集度產(chǎn)品。與MODIS數(shù)據(jù)相比，融合產(chǎn)品的偏差和均方根誤差分別為0.3%和5%。Malmgren-Hansen等[99]使用擴(kuò)張空間金字塔池化（Atrous Spatial Pyramid Pooling，ASPP）CNN 模型融合Sentinel-1 SAR 數(shù)據(jù)和AMSR2 輻射計(jì)數(shù)據(jù)。驗(yàn)證結(jié)果表明，融合數(shù)據(jù)的精度和分辨率均優(yōu)于輻射計(jì)數(shù)據(jù)。這是因?yàn)橛捎谟?xùn)練過程具有隨機(jī)性，神經(jīng)網(wǎng)絡(luò)可以很好地處理一些標(biāo)簽錯(cuò)誤。與傳統(tǒng)的數(shù)據(jù)融合方法相比，深度學(xué)習(xí)方法能夠?qū)W習(xí)數(shù)據(jù)的復(fù)雜特征，更好地刻畫不同分辨率數(shù)據(jù)之間的非線性關(guān)系，可遷移性強(qiáng)[100]。上述實(shí)驗(yàn)表明，進(jìn)一步開展基于深度學(xué)習(xí)的多源異質(zhì)遙感數(shù)據(jù)融合研究是解決上述問題的可行方案。

4.3 基于海冰密集度的海冰預(yù)報(bào)研究

海冰密集度長期以來被認(rèn)為是全球變暖的主要指標(biāo)，海冰密集度的變化與全球氣候變化密切相關(guān)。將海冰密集度反演和海冰預(yù)報(bào)模型結(jié)合起來，可以預(yù)報(bào)海冰未來的變化趨勢(shì)。目前，海冰預(yù)報(bào)主要依賴數(shù)值模式預(yù)報(bào)和統(tǒng)計(jì)預(yù)報(bào)。海冰數(shù)值模式預(yù)報(bào)是從海冰的動(dòng)力學(xué)、熱力學(xué)等物理變化規(guī)律出發(fā)，實(shí)現(xiàn)海冰變化過程的預(yù)報(bào)。經(jīng)過多年的發(fā)展，區(qū)域預(yù)報(bào)模式和全球預(yù)報(bào)模式不斷完善，預(yù)報(bào)業(yè)務(wù)已較為成熟。近年來，極地海冰的快速變化對(duì)海冰模式的分辨率和精度有了更高的要求，亟需高精度、高分辨率的海冰觀測(cè)數(shù)據(jù)以及更為復(fù)雜準(zhǔn)確的海冰物理模型用于模式的計(jì)算和改進(jìn)。海冰密集度衛(wèi)星遙感反演技術(shù)的不斷提高必將為海冰數(shù)值模式的發(fā)展注入新的動(dòng)力。因此，在提升海冰密集度衛(wèi)星遙感反演技術(shù)的同時(shí)，還需要大力發(fā)展海冰數(shù)值預(yù)報(bào)技術(shù)，提高海冰預(yù)報(bào)能力。

統(tǒng)計(jì)預(yù)報(bào)方法由數(shù)據(jù)驅(qū)動(dòng)，利用統(tǒng)計(jì)方法挖掘海冰變化規(guī)律，無需明確海冰的物理變化規(guī)律。由于海冰變化過程的高度非線性，傳統(tǒng)的統(tǒng)計(jì)學(xué)方法很難準(zhǔn)確擬合海冰的變化規(guī)律。近年來，由于深度學(xué)習(xí)模型可以學(xué)習(xí)復(fù)雜的非線性特征，逐漸被應(yīng)用到海冰預(yù)報(bào)領(lǐng)域。Chi 和Kim[101]基于長短期記憶網(wǎng)絡(luò)（Long and Short-term Memory,LSTM）預(yù)測(cè)北極海冰密集度，結(jié)果表明其性能優(yōu)于傳統(tǒng)的自回歸模型。Andersson等[102]利用氣候模擬和觀測(cè)數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)海冰預(yù)報(bào)系統(tǒng)IceNet 預(yù)測(cè)了未來6 個(gè)月的平均海冰密集度。IceNet提高了準(zhǔn)確海冰預(yù)報(bào)的范圍，在夏季海冰的季節(jié)性預(yù)報(bào)方面，特別是在極端海冰事件方面，其表現(xiàn)超過了目前最先進(jìn)的動(dòng)力學(xué)模型。

雖然深度學(xué)習(xí)預(yù)報(bào)模型僅通過對(duì)海冰密集度信息的深入挖掘就能較好地刻畫海冰密集度變化規(guī)律，但由于海冰密集度變化具有復(fù)雜的多尺度物理特征，與海洋大氣環(huán)境變化密切相關(guān)，僅依賴海冰密集度數(shù)據(jù)無法實(shí)現(xiàn)對(duì)海冰密集度的精確、穩(wěn)定預(yù)報(bào)，需要借助氣象和海洋領(lǐng)域的專業(yè)知識(shí)實(shí)現(xiàn)深度學(xué)習(xí)與海冰變化物理機(jī)制的融合[103]。

5 結(jié)語

衛(wèi)星遙感因能連續(xù)對(duì)大范圍海冰進(jìn)行觀測(cè)，在過去40 余年中引起了研究人員的廣泛關(guān)注。本文回顧了當(dāng)前主流的海冰密集度監(jiān)測(cè)傳感器，包括主被動(dòng)微波傳感器和光學(xué)傳感器，對(duì)海冰密集度反演算法進(jìn)行了綜述，對(duì)現(xiàn)有的海冰密集度產(chǎn)品進(jìn)行了總結(jié)，并指出了目前海冰密集度反演面臨的機(jī)遇與挑戰(zhàn)。

自1972 年以來，海冰密集度監(jiān)測(cè)進(jìn)入衛(wèi)星遙感時(shí)代。經(jīng)過半個(gè)世紀(jì)的發(fā)展，運(yùn)行中的海冰監(jiān)測(cè)傳感器數(shù)量急速增長，海冰遙感進(jìn)入大數(shù)據(jù)時(shí)代，如何利用好這些寶貴的觀測(cè)數(shù)據(jù)是亟須解決的關(guān)鍵問題。當(dāng)前，基于被動(dòng)微波遙感和光學(xué)遙感的海冰密集度反演算法較為成熟。受益于深度學(xué)習(xí)技術(shù)的發(fā)展，利用SAR 圖像反演海冰密集度也取得了突破性的進(jìn)展。但由于傳感器硬件限制，上述3 種遙感手段都無法同時(shí)獲得高時(shí)空分辨率、高精度的海冰密集度數(shù)據(jù)，開展多源異質(zhì)遙感數(shù)據(jù)融合研究是解決傳感器性能瓶頸的有效手段。近年來，基于深度學(xué)習(xí)的海洋遙感信息挖掘已展示出強(qiáng)大性能，在海冰遙感領(lǐng)域得到了初步的應(yīng)用。然而，目前使用的深度學(xué)習(xí)模型大多來自計(jì)算機(jī)視覺領(lǐng)域，亟需海洋學(xué)家貢獻(xiàn)自己的智慧，設(shè)計(jì)出適用于海冰遙感的深度學(xué)習(xí)模型，用于海冰密集度反演和數(shù)據(jù)融合。隨著海冰密集度衛(wèi)星遙感反演技術(shù)的不斷提高，高精度、高分辨率的海冰密集度產(chǎn)品能夠改進(jìn)海冰預(yù)報(bào)模型，提高世界各國的海冰預(yù)報(bào)能力。