北極海冰密集度遙感數據產品對比及航道關鍵區驗證研究

王劍 邱玉寶 熊振華 袁希平 周靜恬 黃琳 石利娟

>(1 昆明理工大學國土資源工程學院,云南 昆明 650093;2 中國科學院空天信息創新研究院,數字地球實驗室,北京100094;3 北極觀測聯合研究中心,中國科學院空天信息創新研究院和芬蘭氣象研究所,索丹屈萊,芬蘭 999018;4 大連海事大學航海學院,遼寧 大連 116026;5 中國地質大學(武漢)地理與信息工程學院,湖北 武漢 430074)

提要為分析并評價海冰邊緣區海冰密集度數據產品,選取北冰洋區域8種公開發布的產品,基于平均偏差和標準差(Standard Deviation,SD)展開分析,結果表明:Bremen/ASI(ARCTIC Sea Ice)、Bremen/BT (Bootstrap)、NSIDC(National Snow and Ice Data Center)/BT和NSIDC/CDR(Climate Data Record)四種數據全年平均偏差整體高于平均值,在夏季偏差高于冬季;Hamburger/ASI 全年平均偏差低于平均值,冬春季偏差為負,夏季梢高于均值;NSIDC/NT(NASA Team)、NOAA OI SIC(National Oceanic and Atmospheric Administration Optimum Interpolation Sea Ice Concentration)和OSISAF(The Ocean and Sea Ice Satellite Application Facility)三種數據全年平均偏差為負,夏季負向增加;夏季和秋季標準差較大區域主要分布在東北航道薄冰區,東西伯利亞、拉普捷夫海和喀拉海區域標準差變化較大,從 3%增加到10%～15%。圍繞航道區,以MODIS(Moderate Resolution Imaging Spectroradiometer)影像作為參考,對8種數據的對比評估結果表明:在25 km 空間分辨率下,Bremen 發布的兩種數據相關性較高,均為0.80;NOAA OI SIC數據相關性最低,為0.63;Bremen/BT 平均偏差較小,為7.11%;基于ASI算法的Bremen/ASI 數據和Hamburger/ASI 數據平均偏差較大,分別為14.38%和14.99%,且在夏季和秋季偏差波動較大,對應標準差分別為12.16%和11.01%。該項研究對于提升遙感數據產品在海冰邊緣或航道區的應用及進一步的算法研發具有指導意義。

0 引言

近年來,隨著全球氣候變暖,北極的海冰范圍、厚度和多年冰的比例呈現顯著減少趨勢[1],這加速了對極地航道區開發的利用,為海上航運帶來了新的機遇。特別是在我國,北方航線已成為“一帶一路”倡議的重要補充[2]。不斷增多和提升的空間觀測數據,能夠在提高數據數量和質量的同時,不斷提高北極地區海冰信息的預報和監測能力,但也為航道區域開展數據產品的可靠性和適用性研究帶來了新的挑戰。極區航行中,航道安全除了受到降水、天氣和溫鹽等影響之外,還主要受到極地海冰的影響,而海冰密集度SIC(Sea Ice Concentration)是海冰的重要參數之一,對極地海冰變化監測及預測具有重要作用。

海冰密集度是指單位空間內海冰的密集程度,通常表示為一定范圍內海冰所占的面積百分比[3]。遙感技術能夠用于大范圍海冰監測和海冰參數獲取,主要有主動微波遙感、被動微波輻射計、可見光和紅外輻射計及成像光譜儀等,目前已獲取到大量的氣候態參數產品。其中微波遙感因不受極夜的影響,受云霧影響也比較小,因此具有較好的時空連續性[4],已經成為極地變化監測不可或缺的手段。微波遙感反演的海冰密集度產品種類繁多,不萊梅大學、美國國家雪冰數據中心(NSIDC),漢堡大學(University of Hamburger)、美國國家海洋大氣局(NOAA)及歐洲氣象衛星開發組織(EUMETSAT,The European Organisation for the Exploitation of Meteorological Satellites)等機構均發布了成熟的SIC產品,這些產品從氣候態的角度對北極的海冰研究具有較高的應用價值。

為了評估SIC產品的表征能力,近年來,針對SIC 遙感數據產品,國內外從不同的角度開展了多項工作。在SIC產品的整體分析中,Ivanova 等[5]對比分析了13種海冰密集度反演算法對不同影響因素的敏感性差異,發現Bristol 算法在密集冰區具有較好的反演結果,CalVal 算法在開闊水域和少冰區反演結果較好。但被動微波數據空間分辨率相對較粗,在海冰邊緣區域的薄冰區或夏季航道區破碎冰區對海冰的表征能力一般,致使相關產品在航道區海冰預測及預報服務方面能力較弱。在海冰遙感數據的走航觀測對比方面:Beitsch等[6]利用南極1991—2010年期間的21 600 余次船測數據,對不萊梅大學發布的AMSRE [The Advanced Microwave Scanning Radiometer for EOS(Earth Observation System)]/BT和AMSRE/ ASI 產品進行了分析,發現AMSRE/BT 數據與船測數據一致性較高;同樣的,Beitsch 等[7]通過對比2006—2009年南極海冰船測數據與AMSRE/ASI、AMSRE/BT和AMSRE/Enhance NASA Tean，NT2 三種產品,發現AMSRE/BT 產品與船測數據相關性較高;趙杰臣等[8]使用中國第5次北極科學考察（簡稱“五北”）走航觀測數據對7種基于被動微波傳感器的SIC數據的適用性進行了綜合分析,發現AMSR2/BT和AMSR2/ASI 數據偏差較小;李釗等[9]基于“五北”走航觀測評估 AMSR2/ASI 及SSMIS(The Special Sensor Microwave Imager/Sounder)/ASI 數據產品在北極區高緯航道的適用性,發現AMSR2/ASI 與走航觀測一致性較高;季青與龐小平[10]對比分析了“五北”獲取的航測海冰密集度數據與AMSR2/ASI 數據、SSMIS/ASI 數據,得出AMSR2/ASI 數據缺失較少,且與船測數據一致性較高;而郝光華等[11]使用“八北”船測數據對5種SIC產品進行評估,發現AMSR2/BT 產品誤差最大,基于 OSISAF 傳感器的三種產品OSISAF、OSHD(OSISAF Hybrid Dynamic)、TUD(Technical University of Denmark)算法偏差均較小。這些研究表明:在航跡范圍內,BT算法和ASI算法的SIC表征方面具有優勢,不同時間的航測數據由于航跡差異對分析結果存在影響。

此外,在高分辨率數據產品對比上,Andersen等[12]則使用合成孔徑雷達(SAR,Synthetic Aperture Radar)影像,對基于SSM/I(Special Sensor Microwave/Imager)傳感器的NT、NT2、TUD、N90(Near 90GHz Algorithm)、BT-P(Bootstrap-Polarization Algorithm)、BT-F(Bootstrap based frequency)和Bristol 算法在高海冰密集度區域(即SIC值接近100%)反演的SIC數據進行對比研究,發現基于85GHz的算法反演的數據與SAR影像及船測數據具有較高的一致性,在中等海冰密集度范圍內,SAR影像和SSM/I 傳感器的相關系數為0.8～0.9。王曉雨等[4]對基于FY-3B 衛星的MWRI (The Fengyun-3B/Microwave Radiation Imager)/NT2 數據及AMSRE/ASI 數據進行了對比,并使用MODIS數據進行驗證,發現密集度大于95%的高密集度區域MWRI/NT2 數據與MODIS 更接近;密集度低于95%的區域,AMSRE/ASI 產品更接近MODIS數據。上述研究表明研究區域差異和SIC 分布差異均會導致SIC數據與高分影像間的一致性發生變化。

從上述分析可以看出,目前針對海冰數據評估工作,多采用航測數據,但在不同時段或空間范圍下的航測數據,其對比結果存在差異,普遍認為BT算法和ASI算法在采用AMSR2 傳感器數據的情況下,具有一定的空間分辨率和算法優勢。針對遙感數據產品和走航觀測的對比方面存在差異的原因主要有:所采用的的船測數據由于航行軌跡的“趨向低密集度”特性[8],船測數據本身的稀疏性、航跡數據采集過程中視場的局限性等因素,導致基于航測海冰密集度數據的對比分析結果時空差異較大;另外,航跡數據無法對較大空間范圍內的SIC數據進行評估及驗證分析。

本文選擇目前主流的算法及其數據產品,針對整個北極地區,開展8種數據在像元尺度的時空差異性分析,在航道關鍵區則選用晴空條件下MODIS可見光數據對8種SIC產品進行驗證評估,對比MODIS數據與產品的平均偏差、標準差和相關系數,并針對東北航道的精度開展研究。

1 SIC產品及MODIS數據

1.1 SIC產品及反演算法

對比驗證所使用的海冰密集度產品為國際上發布的8種SIC數據,時間為2017年。不萊梅大學發布的數據來源于AMSR2 傳感器,NSIDC、OSISAF和漢堡大學發布的數據集來源于SSMIS傳感器,NOAA 發布的數據來源于AVHRR(The Advanced Very High Resolution Radiometer)傳感器。表1列出各產品的發布機構、傳感器、反演算法和空間分辨率。

表1 8種SIC數據發布機構、傳感器、算法及空間分辨率介紹Table1.Description of 8 SIC data publishing organization,sensors,algorithms and spatial resolution of 8 SIC products

上述8種SIC數據所使用的海冰密集度反演算法包含ASI、NT、BT、CDR和OSISAF。基于微波傳感器的海冰密集度反演算法的原理為:利用不同海冰類型在不同微波通道和極化方式間的亮溫值之間的關系。而不同通道和極化方式下的海冰亮溫同時受多種因素影響,會造成不同算法和傳感器之間的反演精度存在差異[21]。以下分別對各數據使用的亮溫通道、總體精度、優勢和劣勢對各算法進行總結(表2):

表2 8種SIC產品算法通道、精度及優劣總結Table2.Algorithm channels,precision,advantages and disadvantages summary

續表

1.2 MODIS數據

驗證數據選取東北航道海冰邊緣區晴空條件下的MODIS影像。選取的16 景MODIS影像時間覆蓋2017年6月28日、7月2日、7月10—12日。樣本所在區域如圖1所示,紅色區域為實驗所選東北航道研究區覆蓋范圍。

圖1 關鍵區(粉紅色區域)及MODIS 樣本區(藍色方框)分布圖Fig.1.Distribution of key research area(pink region) and MODIS image(blue boxes)

2 數據處理方法

2.1 SIC產品處理方法

實驗中為了將所有SIC產品投影在統一的坐標格網下,使用最近鄰方法對8種SIC產品進行空間插值處理,計算方法如式1所示:

上式中Alat為參考經緯格網的緯度矩陣,Alon為參考經緯格網的經度矩陣,Mcplat為待映射點的緯度值,Mcplon為待映射點的經度值,min()表示求取當前距離矩陣中最小距離值。獲得待投影數據點在參考格網中的最近鄰格點,并將映射關系保存為映射表,之后,所有數據集按照各自的映射表進行映射操作。在映射過程中,對每個格點的數據進行求和后求均值,并將平均海冰密集度值作為格點的SIC值,公式如式2所示:

式中,SICavg表示映射后每個格點的SIC值,SICcp表示映射后當前格點映射的原始數據所有格點各自的SIC值,sum()表示求取參考格網中映射格點的SIC值之和,SICnum表示映射到參考格網中對應格點的像元總數。計算的均值作為參考格點映射后SIC數據值。上述映射操作完成后,所有SIC產品均統一投影到25 km 空間分辨率,極地立體等積投影的參考格網(EASE-Grid_2.0_North)中。

由于海冰密集度數據產品投影差異,部分產品映射后會出現數據缺失的格點,在近岸區域出現映射誤差,需進一步對各數據進行后處理和陸地掩膜處理,所用空間插值法為8 鄰域均值插值,即求取當前中心像素8鄰域空間內SIC平均值替代像元缺失值,進一步的陸地掩膜使用EUMETSAT發布的OSISAF數據集對應的陸地掩膜文件(http://osisaf.met.no/)。

2.2 MODIS影像處理

驗證數據選取Aqua-MODIS 傳感器1 km 分辨率第2通道的反射率數據。為了避免投影誤差,將 MODIS 與 SIC數據統一投影后進行ROI(Region Of Interest)裁剪和冰水分割處理。冰水分割采用閾值分割法[29],其基本原理為海冰和海水在可見光波段反射率差異,即同一景海冰灰度圖像中,海冰與海水交界處灰度差異最大。通過統計海冰灰度圖中不同灰度級對應像素數ε(k),計算各像元同相鄰像元的灰度差,統計差值大于閾值P的像元總數,記為δ(k),k表示圖像灰度級,k∈[0,255],計算大于閾值的像元個數δ(k)與對應灰度級的像元數ε(k)之比,記為?(k),計算公式如式3:

上式中?為強度比,強度比變化曲線峰值對應灰度k為圖像中最大灰度反差對應的灰度,該值最接近冰水分割閾值,故將峰值對應的k設為冰水分割的閾值。由于云層在灰度圖中表現出與海冰一樣的亮白色,故該方法須在晴空無云條件下進行冰水分割計算。結果如圖2所示。

通過對MODIS影像進行閾值分割處理,并將產生的二值結果在各數據產品對應格網中進行平均,計算對應SIC值。為了提高對比分析的有效性,僅對MODIS 映射后格點像元數超過理論值90%的格點作為有效數據進行比對分析。

2.3 對比評估指標

準確度(用偏差表示)是測量平均值和真實值之間的差值。精度(以標準差,SD表示)是多次重復測量在平均值周圍的離散程度[5]。實驗結果基于平均偏差、標準差和相關系數三個指標來評估微波海冰密集度產品精度并進一步評估多種海冰數據在東北航道關鍵區與MODIS影像計算獲得SIC值的一致性。

平均偏差計算如式4所示:

上式中,SICi表示格點所對應各產品的SIC值,M表示對應格點SIC產品的平均值,N表示產品個數。

標準差(SD)如式5所示:

上式中,SICi表示格點所對應各產品的SIC值,M表示對應格點SIC產品的平均值,N表示產品個數。

使用平均偏差、標準差和相關系數對基于MODIS影像的驗證實驗結果進行評估,相關系數r計算如式6所示:

式中,σ表示標準差,μX，μY分別表示樣本區的數據產品與MODIS 計算結果對應像元的平均值,X表示對應格點MODIS 計算值,Y表示對應格點數據產品的SIC值。

3 結果與分析

3.1 SIC產品時空系列分析

3.1.1 北極區域平均偏差分析

通過計算8種產品像元尺度相對其平均值的偏差值大小可以分析北極區域多種數據整體偏差大小及季節性變化趨勢。

通過圖3可知,多種數據間偏差大小變化存在差異,在夏季和秋季不同數據偏差均增大,具體如下:NSIDC/BT、NSIDC/CDR和Bremen/BT數據偏差變化基本一致,Bremen/ASI和Hamburger/ASI 數據偏差在夏季波動較大,NOAA OI SIC和NSIDC/NT 數據變化趨勢相近。為進一步統計偏差的季節性差異,按照季節計算2017年8種SIC產品平均偏差如圖4所示。其中季節劃分如下:春季為3—5月,夏季為6—8月,秋季為9—11月,冬季為12月到次年2月。

圖2 MODIS 裁剪影像及冰水分割圖Fig.2.MODIS cropping images and ice-water segmentation images

圖3 北極2017年海冰密集度產品日平均偏差變化圖Fig.3.Daily mean bias curve of SIC products in Arctic,2017

圖4 2017年8種SIC數據春、夏、秋、冬季平均偏差分布圖Fig.4 Mean bias distribution of 8 SIC products in spring,summer,autumn and winter in 2017

通過圖3和圖4可知,Bremen/ASI、Bremen/BT、NSIDC/BT和NSIDC/CDR 四種數據日平均偏差基本為正值,且日平均偏差值變化趨勢在夏季和秋季表現為先增加后逐漸減小,年平均偏差值分別為2.02%、4.04%、4.13%和4.26%;OSISAF 數據日平均偏差基本為負,且夏季和秋季日平均偏差變化趨勢表現為先負向增加后逐漸減小,NSIDC/NT和NOAA OI SIC數據偏差在夏季和秋季上中旬負向增加,秋季下旬逐漸減小,多種數據間整體變化趨勢基本一致,但在時間上差異較大,三種數據的年平均偏差值分別為?4.94%、?4.05%和?2.94%。Hamburger/ASI 數據日平均偏差在夏季正向增大,秋季減少,年平均偏差值為負值,春季和冬季,日平均偏差值基本為負值,夏季和秋季,部分日期日平均偏差值為正值,季節性和年度平均偏差值為負。8種產品數據春季和冬季的平均偏差分布在?5%～4%,夏季和秋季的平均偏差分布在?10%～6%,夏季和秋季平均偏差相對春季和冬季較大。

通過上述定量分析可知,在四個季節中,不同產品偏差大小出現較大差異,為進一步分析8種數據偏差的空間分布,按照季節性求取8種產品的標準差,2017年春(圖5a)、夏(圖5b)、秋(圖5c)、冬(圖5d)四個季節標準差分布圖如圖5所示。

由圖5可知:春季和冬季,高密集度區域標準差較小,約為3%,海冰邊緣區和近陸區域標準差較大,約為10%～20%,且越靠近邊緣區域標準差越大;夏季,整個北極大部分海冰覆蓋區域標準差增大至10%,加拿大群島和格陵蘭島北部標準差增大至5%,拉普捷夫、新西伯利亞和喀拉海標準差約為13%,部分區域標準差大于15%(如,新西伯利亞群島西部),邊緣區域標準差約為12%;秋季,海冰高密集度區域標準差降低,邊緣區域標準差較高,約為15%。

通過上述分析,8種數據平均偏差分布具有季節性時空差異。春季和秋季,北極偏差較大區域主要分布在海冰邊緣及近陸范圍;夏季,高密集度區標準差相對增大,加拿大群島和格林蘭島北部區域標準差較小,表明該區域多種數據間差異較小,航道區偏差變化相對較大,主要分布在東西伯利亞、拉普捷夫海和喀拉海區域;秋季,由于海冰開始快速凍結,高密集度冰區標準差降低,多種產品在邊緣區域差異較大。

3.1.2 航道區標準差及平均偏差變化分析

通過北極區域標準差分布的季節性差異可以發現在夏季和秋季差異較大區域主要分布在航道區內,而東北航道作為連接歐亞海上運輸的重要穿極航線,保證商船在航線上的航行安全并及時快速預測航道范圍內海冰變化情況至關重要,通過對航道關鍵區域海冰反演數據的平均偏差和標準差分析,能夠在一定程度上提高遙感數據在科學研究與相關商業活動中的實用性。

以下對2017年夏季和秋季東北航道范圍內部分區域的海冰變化情況進行分析。圖6為東北航道區,緯度范圍為70°N～80°N,經度范圍覆蓋70°E～180°E 內關鍵海域SIC與平均值日平均偏差變化圖,包含東西伯利亞海域(圖6a,135°E～180°E)、拉普捷夫海域(圖6b,90°E～135°E)和喀拉海海域(圖6c,70°E～90°E)內2017年夏季和秋季(6月—11月)平均偏差變化曲線及2017年3個區域的日平均標準差變化曲線(圖6d)。

通過分析,3個區域海冰密集度數據從6月下旬開始到10月中旬出現較大波動,多種數據中基于不同傳感器、同一算法的數據在變化趨勢上表現出較高的一致性,而OSISAF、NOAA OI SIC和NSIDC/NT 由于算法不同,變化趨勢差異較大。三個區域的日平均標準差變化曲線在6月開始增加,東西伯利亞海域在9月底達到極大值,對應產品平均偏差為極大值,拉普捷夫海域與喀拉海東北部區域在10月中旬達到極大值。10—11月3個區域標準差快速下降。6—10月,拉普捷夫海域與東西伯利亞海域變化趨勢基本一致,在10—11月拉普捷夫海域與喀拉海域變化趨勢基本一致,主要因素為海冰邊緣區域的季節性分布在小區域內具有較高相似性。而導致偏差增大的原因主要有:各產品基于不同頻段下不同原理的反演算法差異,不同算法對積雪或冰面融化等導致冰面特性的改變具有較低辨識度,傳感器之間數據獲取的時間存在差異[26,28-29],空間分辨率較低導致對融池、冰間水道等無法準確識別[28]。

3.2 基于MODIS估算的SIC產品對比評估

3.2.1 相關性分析

MODIS 樣本數據與各SIC數據的線性關系能夠表現出不同 SIC數據與更高分辨率的MODIS數據的相關性。表3為8種原始數據與對應區域MODIS影像獲取的SIC值間的相關系數(r),其中,粗體表示該樣本中相關系數最大的數據。通過對相關系數分析,可以發現,8種數據中,Bremen/BT 數據與MODIS 結果整體相關性較高,相關系數為0.831;Bremen/ASI 數據次之,相關系數為0.804;NSIDC 發布的3種數據相關系數相差較小,相關系數分別為0.791(NSIDC/BT 及NSIDC/CDR)、0.780(NSIDC/NT);OSISAF 數據相關系數為0.743,Hamburger/ASI 相關系數為0.716,NOAA OI SIC 相關性最低,相關系數為0.596。需要說明的是,上述相關系數均為產品發布時對應空間分辨率下的計算結果。

3.2.2 平均偏差及標準差分析

分析產品間的相關系數能夠獲得北極區域各產品與MODIS影像間的線性相關程度,但不足以作為關鍵區各產品精度的評估參考。通過比較SIC數據與MODIS影像數據平均偏差及標準差,可以進一步驗證分析航道關鍵區各SIC數據與較高光學遙感數據的一致性,相關評價指標如表4、5所示。

表3 8種SIC產品與MODIS 驗證數據相關系數(r)Table3.Correlation coefficients between 8 SIC products and MODIS images

表4 8種數據原始空間分辨率下相關系數、標準差和平均偏差評價指標Table4.The evaluation index r,SD and mean bias of 8 products under original spatial resolution

表5 25 km 空間分辨率下8種數據相關系數、標準差和平均偏差評價指標Table5.The evaluation index r,SD and mean bias of 8 products under 25 km spatial resolution

表4為所選樣本與各數據原始空間分辨率下8種數據與MODIS 驗證樣本間的整體相關系數、標準差和偏差值的計算結果。由表3和表4可知,各數據在原始空間分辨率下,Bremen/BT 產品整體相關性較高,Bremen/ASI 產品次之,NSIDC/BT、NSIDC/CDR、NSIDC/NT、Hamburger/ASI和OSISAF 產品相關性較低,相關系數分布于0.70～0.85 之間,NOAA OI SIC 相關性最低,為0.596。Bremen/BT 數據的平均偏差較小,為6.61%,NSIDC/BT和NSIDC/CDR(7.90%)次之,Bremen/ ASI 數據平均偏差為12.82%,OSISAF 在所選樣本區偏差較大,為18.30%。通過分析標準差,Bremen/ASI 數據標準差最大,為13.14%,Hamburger/ ASI為10.57%,其余6種數據標準差分布在 7%～10%,OSISAF 標準差最小,為7.03%。表5為25 km 空間分辨率下相關系數、標準差和偏差值,其中Bremen 發布的兩種數據相關系數較高(0.80),NSIDC/BT、NSIDC/CDR數據次之,NOAA OI SIC 相關系數較小(0.63)。對比平均偏差值可知:Bremen/BT 數據偏差最小,為7.11%;NSIDC/BT和NSIDC/CDR次之,為7.90%;NOAA OI SIC數據偏差為10.01%;Bremen/ASI 數據偏差較大,為14.38%;Hamburger/ASI 數據偏差為14.99%,NSIDC/NT 偏差值最大,為20.88%;標準差分析中,Bremen/ASI 與Hamburger/ASI 均較大,分別為12.16%和11.01%,而Bremen/BT、NSIDC/BT、NSIDC/CDR、NSIDC/NT和OSISAF等均較低,分布于7.5%—9.0%之間。

對比表4和表5可知,8種數據中,Bremen/BT數據相關性較高且偏差值最小,與MODIS 驗證數據的一致性較高。基于ASI算法的兩種數據均具有較高的偏差值和標準差,表明該算法反演的數據易受其他因素影響。8種數據間的標準差和偏差之間存在較大差異,影響因素包含不同產品間獲取亮溫數據的傳感器差異、獲取數據時間差異、算法原理差異、后處理方法差異及對氣候環境等因素的敏感性差異等。

4 結論

通過對2017年8種SIC數據對比分析,并使用MODIS數據對東北航道區域中段范圍內的產品進行了驗證對比分析,總結如下。

對8種SIC數據基于其像元尺度平均值進行了對比分析,平均偏差對比結果表明,在春季和冬季,8種數據平均偏差整體較小,平均偏差取值基本小于5%;夏季和秋季,8種產品間平均偏差出現較大差異,其中Bremen/BT、Bremen/ASI、NSIDC/BT和NSIDC/CDR 整體高估SIC值,偏差約為5%～10%。NSIDC/NT、Hamburger/ASI、NOAA OI SIC和OSISAF 整體相對低估SIC值,偏差變化相對較大,最大偏差值約低于平均值15%,偏差整體分布在?3%～?15%。同一算法的數據間平均偏差變化趨勢具有一定的相似性。季節性的標準差分析結果表明，8種數據空間分布具有明顯的季節性差異,具體表現為:春季和冬季差異較大區域主要集中在邊緣薄冰區,夏季和秋季平均偏差增大,且主要集中在通航范圍內部分關鍵海域,主要包括東西伯利亞海、拉普捷夫海和喀拉海域。

在8種SIC數據與MODIS數據航道關鍵區的一致性對比分析實驗中,25 km 空間分辨率格網下,Bremen 發布的數據與MODIS 計算結果具有較高的一致性,相關系數為0.80,而NOAA OI SIC 一致性最低,相關系數為0.63,其余數據產品相關性較高,相關系數分布在0.7～0.8 之間。平均偏差對比結果表明:Bremen/BT 平均偏差最小,為7.11%,NSIDC/NT和OSISAF 平均偏差較大,分別為20.88%和20.66%,均較大低估SIC值;基于 BT算法的產品平均偏差相對較小,分布于7%～ 8%;Bremen/ASI 產品平均偏差較大,為14.38%。標準差分析結果表明,8種數據中Bremen/ASI 數據受其他因素影響較大,具有較大標準差(12.16%)。驗證結果表明Bremen/BT 數據與MODIS影像計算結果一致性較高。導致多種SIC數據間差異的原因多樣,主要包括傳感器通道差異,數據采集時間不一致,空間分辨率差異及處理過程中相關輔助數據等因素。

東北航道關鍵區海冰的快速變化對通航窗口期內的商船航行安全影響巨大,已有的多種SIC數據尚不能完全滿足航運安全的需求,相關實時且高精度海冰數據的需求依然存在。多種海冰數據由于影響因素的客觀存在,不同產品間差異較大。如何科學分析不同因素對產品精度影響,綜合多源融合數據,提高遙感海冰服務的可靠性與實時性,提高相關模型反演結果是以后海冰研究的重要內容。