基于HY-2B波形特征的北極海冰分類算法

朱藝洵，張 晰*，孟俊敏

（1.山東科技大學 測繪與空間信息學院，山東 青島 266590；2.自然資源部第一海洋研究所，山東 青島 266061）

海冰影響著全球的氣候變化，并通過與大氣的相互作用反饋于全球環境系統[1]。隨著全球氣候變暖，北極海冰的劇烈變化對全球影響已不容忽視。海冰類型是描述海冰狀態的重要參數，因此海冰類型的研究分析對全球氣候、極地環境與安全監測均有著重要意義[2]。

早期海冰類型只能通過實地調查測得，耗費大量人力物力[3-4]。隨著遙感技術的發展，基于光學和SAR遙感影像的分類方法得到了應用[5]，但該方法受限于遙感影像成本且空間覆蓋范圍較小，難以實現大尺度的海冰分類。與SAR相比，微波輻射計和微波散射計雖然空間分辨率低，但覆蓋范圍廣，能滿足極地海冰類型大尺度觀測需求[6-7]。與微波散射計和輻射計類似，高度計因其具備大范圍觀測的優勢，近年來逐漸得到了人們的重視，已成功應用于海冰類型識別方面[8]。同時，人們研究發現，利用衛星高度計進行海冰分類能更準確地估算海冰厚度。這是因為在利用高度計反演海冰干舷和估算海冰厚度時，均需要提供海冰類型信息。以往的海冰類型信息取自于其他傳感器，在時間上與高度計并不同步，從而引入反演誤差[9]。所以為獲取更高精度的海冰厚度數據，當前的高度計衛星均需具備海冰類型分類能力。

傳統的衛星高度計數據的獲取主要依賴于國外衛星，如ERS-1/2、ENVISAT、CryoSat-2（CS-2）和Sentinel-3A等。隨著我國航天技術的進步，截至2020年，我國已發射了HY-2A/B/C3顆衛星高度計，未來還將發射HY-2D衛星高度計，形成四星組網觀測，以實現對北極地區的全覆蓋、高精度監測。HY-2高度計的出現不僅為北極海冰監測提供了新的數據源，也使我國利用自主生產的高度計監測極地成為了可能，同時緩解了對國外高度計衛星數據的依賴。

在衛星高度計海冰類型識別算法研究方面，可分為三大類，一是區分海冰和開闊水域（Open Water，OW），二是區分海冰類型，三是對海冰與冰間水道（LEAD）進行區分。

在區分海冰和OW方面，Jiang C等[10]使用閾值分割、K最近鄰法（K-Nearest Neighbor，KNN）和支持向量機（Support Vector Machine，SVM）3種算法對雙波段HY-2A/B數據的自動增益控制（Automatic Gain Control，AGC）和脈沖峰值（Pulse Peakiness，PP）2個波形特征進行處理，用來區分海冰和OW區域，OW分類精度最多可以達到98.36%，海冰的分類精度最高為92.84%，但文章未對海冰類型進行進一步地細分。在對海冰類型進行識別方面，Zygmuntowska M等[11]在格陵蘭島和加拿大北部海域利用CS-2高度計數據，采用貝葉斯分類器和波形功率最大值（Maximum Power，MAX）、后緣寬度（Trailing Edge Width，TEW）和PP3個波形特征對一年冰（First-year ice，FYI）與多年冰（Multi-year ice，MYI）進行了識別。Rinne E等[12]利用CS-2高度計數據，采用KNN算法和前緣寬度（Leading Edge Width，LEW）、PP、棧標準差（Stack Standard Deviation，SSD）和后緣比（Late Tail to Peak Power Ratio，LTPP）4個波形特征，對北極區域的OW、薄一年冰（Thin First-year ice，TFYI）、FYI和 MYI進 行 了 識別，與同期冰況圖相比，該算法的識別精度約為82%。Shen X等[13]提出了基于LEW、TEW、后向散射系數（Sigma0）、MAX和PP6種波形參數的組合進行對北極區域FYI、MYI和OW的分類，平均分類精度達到了91.45%。Aldenhoff W等[14]結合SAR與CS-2數據，選取PP、SSD與比例逆平均功率（Scaled Inverse Mean Power，IMP）識別MYI、FYI與LEAD，進而對各參數進行敏感性分析實驗。在檢測LEAD方面，Laxon S W等[15]利用PP和SSD兩種波形特征進行LEAD和海冰的識別。Lee S等[16]提出了一種波形混合算法來檢測來自CS-2數據中的LEAD。王立偉等[17]結合PP、SSD等3個波形特征參數和海冰密集度，基于CS-2高度計完成了對海冰和LEAD的有效識別。焦慧等[18]結合波形SKEW、KURT特征與SSD、PP、左脈沖峰值（Left Pulse Peakiness，PPL）等5個波形參數對CS-2進行LEAD識別。

綜合國內外學者的研究可知，目前海冰分類研究主要是圍繞國外衛星高度計數據開展的，鮮有學者基于我國國產HY-2高度計進行研究。目前僅有Jiang C等[10]使用HY-2A/B數據的PP與AGC特征進行海冰和OW的區分，但仍未實現對海冰類型的精確識別，且僅分析了PP和AGC兩個特征在冰水區分中的作用，未對更多的波形特征進行對比分析[10]。因此與國外高度計海冰類型識別的工作相比，利用國產HY-2衛星高度計進行海冰分類還需克服以下幾方面的問題：（1）目前基于HY-2進行海冰分類研究使用的波形特征參數比較單一，較少的波形特征無法對波形信息進行全面的表征，并且缺少對單個波形特征進行定量分析的工作；（2）目前已有的研究并未對海冰類型進行精確的分類，僅完成了冰和水間的區分，缺少了對不同的海冰類型間的劃分；（3）目前的工作僅使用了單個的波形特征進行分類實驗，未嘗試結合多波形特征進行海冰類型識別。

探索國產衛星高度計在海冰類型識別中的可用性，有利于緩解對國外數據源的依賴。同時基于以上3個問題，本文利用HY-2B衛星高度計數據，通過提取PP、LEW、Sigma0及MAX共4種典型的波形特征，開展對TFYI、FYI、MYI、LEAD和OW共5類地物的識別研究。進而詳細分析和評估HY-2B衛星的海冰類型識別能力。

1 數 據

1.1 HY-2B雷達高度計數據

HY-2B高度計是我國發射的脈沖有限型雷達高度計，于2018年10月25日6時57分在太原衛星發射中心順利升空。HY-2B為雙頻雷達高度計，工作在Ku和C波段，中心頻率分別為13.58 GHz和5.25 GHz。空間覆蓋范圍達到南北緯80.69°，軌道傾角為9.34°，運行重復子周期為14 d，脈沖有限足跡優于2 km。因此，HY-2B覆蓋整個北極地區大約需要14 d。表1記錄了HY-2B高度計的幾個重要參數[10]。HY-2B高度計可公開提供L1B、L2和L33種級別的產品。其中L2級產品又分為臨時地球物理數據產品（Interim Geophysical Data Records，IGDR）、遙感地球物理數據產品（Sensor Geophysical Data Records，SGDR）和地球物理數據產品（Geophysical Data Records，GDR）。三種產品中僅有SGDR數據包含有波形信息。在本研究中，使用的是L2 SGDR產品中的20 Hz Ku波段數據，數據獲取自國家衛星海洋應用中心（https://osdds.nsoas.org.cn）。

表1 HY-2B高度計部分參數

本文使用的數據為2019年12月和2020年3月北極地區的HY-2B雷達數據，分別代表了北極冬季和初春的冰情，每月約可提供約500萬左右的點元數據進行研究。為控制數據質量，避免錯誤的波形信息對分類算法產生負面影響，本文對HY-2B數據進行了預處理：首先選擇大于60° N的北極地區，并使用SGDR文件自帶的標志位對陸地進行去除；然后去掉了所有波形信息為空的錯誤波形；最后去掉所有Sigma0值為NAN的數據。其余數據篩選步驟參照HY-2B高度計用戶手冊[19]。圖1為預處理后的2019年12月的HY-2B數據覆蓋范圍，值得說明的是，拉普捷夫海、東西伯利亞海附近海域在預處理后存在數據缺失現象，絕大多數是由于波形數據缺失導致的。其它月份的數據也存在相似情況。

圖1 2019年12月北極HY-2B覆蓋范圍

1.2 AARI冰況圖產品

本文在海冰類型識別時使用的訓練和檢驗輔助數據為俄羅斯北極和南極研究所（Arctic and Antarctic Research Institute，AARI）提供的北極冰況圖數據。除北半球夏季外，該數據每周提供一次全北極的海冰類型產品。該海冰類型產品是通過綜合光學、近紅外、SAR等衛星數據以及船舶走航觀測得到的[20]。AARI提供的冰況圖產品為Shapefile格式，包含有6種冰類型：尼羅冰、初生冰、FYI、MYI、固定冰和OW，空間分辨率為12.5 km。

在選用與HY-2B數據時間相對應的北極區域2019年12月和2020年3月的AARI數據進行訓練和檢驗樣本提取時，參考了世界氣象組織（World Meteorological Organization，WMO）制定的海冰分類標準，主要開展TFYI，FYI，MYI和OW4種類型的識別，其中TFYI為厚度＜70 cm的海冰（對應AARI中的尼羅冰和初期冰）。

需要說明的是，AARI冰況圖無法提供尺度較小的LEAD樣本，因此本文將另外選用冰間水道產品對LEAD信息進行提取。

1.3 MODIS冰間水道產品

本文在進行LEAD識別時使用的訓練和檢驗輔助數據來自Hoffman等利用MODIS數據公開發布的冰間水道檢測結果[21]，該產品目前提供了從2002—2020年的北極地區最小時間間隔為1 d的LEAD分布，產品分辨率為1 km。

本文采用的MODIS冰間水道產品中包含兩大類數據，其一是每日的LEAD信息，以NC格式存儲，其二是標準的經緯度對照表。為此，將冰間水道產品的NC文件與其自帶的標準經緯度文件進行匹配，得到北極LEAD分布信息。

2 HY-2B高度計波形特征和分類器確定

為 成 功 識 別 出 OW、MYI、FYI、TFYI及LEAD 5類地物，本文方法可分為如下幾步：（1）進行訓練樣本的提取，通過輸入AARI北極冰況圖和MODIS冰間水道產品提取相對應的5種地物類型，并以向量的形式對樣本進行存儲；（2）是提取HY-2B的波形特性，選取了4種經典的波形特征對波形進行描述；（3）使用柯爾莫哥洛夫—斯米爾諾夫檢驗（Kolmogorov-Smirnov test，K-S test），即KS檢驗對以上4個波形特征進行可分離性測試，并得出波形特征重要性初步的結論；（4）選取經典的KNN分類器對各波形特征組合進行分類，同時對分類器最優參數設置進行分析；（5）最終與AARI冰況圖和MODIS冰間水道產品相比，得到分類精度，進而確定最優的波形參數組合。圖2為本文算法流程。

圖2 本文算法流程圖

2.1 訓練樣本選擇

第一步，進行LEAD樣本的提取。MODIS冰間水道產品提供時間間隔為1 d的LEAD產品，選取對應日期的HY-2B數據與其進行匹配，提取經緯度相同的數據為本文的LEAD訓練樣本。但由于LEAD的數量較少，在這里每月選用了3 000樣本，其中訓練樣本2 100個，驗證樣本900個，訓練樣本與驗證樣本相互獨立。

第二步，進行MYI、FYI、TFYI和 OW 4種類型的海冰樣本提取。選擇這段時間內與AARI冰況圖時間間隔小于1 d的HY-2B數據，通過完成HY-2B與AARI冰況圖的位置匹配，提取海冰類型的樣本。需要說明的是，上述的樣本選擇都是隨機選取且在空間上均勻分布。

另外，當LEAD樣本與海冰類型樣本在空間上重疊時（這種概率非常小），采用的為冰間水道樣本，因為MODIS冰間水道產品與HY-2數據的時間間隔最小。MYI、FYI、TFYI和OW 4類樣本每月各10 000個，其中訓練樣本7 000個，驗證樣本3 000個，兩者相互獨立。

第三步，以向量的形式對5類樣本進行存儲，形式為某地物及與之相對應的波形特征。

2.2 波形特征提取

來自HY-2B雷達高度計的返回信號被采樣到128個bin的范圍窗口中，該信號通常稱為回波波形。利用高度計回波波形進行海冰類型識別重要的任務之一就是提取波形的特征參數。為了能夠定量地描述波形的形狀并考慮信號強度和寬度的差異，結合前人研究結果，本文選擇了MAX、PP、LEW和Sigma0共4個經典的波形特征進行海冰分類實驗。PP、LEW與Sigma0可實現對ENVISAT與CS-2高度計波形的較好分類[23]。MAX 是 Zygmuntowska M 等[11]、Rinne E等[12]、Shen X等[13]均使用過的波形特征。因此以上4個經典的波形特征被選用于本文實驗。其中，LEW、PP和MAX需要從波形中計算得到，Sigma0可以從HY-2B數據中直接讀取。圖3展示了歸一化后五類地物的典型波形。

MAX：特征1（F1），它是波形功率的最大值。式中，Pi為波形在第i個距離門處的功率，Pmax為波形的最大功率，下同。

PP：特征2（F2），它是雷達波形最大峰值功率與同一采樣波形里的所有波形總功率的比[22]。

LEW：特征3（F3），它是回波波形在波形前緣處最大功率值的5%和95%點位間的距離門數（從第一個大于最大功率5%的距離門開始到第一個大于最大功率95%的距離門結束）[23]。A1為波形前緣處最大功率的5%，A2為波形前緣處最大功率值的95%。

Sigma0：特征4（F4），它是HY-2高度計接收到的地物的表面后向反射系數，在HY-2B中，該值已校正了大氣衰減和儀器誤差。

圖3 歸一化后5類地物典型波形

結合圖3可以看出，通常LEAD的表面較平緩，雷達信號多為鏡面反射，PP值較高，且LEW較小；對于OW和海冰則以發生漫反射為主，PP值低于LEAD。5類地物的PP從高到低排序分別是LEAD、FYI、TFYI、MYI和OW。對于MAX來說，LEAD要遠高于其余地物，5類地物的MAX值由高到低排序為LEAD、FYI、MYI、TFYI及OW。對于LEW來說，OW的LEW要大于其他4類地物。毫無疑問，通過HY-2B的波形特征的差異，可以初步實現對各地物的分類。

2.3 KNN分類器

KNN是機器學習算法之一，常被用于分類處理。該方法的思路是：在測試實例中，基于某種距離度量找出訓練集中與其最靠近的k個實例點，然后基于這k個最近鄰的信息來進行預測。在分類任務中可選用“投票法”，即選擇這k個實例中出現最多的標記類別作為預測結果。因此，KNN分類器效率的關鍵要求如下：（1）訓練集必須很好地代表要分類的數據；（2）必須確定k值；（3）測量之間的距離必須是適當的度量。

KNN目前已被應用于高度計海冰分類實驗中[10,12]，并有著較好分類精度，因此本文也選擇此分類器進行試驗。另外，針對KNN分類器參數設置不同產生的分類精度不同，本文將通過實驗確定最優的分類器參數設置，并在文章最后給予推薦。

A Summary of the Research Achievements of Mongolian Folk Songs Published

3 分類結果比較

3.1 特征可分離度

本文應用KS檢驗定量評估單個波形特征對海冰類型的區別能力，KS檢驗的統計量（KS距離）D的計算方法如下：

式中：F(x)為波形特征1的累計概率，S(x)為波形特征2的累計概率，KS距離D于兩者間距離最大時取得。

在統計學中，KS檢驗可以通過量化兩個樣本的經驗累積分布函數之間的距離來判斷兩個數據集是否存在顯著差異。KS距離是重要的可分離性標準，用于測量兩個累積分布函數之間的最大絕對差。它可以取0至1之間的值。一般來說，KS距離大于0.5證明可以將地物進行分類。KS距離處于0.5～0.7時，說明具有部分可分離性；KS距離處于0.7～0.9之間說明有較好的分離性；KS距離大于0.9時，說明具體極好的分離性。選定的0.7和0.9值是定義上述3個組的合理閾值[24]。

結合2019年12月和2020年3月的HY-2B數據，對各地物類型中的4個參數進行KS距離計算，表2定量表示了KS檢驗后的定量結果。由表2可知，MAX值對OW和LEAD的區分度較好，OW與3種海冰間的KS距離均大于0.5，但難以區別OW與LEAD。同時還發現MAX對海冰和LEAD之間有著較好的區分度，在LEAD與TFYI和MYI間的KS距離均為0.5以上。但MAX對于海冰類型間的區分度較低，KS距離基本處于0.5以下。

表2 4種特征參數間的KS距離

PP對OW的區分度最好，KS距離均達到了0.7以上，充分證明了PP對OW有著較好的可分離性。同時可以看出，PP能對FYI與LEAD進行較好的區分，KS距離達到了0.812。但是也可以發現，僅使用PP難以對海冰類型進行精確的區分，PP在識別其余地物類型之時的區分度就遠低于OW。

LEW對OW與FYI的區分較好，也能區分FYI與TFYI，KS距離均達到了0.7以上。除FYI外，僅使用LEW無法對OW和其他海冰進行分離，KS距離均在0.5以下。還可以看出，LEW對LEAD具有一定的區分能力，除難以對OW與LEAD進行識別外，KS距離均達到了0.5以上。

Sigma0對于OW的區分度較高，尤其可將OW與TFYI進行較好的分離，KS距離達到了0.7以上，但對海冰間的區分能力較低。在對MYI與LEAD的區分時，其KS距離達到了0.758，為4個參數中最優。但也可以看出，僅使用Sigma0對海冰間的區分效果不佳，MYI、FYI及TFYI間的KS距離均處于0.5以下。

3.2 分類性能比較

3.2.1 最優波形組合分類結果 文中使用了4個特征對Ku波段HY-2進行分類，這意味著KNN分類器需對應處理（24-1）個即15種特征組合，表3列舉了全部特征的15種排列組合。為定量的比較分類效果，本文使用KNN分類器對不同的特征組合的分類性能進行了測試，設KNN采用歐氏距離衡量地物間的距離且k=3，這部分將在3.2.2節進行描述。最后，將分類結果與AARI北極冰況圖和MODIS冰間水道產品進行對比，最終求得分類精度。為盡量削弱季節及氣候變化對本文實驗造成的誤差，本文選用了2019年12月（冬季）和2020年3月（初春）兩個季節開展實驗。

圖4為上述兩個月數據的分類結果對比。縱坐標為15組波形特征組合，橫坐標為平均分類精度。圖5展示了使用本文算法的最終海冰分類結果。表4至表5是15組數據中分類精度為前三的波形特征組合對應的海冰分類精度。

結合圖4與表4可知，對于2019年12月數據來說，最好分類結果的波形組合分別為組合15、組合14及組合9。組合15為MAX、PP、LEW及Sigma0的組合，組合14為PP、LEW及Sigma0的組合，組合9為PP與LEW的組合。

結合圖4與表5可知，對于2020年3月數據來說，最好分類結果的波形組合分別為組合14、組合9及組合11，組合11為MAX、PP及LEW3個波形特征參數的組合。

對比表4和表5可知，對于2019年12月和2020年3月，組合14和組合9均能得到較高的海冰分類精度。只是2019年12月，組合14的平均分類精度較組合15略低（僅相差0.52%）。但組合14也有其自身的優勢，例如對于FYI的檢測，組合14的探測精度為89.21%，高于組合15的88.45%。因此從冬季（2019年12月）和初春（2020年3月）兩個月份的結果上看，組合14（即PP、LEW及Sigma0的特征組合）可能更為普適。值得一提的是，組合14也是Paul等的實驗中所選擇的[23]。

在2019年12月中，組合15的平均海冰分類精度略高于組合14的原因，可能在于組合15引入了MAX這一波形特征。由表2和3.1節的論述可知，MAX對OW和LEAD有較好的區分度。相比于3月，北極12月份處于初冬季節，存在較多的開闊水和冰間水道，所以在這個月份MAX的引入能夠幫助提高OW和LEAD的識別精度。從表4中也能看出相較于組合14，組合15對OW和LEAD的識別精度確實有一定的提高。

圖4 2019年12月與2020年3月海冰平均分類精度

圖5 2019年12月和2020年3月海冰分類結果圖

表4 2019年12月海冰分類結果

表5 2020年3月海冰分類結果

綜合圖4與表4、表5可知，對于2019年12月和2020年3月，本文算法的最高平均精度均可以達到90%以上，尤其是對于OW來說，最高分類精度可以達到93%以上。組合1至組合4為僅使用單個波形特征進行海冰分類實驗，若將其設為對照組，可以發現其分類精度均低于結合眾參數進行實驗的其他組合，證明多特征識別海冰的優越性，這里的結論也與3.1節的結論是一致的。圖6統計了表4、表5中4項波形參數出現的頻次，由高到低對其進行排列，分別是PP、LEW、Sigma0以及MAX。

圖6 4項波形參數出現的頻次

3.2.2 最優分類器參數設置 為確定最優的KNN分類器參數設置，進一步提升海冰分類算法的準確率，本文擬采用經典的歐式距離和曼哈頓距離來衡量各目標間的距離，同時取用k=1, 2, 3, 4, 5進行實驗（這也是較為常見的k值選擇）[12]。使用表3中波形組合14進行分類實驗。對分類器參數設置的評價標準是，五項地物的平均分類精度越高，則認為分類器的參數設置最優。表6展示了使用歐氏距離與不同k值組合的海冰分類精度，表7展示了基于曼哈頓距離的海冰分類精度。

統計表中結果可知，使用歐氏距離進行海冰分類計算時的精度均略高于曼哈頓距離，平均分類精度約提高了1.3%。在k值的測試中可以看出，經測試，當k=3時分類效果最佳，當k＜3或k＞3時，分類精度均呈現下降趨勢。最終，根據本文實驗，推薦選用歐氏距離作為KNN分類器的度量，且k值設置為3。

表6 歐式距離與不同k值組合下的海冰分類結果

表7 曼哈頓距離與不同k值組合下的海冰分類結果

4 結論與討論

4.1 結 論

利用高度計數據監測極地海冰是當前研究的熱點，本文選用國產HY-2B高度計進行極地海冰分類實驗，通過結合KNN分類器與MAX、PP、LEW與Sigma04個波形特征，實現了對MYI、FYI、TFYI、LEAD及OW5類海冰類型的識別分類，這也是國內外基于HY-2B進行精確的海冰分類工作的首次嘗試，本文研究結論如下：

（1）本文通過使用KS檢測定量評估單波形特征在海冰分類中的能力。MAX對海冰和OW之間有著一定的區分能力，PP對OW的區分度最好，LEW對FYI有著較強的識別能力，Sigma0可用于MYI與LEAD的區分；

（2）使用不同波形特征的組合可實現對海冰的精確分類。通過使用AARI冰況圖產品及MODIS冰間水道產品對分類結果進行精度檢驗，對2019年12月的數據來說，最優波形特征組合為PP、LEW、Sigma0及MAX，對于2020年3月的數據來說，最優的波形特征組合為PP、LEW及Sigma0。兩個月份的海冰分類的最高平均精度均可以達到90%以上，尤其對OW的分類效果最佳，達到了93%以上；

（3）綜合KS檢驗與海冰分類結果對波形特征的重要性進行評估，特征的重要的排序從高到低，分別是PP、LEW、Sigma0與MAX；

（4）本文對分類器的參數設置進行了實驗，對于本文數據來說，推薦選用歐氏距離作為KNN分類器的度量，k值設置為3，此時海冰的分類精度最高。

4.2 討 論

本文研究目的是評估HY-2衛星在海冰分類應用中的可行性，因此采用了4個波形特征PP、LEW、Sigma0及MAX進行分析，4者均為已在其他國外高度計衛星中成功應用過的波形特征[11-13,23]。后續研究將引入TEW、SSD和LTPP等其他波形特征，開展對波形特征在海冰分類中應用的全面分析，以進一步完善波形分類算法。受限于目前可獲取的數據，本文的研究僅使用了2019年12月和2020年3月冬季和初春共兩個月的HY-2B數據。為進一步提高算法的普適性，未來將會利用大量的北極HY-2B數據繼續開展海冰分類分析，以求得適用于不同季節的海冰分類需求的普適性組合方式。對海冰分類產品的精度評價同樣是后續研究方向，例如不僅可開展HY-2與CS-2、Sentinel-3等其它衛星海冰分類對比。還可開展高度計衛星與微波輻射計或散射計等海冰類型產品的對比。