基于深度學習的海冰融池識別

王智豪，柯長青

(南京大學 地理與海洋科學學院，南京 210023)

0 引言

融池是海冰表面積雪融化后聚集形成的水池。6—7月融池可覆蓋10%～50%的北極海冰表面，導致表面反照率下降，進而導致冰和水面吸收額外熱量，影響反照率反饋強度[1]。氣候模型模擬發現，融池對海冰質量平衡、海洋混合層熱收支和鹽量收支等具有重大影響[2-4]。融池識別對于準確預測海冰融化量至關重要[5]。

在早期研究中，主要利用輻射計對冰的表面反照率進行測量[6]。Yackel等[7]在2000年基于非監督分類對航空像片進行融池識別。Maekus等[8]和Howell等[9]采用Landsat 7、QuikSCAT等衛星數據對融池進行估計。2008年，Tschudi等[10]首次提出基于MODIS影像的融池比率(melt pond fraction，MPF)估算的混合像元算法，但該算法對初始數據中的誤差敏感。張干等[11]根據融池物理特征，改進MODIS影像的MPF算法。R?sel等[12]擴展了Tschudi算法，但不同成分的先驗固定光譜反射系數仍可能導致MPF反演精度不高。2015年，Zege等[13]基于MERIS和牛頓-拉夫森方法的迭代程序，根據海冰和融池物理特征，利用光學衛星數據反演MPF；Yackel等[14]用多端元光譜混合分析方法估算MPF。閾值法、主成分分析法(principal component analysis，PCA)等多種分類和統計檢測方法運用到MODIS、MERIS和VIIRS等光學衛星圖像，用于反演MPF，但均效果不佳。主要原因是北極融池以小型融池為主(小于200 m2)[15]，小于傳感器的空間分辨率[16]。

近年來，深度學習已廣泛應用于地物的遙感圖像分類處理。Lee等[17]基于MODIS和WorldView影像，利用MNN和多項回歸邏輯算法(multinomial logistic regression，MLR)對融池進行分類并反演MPF。但MODIS與WorldView分辨率的差異，影響融池識別精度。

選擇高空間分辨率光學影像可提高融池識別精度。航空影像雖分辨率高，但短期內無法覆蓋整個北極地區。Scharien等[18]發現Sentinel-1后向散射系數與MPF具有高相關性，但未能實現融池識別。Sentinel-2影像具有高時空分辨率的優勢，滿足融池識別要求，可在影像上直接觀察到融池。本文基于10 m分辨率的Sentinel-2B影像，選擇融池、海冰和開闊水域反射率區分度大的可見光(波段2、3、4)和近紅外(波段8)波段作為特征波段。人工目視解譯選取訓練樣本，以波段2/3/4反射率、波段2/3/4反射率與波段2/3/4/8反射率差值歸一化值，兩種特征組合方式，分別進行MNN訓練。根據其分類結果，選出識別效果最佳的MNN，并與已有算法比較，驗證方法的可靠性。

1 研究區與數據

1.1 研究區

波弗特海位于美國阿拉斯加州北部，及加拿大西北部沿岸以北至班克斯島之間，一年冰和多年冰覆蓋范圍廣。6—8月海冰表面出現大量融池，通過光學遙感影像極易發現。因此，選取位于80.02°N～82.85°N，115.14°W～141°W覆蓋波弗特海的6—8月的Sentinel-2B影像(圖1)。

注：覆蓋區域a、b、c、d的影像獲取日期分別為2020年7月8日、6月30日、7月22日、8月7日。

1.2 數據

Sentinel-2A、2B分別由歐洲航天局于2015年6月23日和2017年3月7日發射升空。Sentinel-2攜帶多光譜成像儀(multispectral imager，MSI)，具有不同的空間分辨率，分別為10 m、20 m、60 m。選取2020年6月30日、7月8日、22日和8月7日的Sentinel-2B L1C級數據，云覆蓋率分別為4.2%、2.02%、4.27%和4.18%。其中，6月30日、7月8日、7月22日影像用作樣本采集，8月7日影像用作精度驗證。數據來源于歐洲航天局(https：//scihub.copernicus.eu/)。

2 方法

識別流程包括影像預處理、樣本點選取、MNN搭建和模型測試等(圖2)。因不同階段融池、海冰和開闊水域在影像上呈現不同特征，可人工目視解譯生成樣本集。基于兩種特征組合生成兩個實驗樣本集，分別進行MNN訓練，其中70%是訓練集，30%是測試集。

圖2 Sentinel-2影像MNN融池識別方法

2.1 樣本點選取

基于融池、海冰和開闊水域在光學影像上呈現不同的顏色，人工目視選取樣本點。不同階段融池呈現不同顏色，參見圖3，(選自2020年6月30日影像)。融池顏色由其下層海冰厚度或融池水深決定[19]。海冰較厚或融池較淺為鮮艷的藍色，海冰較薄或融池較深為藍綠色，海冰只有薄薄的一層時為灰色。顏色不同意味著不同階段的融池在光譜特征中存在差異。為保證樣本集具有較好的適用性，在選取樣本點時，對不同顏色的融池進行區分。將藍色和藍綠色的融池歸為亮融池，灰色的融池歸為暗融池。6月30日、7月8日、7月22日影像的樣本點總數約為1∶1∶1，每幅影像上開闊水域、海冰、亮融池和暗融池的樣本約按1∶1∶1∶1選取，樣本總數共計18 895個。

圖3 Sentinel-2影像上不同顏色的融池

2.2 地物光譜特征分析

基于樣本點數據，進行地物光譜特征分析(圖4)。通過分析發現，在相近區域內不同時段的各類地物反射率曲線在一定誤差范圍內波動，各種因素(如海冰厚度、海冰密集度等)造成的誤差不會改變曲線的整體波動趨勢，保證了樣本集的適用性。

注：標號“2”為藍光波段，標號“3”為綠光波段，標號“4”為紅光波段，標號“8”為近紅外波段，誤差棒表示為平均值±標準差。

在可見光波段，融池、海冰和開闊水域的反射率具有顯著區分度。但在近紅外波段，暗融池與開闊水域的反射率幾乎相同。這是由于水體在可見光范圍內，反射率總體較低，在近紅外波段，反射率值接近0。融池本質為水池，具有水體的一切性質[20]，其反射率取決于深度、下層冰的物理性質以及融池水體中生物或顆粒物質的數量。底層冰的散射對400～600 nm的反射率影響最大。在可見光范圍內，亮融池反射率比暗融池大2至2.5倍。隨著融池越來越寬、越深，下層冰變薄，減少了冰的散射影響，融池光譜特性越近似于水體。這導致在近紅外波段，暗融池反射率與開闊水域相同，而亮融池反射率與開闊水域有區別。反觀海冰，在可見光和近紅外波段始終具有高反射特性，與其他兩類地物具有顯著差異。因此可基于可見光波段反射率進行融池識別。

2.3 波段差值歸一化處理

文獻[19]發現海冰反射率依賴于傳感器和太陽天頂角以及方位角，海冰和融池的各向異性反射特性降低融池識別精度。選擇Sentinel-2B 4個10 m空間分辨率且地物反射率差異性大的波段(波段2、波段3、波段4、波段8)，分別進行差值歸一化處理(式(1))，使其影響最小化。

(1)

在圖5、圖6中，除波段2與波段3 組合外，其余組合的歸一化值均具有明顯差異性，可用于融池識別。觀察圖5、圖6可知，對僅使用可見光波段(圖5、圖6中波段23、波段24、波段34組合)而言，結合近紅外波段(圖5、圖6中藍色高亮區的波段28、波段38、波段48組合)可增強地物間的區分性。

注：方框中平行的紅線表示中值，而上線表示樣本的75%，方框中的下一行表示樣本的25%。

此外，相較于圖4中暗融池與開闊水域的差異性而言，差值歸一化處理(圖6)，增大了二者的區分度。結合使用可見光波段反射率與差值歸一化值，進行MNN融池識別，可彌補暗融池與開闊水域可見光反射率區分度的不足，提高其他地物的識別度。

注：標號“2”為藍光波段，標號“3”為綠光波段，標號“4”為紅光波段，標號“8”為近紅外波段，誤差棒表示為平均值±標準差。

2.4 多層神經網絡

融池識別需遍歷整幅影像像元。與人工數據處理方式相比，深度學習提高處理速度。典型MNN結構包括輸入層、隱藏層和輸出層。基于Tensorflow模塊，進行MNN搭建。通過測試發現，單層隱藏層的MNN識別效果不佳，需對隱藏層層數及每層中的神經元個數進行調整。并且不同的激活函數與優化器會對識別精度造成影響。以可見光波段反射率作為輸入數據為例，搭建如圖7的MNN。輸入層3個節點分別輸入可見光3個波段的反射率。通過設置不同的隱藏層層數、每層神經元數，選擇驗證精度最高的參數，即3層隱藏層，每層神經元個數分別為15、20、15。前反饋激活函數采用relu和sigmoid，優化器選擇adam，損失函數使用sparse categorical crossentropy，迭代次數為100。樣本集的70%作為訓練集，30%作為驗證集。輸出層為開闊水域、海冰、亮融池和暗融池。基于可見光波段與歸一化值的MNN結構與圖7相比，僅將輸入層神經元個數調整為9個。

圖7 基于Sentinel-2可見光波段反射率為輸入數據的MNN結構

3 結果

3.1 融池識別結果

圖8(e)～圖8(h)可觀察到融池的不同狀態。兩種MNN均能識別出不同狀態的融池以及海冰和開闊水域。圖8表明，兩種MNN具有不同的識別結果。結合表1可發現，相較于基于可見光波段反射率，基于可見光波段與歸一化值MNN，亮融池與暗融池識別比例更大。由表1可知，6—8月融池的覆蓋率變化較大。6月30日亮融池與暗融池的覆蓋率約為1∶1。隨著融池演變，其下層冰變薄，顏色變深，因此7月8日暗融池覆蓋率遠高于亮融池。融池的排水機制使表面融水排入開闊水域，導致融池消失。當融池融透時，已不具備融池的特性，其應歸為海水。并且7月底北極氣溫開始下降且夜間溫度低，融池表面開始結冰，逐漸失去融池的特性。因此7月22日和8月7日結果相較于前兩日結果，融池覆蓋率大幅下降，此時融池主要為暗融池。

表1 基于MNN分類的各地物覆蓋率 %

注：子圖(a)～子圖(d)為Sentinel-2原始影像；子圖(e)～子圖(h)分別為子圖(a)～子圖(d)中紅框內影像；子圖(j)～子圖(l)為可見光波段反射率MNN分類結果；子圖(m)～子圖(p)為可見光波段與歸一化值MNN分類結果。

3.2 精度驗證

基于2020年8月7日影像中隨機一塊區域(圖8(h))，生成1 000個興趣點(point of interest，POI)，并人工目視解譯確定標簽(開闊水域、海冰、亮融池和暗融池)。將兩種MNN分類結果與標簽對比，通過混淆矩陣進行精度評價(表2、表3)。結果表明，基于可見光波段與歸一化值分類總體效果(表2)，優于基于可見光波段反射率(表3)。這表明波段差值歸一化處理可提高融池識別精度。

8月7日，一些融池表面出現薄冰。當薄冰較薄時可忽略其影響；當薄冰厚度到達界定值時，此時的融池應歸為海冰。僅依賴Sentinel-2影像無法準確確定薄冰層厚度具體的界定值，可能影響融池和開闊水域的生產者精度。

人工目視解譯中亮融池與暗融池的判別受主觀判斷影響，使部分亮融池誤判為暗融池，導致暗融池的生產者精度欠佳，但并不影響融池類的識別精度。因此，基于可見光波段與歸一化值的MNN仍具有較好的融池識別精度。

由于暗融池和開闊水域在可見光波段區分度低，導致基于可見光波段反射率MNN暗融池分類結果欠佳。而在圖5中，暗融池與開闊水域差異顯著，MNN更易準確識別暗融池，其用戶精度從59.0%(表3)提升至96.1%(表2)。

表2 2020年8月7日Sentinel-2影像可見光波段與歸一化值分類混淆矩陣(總體精度：88.0%)

表3 2020年8月7日Sentinel-2影像可見光波段反射率分類混淆矩陣(總體精度：82.9%)

4 討論

4.1 與基于單波段歸一化方法對比

與使用可見光波段相比，歸一化處理可提高MNN分類精度。為比較單波段歸一化(式(2))和差值歸一化對地物識別精度影響的差異，以2020年7月8日影像(圖10(a))為例，將可見光波段反射率與單波段歸一化值輸入MNN進行分類。將基于可見光與單波段歸一化值MNN融池識別結果，與上文兩種識別結果對比。

(2)

結果表明，基于可見光與單波段歸一化MNN(圖10(b))分類錯誤，低估海冰比例，高估融池類比例。對比圖4、圖9發現，單波段歸一化處理降低海冰、亮融池和暗融池的區分度，而波段差值歸一化處理能放大各類地物的差異特征，更有利于融池識別。

注：誤差棒表示為平均值±標準差。

圖10 3種MNN融池識別結果

4.2 與PCA方法和LinearPolar方法對比

R?sel等[21]利用Landsat波段1和波段4反射率實現基于PCA區分融池與非融池的算法。Wang等[22]改進了R?sel的算法，基于Sentinel-2的波段2和波段8反射率提出LinearPolar算法。為對比兩種算法和MNN的差異，分別對同一區域進行識別(圖11)。Landsat波段1和波段4，對應于Sentinel-2波段2和波段8。基于Sentinel-2的PCA算法(表4)能較好區分融池類與非融池類，但未能較好區分亮融池與暗融池，且算法高估暗融池的比例。與之相比，LinearPolar算法(表5)提高了暗融池的識別精度，但低估了亮融池比例。 上兩種算法僅識別亮融池與暗融池，均未區分開闊水域與海冰。閾值選擇的合理性直接影響識別結果的準確性，且參數與閾值具有局限性不適用于大規模影像處理。

表4 2020年6月30日Sentinel-2影像PCA算法分類混淆矩陣(總體精度：89.1%)

表5 2020年6月30日Sentinel-2影像LinearPolar算法分類混淆矩陣(總體精度：89.9%)

圖11 基于可見光波段與歸一化值的MNN、PCA、LinearPolar算法融池識別結果

MNN通過差值歸一化處理，降低融池的各向異性反射特性等多種因素對識別的影響，提高亮融池和暗融池的識別精度(表6)?？蓪崿F開闊水域、海冰、亮融池與暗融池的分類。同時MNN無需人工選擇閾值，提高了影像處理速度，可運用于大規模影像處理。

表6 2020年6月30日Sentinel-2影像可見光波段與歸一化值分三類混淆矩陣(總體精度：97.1%)

4.3 與隨機森林(random forest，RF)和支持向量機(support vector machine，SVM)對比

Hyangsum等[23]基于RF識別融池，Qin等[24]基于SVM識別融池。利用同一區域分別進行MNN、機器學習處理，對比3種方法融池識別的差異。根據圖12(c)和表7可得，RF整體識別效果尚可，總體精度達到94.2%。但暗融池識別效果不佳。RF將大量海冰邊緣區誤判為暗融池。由圖12(d)可知，SVM能較準確識別海冰邊緣區，但高估暗融池低估亮融池。亮融池的生產者精度從82.8%(表7)降至65.3%(表8)，暗融池的用戶精度從31.9%(表7)降至16.3%(表8)，導致SVM的總體精度僅有90.5%。

表7 2020年6月30日Sentinel-2影像RF分類混淆矩陣(總體精度：94.2%)

表8 2020年6月30日Sentinel-2影像SVM分類混淆矩陣(總體精度：90.5%)

圖12 基于可見光波段與歸一化值的MNN、RF、SVM融池識別結果

基于可見光波段與歸一化值 MNN(表9)，不僅避免高估暗融池低估亮融池的問題，還可準確識別海冰邊緣區?？傮w識別精度達到97.0%，亮融池和暗融池的用戶精度和生產者精度分別提升至98.9%、87.8%和61.1%、95.6%。

表9 2020年6月30日Sentinel-2影像可見光波段與歸一化值分四類混淆矩陣(總體精度：97.1%)

5 結束語

人工目視解譯選取夏季波弗特海的亮融池、暗融池、海冰及開闊水域的訓練樣本點，分別使用可見光波段反射率、可見光波段反射率結合差值歸一化值，作為MNN輸入進行影像分類。

根據與POI標簽對比，對兩種MNN分類結果進行精度評估。結果表明，基于可見光波段與歸一化值MNN能更準確識別融池。與單波段歸一化處理方式相比，差值歸一化處理增大暗融池與開闊水域的特征差異，提高分類精度。相較于PCA算法、LinearPolar算法、RF和SVM，基于可見光波段與歸一化值MNN可實現開闊水域、海冰、亮融池和暗融池的準確分類，提高亮融池與暗融池的識別精度，使亮融池與暗融池的用戶精度分別提高至98.9%和61.1%。因此，基于可見光波段與歸一化值MNN融池識別更具準確性和可靠性。

未來可提高生成樣本集速度，嘗試基于圖像的卷積神經網絡分類，實現對影像的精細化分類。