環境減災二號A/B衛星在遼東灣海冰監測中的應用

陳璐 胡凱龍 劉明博

(應急管理部國家減災中心，北京 100124)

海冰主要是由海水凍結而成的咸水冰，與海嘯、風暴潮、災害海浪和赤潮并稱為海洋五種主要災害，尤其多發于極地海域和某些高緯度區域。海冰災害嚴重時會導致航運中斷、船舶受損、石油平臺等大型海上工程建筑塌陷等，海冰膨脹時還會破壞港口和碼頭[1]。我國北部海域因緯度偏高每年都會出現結冰現象，遼東灣是我國緯度最高的海域，冬季受寒潮影響會出現大面積海冰現象[2]，此外還有黃河冰凌由入海口流入海洋，在歷史上曾發生多次嚴重災情并造成重大經濟損失。因此，在海冰易發季節有效監測海冰的變化，并結合氣象等信息分析其發展趨勢在防范減少災害損失方面具有重大意義。

衛星遙感具有非接觸、實時獲取的特點，對于大范圍的海冰分布監測更加方便高效。目前的海冰遙感監測方法主要集中在基于高分辨率光學影像的特征提取和基于合成孔徑雷達(SAR)[3]的主動遙感方法。雖然光學遙感受天氣影響較大，但其具有應用成本低、分辨率精細和重訪周期短等特點[4]，且影像直觀真實，在海冰監測中有較為明顯的優勢，可進行業務化的生產和應用。我國已有的應用于海洋監測的衛星主要有海洋(HY-1、HY-2、HY-3)衛星系列、高分三號衛星等，用于海洋環境和資源監測等[5]。以防災減災、環境保護為主要業務的環境減災二號A/B衛星具有強大的數據獲取能力，具備兩星組網，實現可見及紅外多光譜數據全球2天1張圖、高光譜數據全球15天1張圖的能力。在保證寬視場的同時，多光譜數據的空間分辨率達16 m，適用于大范圍的高精度海冰監測。

利用光學衛星影像的海冰提取方法主要有基于指數[6]的、基于紋理[7]的、基于圖像分割[1]的和利用機器學習[8]等方法，雖然達到了一定的分類效果，但難以處理海量數據并快速提供決策支持。卷積神經網絡(CNN)通過選擇合適的卷積核對輸入圖像進行變換，能更好的根據圖像特征進行分類，提高識別準確率，應用于海冰提取中的精度已達到98%以上[9]。本文利用基于深度學習的語義分割模型，對環境減災二號A/B衛星獲取的不同時相多光譜影像進行海冰范圍提取，對渤海遼東灣海冰分布情況進行動態監測并分析其應用能力。

1 研究區概況與數據

1.1 研究區概況

本文研究區域位于渤海遼東灣，地理坐標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，是中國渤海三大海灣之一。研究區范圍如圖1所示。遼東灣是中國邊海水溫最低、冰情最重處，受西北風影響，東岸又較西岸為重。每年受強冷空氣和寒潮天氣長時間影響，渤海遼東灣海冰結冰范圍較大，海冰災害對沿海各地港口運輸，水產養殖、油氣開采等涉海生產和群眾生活帶來一定程度的影響。

圖1 研究區示意圖Fig.1 Overview of study area

1.2 衛星影像數據

本文研究主要利用環境減災二號A/B衛星影像數據對渤海遼東灣海域進行海冰監測。環境減災二號A/B衛星均配置16 m相機、高光譜成像儀、紅外相機和大氣校正儀等4種載荷，可提供16 m多光譜、48 m高光譜和48 m紅外圖像數據，大氣校正儀可在軌同步獲取與16 m相機相同視場的大氣多譜段信息。具體參數見表1。

表1 環境減災二號A/B衛星主要參數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期的成像效果良好的環境減災二號A/B衛星的多光譜數據，對遼東灣地區的海冰進行監測。影像數據的具體參數見表2。

表2 衛星影像數據基本信息Table 2 Basic information of satellite image data

2 研究方法

本文對獲取的研究區遙感影像進行大氣校正、輻射定標、幾何校正和數據鑲嵌等預處理，利用基于DeepLabV3模型的深度學習語義分割算法進行渤海灣海冰提取，再利用人工目視解譯結果對提取的海冰范圍進行驗證，通過比較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，對渤海灣海冰進行監測。

2.1 遙感影像預處理

1)輻射定標

直接獲取的遙感影像中的每個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。在應用過程中，為保證傳感器獲取數據的準確性，需要進行輻射定標得到地物目標的輻射亮度。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為定標系數增益；B為偏移量。

2)大氣校正

根據衛星遙感影像的成像原理，傳感器最終測得的地面目標的總輻射量度并不是地表真實反射率的反映，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。因此需要對環境減災二號A/B衛星采集數據進行大氣校正，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

由于環境減災二號A/B衛星多光譜數據的幅寬和衛星運行軌跡影響，對遼東灣附近海域進行大范圍監測時需要對相鄰的兩景影像進行鑲嵌。首先對影像構建金字塔，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，需要根據影像之間的相關性進行圖像配準。本文使用的圖像配準方法是基于圖像灰度的相關系數法，兩幅影像的相關系數為

R(I,T)=

(2)

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

配準后的影像再根據大地坐標，將待鑲嵌影像對的重疊區域進行灰度差值運算，得到重疊區域的差值圖像，用來確定鑲嵌線。由于兩幅影像存在一定的亮度差異，尤其是在重疊區域處更為明顯，因此還須進行亮度鑲嵌。將兩幅影像對應像元的平均值作為重疊區域像元點的亮度值，調整后亮度值為

(3)

式中：g(i,j)為重疊部分亮度調整后的亮度值；i,j為行列號；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。經過圖像亮度鑲嵌后輸出的鑲嵌影像色彩均衡，色調統一。

2.2 基于深度學習的語義分割方法

語義分割是計算機視覺領域一種對圖像進行像素級分類的方法，傳統的語義分割方法包括直方圖閾值化方法、混合化特征空間聚類方法、基于區域的方法、支持向量機(SVM)等算法。基于深度學習的語義分割方法就是采用卷積神經網絡(CNN)分類[10-13]，區別于傳統依賴于專家知識的特征提取，CNN具有一定的自動特性學習能力。通過一系列卷積捕捉圖像的復雜特征，對圖像中的內容進行編碼，再解碼生成原始圖像的類別，因此也將這種分類模型稱為基于編碼器-解碼器結構的語義分割模型。

常見的基于編碼器-解碼器結構的語義分割模型有全卷積神經網絡(FCN)系列[14]、Unet網絡、DeepLab[15]系列、PSPNet[16]等模型。由于在卷積過程中連續的池化和下采樣，使特征分辨率下降，不利于定位，DeepLab V3[17]模型針對這一問題提出了一種控制特征的抽取、學習多尺度特征的網絡結構。DeepLab V1模型結合了深度卷積神經網絡(DCNNs)和概率圖模型(DenseCRFs)，將DenseCRFs作為后處理，兼顧考慮了待分類像素點周圍像素點的值，使語義分割的邊界清楚。但利用DCNNs進行語義分割時還存在精準度不夠的問題，根本原因是重復的池化和下采樣降低了分辨率。但是另一方面，重復的池化和下采樣擴大了感受野，而感受野的擴大對語義分割任務來說也是至關重要的。針對這一問題，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到擴大卷積范圍的效果)擴展感受野，與此同時不會降低特征圖的分辨率。另外，DeepLab V2模型組合了不同擴張率的空洞卷積所產生的特征圖的ASPP模塊，用于獲取更加豐富的上下文信息。DeepLab V3模型對上述的ASPP模塊進行了改進(具體流程如圖2所示)，根據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，以獲得更準確的分割結果。

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

本文利用DeepLab V3語義分割模型，對經過預處理后的環境減災二號A/B衛星數據進行海冰范圍提取并分析渤海遼東灣海冰隨時間變化規律，利用人工目視解譯結果進行精度與評價。

3 結果分析

3.1 海冰范圍提取結果

本文分別對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的海冰范圍進行監測，結果如圖3所示。

圖3 海冰范圍提取結果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：2021年12月24日至25日海冰影響的海岸線長度增加，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，海冰范圍逐步呈擴大趨勢。通過對提取的海冰結果進行計算，得到每日海冰影響面積見表3。根據氣象信息，遼東灣海域于2021年12月中旬進入初冰期，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致海面浮冰融化，面積減小。隨著2022年1月第二次寒潮來臨，海面浮冰面積呈逐步增大的趨勢。上述結果表明，海冰監測面積與氣溫變化趨勢基本一致。

表3 海冰影響范圍面積統計Table 3 Statistics of area affected by sea ice

由表3中的面積計算結果可知，受寒潮影響，2021年12月24日至25日一天時間海冰面積迅速增長，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，須持續監測防范海冰災害發生。

3.2 海冰范圍提取精度分析

根據上述結果，利用基于深度學習的語義分割模型基本可以實現海冰提取，但在少數細微處還存在未提取的情況，如圖4所示。

圖4 漏提取區域Fig.4 Leak extraction area

為了定量評價該模型的提取精度，本文采用了目視解譯的海冰范圍作為參照，計算基于深度學習的語義分割模型的海冰提取精度為

(4)

式中：P為表示分類精度；Sreal為正確提取的區域像素數；Stotal為目視解譯提取的參考區域像素數。

根據目視解譯結果選取渤海遼東灣海冰提取結果中有明顯漏提區域進行精度評價，以2021年12月25日的海冰提取結果為例，計算得到提取精度達到97.4%。可以得出利用DeepLab V3語義分割模型對環境減災二號A/B衛星數據的海冰提取結果精度可以達到97.4%以上，能夠滿足海冰日常監測的業務需求。

4 結束語

本文以渤海遼東灣海冰監測為例，利用環境減災二號A/B衛星數據，采用基于DeepLab V3模型的深度學習語義分割方法，提取2021年12月下旬至2022年1月中旬的形成期海冰范圍，并監測其面積變化。結果表明，受寒潮影響，海冰面積迅速增長，最高可達1000平方千米/天以上。利用目視解譯結果對深度學習語義分割方法提取的海冰范圍進行精度評價，計算得到海冰提取的準確率達97.4%以上。本文研究結果表明：環境減災二號A/B衛星的16 m多光譜數據可以應用在海冰日常監測中，利用深度學習的語義分割算法提取海冰的準確率可以滿足災害風險日常監測的業務需求。