基于遙感的2015—2020年環南極冰山空間分布研究

張卓宇 劉蕾 劉旭穎 戚夢真

研究論文

基于遙感的2015—2020年環南極冰山空間分布研究

張卓宇1劉蕾2劉旭穎1戚夢真1

(1北京師范大學全球變化與地球系統科學研究院, 遙感科學國家重點實驗室, 北京 100875;2墨爾本大學工程學院, 墨爾本 3000)

冰山是因冰架各部分運動速度不均, 裂隙生長后貫穿冰架發生崩解而產生的大塊淡水冰。作為南大洋中重要的移動淡水源, 冰山的運動和融化可以釋放淡水并將其擴散至遠離南極大陸的其他海域, 因此, 研究冰山的時空分布和面積分布提取可為研究南大洋的水文、生態乃至全球氣候變化產生的影響提供數據基礎, 具有重要意義。本文采用衛星合成孔徑雷達觀測數據開展南極冰山追蹤研究。基于Google Earth Engine遙感大數據平臺, 合成了2015年8月—2020年8月歐空局Sentinel-1 SAR傳感器影像數據集, 經過分塊重采樣、下載拼接等步驟, 獲得冬季3天內環南極400 km影像鑲嵌圖; 應用柵格分析功能得到研究期的二值化影像, 使用數據轉換和幾何計算等功能提取了單個冰山的面積、周長。結果表明, 南極冰山大量聚集于海岸線50 km以內區域, 其中超小型冰山數量占比接近于50%, 小型冰山可能在南極淡水輸入中扮演了舉足輕重的角色。

南極 冰山 遙感 空間分布

0 引言

南極是全球氣候變化的極度敏感區域。南極冰山誕生于因融化和應力斷裂的冰架和大型淡水冰體, 是大氣、海洋、冰蓋相互作用的結果[1]。利用高空間分辨率的遙感數據對冰山空間分布和物理屬性進行重復觀測和提取可提高冰山的監測精度, 為研究不同季節冰山變化對南大洋環流的作用, 預測和評價冰山淡水輸入對海洋環境的影響, 優化及評估現有的風場[2-3]、洋流模式[4]等提供重要的基礎數據。因此有必要發展高精度的自動提取[5]、配準冰山算法[6], 研究冰山運動、崩解和消融的物理機制[7]。

由于對全南極冰山運動和形態的觀測難以廣泛實施, 以往對南極冰山的研究區域多關注于單個冰山的長時間監測[8], 或集中在局部地區及特定冰架[9], 采用的數據多為分辨率高但覆蓋范圍小的航空影像[10]和年代陳舊的近海岸衛星合成影像, 尚未建立高空間分辨率、長時間持續觀測、大范圍精準覆蓋的標準冰山數據庫。美國國家冰中心自1977年采用可見光遙感對冰山進行周監測,可識別長軸大于18.5 km的冰山[11]; 楊百翰大學自1978年使用6種散射計實現對冰山的日更新, 識別精度為長軸大于5 km[12]; 根據Wesche和Dierking[13]的統計結果, 使用1997年Radarsat-1全南極鑲嵌圖RAMP AMM數據提取了6912座冰山, 面積分布為0.3～4717.6 km2, 并證明了冰架崩解產生的冰山形狀和冰架裂隙紋理有關; Barbat等[14]研究發現1997年Radarsat-1全南極鑲嵌圖RAMP AMM數據包含7649座冰山, 最大的為4567.82 km2, 2000年Radarsat-1全南極鑲嵌圖RAMP MAMM共有13712座冰山, 其中最大的為3358.6 km2, 2008年Radarsat-2數據共有7246座冰山, 其中最大的為4249.3 km2, 研究所提取最小冰山面積為0.1 km2。Tournadre等[15]利用1992—2014年期間的衛星高度計數據識別并提取了南極小型冰山(0.1～8 km2)的地理位置、尺寸以及體積等物理參數, 研究發現南極小型冰山的年際分布特征和大型冰山密切相關, 小型冰山主要通過大型冰山二次崩解產生。

本文采用HH極化方式的Sentinel-1合成孔徑雷達遙感數據, 在Google Earth Engine(GEE)大數據平臺上實現遙感影像的導出[16]。為減少影像數據處理量和椒鹽噪聲的影響, 本文將影像從40 m重采樣到75 m分塊輸出, 再利用鑲嵌、柵格分析、數據轉換和幾何計算工具統計了2015年8月—2020年8月環南極400 km冰山的屬性和地理位置, 記錄了每個冰山數據的時間、面積和周長。為提高冰山矢量數據的可信度, 數據集中最小的冰山提取精度被控制在10倍原始影像分辨率, 即0.16 km2, 時間分辨率為年, 可以反映環南極大范圍的冰山空間分布, 為探究不同尺度的冰山研究提供基礎參考。

1 數據研發方法

GEE大數據平臺基于谷歌云平臺和強大的后臺處理器, 可以實現編程調用數據。它可以結合各種算法進行大范圍的分析處理, 能夠快速、批量處理海量遙感影像和地理數據, 從而較大程度地提高效率。GEE平臺的數據集主要包括Landsat系列數據、MODIS系列數據、Sentinel系列數據、數字高程模型(DEM)數據和氣象模式數據[17]。

本文主要采用Sentinel-1衛星遙感數據, 由共享同一軌道平面的兩顆衛星Sentinel-1A和Sentinel-1B組成, 重訪周期均為12天, Sentinel-1A衛星于 2014年4月3日發射升空, B星于2016年4月25日發射, 兩顆衛星組成星座協同工作, 在南極地區Sentinel-1衛星將近3天可完成一次全覆蓋監測。通過對比研究發現, 冰山目標的后向散射系數在合成孔徑雷達的HH極化方式中最為明顯, 因此HH極化模式適合于區分冰山和海水。為減少相鄰影像拼接即冰山漂移帶來的提取誤差和減少下載影像的數據量, 本文基于GEE遙感大數據平臺合成了2015—2020年距離8月初最近的環南極400 km范圍影像，影像工作模式為EW，成像波段為C波段，具體參數見表1。

因GEE平臺已經對Sentinel-1的數據進行幾何校正和輻射校正, 因此本文不需要進行額外的處理。Sentinel-1 EW寬幅成像模式空間分辨率達40 m, 適用于監測南北極大范圍區域[18]。為減少數據量并減少椒鹽噪聲的影響, 影像的空間分辨率被重采樣為75 m。為了提高冰山矢量數據的可信度, 數據集中最小的冰山提取精度被控制在10倍原始影像分辨率。

本文共采用52.38 GB影像數據進行冰山提取。由于每年衛星的過境時間和受軟、硬件接收裝置的影響, 即使同月的合成影像也存在差異, 鑲嵌圖片見圖1, 由圖可知2015年從東南極威爾克斯地區的奧茨地缺失1000 km長的影像, 2016年自哈德遜角缺失200 km長的影像, 2017年從奧茨地缺失600 km長的影像, 2018—2020年衛星姿態穩定, 基本實現了全南極覆蓋。此外, 本文采用7月和9月的遙感影像對缺失影像進行補充分析。使用臨近月份的遙感影像獲取的冰山位置可能與8月的冰山地理位置產生較小偏差, 但冰山的數量和面積可獲得保證。參與統計的海岸線數據源為相關研究利用2017年Landsat-8數據提取的海岸線[19]。

環南極冰山冬季空間分布數據集生產流程可分為影像預處理和冰山提取兩部分, 技術路線如圖2所示。圖像預處理包括在GEE平臺計算每個像素成像時間距離8月1日0時最近的像素集合, 分辨率重采樣至75 m, 分塊批量輸出影像, 之后在ArcMap平臺鑲嵌圖片, 經過極投影獲取原始影像數據集。

表1 遙感數據簡介

圖1 南極2015年8月—2020年8月Sentinel-1鑲嵌圖

Fig.1. Sentinel-1 Mosaic of Antarctica from August 2015 to August 2020

冰山提取采用了閾值法, 即將每個像素的灰度值和選定的參考閾值進行大小比較, 根據比較的結果, 給每個像素點打上標簽, 一般可分為目標物和背景值兩類。且閾值分割的效果和選取的初始值有很大關系, 將關系到最終影像的分割結果。選擇閾值可根據人工判讀經驗選擇, 也可采用一些自適應的方法, 如最大類間方差法、直方圖谷底法等。

此后在單波段閾值分割方法的基礎上進行了人工目視解譯。在ESRI公司開發的ArcMap 10.7平臺中采用了以下的處理流程: (1)使用Reclasscify工具, 經多次試驗, 將所有影像的閾值設置為大于–3.13的范圍, 生成二值化的提取影像;(2)使用Region Group工具, 鄰域數量參數設置為8鄰域方式, 區域組合方式設置為鄰接方式; (3)使用Extract by Attributes工具選擇相連柵格數量大于10的區域; (4)使用Raster to Polygon工具將柵格圖形轉化矢量形式。而后為提高提取冰山的精度, 采用目視解譯的方式修改冰山的外形輪廓, 最終獲取6年的環南極冰山空間分布矢量信息。

圖2 環南極冰山提取技術路線圖

Fig.2. Technical roadmap of circum-Antarctic iceberg extraction

2 數據驗證與結果分析

2.1 數據精度驗證

混淆矩陣是用來表示精度評價的一種標準格式。混淆矩陣是行列的矩陣, 其中代表類別的數量, 一般可表達如表2所示。該矩陣的列為參考影像信息, 行為被評價影像分類結果信息, 行與列相交的部分概括了被分類到與參考類別有關的某一特定類別中的樣本數目, 樣本數可以為像元數目或者分割對象數目。矩陣的主對角元素為被分到正確類別的樣本數, 對角線以外的元素為遙感分類相對于參考數據的錯誤分類數, 最右列是每類別在分類圖上的總數量, 而底部的一行顯示的是每類別在參考圖上的總數量。

將目視解譯結果視為標準數據集, 2015—2020年期間每年分別任選2000個樣本點來計算混淆矩陣, 進行單波段閾值算法的精度評價。表示實際為冰山像元同時被正確識別的像元;表示實際為冰山像元但沒有被提取的像元;表示實際不是冰山像元但被錯誤提取的像元;表示實際不是冰山像元且沒有被提取的像元。如表3所示, 精度評價指標包括3項: 總體精度(Overall Accuracy,)、召回率()和準確率()。其中總體精度表示正確分類的樣本數量占測試樣本總數的比例, 召回率表示預測出的冰山樣本數量占所有真實冰山樣本數量的比例, 準確率表示真實冰山樣本數量占預測出的冰山樣本數量的比例。

表2 精度評定混淆矩陣

這3種精度評價指標都是基于混淆矩陣計算出, 計算公式如下所示:

如表3所示, 2015—2020年期間每年的3個精度指標均在0.85以上, 其中所有的總體精度都大于0.85, 說明單波段閾值法的冰山識別結果可靠。召回率都在0.85以上, 說明識別出的冰山像素在真實冰山像素中所占比例較高, 遺漏的冰山區域少。準確率都在0.88以上, 表示真實冰山像素在預測冰山像素中所占的比例高, 誤判率低。綜上, 這6年的冰山識別精度總體保持在一個較高的水平, 證明冰山識別結果是可靠的。

2.2 數據結果分析

結果顯示冰山數量占比大的對應尺度為A1超小型冰山和A2小型冰山, 分別占每年冰山總數的82.73%和16.53%, 其余種類的數量占比趨近于0。冰山面積占比最大對應的尺度為A5超大型冰山, 占冰山總面積的34.83%, 冰山面積占比適中對應的尺度為A1超小型冰山和A2小型冰山, 分別占冰山總面積的20.98%、21.37%, 冰山面積占比最小對應的尺度為A3中型冰山和A4大型冰山, 分別占冰山總面積的10.62%、12.17%。

表3 2015—2020年的冰山識別精度評價結果

表4 2015—2020年不同等級下冰山數量(座)與面積(km2)的關系

圖3 2015—2020年不同尺度冰山數量和面積占比關系

Fig.3. Relationship between number and area of icebergs at different scales from 2015 to 2020

由圖4可知超小型冰山和小型冰山的數量在距離海岸200 km以內的范圍里變化顯著。各等級冰山數量隨著與海岸線距離的增加而遞減, 其中2015—2020年每年距離海岸邊緣0～50 km范圍的冰山數分別占總數64.77%、63.30%、62.20%、64.98% 、62.47%和61.10%, 距離海岸最近范圍的冰山數占比均大于60%, 表明冰山大部分主要集中在冰架崩解邊緣的區域。根據長時間序列的冰山數隨距離海岸線的關系, 可知冰山隨著向背離海岸的方向運動而逐漸消亡, 冰山總數占比均值由63.14%、18.25%、8.23%逐漸減小到0, 其中在距離海岸線50 km的范圍內A1級別超小型的冰山分別占冰山總數的54.39%、54.00%、52.73%、55.65%、51.80%和48.42%, 均接近50%, 這意味著小型冰山在全南極淡水輸入量中的貢獻不容忽視。

圖4 2015—2020年不同尺度冰山數量和海岸距離關系

Fig.4. Relationship between iceberg number and coastal distance at different scales from 2015 to 2020

目視解譯冰山提取的細節表現如圖5所示, 不同等級的冰山數量在不同海域的分布情況有一定起伏, 但整體趨勢始終保持一致, 具體統計數據見表5。由數據可知, 冰山總數在西太平洋區域最多, 最多可達到2016年12798座, 最少為2020年7714座; A1超小型冰山多數也集中于西太平洋區域, 最多可達到2016年10399座, 最少為2020年5700座; A2小型冰山也多集中于西太平洋區域, 最多為2015年2430座, 最少為2020年1958座; 冰山總數在威德爾海域的冰山數量最少, 最多為2016年3692座, 最少為2019年2093座; A1超小型冰山在威德爾海域分布最少, 最多為2016年3178座, 最少為2019年1829座。超大型冰山A5在西太平洋區域沒有分布。

圖5 2016年Swinburne和Amery冰架周圍海域的冰山提取效果可視化

Fig.5. Visualization of iceberg extraction in the waters around Swinburne and Amery ice shelves in 2016

表5 2015—2020年不同等級下冰山數量(座)與海域的關系

續表

3 討論和總結

在全球變暖的大背景下, 大量的冰架、冰山崩解和融化使南極動植物的生存受到嚴重威脅。冰山中存儲大量的淡水資源, 為了分析冰山的消融給氣候變化帶來的影響, 評估大型冰山擱淺對生態環境的危害程度, 需要追溯其空間位置和大小。從空間范圍跨度來說, 先前未曾有人使用衛星遙感數據對環南極400 km范圍內的冰山進行研究, 這嚴重制約了對于上述冰山相關的研究。本研究生成了2015—2020年6期環南極冰山的空間分布數據集, 同時開展了時空分布特征的分析。由于研究數據分辨率有限等原因, 可能存在一些小型冰山由于面積過小而被遺漏, 此外海冰的后向散射、風在影像上造成的拖影等也會減弱冰山的識別特征。

研究結果表明, 絕大部分冰山在2015—2020年內沒有發生大的變化, 但也存在部分冰架和大型冰山由于環境變化發生大型崩解、消融而數量增加或減少。環南極冰山年空間分布研究還可以在以下方面進一步拓展: (1)突破冰山的識別精度并提取; (2)已發現冰山的運動監測; (3)消融冰山的剔除。

1 LIU Y, CHENG X, HUI F, et al. Antarctic iceberg calving monitoring based on EnviSat ASAR images[J]. Journal of Remote Sensing, 2013, 17(3): 479-494.

2 SWART N C, FYFE J C. Observed and simulated changes in the Southern Hemisphere surface westerly wind-stress[J]. Geophysical Research Letters, 2012, 39(16): L16711.

3 GAO L B, RINTOUL S R, YU W D. Recent wind-driven change in Subantarctic Mode Water and its impact on ocean heat storage[J]. Nature Climate Change, 2018, 8(1): 58-63.

4 LEFEBVRE W, GOOSSE H, TIMMERMANN R, et al. Influence of the Southern Annular Mode on the sea ice-Ocean system[J]. Journal of Geophysical Research Atmospheres: Oceans, 2004, 109(C9): C09005.

5 ZHAO Z Y, LIU Z, GONG P. Automatic extraction of floating ice at Antarctic continental margin from remotely sensed imagery using object-based segmentation[J]. Science China Earth Sciences, 2012, 55(4): 622-632.

6 BARBAT M M, RACKOW T, WESCHE C, et al. Automated iceberg tracking with a machine learning approach applied to SAR imagery: A Weddell Sea case study[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 172: 189-206.

7 LUCKMAN A, PADMAN L, JANSEN D. Persistent iceberg groundings in the western Weddell Sea, Antarctica[J]. Remote Sensing of Environment, 2010, 114(2): 385-391.

8 BRAAKMANN-FOLGMANN A, SHEPHERD A, RIDOUT A. Tracking changes in the area, thickness, and volume of the Thwaites tabular iceberg “B30” using satellite altimetry and imagery[J]. The Cryosphere, 2021, 15(8): 3861-3876.

9 STUART K M, LONG D G. Iceberg size and orientation estimation using SeaWinds[J]. Cold Regions Science and Technology, 2011, 69(1): 39-51.

10 GUAN Z F, CHENG X, LIU Y, et al. Effectively extracting iceberg freeboard using Bi-temporal landsat-8 panchromatic image shadows[J]. Remote Sensing, 2021, 13(3): 430.

11 BUDGE J S, LONG D G. A comprehensive database for Antarctic iceberg tracking using scatterometer data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(2): 434-442.

12 LONG D G, BALLANTYN J, BERTOIA C. Is the number of Antarctic icebergs really increasing?[J]. Eos, Transactions American Geophysical Union, 2002, 83(42): 469-474.

13 WESCHE C, DIERKING W. Near-coastal circum-Antarctic iceberg size distributions determined from Synthetic Aperture Radar images[J]. Remote Sensing of Environment, 2015, 156: 561-569.

14 BARBAT M M, RACKOW T, HELLMER H H, et al. Three years of near-coastal Antarctic iceberg distribution from a machine learning approach applied to SAR imagery[J]. Journal of Geophysical Research: Oceans, 2019, 124(9): 6658-6672.

15 TOURNADRE J, BOUHIER N, GIRARD-ARDHUIN F, et al. Antarctic icebergs distributions 1992–2014[J]. Journal of Geophysical Research: Oceans, 2016, 121(1): 327-349.

16 DONG J W, XIAO X M, MENARGUEZ M A, et al. Mapping paddy rice planting area in northeastern Asia with Landsat 8 images, phenology-based algorithm and Google Earth Engine[J]. Remote Sensing of Environment, 2016, 185: 142-154.

17 GORELICK N, HANCHER M, DIXON M, et al. Google earth engine: Planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment, 2017, 202: 18-27.

18 歐陽倫曦, 李新情, 惠鳳鳴, 等.哨兵衛星Sentinel-1A數據特性及應用潛力分析[J].極地研究, 2017, 29(2): 286-295.

19 YU Y N, ZHANG Z L, SHOKR M, et al. Automatically extracted Antarctic coastline using remotely-sensed data: An update[J]. Remote Sensing, 2019, 11(16): 1844.

The spatial distribution of icebergs around Antarctica from 2015 to 2020 based on remote sensing

Zhang Zhuoyu1, Liu Lei2, Liu Xuying1, Qi Mengzhen1

(1State Key Laboratory of Remote Sensing Science, College of Global Change and Earth System Science, Beijing Normal University, Beijing 100875, China;2Melbourne School of Engineering, Melbourne 3000, Australia)

Icebergs are large pieces of ice produced by the disintegration of ice shelves following crack growth due to the uneven movement speed of each part of ice shelves. The movement and melting of icebergs can transport and subsequently release freshwater to parts of the Southern Ocean that are distant from the Antarctic continent. Accordingly, studying the temporal and spatial distribution of icebergs can provide insights related to the hydrology, ecology, and even the impacts of global climate change across the Southern Ocean. Extracting the iceberg area distributionfrom remotely sense imagery provides a data basis for such investigations. Using Google Earth Engine, the image dataset of ESA Sentinel-1 SAR images from August 2015 to August 2020 were synthesized. After block resampling, downloading, and splicing, a mosaic map of 400 km around the South Pole within 3 days in winter was obtained; a binary image was then obtained using the grid analysis function, and the area and perimeter of each iceberg was extracted by using data conversion and geometric calculation functions. The results show that many Antarctic icebergs are concentrated within 50 km of the coastline, of which ultra-small icebergs account for nearly 50%. As such, small icebergs may play an important role in the input of fresh water in Antarctica.

Antarctica, icebergs, remote sensing, spatial distribution

2021年10月收到來稿, 2021年11月收到修改稿

國家自然科學基金(41830536)資助

張卓宇, 女, 1997年生。碩士, 主要從事極地遙感研究工作。E-mail: 201921490047@mail.bnu.edu.cn

10.13679/j. jdyj. 20210078