基于SAR 衛(wèi)星觀測(cè)的北極冰渦時(shí)空分布特征*

房 超 汪 勝 劉桂紅 杜延磊 趙亞明 于 ? 楊曉峰

1（中國科學(xué)院空天信息創(chuàng)新研究院 遙感科學(xué)國家重點(diǎn)實(shí)驗(yàn)室 北京 100101）

2（中國科學(xué)院大學(xué) 北京 100049）

3（澳門大學(xué)科技學(xué)院 澳門 999078）

4（北京市5111 信箱 北京 100094）

0 引言

北極地區(qū)常年被冰雪覆蓋，是地球大氣的主要冷源之一，其中北冰洋占據(jù)了其2/3 的面積。來自大西洋和太平洋的暖流造成了北冰洋復(fù)雜的海洋動(dòng)力和熱力環(huán)境，導(dǎo)致大洋內(nèi)部出現(xiàn)斜壓和正壓不穩(wěn)定[1-6]，從而形成了海洋渦旋。邊緣冰區(qū)（Marginal Ice Zone,MIZ）上層浮冰在海洋渦旋的驅(qū)動(dòng)下表現(xiàn)出顯著的螺旋特性和渦旋運(yùn)動(dòng)特點(diǎn)。本文將海表浮冰與海洋渦旋構(gòu)成的冰水混合模式稱為冰渦。

一般情況下，冬季的冰層較厚且表面粗糙，抑制了近地表斜壓不穩(wěn)定性的發(fā)展，從而阻斷了表層橫向混合的渦旋驅(qū)動(dòng)機(jī)制。隨著夏季的到來，海冰變得薄且光滑，近地表層斜壓不穩(wěn)定性逐漸增強(qiáng)，導(dǎo)致渦旋活動(dòng)變得十分活躍[7]。渦旋的垂直熱量傳輸加速了極地海冰的消融，從而導(dǎo)致斜壓不穩(wěn)定性持續(xù)增強(qiáng)，渦旋活動(dòng)因此變得更加活躍。極地海冰和渦旋相互作用[8]，影響了邊緣冰區(qū)的演化，間接調(diào)節(jié)著全球氣候。此外，和大多數(shù)中低緯度海洋渦旋一樣，冰渦對(duì)于海洋的溫鹽、碳和生物化學(xué)物質(zhì)運(yùn)輸也有著重要的影響[9-14]。

冰渦數(shù)據(jù)的獲取主要依賴于現(xiàn)場(chǎng)觀測(cè)儀器和衛(wèi)星傳感器。一般情況下，現(xiàn)場(chǎng)觀測(cè)數(shù)據(jù)具有高質(zhì)量和高可靠性的優(yōu)勢(shì)，目前的現(xiàn)場(chǎng)觀測(cè)手段包括系泊觀測(cè)[8,15-18]（mooring）、冰系剖面儀[19]（ice-tethered profilers）以及冰下滑翔機(jī)（under-ice gliders）。然而，受制于高昂的觀測(cè)成本和惡劣的天氣條件，現(xiàn)場(chǎng)觀測(cè)數(shù)據(jù)的數(shù)量和覆蓋范圍難以支撐實(shí)驗(yàn)需求。衛(wèi)星所搭載的傳感器，通過全球范圍的高空間分辨率和大幅寬觀測(cè)，理論上可以獲取大量數(shù)據(jù)以支持冰渦現(xiàn)象的檢測(cè)和特征分析任務(wù)。然而，由于海冰的存在，導(dǎo)致基于現(xiàn)有的北極衛(wèi)星觀測(cè)資料難以推斷出海洋表面的特征，例如海面高度、溫度和鹽度[20]。此外，衛(wèi)星測(cè)高顯示了海洋中分辨率為O （100 km）的中尺度渦旋場(chǎng)[21]，北極渦旋的尺寸相對(duì)于中低緯度渦旋要小數(shù)倍，因此即使在無冰覆蓋的地區(qū)，衛(wèi)星測(cè)高也只能識(shí)別少數(shù)渦旋[20]。盡管可見光和紅外波段的中高分辨率衛(wèi)星能夠直接獲得北冰洋渦旋場(chǎng)的空間信息，但是由于北冰洋常常被密集的云層覆蓋，所獲取的可用數(shù)據(jù)并不足以支撐大范圍的冰渦觀測(cè)。

相比之下，具有全天時(shí)、全天候觀測(cè)特點(diǎn)的高空間分辨率星載合成孔徑雷達(dá)（SAR）更適合觀測(cè)北極中尺度和亞中尺度上層海洋過程[20]。當(dāng)海冰從鄰近的邊緣冰區(qū)被卷吸到渦旋場(chǎng)中時(shí)，上層浮冰可以完全模擬該區(qū)域的流場(chǎng)，由此形成了明顯的螺旋特征。此外，由于波流相互作用、漂流浮冰以及海洋鋒面上近地面風(fēng)的變化對(duì)短尺度表面粗糙度模式的調(diào)制，使得渦旋特征在星載SAR 圖像中易于識(shí)別[22,23]。在這種情況下，較薄的冰（如新形成或融化的冰）在SAR 圖像中會(huì)被視為暗模式（低后向散射），而較厚的冰會(huì)被視為亮模式（高后向散射）[24]。

Kozlov 等[20]通過對(duì)北冰洋邊緣冰區(qū)的SAR 影像進(jìn)行目視解譯，分析了北冰洋西部邊緣冰區(qū)的渦旋空間分布特征。這些渦旋的直徑范圍介于0.5～100 km 之間，多分布在大陸架和大陸斜坡地區(qū)，較少分布在加拿大海盆深處和楚科奇高原。此外，氣旋型渦旋的出現(xiàn)次數(shù)大約是反氣旋型渦旋的兩倍。Kozlov 和Atadzhanova[24]采用了目視解譯方法，對(duì)弗拉姆海峽和斯瓦爾巴群島邊緣冰區(qū)的渦旋進(jìn)行了研究。研究結(jié)果表明，在該區(qū)域，中尺度和亞中尺度的渦旋占據(jù)主導(dǎo)地位，氣旋型渦旋的發(fā)生頻率約為反氣旋型渦旋的兩倍，這與之前的研究結(jié)論一致。這些渦旋的直徑范圍在1～68 km，其平均直徑在淺水和深水中分別為6 和12 km。在邊緣冰區(qū)內(nèi)，渦旋的平均尺寸隨著海冰密集度的增加而增加，但是渦旋主要發(fā)生在邊緣冰區(qū)以及海冰濃度低于20%的地方。值得注意的是，氣旋型冰渦的海冰占比為53%，稍高于反氣旋型冰渦的48%。每個(gè)渦旋平均捕獲的海冰面積約為40 km2，而由渦旋引發(fā)的冰融化所導(dǎo)致的冰邊緣平均水平后退速率約為0.2～0.5 km·d-1，標(biāo)準(zhǔn)偏差為±0.02 km·d-1。

目前，在基于SAR 的冰渦檢測(cè)研究中，主要采用人工目視解譯方法。然而，在進(jìn)行目視解譯之前，需要對(duì)海量的遙感影像進(jìn)行篩選，以確定存在冰渦特征的影像。由于冰渦上層的堆積浮冰呈現(xiàn)不規(guī)則分布的特點(diǎn)，傳統(tǒng)的渦旋檢測(cè)算法并不適用，只能依賴人工篩選的方式。因此，盡管衛(wèi)星數(shù)據(jù)幾乎覆蓋了整個(gè)北極地區(qū)，但由于冰渦的人工篩選工作量巨大，目前缺少對(duì)整個(gè)北極地區(qū)的冰渦時(shí)空分布的全面統(tǒng)計(jì)分析。

隨著深度學(xué)習(xí)算法的不斷發(fā)展，一系列目標(biāo)檢測(cè)模型被廣泛應(yīng)用于海洋現(xiàn)象檢測(cè)研究中。例如，Li等[25]充分考慮海洋遙感領(lǐng)域的數(shù)據(jù)特性，利用改進(jìn)后的深度學(xué)習(xí)模型開展了一系列海洋現(xiàn)象檢測(cè)和分析，結(jié)果表明深度學(xué)習(xí)方法在海洋遙感領(lǐng)域具有顯著的應(yīng)用潛力。

在各種目標(biāo)檢測(cè)算法中，YOLO（You Only Look Once）模型憑借極快的訓(xùn)練速度和較高的檢測(cè)識(shí)別精度被廣泛使用。相較于其他優(yōu)秀的目標(biāo)檢測(cè)模型-SSD 和Faster-RCNN，YOLO 模型具有以下優(yōu)勢(shì)：首先，該模型采用更加輕量化的網(wǎng)絡(luò)結(jié)構(gòu)，在保證準(zhǔn)確率的前提下，實(shí)現(xiàn)了更快的檢測(cè)速度；其次，由于每個(gè)網(wǎng)絡(luò)預(yù)測(cè)目標(biāo)窗口時(shí)使用的是全圖信息，很好地避免了背景錯(cuò)誤，使得假陽性（False Positive）檢測(cè)結(jié)果的比例大幅降低；最后，YOLO 模型經(jīng)過數(shù)代更迭已經(jīng)十分成熟，能夠兼顧精度和速度優(yōu)勢(shì)，其部署、訓(xùn)練以及二次開發(fā)更為便捷。Bhavya 等[26]在2021 年的一項(xiàng)研究表明：如果在COCO 數(shù)據(jù)集上比較SSD 和YOLOv3，在輸入分辨率為320×320 的情況下實(shí)現(xiàn)幾乎相同（28%）的全類平均精度（mean Average Precision, mAP），YOLOv3 的運(yùn)行速度大約是SSD 的3 倍。隨著YOLO 系列不斷更新，其精度和速度都得到了進(jìn)一步改善。YOLOv7 于2022 年7 月發(fā)表，當(dāng)時(shí)，在5 FPS 到160 FPS 的范圍內(nèi)，其在速度和精度上優(yōu)于所有已知的目標(biāo)檢測(cè)器[27]。

YOLO 模型的在遙感領(lǐng)域中也得到了廣泛應(yīng)用，Wang 等[28]針對(duì)高度計(jì)數(shù)據(jù)，采用增加注意力機(jī)制的YOLO 模型有效地學(xué)習(xí)了中尺度渦旋的特征，并對(duì)南海區(qū)域的渦旋進(jìn)行檢測(cè)識(shí)別，結(jié)果表明YOLO 模型在單灰度海平面異常（SLA）數(shù)據(jù)上的表現(xiàn)要優(yōu)于兩階段檢測(cè)技術(shù)Faster R-CNN。Cao 等[29]將改進(jìn)的YOLO 模型應(yīng)用于SLA 數(shù)據(jù)，對(duì)1993—2021 年南海的中尺度渦進(jìn)行了探測(cè)和識(shí)別。與傳統(tǒng)的識(shí)別方法相比，該模型具有更好的識(shí)別效果（準(zhǔn)確率達(dá)91%），不僅避免了主觀設(shè)定閾值所帶來的偏差，還在一定程度上提高了中尺度渦旋的探測(cè)和識(shí)別速度。此外，Khachatrian 等[30]收集了弗拉姆海峽區(qū)域的冰渦SAR 影像，微調(diào)預(yù)訓(xùn)練的YOLOv5 模型，檢測(cè)結(jié)果表明了YOLOv5 模型在邊緣冰區(qū)渦旋檢測(cè)任務(wù)中的有效性和魯棒性。

本文基于歐洲航天局（European Space Agency，ESA）哨兵一號(hào)衛(wèi)星的SAR 數(shù)據(jù)，對(duì)北極冰渦的檢測(cè)、識(shí)別與特征分析進(jìn)行了研究。在數(shù)據(jù)構(gòu)建階段，采用了歐洲航天局官方提供的2024 幅SAR 影像制作了樣本集；在冰渦檢測(cè)任務(wù)中，運(yùn)用了YOLOv7 算法進(jìn)行了模型訓(xùn)練，并結(jié)合模型結(jié)果進(jìn)行了目視解譯；在特征分析任務(wù)中，對(duì)2022 年北極邊緣冰區(qū)的冰渦時(shí)空分布信息進(jìn)行了統(tǒng)計(jì)，并從冰渦直徑、冰渦類型（氣旋/反氣旋）、海冰占比三個(gè)方面對(duì)冰渦特征進(jìn)行了統(tǒng)計(jì)分析。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)

研究使用的哨兵一號(hào)A 星SAR 影像數(shù)據(jù)由歐洲航天局提供，該衛(wèi)星于2014 年4 月3 日發(fā)射，其上搭載的C 波段合成孔徑雷達(dá)具有4 種觀測(cè)模式：干涉寬幅（IW），超寬幅（EW），波模式（WV）和條帶模式（SM），具體信息詳見表1。

表1 哨兵一號(hào)衛(wèi)星成像模式及參數(shù)Table 1 Sentinel-1 imaging modalities and parameters

歐洲航天局在其官方網(wǎng)站** https://scihub.copernicus.eu/** https://usicecenter.gov/上提供了四種不同級(jí)別的數(shù)據(jù)，分別為Level-0 級(jí)原始數(shù)據(jù)、Level-1 級(jí)單視復(fù)數(shù)數(shù)據(jù)（Single Look Complex，SLC）、Level-1 級(jí)地距多視數(shù)據(jù)（Ground Range Detected，GRD）和Level-2 級(jí)數(shù)據(jù)。本文選用了EW 和IW 模式下的Level-1 級(jí)GRD 數(shù)據(jù)進(jìn)行研究，并且使用了歐洲航天局發(fā)布的專業(yè)軟件SNAP 對(duì)GRD 數(shù)據(jù)進(jìn)行了一系列處理，包括軌道校正、輻射定標(biāo)、重采樣以及Refined-lee 濾波。為了后續(xù)制作樣本切片，這里暫時(shí)未進(jìn)行地理編碼。

此外，為了最大程度地篩選出北極邊緣冰區(qū)的冰渦影像，本文還使用了美國國家冰中心*** https://scihub.copernicus.eu/** https://usicecenter.gov/提供的北極月度海冰變化趨勢(shì)圖來判斷邊緣冰區(qū)的位置，該趨勢(shì)圖顯示了整個(gè)北極地區(qū)的海冰消退和擴(kuò)張。本文結(jié)合北極冰情圖目視收集了2024 幅含有潛在冰渦特征的北極邊緣冰區(qū)哨兵一號(hào)衛(wèi)星SAR 數(shù)據(jù)，其時(shí)間分布和空間分布如表2 和圖1 所示。

圖1 北極邊緣冰區(qū)實(shí)驗(yàn)數(shù)據(jù)分布Fig. 1 Distribution of experimental data in the Arctic marginal ice area

表2 北極冰渦檢測(cè)SAR 數(shù)據(jù)統(tǒng)計(jì)（哨兵一號(hào)衛(wèi)星）Table 2 SAR data statistics for Arctic ice eddy detection （Sentinel-1）

1.2 YOLO 模型原理

YOLO[31]算法通過端到端的回歸來獲取監(jiān)測(cè)目標(biāo)的具體位置和分類信息，在保證精度損失最小的情況下大幅提高模型檢測(cè)速度。具體工作原理如圖2所示，將輸入圖像劃分為S×S個(gè)網(wǎng)格，每個(gè)網(wǎng)格要預(yù)測(cè)B個(gè)邊界框，每個(gè)邊界框的預(yù)測(cè)由五個(gè)值組成：Pc，Bx，By，Bh，Bw，其中Pc代表邊界框的置信度分?jǐn)?shù)，反映了模型對(duì)方框內(nèi)包含物體的置信度以及方框的精確程度。Bx和By表示方框相對(duì)于網(wǎng)格單元的中心位置，Bh和Bw為方框相對(duì)于整個(gè)圖像的高度和寬度。模型的輸出是一個(gè)大小為X的張量，可以選擇用非極大值抑制（NMS）來去除重復(fù)的檢測(cè)結(jié)果。其中

圖2 YOLO 目標(biāo)檢測(cè)Fig. 2 YOLO target detection

SAR 影像中冰渦的特點(diǎn)是具有旋轉(zhuǎn)特征和強(qiáng)烈的明暗對(duì)比，與自然圖像相比更加簡單，特征更加明顯。基于YOLOv7 目標(biāo)檢測(cè)模型和已構(gòu)建的樣本數(shù)據(jù)集開展研究，在預(yù)訓(xùn)練模型的基礎(chǔ)上進(jìn)行訓(xùn)練，學(xué)習(xí)冰渦特征。YOLOv7 使用了多個(gè)卷積層和池化層來逐步提取圖像的特征，在YOLOv4，YOLOv5，YOLOv6 基礎(chǔ)上進(jìn)行了以下改進(jìn)：首先，模型擴(kuò)展了高效的聚合網(wǎng)絡(luò)，在不破壞原始梯度路徑的情況下增強(qiáng)網(wǎng)絡(luò)的學(xué)習(xí)；其次，YOLOv7 提出了一種新的基于串聯(lián)模型的縮放策略，其中塊的深度和寬度以相同的比例進(jìn)行縮放，以保持模型的最佳結(jié)構(gòu)；此外，該模型引入了卷積重參數(shù)化（RepConv）并進(jìn)行了改進(jìn)；最后，引入了輔助訓(xùn)練模塊coarse-to-fine （由粗到細(xì)），用于引導(dǎo)標(biāo)簽分配策略[32]。這些改進(jìn)使得模型訓(xùn)練速度和檢測(cè)精度有了顯著提升，與YOLOv4 相比，YOLOv7 實(shí)現(xiàn)了參數(shù)減少75%，計(jì)算量減少36%，同時(shí)平均精度（AP）提高了1.5%[27]。

1.3 冰渦特征計(jì)算

在YOLOv7 模型檢測(cè)的結(jié)果上進(jìn)行切片處理，得到冰渦子圖像，并在此圖像的基礎(chǔ)上進(jìn)行目視解譯，剔除非冰渦子圖。從冰渦直徑、冰渦類型（氣旋/反氣旋）和海冰占比三個(gè)方面計(jì)算冰渦特征。首先，計(jì)算冰渦的直徑，在先前冰渦目視解譯的研究中，將穿過冰渦中心的兩個(gè)準(zhǔn)垂直截面的平均值作為冰渦直徑[20,33]。本文簡化了這一步驟，采用檢測(cè)框的邊長的均值作為冰渦直徑，提高了解譯效率。其次，基于堆積浮冰勾勒出渦旋邊界，通過目視解譯來確定旋轉(zhuǎn)方向（氣旋型/反氣旋型）。最后采用閾值法對(duì)冰渦影像進(jìn)行預(yù)處理，并根據(jù)冰渦直徑擬合橢圓，將橢圓內(nèi)海冰像素占比記為海冰占比。冰渦旋轉(zhuǎn)方向的確定和閾值法提取海冰占比的示例如圖3 所示。

圖3 冰渦類型判別和閾值法Fig. 3 Ice eddy type discrimination and threshold method

2 結(jié)果與分析

2.1 模型訓(xùn)練與測(cè)試結(jié)果

選用2024 幅哨兵一號(hào)衛(wèi)星SAR 影像制作數(shù)據(jù)集，其中2022 年的1701 幅影像用于模型訓(xùn)練，余下的2014 年的323 幅影像用于模型精度測(cè)試。經(jīng)過預(yù)處理后的SAR 影像被降采樣到100 m 分辨率，最大程度保留了冰渦細(xì)節(jié)特征。然而，在這一分辨率下的影像尺寸較大，將整幅影像作為輸入會(huì)導(dǎo)致顯存超標(biāo)，也會(huì)降低樣本利用率，影響訓(xùn)練效果。為了解決這一問題，本文將影像裁剪成2048×2048 大小的子圖像，并進(jìn)行旋轉(zhuǎn)和鏡像翻轉(zhuǎn)處理，擴(kuò)充樣本用于模型訓(xùn)練。此外，考慮到圓形海冰和彎曲海岸線會(huì)在一定程度上導(dǎo)致模型誤判，所以在實(shí)驗(yàn)中引入了一定比例的負(fù)樣本。最終，擴(kuò)充后的訓(xùn)練集樣本數(shù)量為26696 個(gè)，其中包含2000 個(gè)負(fù)樣本，測(cè)試集樣本數(shù)量為488 個(gè)。

調(diào)整模型的訓(xùn)練參數(shù)，設(shè)置epochs 為200，batch size 為16，image size 為512，num worker 為4。經(jīng)過25 h 的訓(xùn)練后，對(duì)模型進(jìn)行測(cè)試，通過精準(zhǔn)度p和召回率r來評(píng)價(jià)實(shí)驗(yàn)結(jié)果，具體計(jì)算方法如下：

其中，N表示樣本量； 下標(biāo)TP（True Positive）表示真陽性，定義為樣本的真實(shí)類別是正例，并且模型預(yù)測(cè)的結(jié)果也是正例，預(yù)測(cè)正確；FP（False Positive）表示假陽性定義為樣本的真實(shí)類別是負(fù)例，但是模型將其預(yù)測(cè)成為正例，預(yù)測(cè)錯(cuò)誤；FN（False Negative）表示假陰性，定義為樣本的真實(shí)類別是正例，但是模型將其預(yù)測(cè)成為負(fù)例，預(yù)測(cè)錯(cuò)誤。在訓(xùn)練階段，該模型精準(zhǔn)度達(dá)到了87%，召回率為88%。應(yīng)用于測(cè)試集，其精準(zhǔn)度為67%，召回率為67%。考慮到小尺度冰渦極其復(fù)雜的形態(tài)特征，模型在測(cè)試集上的表現(xiàn)尚可被接受。邊緣冰區(qū)圓形浮冰對(duì)于模型檢測(cè)依舊存在一定干擾，影響檢測(cè)精度。同時(shí)，由于冰渦形態(tài)復(fù)雜，其目視判別缺少系統(tǒng)標(biāo)準(zhǔn)，使得樣本集存在一定主觀差異，導(dǎo)致模型測(cè)試精度受限。然而，本文的研究重點(diǎn)在于冰渦特征分析，模型的改進(jìn)以及精度的提升有待進(jìn)一步研究。此外，訓(xùn)練的模型旨在目標(biāo)檢測(cè)初篩階段減少主觀因素介入，并非完全替代人工目視解譯。該模型對(duì)于較為明顯的冰渦特征識(shí)別較好，可以滿足初篩冰渦特征的需求，雖然會(huì)遺漏部分存在潛在冰渦特征的復(fù)雜小目標(biāo)，但是這些目標(biāo)占少數(shù)，并且即使通過目視解譯也存在一定爭議。

2.2 北極冰渦時(shí)空分布統(tǒng)計(jì)

結(jié)合YOLOv7 模型和目視解譯方法，對(duì)2022 年參與訓(xùn)練的1701 幅影像數(shù)據(jù)進(jìn)行檢測(cè)，統(tǒng)計(jì)分析了北極邊緣冰區(qū)的冰渦時(shí)空分布。經(jīng)過目視解譯后，共計(jì)識(shí)別出5097 個(gè)冰渦，遍布在北極的不同區(qū)域。具體如圖4 所示，其中每個(gè)網(wǎng)格的大小為經(jīng)度3°，緯度1°。在格陵蘭島東部沿岸和格陵蘭海中北部，冰渦分布最為密集，其中包括了氣旋型和反氣旋型冰渦的高值。此外，喀拉海、巴倫支海北部、巴芬島東西部沿岸以及維多利亞島附近也是常見的冰渦形成區(qū)域。時(shí)間分布如圖5（b）所示，北極冰渦全年都存在，其中10 月份呈現(xiàn)出峰值，整體而言，7—11 月是冰渦頻發(fā)的時(shí)段，2022 年冰渦的月平均數(shù)量為424.75 個(gè)。

圖4 冰渦空間分布。（a）氣旋型冰渦，（b）反氣旋型冰渦Fig. 4 Spatial distribution of ice eddies. （a） Cyclonic ice eddy, （b） anticyclonic ice eddy

圖5 冰渦分布統(tǒng)計(jì)直方圖。（a）冰渦直徑數(shù)量分布，（b）冰渦月度數(shù)量分布，（c）冰渦海冰占比數(shù)量分布Fig. 5 Histogram of ice eddy distribution statistics.（a） Ice eddy diameter number distribution, （b） ice eddy monthly number distribution, （c） ice eddy sea ice percentage number distribution

北極冰渦的形成是動(dòng)力和熱力共同作用的結(jié)果[34]。從空間上看，冰渦高發(fā)的區(qū)域往往和北極洋流密不可分，東格陵蘭寒流沿格陵蘭島東岸流動(dòng)，巴芬島周圍也伴隨著巴芬島寒流，北大西洋暖流穿過巴倫支海。從時(shí)間上看，隨著北極夏季極晝的出現(xiàn)，海溫升高，冰川融化引起邊緣冰區(qū)擴(kuò)張，導(dǎo)致冰渦高發(fā)。而10 月份的冰渦高值則與冰圖反映的情況吻合，2022 年北極月度冰區(qū)趨勢(shì)圖顯示10 月初北極海冰覆蓋迅速減小到達(dá)最低值，隨后冰區(qū)開始迅速擴(kuò)張，因此，10 月份北極的熱力學(xué)因素更為復(fù)雜，有利于冰渦形成。

2.3 冰渦形態(tài)特征分析

冰渦形態(tài)特征的分析始于對(duì)氣旋型和反氣旋型冰渦的探討。本文從這兩種類型的冰渦出發(fā)，對(duì)2022 年北極冰渦的直徑、海冰占比等數(shù)量特征進(jìn)行統(tǒng)計(jì)分析。進(jìn)一步探究不同月份冰渦直徑與海冰占比的特征，研究海冰占比與冰渦直徑之間的關(guān)系。

解譯結(jié)果顯示，在北極邊緣冰區(qū)共檢測(cè)出3615 個(gè)氣旋型冰渦和1482 個(gè)反氣旋型冰渦，其中氣旋型冰渦數(shù)量是反氣旋型的2.44 倍，占據(jù)主導(dǎo)地位，這與Kozlov 等[20,24]的研究結(jié)果基本一致。氣旋型冰渦數(shù)量更多，這可能與反氣旋型冰渦的產(chǎn)生機(jī)制和二者的相互作用有關(guān)，反氣旋水平切變?cè)诋a(chǎn)生小型亞中尺度氣旋時(shí)比氣旋切變?cè)诋a(chǎn)生小型反氣旋時(shí)更有效[35]。

根據(jù)圖5（a）的冰渦直徑分布，可以觀察到北極冰渦的尺寸主要集中在中尺度和亞中尺度區(qū)間，99%的冰渦直徑在60 km 以下，分布范圍介于3.85～114.9 km 之間，平均直徑為21.2 km。與之相比，反氣旋型冰渦的平均直徑為24.78 km，超過氣旋型冰渦的平均直徑19.73 km。需要特別注意的是，直徑超過60 km 的反氣旋型冰渦要多于氣旋型冰渦，其分布情況如圖6 所示。這些大型冰渦主要分布在格陵蘭島東側(cè)和巴芬海地區(qū)。在格陵蘭島東南側(cè)，出現(xiàn)了兩個(gè)直徑超過100 km 的氣旋型冰渦以及一個(gè)反氣旋型冰渦。另外，巴芬島北部沿岸也出現(xiàn)了一個(gè)直徑超過100 km 的反氣旋型冰渦。從圖5（c）的分析結(jié)果可以得知，97%冰渦的海冰覆蓋占比分布在20%～70%之間，平均海冰覆蓋占比約為41.76%。在具體的類型分析中，氣旋型冰渦的平均海冰覆蓋占比為42.32%，而反氣旋型冰渦則略低，為40.42%。

圖6 冰渦空間分布（直徑＞60 km）Fig. 6 Spatial distribution of ice eddies（diameter ＞ 60 km）

在過去的幾十年里，北極夏季邊緣冰區(qū)的寬度增加了約40%[36]。隨著邊緣冰區(qū)的擴(kuò)大，浮冰也隨之增加，相關(guān)研究[37]指出，海冰主要被困在具有強(qiáng)烈匯合驅(qū)動(dòng)的匯合表面流的氣旋型細(xì)絲內(nèi)，以及摩擦埃克曼泵產(chǎn)生匯合的氣旋型渦旋內(nèi)。相反，反氣旋冰渦則排斥海冰。這使得兩者的尺寸和海冰占比出現(xiàn)差異，反氣旋型冰渦的排斥作用導(dǎo)致其邊緣區(qū)域存在浮冰積聚，而氣旋型冰渦則將邊緣冰卷入內(nèi)部，從而在SAR 影像上整體顯示出反氣旋型冰渦較氣旋型更大的現(xiàn)象。同時(shí)，這也造成了氣旋型冰渦中海冰的比例更高。

進(jìn)一步探討2022 年北極冰渦的發(fā)生月份、直徑以及海冰占比之間的關(guān)系，結(jié)果如圖7 所示。其中散點(diǎn)代表各個(gè)冰渦的半徑/海冰占比，折線則代表每個(gè)月份對(duì)應(yīng)的冰渦最大半徑/最大海冰占比。圖7（a）給出了冰渦直徑在不同月份的分布趨勢(shì)，研究發(fā)現(xiàn)較大直徑的氣旋型冰渦主要出現(xiàn)在5—7 月份，而對(duì)應(yīng)的反氣旋型冰渦則多出現(xiàn)在3 月和10 月。總體來看，2022 年整年，較大尺寸的反氣旋型冰渦占據(jù)了主導(dǎo)地位。圖7（b）則給出了冰渦海冰占比隨時(shí)間變化的情況。在大部分月份里，氣旋型冰渦的海冰占比略高于反氣旋型。氣旋型冰渦的海冰占比在3 月份達(dá)到高峰，而反氣旋型冰渦在4 月和5 月呈現(xiàn)明顯的低值。此外，本文還探究了冰渦直徑與海冰占比之間的關(guān)系，如圖7（c）所示。研究發(fā)現(xiàn)，較小直徑的冰渦對(duì)應(yīng)的海冰占比波動(dòng)范圍較大，隨著直徑的增加，海冰占比穩(wěn)定在30%～70%的范圍內(nèi)。

圖7 冰渦分布統(tǒng)計(jì)散點(diǎn)圖。（a）冰渦月度直徑分布，（b）冰渦月度海冰占比分布，（c）冰渦海冰占比與直徑分布Fig. 7 Scatterplot of ice eddy distribution. （a） Monthly diameter distribution of ice eddies, （b） distribution of monthly sea-ice share of ice eddies, （c） distribution of sea-ice share of ice eddies with diameter

3 結(jié)論與展望

基于哨兵一號(hào)衛(wèi)星SAR 數(shù)據(jù)構(gòu)建了一套北極冰渦遙感數(shù)據(jù)集，并在此基礎(chǔ)上開展YOLOv7 目標(biāo)檢測(cè)訓(xùn)練，得到冰渦識(shí)別預(yù)篩選模型。將該模型輔助于目視解譯，對(duì)2022 年北極邊緣冰區(qū)的SAR 影像進(jìn)行統(tǒng)計(jì)分析，識(shí)別出5097 個(gè)冰渦。這些冰渦主要分布在7—11 月期間，且在空間上主要聚集在格陵蘭島東側(cè)沿岸以及格陵蘭海中北部。氣旋型冰渦的數(shù)量更多，海冰占比更高，而反氣旋型冰渦的直徑更大。

提出了深度學(xué)習(xí)YOLO 模型輔助目視解譯的冰渦檢測(cè)方案，該方案提高了冰渦目視解譯效率，為后續(xù)冰渦的自動(dòng)化檢測(cè)提供了參考。此外，對(duì)2022 年北極邊緣冰區(qū)冰渦的時(shí)空統(tǒng)計(jì)和形態(tài)特征分析為極地冰渦研究提供了觀測(cè)數(shù)據(jù)支撐。

深度學(xué)習(xí)目標(biāo)檢測(cè)模型應(yīng)用于邊緣冰區(qū)冰渦檢測(cè)尚屬于初步研究階段，還需要進(jìn)一步對(duì)比驗(yàn)證更多的目標(biāo)檢測(cè)模型的應(yīng)用效果。另外，鑒于哨兵一號(hào)衛(wèi)星SAR 數(shù)據(jù)的幅寬和重訪周期限制，其對(duì)北極地區(qū)的覆蓋范圍有限，無法充分反映冰渦的真實(shí)發(fā)生頻率。因此在未來的研究中計(jì)劃結(jié)合多源SAR 衛(wèi)星數(shù)據(jù)，更全面地探究冰渦長時(shí)間序列的年際變化。最后，邊緣冰區(qū)冰渦的時(shí)空分布背后的成因以及其對(duì)全球氣候、洋流和物質(zhì)循環(huán)的影響也將成為后續(xù)研究的重點(diǎn)。