EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 11: 2025 - 2041

DOI: https://doi.org/10.12082/dqxxkx.2021.210225

地理空间分析综合应用

2015—2020年辽东湾海冰冰情时空特征及其影响因素

  • 赵泉华 , * ,
  • 王肖 ,
  • 王雪峰 ,
  • 李玉
展开
  • 辽宁工程技术大学测绘与地理科学学院, 阜新 123000

赵泉华（1978— ）,女,河北承德人,教授,主要从事遥感影像专题信息提取及应用研究。E-mail:

收稿日期: 2020-04-25

  要求修回日期: 2021-06-27

  网络出版日期: 2021-09-07

基金资助

辽宁省教育厅科学技术研究一般项目(LR2019JL001)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Temporal and Spatial Characteristics of Sea Ice Condition and Its Influencing Factors in Liaodong Bay from 2015 to 2020

  • ZHAO Quanhua , * ,
  • WANG Xiao ,
  • WANG Xuefeng ,
  • LI Yu
Expand
  • School of Geomatics, Liaoning Technical University, Fuxin 123000, China
*ZHAO Quanhua, E-mail:

Received date: 2020-04-25

  Request revised date: 2021-06-27

  Online published: 2021-09-07

Copyright

Copyright reserved © 2021. Office of Journal of Geo-information Science All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

摘要

受冬季强寒潮侵袭,辽东湾会出现大范围结冰现象。为了分析2015—2020年辽东湾海冰冰情的变化规律与影响因素,本文选取Sentinel-1A/B数据开展辽东湾海冰监测。首先,采用巴氏距离选择最优纹理特征组合,再利用最大似然方法实现海冰分类;然后,根据上述海冰分类结果,分析海冰冰情等级、海冰外缘线、海冰面积、海冰类型和海冰结冰概率等冰情特征的变化规律;最后,研究海水深度、海温、气温和风速与海冰冰情的关系。主要结论如下：① 采用不同纹理特征组合方法和本文方法对2020年2月1日Sentinel-1B影像进行实验,结果表明本文方法的总体分类精度和Kappa系数分别为93.16%和0.85,分类精度最高。② 11月末到12月海冰类型以初生冰为主,间有灰冰;1月到2月中上旬以灰冰为主,间有初生冰和白冰;2月下旬到3月上旬的海冰类型以灰冰和初生冰为主。辽东湾内部结冰概率存在差异,北部沿岸结冰概率高于南部,东部结冰概率高于西部。辽东湾海冰冰情受海水深度、海温和气温影响明显,受风速影响较小。

关键词： 辽东湾海冰; 灰度共生矩阵; 巴氏距离; 海冰外缘线; 海冰面积; 海冰结冰概率; 海冰分类; 影响因素

本文引用格式

赵泉华 , 王肖 , 王雪峰 , 李玉 . 2015—2020年辽东湾海冰冰情时空特征及其影响因素[J]. 地球信息科学学报, 2021 , 23(11) : 2025 -2041 . DOI: 10.12082/dqxxkx.2021.210225

Abstract

Under the attack of strong cold wave in winter, a large-scale freezing phenomenon appears in Liaodong Bay. In order to analyze the change rules of sea ice condition and the environmental influencing factors in Liaodong Bay from 2015 to 2020, Sentinel-1A/B data are selected to carry out sea ice monitoring in Liaodong Bay. First, the Gray Level Co-occurrence Matrix is used to count the texture features. Then the optimal feature combination is selected based on the Bhattacharyya Distance, and the Maximum Likelihood method is adopted to classify sea ice. Then, according to the classification results of sea ice, the sea ice condition levels of Liaodong Bay in recent 5 years are determined. The change rules of ice condition characters such as the outer edge of sea ice, area, type, and freezing probability are analyzed. Finally, the influence of sea water depth on sea ice condition is discussed, the relationship between sea ice condition and sea temperature, air temperature, and wind speed is studied through correlation analysis. The main conclusions are as follows. Firstly, the Sentinel-1B image on February 1, 2020 is tested using the proposed method and different texture feature combination methods. The results show that the overall classification accuracy and Kappa coefficient of the proposed method are 93.16% and 0.85, respectively, which is the highest classification accuracy among all methods. The overall classification accuracy and Kappa coefficient of all images from 2015 to 2020 are above 85% and 0.80, respectively, which meet the accuracy requirements for sea ice monitoring. Secondly, in last November and December, the sea ice types are mainly primary ice, with gray ice in between. Gray ice is the main ice in January and early February, with primary and white ice in between. Gray and primary ice is dominant in late February and early March. There are differences in the sea ice freezing probability in Liaodong Bay. The sea ice freezing probability in the north coast is higher than that in the south, and the probability in the east is higher than that in the west. Sea depth in Liaodong Bay has different effects on sea ice development in different ranges of [-10, 0], [-20, -10], and [-30, -20]. The Pearson correlation coefficients of sea ice condition with sea temperature, air temperature, and wind speed in Liaodong Bay are -0.55 (P<0.01)、-0.59 (P<0.01)、and -0.22 (P=0.19), indicating that the sea ice condition is negatively correlated with sea temperature and air temperature, and has a low correlation with wind speed.

Key words： sea ice in Liaodong Bay; Gray Level Co-occurrence Matrix; Bhattacharyya Distance; sea ice edge line; sea ice area; sea ice freezing probability; sea ice classification; influence factor

1 引言

辽东湾是中国纬度最高的海湾,每年11月末到次年3月初会出现不同程度的结冰现象,具有不同于南、北极海冰的特征[1]。辽东湾海冰能够减轻冬季风暴对海岸的破坏,保护当地生态环境[2],同时海冰也对海上运输、海洋渔业生产、海洋油气勘探和海上作业等造成严重危害[3],使得当地经济遭受重大损失。因此,海冰监测在资源利用、海洋灾害预警等方面有重要意义。而海冰分类、冰情特征和影响因素作为海冰研究的重要内容,对冰情评估、海冰预报等方面具有突出作用。如何对其进行准确、有效地研究也一直是海冰监测中的重点。
遥感作为非接触、远距离的探测技术,可以提供大范围的海洋数据,是实现海冰监测的有效 手段[4]。当前,光学遥感是监测海冰的主要手段[5]。例如,王志勇等[6]基于Sentinle-2、Landsat-7和Landsat-8等多源数据对辽东湾海冰进行监测,利用反照率与厚度经验模型反演海冰厚度,再通过冰厚反演结果完成海冰分类、海冰资源量估算等信息的提取工作。郭衍游等[7]采用ENVI软件对2012年渤海地区MODIS影像进行预处理,再利用目视解译的方法提取海冰面积与空间位置信息,采用ArcGIS软件制作海冰时空变化图、海冰冻结与融化过程变化图,最后对海冰面积变化、海冰结冻与融化过程进行了详细分析。张树德等[8]根据1989—2005年辽东湾海冰卫星遥感影像进行了海冰冰厚、密集度反演计算,并结合气象站和海洋站多年观测的海冰、气温和水温等历史资料,利用负积温冰厚计算方法对反演结果进行了分析修正,最后得出了不同重现期、不同厚度流冰的空间分布。Yan等[9]基于2012—2013年地球同步轨道水色卫星(Geostationary Ocean Color Imager, GOCI)数据,估算渤海海冰面积和海冰厚度,进而分析海冰面积、海冰厚度的演变规律和其与气象因素之间关系。
光学遥感受云、雾、雨和雪的影响较大,而微波遥感因其全天时、全天候和广范围的对地观测能力,在海冰监测中具有较为明显的优势[10]。在海冰分类中,Liu等[11]基于Radarsat-2合成孔径雷达(Synthetic Aperture Radar, SAR)数据,结合后向散射系数和灰度共生矩阵(Gray Level Co-occurrence Matrix, GLCM),引入海冰浓度信息,并据此设计SVM和决策树分类器实现海冰分类。赵泉华等[12]提取AnYang分解、Bhattacharya&Frery(B&F)四分量分解、H/α/A分解等特征参数,构建特征空间,并对高相关特征采用主成分分析降维,再设计BP神经网络分类器实现海冰分类。对于海冰冰情特征和影响因素,Kozlov等[13]基于星载SAR数据,并结合2009—2013年冬季现场实测数据,采用视觉解译和人工数字化的方法依据后向散射系数确定海冰分布情况,进而研究海冰范围和海冰厚度,总结波罗的海东南部和冰河湖区的海冰冰情变化规律。 Yu等[14]直接利用被动微波遥感数据中的海冰浓度、海冰厚度数据和再分析资料中的气象数据研究近40年东北航道的海冰冰情。
在辽东湾海冰冰情研究中,刘成等[15]利用美国国家冰雪数据中心MASIE海冰范围产品和欧洲中期天气预报中心ERA-interim再分析资料,统计了2018年冬季黄渤海海冰时空分布特征,并通过相关性分析,研究了日海冰面积与海洋气象因子的关系。结果表明：海冰覆盖率随离岸距离的增加而降低;海表温度、海面2 m气温、海面2 m气温<-2°C积温和海冰面积的Pearson相关系数分别为-0.61(P<0.01)、-0.52(P<0.01)和-0.50(P<0.01),说明上述因素与海冰面积呈显著负相关关系。郭冬琳等[16]根据国家海洋局北海预报中心每日海冰业务化遥感监测结果、海洋站每日观测结果,进一步探讨了辽东湾海冰日变化情况和其与局地气温、影响 东亚气候的重要因子以及北极海冰密集度间的相互关系。实验结果表明：辽东湾海冰受局地气温影响明显,两者呈较显著的负相关关系。辽东湾海冰年际变化除受局地气候的影响外,还受太平洋副热带高压、极涡、东亚槽和欧亚环流等气候因子的共同调控。
综上,辽东湾海冰监测主要依据光学影像、海冰范围产品和再分析资料,而对SAR影像的利用相对较少。此外,现有海冰监测研究只将海域分为海冰和海水两类,监测结果主要集中在计算海冰面积、绘制海冰外缘线和分析海冰影响因素等方面。为此,本文基于2015—2020年的Sentinel-1A/B数据,利用基于最优纹理特征组合的最大似然分类方法将辽东湾海域分成初生冰、灰冰、白冰和海水,进而分析海冰外缘线、海冰面积、海冰类型和海冰结冰概率等冰情特征的变化规律,最后研究不同海水深度对海冰冰情的影响,再通过Pearson相关系数分析海温、气温和风速与海冰冰情的关系,探究辽东湾冰情的变化机理,以期为我国海冰的中长期预报提供科学依据。

2 研究区概况、数据来源与研究方法

2.1 研究区概况及数据预处理

辽东湾位于河北省大清河口到辽东半岛南端老铁山角以北的海域[17]。Sentinel-1A/B数据只覆盖以坐标点(120°20′51.43″E, 40°11′23.09″N)和坐标点(121°14′18.46″E, 39°26′35.46″N)的连线与河北省、辽宁省所围成的辽东湾海域,导致与完整辽东湾海域略有差异。
遥感卫星数据以Sentinel-1A/B为主要数据源,对于其中缺失时间序列的数据利用Landsat-8 OLI进行补充。Sentinel-1A/B采用宽幅干涉模式IW(Interferometric Wide Swath)Level-1级GRD数据产品（ https://scihub.copernicus.eu/）,属于C波段合成孔径雷达,具有VV和VH两种极化方式,时间分辨率为12 d,空间分辨率为10 m,适用于海冰特征的研究。Landsat-8 OLI选用除热红外波段外的6个30 m分辨率多光谱波段数据,在 https://earthexplorer.usgs.gov/下载。表1为所用实验数据的数据信息。
表1 Sentinel-1A/B和Landsat-8数据参数

Tab. 1 The parameters of Sentinel-1A/B and Landsat-8 images

卫星传感器 时段 获取日期 轨道号 成像模式 分辨率/m 极化方式/波段
Sentinel-1A 2015—2016 2015-11-29 2015-12-23 3-458 IW 10×10 VV/VH
2016-01-04 2016-01-16
2016-03-04
Sentinel-1B 2016—2017 2016-12-11 2016-12-23 3-455、
3-460		 IW 10×10 VV/VH
2017-01-04 2017-01-16
2017-01-28 2017-02-21
Sentinel-1A 2017—2018 2017-11-25 2017-12-07 98-124、
98-129		 IW 10×10 VV/VH
2017-12-19 2017-12-31
2018-01-12 2018-01-24
2018-02-05 2018-02-17
2018-03-01
Sentinel-1A 2018—2019 2018-12-02 2018-12-14 98-124、
98-129		 IW 10×10 VV/VH
2018-12-26 2019-01-07
2019-01-19 2019-01-31
2019-02-12 2019-02-24
Sentinel-1B 2019—2020 2019-12-03 2019-12-15 98-127 IW 10×10 VV/VH
2019-12-27 2020-01-08
2020-01-20 2020-02-01
2020-02-13 2020-02-25
Landsat-8 2015—2016 2015-12-07 2016-01-24 120-32 - 30×30 1-5, 7
2016-02-09 2016-02-25
Landsat-8 2016—2017 2017-02-11 120-32 - 30×30 1-5, 7
水深数据取自美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration, NOAA)国家地球物理数据中心(National Geophysical Data Center, NGDC)开发的ETOPO1全球地形模型（ http://www.ngdc.noaa.gov/mgg/global/global.html）。海温数据来自中国国家科技资源共享服务平台—国家海洋科学数据中心(http://mds.nmdis.org.cn/)提供的0.125°水平分辨率的日实况分析资料。气象数据取自中国气象站日平均实测数据,由美国国家气候数据中心(National Climatic Data Center, NCDC)下载（ https://www.ncdc.noaa.gov/）,主要获取大连、营口和锦州3个台站的气象数据。
本文利用欧洲航天局开发的Sentinel系列数据处理软件SNAP（ http://step.esa.int/main/download/snap-download/）,对Sentinel-1A/B数据进行热噪声去除、辐射校正、滤波、多视处理、地理编码、拼接裁剪、像素归一化等预处理,得到研究区域的后向散射系数,其中滤波选用Refined Lee,多视处理为3×3。运用ENVI软件对Landsat-8 OLI数据进行辐射定标、大气校正、拼接裁剪等预处理,以期降低影像间的光谱差异性,突显各海冰类型特征,提高分类精度。

2.2 基于最优纹理特征组合的最大似然海冰分类

根据国家标准的《海洋观测规范第2部分：海滨观测》(GB/T 14914.2-2019)[18],可将海冰依据其生成原因和发展过程划分为初生冰、冰皮、尼罗冰、莲叶冰、灰冰、灰白冰和白冰,但由于Sentine-1A/B数据分辨率的限制,上述海冰类型在影像中难以区分,故本文总结上述海冰类型的光谱特征信息,并参考以往研究[19],依据辽东湾海冰的后向散射系数将所有海冰重新分为初生冰(初生冰、冰皮、尼罗冰)、灰冰(莲叶冰和灰冰)、白冰(灰白冰和白冰)。首先,在Sentine-1A/B后向散射系数的基础上,利用灰度共生矩阵提取纹理特征,包括均值、方差、对比度、均质性、相异性、熵、角二阶矩和相关性;然后,提出基于巴氏距离的特征选择策略,以确定最优纹理特征组合;最后,以上述最优纹理特征组合为输入,采用最大似然分类方法,实现辽东湾海冰分类,对于Landsat-8数据直接利用最大似然分类方法对预处理后的数据进行分类。
（1）基于灰度共生矩阵的纹理特征提取
基于灰度共生矩阵提取纹理特征属于典型的统计分析方法。该方法具有较强的鲁棒性和稳健性,被广泛应用在SAR图像纹理信息提取[20]。上述选用Sentinel-1A/B数据可以表达为数据集Z = {Z(t), t = 1, …, T},其中,T为影像期数,本文采用2015—2020年间41期影像,因此T = 41,t为影像时序索引,t = 1, …, 41分别对应表1中Sentinel-1A/B数据按时间递增顺序排列,即2015-11-29, 2015-12-23, 2016-1-4, …, 2020-2-25;Z(t) = {Zi(t)(xi, yi); (xi, yi) ∈ D, i ∈ N}为第t期影像,其中D为影像域,i为像素索引,(xi, yi)为像素i的格点位置坐标,N = {1, …, n}为像素索引集,n为总像素数;Zi(t) = (σVVi, σVHi)T为第t期影像像素i的后向散射系数矢量,其中,H和V分别表示水平极化和垂直极化,则VV表示垂直发射-垂直接收,VH表示垂直发射-水平接收,σVVi和σVHi分别像素i的VV和VH后向散射系数。
以第t期影像VV后向散射系数为例,灰度共生矩阵定义为从影像(xi, yi)灰度为σVVi的像元出发,统计与其灰度为σVVj、距离为d的像元(xi + Δx, yi + Δy)出现的概率P(σVVi, σVVj, d, θ),
P ( σ VV i , σ VV j , d , θ ) = { [ ( x i , y i ) , ( x i + Δ x , y i + Δ y ) ] | f ( x i , y i ) = i , f ( x i + Δ x , y i + Δ y ) = j ; x = 0 , 1 , 2 , ⋯ , Nx - 1 ; y = 0 , 1 , 2 , ⋯ , Ny - 1 }
式中：Nx、Ny为影像的行列数; θ为两像素连线向量的角度;一般有0°、45°、90°和135° 4个角度;d为两像元之间的距离。
在GLCM的基础上,通过进一步计算统计量来描述图像的纹理特征。常用的纹理特征统计量包括均值(Mean)、方差(Variance)、对比度(Contrast)、均质性(Homogeneity)、相异性(Dissimilarity)、熵(Entropy)、角二阶矩(Angular Second Moment)和相关性(Correlation),其中,M、N分别表示灰度共生矩阵的行列数,μ、σ2如式（2）—式（3）所示。具体纹理特征统计量见表2。
μ = ∑ σ VV i = 0 M - 1 ∑ σ VV j = 0 N - 1 σ VV i ∙ P ( σ VV i , σ VV j , d , θ ) 2
σ 2 = ∑ σ VV i = 0 M - 1 ∑ σ VV j = 0 N - 1 ( σ VV i - μ ) 2 P ( σ VV i , σ VV j , d , θ )
在纹理特征分析过程中,灰度共生矩阵主要受影像量化等级、方向、步长和窗口大小等因素的影响,需要根据具体的影像纹理特征选择合适的参数。影像量化等级对纹理特征计算影响不大,本实验中选取量化等级为32;在计算方向选择中,因海冰分布方向多样,因此选取0°、45°、90°和135°共4个方向的灰度共生矩阵的平均值作为局部影像中心像元位置的灰度共生矩阵;计算步长越小越能细致地反映纹理特征,故选取步长为1;以往研究表明[21,22],计算窗口大小对灰度共生矩阵影响较大,窗口过大,纹理特征越模糊,窗口过小,则不能很好地反映影像纹理特征,故综合考虑影像分辨率和地物类别,本实验中选取窗口大小为5×5。根据上述选取的纹理特征参数和表2中纹理特征统计量计算公式,计算VV和VH后向散射系数的纹理特征如表2所示,并对其物理含义进行说明,其中下标VV、VH分别表示在对应后向散射系数上求取特征,如meanVV表示VV后向散射系数的均值特征,meanVH表示VH后向散射系数的均值特征。
表2 灰度共生矩阵纹理特征统计量表

Tab. 2 Statistics of texture characters of GLCM

特征统计量 表达式 变量说明 物理含义 编号
meanVV mea n VV = 1 M × N ∑ σ VV i = 0 M - 1 ∑ σ VV j = 0 N - 1 P ( σ VV i , σ VV j , d , θ ) M、N分别表示灰度共生矩阵的行列数 该区域内的平均亮度的情况 （4）
varVV va r VV = ∑ σ VV i = 0 M - 1 ∑ σ VV j = 0 N - 1 ( σ VV i - μ ) 2 P ( σ VV i , σ VV j , d , θ ) σ VV i和 σ VV j分别像素i的VV和VH后向散射系数 该区域内灰度值的波动情况 （5）
conVV co n VV = ∑ σ VV i = 0 M - 1 ∑ σ VV j = 0 N - 1 ( σ VV i - σ VV j ) 2 P ( σ VV i , σ VV j , d , θ ) VH后向散射系数;θ为2个像素连线向量的角度 像素灰度值的分布情况和局部变化情况 （6）
homVV ho m VV = ∑ σ VV i = 0 M - 1 ∑ σ VV j = 0 N - 1 P ( σ VV i , σ VV j , d , θ ) 1 + ( σ VV i - σ VV j ) 2 d为2个像素的距离; 图像中纹理的同质性,可用于衡量纹理的局部变化情况 （7）
disVV di s VV = ∑ σ VV i = 0 M - 1 ∑ σ VV j = 0 N - 1 | σ VV i - σ VV j | P ( σ VV i , σ VV j , d , θ ) P ( σ VV i , σ VV j , d , θ )表示灰度为从 σ VV j的像元出发,统计与其灰度为 σ VV j、距离为d的像元对出现的概率 设定大小窗口内像素灰度值分布的不规则程度 （8）
entVV en t VV = ∑ σ VV i = 0 M - 1 ∑ σ VV j = 0 N - 1 P ( σ VV i , σ VV j ) lg P ( σ VV i , σ VV j , d , θ ) 同上 图像的信息量 （9）
aswVV as m VV = ∑ σ VV i = 0 M - 1 ∑ σ VV j = 0 N - 1 P ( σ VV i , σ VV j , d , θ ) 2 同上 图像像素灰度值分布的均匀程度和纹理的粗细程度 （10）
corVV co r VV = ∑ σ VV i = 0 M - 1 ∑ σ VV j = 0 N - 1 ( σ VV i - μ ) ( σ VV j - μ ) P ( σ VV i , σ VV j , d , θ ) σ 2 同上 图像的局部相关性和纹理的细致程度 （11）

注：表中仅列出了VV极化的上述8个特征,类似的,可以计算VH极化对应的8个特征,因此,VV和VH极化下共对应16个特征。

（2）基于巴氏距离的最优纹理特征选择与分类
由于表2中16种特征之间存在冗余度与相关性,基于巴氏距离的方法可以较好地对纹理特征进行选择[21, 23],因此本文利用该方法获取最优纹理特征组合。为了方便表述,现将16个特征参数用以下表示：w′ = {wp, p ∈ P},其中p为特征索引,P = {1, …, 16}为特征索引集,w1—w16分别对应表2中特征参数meanVV, meanVH,…, corVH。各样本所含像素格点集的集合记为Y={Yr, r ∈ R},其中r为地物类型索引,R = {1, …, 4}为地物类型索引集,1—4代表地物类型标号,依次为初生冰、灰冰、白冰和海水4类。计算不同两类样本在各特征上的巴氏距离,得到巴氏距离集合BD = {BDprr ; p ∈ P, r ∈ R}。对给定样本区域,以初生冰Y1和灰冰Y2为例,计算Y1和Y2在meanVV特征w1上的巴氏距离BD112。
B D 1 12 = 1 4 ( m 11 - m 12 ) 2 v 11 2 + v 12 2 + 1 2 log v 11 2 + v 12 2 2 v 11 v 12
式中：m11、m12分别表示初生冰样本Y1和灰冰样本Y2在meanVV特征w1上的均值;v11、v12分别表示初生冰样本Y1和灰冰样本Y2在meanVV特征w1上的标准差。BD越大表明该特征区分这2类的能力越强。
根据式(12),计算任意2种类别在VV和VH后向散射系数的相关纹理特征下的巴氏距离,结果如图1所示。由图1可知,白冰和初生冰、初生冰和灰冰、初生冰和海水在varVV特征上的巴氏距离较大,说明varVV特征对此类地物区分能力较强,白冰和灰冰、灰冰和海水在aswVV特征上的巴氏距离较大,白冰和海水在corVV特征上的巴氏距离较大,说明aswVV特征对白冰和灰冰、灰冰和海水区分能力较强,corVV特征对白冰和海水的区分能力较强。此外,任意两种类别在VH相关特征上的巴氏距离都较小,所以在最优纹理特征组合中并未选择此类特征,其原因是Sentinel-1A/B数据中VH极化影像的信噪比较低,影像质量较差,导致VH后向散射系数的纹理特征对地物的区分能力较低。综上,本文利用varVV、aswVV和corVV作为最优纹理特征组合qi = [wi3, wi13, wi15]。
图1 任意2种类别在不同特征下的巴氏距离

Fig. 1 The Bhattacharyya Distance of any two classes under different features

每个像素点都具有一个作为分类方法输入的特征向量qi = [wi3, wi13, wi15],该向量包含该像素点对应最优纹理特征组合中的纹理特征值,再采用最大似然分类方法实现海冰分类。

2.3 评价方法

为了定量评价海冰分类精度,将各分类结果与该期影像一定数量的检验样本进行对比,生成混淆矩阵,进而根据混淆矩阵计算总体分类精度和Kappa系数,作为指标评价分类结果。总体分类精度是被正确分类的像素数除以总像素数。Kappa系数在考虑了被正确分类的像素外,同时考虑了对角线以外的各种漏分和错分像素,计算公式为,
Kappa = N 1 ∙ ∑ i ' = 1 n 1 a i ' i ' - ∑ i ' = 1 n 1 ( a i ' + a + i ' ) N 1 2 - ∑ i ' = 1 n 1 ( a i ' + a + i ' )
式中：N1为检验样本的总像素数;n1为分类类别数;ai'i'为混淆矩阵中第i'行第i'列的像素数;ai'+为第i'行的总像素数,a+i'为第i'列的总像素数。
为了评估海冰冰情与影响因素之间的相关关系,本文采用Pearson相关系数进行分析。Pearson相关系数反映2个变量X和Y之间的线性相关性[15],计算公式为：
r ' = ∑ j ' = 1 n 2 ( X j ' - X ̅ ) ( Y j ' - Y ̅ ) ∑ j ' = 1 n 2 ( X j ' - X ̅ ) 2 ∑ j ' = 1 n 2 ( Y j ' - Y ̅ ) 2
式中： X ̅、 Y ̅分别为X、Y的均值。r'的取值介于-1和1之间,r'的绝对值越大,说明变量X和变量Y的相关性越高;反之,说明变量X和变量Y的相关性越低。

3 结果与分析

3.1 海冰分类结果

以2020年2月1日Sentinel-1B数据(图2(a))为例,利用本文方法进行分类,得到的分类结果如 图2(b)所示。由图2(a)可知,在大部分区域,初生冰、灰冰、白冰和海水表现出显著的亮度差异,能较好区分。但在一些区域出现了灰冰与海水、白冰与海水不易区别的情况,其原因是研究区域范围大,气候环境多变,如波浪使海水表面较粗糙,使其后向散射变大,导致海水与海冰的亮度较接近;海冰表面的融池会降低冰面的后向散射,使其在影像上较暗。
图2 2020年2月1日辽东湾海冰数据和分类结果

Fig. 2 Sea ice data and classification result of Liaodong Bay on February 1, 2020

由图2(b)可知,该分类结果中灰冰与海水不易区分,且区分灰冰与海水的特征aswVV对应的巴氏距离为2.07,相对于区分其它海冰类型的特征对应的巴氏距离较低。由于conVV和disVV区分灰冰与海水的巴氏距离相对于其它特征较大,依次对应的巴氏距离分别为1.68和1.60。因此,为了验证本文方法的有效性,利用表3的特征组合方法对2020年2月1日Sentinel-1B数据进行海冰分类,并利用总体分类精度和Kappa系数定量评价分类结果。由表3可知,特征组合1和特征组合2虽然更多地利用了区分灰冰与海水能力较强的特征conVV和disVV,但这2个并不是起关键作用的特征,不利于特征的有效利用,导致总体分类精度和Kappa系数降低。conVV比disVV区分灰冰与海水对应的巴氏距离大,识别灰冰与海水的能力更强,所以特征组合1的总体分类精度和Kappa系数略高于特征组合2。特征组合3由于参与分类特征过多,没有进行特征选择,16项特征造成信息冗余,导致分类结果最差。本文方法综合利用各项特征的特点,利用varVV区分白冰和初生冰、初生冰和灰冰、初生冰和海水,aswVV区分白冰和灰冰、灰冰和海水,corVV区分白冰和海水,实现特征的有效利用,使得总体分类精度和Kappa系数分别为93.16%和0.85,分类效果最好。综上,本文方法能充分利用纹理特征,分类精度最好。各期影像分类结果的总体分类精度和Kappa系数均在85%和0.80以上,该精度指标满足辽东湾海冰监测要求。
表3 2020年2月1日Sentinel-1B数据分类结果评价

Tab. 3 Evaluation of Sentinel-1B data classification results on Ferbruary 1, 2020

不同特征组合编号 特征组合 总体分类精度/% Kappa系数
1 varVV, aswVV, corVV, conVV 90.47 0.82
2 varVV, aswVV, corVV, disVV 88.26 0.79
3 所有特征 84.75 0.77
本文方法 varVV, aswVV, corVV 93.16 0.85

3.2 海冰冰情特征分析

为了研究2015—2020年辽东湾海冰的变化情况,本文利用上述海冰分类结果进行辽东湾冰情特征分析。先总结2015—2020年辽东湾海冰初冰日、终冰日和冰情等级等基本冰情信息。再绘制海冰外缘线分布图,以清晰直观地了解海冰分布情况,并总结海冰外缘线和海冰面积的时空变化规律。分析初生冰、灰冰和白冰的面积变化情况,得出不同时期的海冰类型变化规律。根据各期影像的结冰区域计算结冰概率,以量化海冰发展规律。
（1）基本冰情信息
根据2020年正在修订的国标《中国海冰情等级》可知,辽东湾冰情分为5个等级：轻冰年(1级)、偏轻冰年(2级)、常冰年(3级)、偏重冰年(4级)、重冰年(5级)。冰情等级通过海湾的最大海冰外缘线离岸距离(最大海冰外缘线)确定,具体冰情等级划分见表4。海冰外缘线离岸距离为从海湾底部沿海中线至海冰外缘线的距离,且冰量8成以上。
表4 海冰冰情等级标准

Tab. 4 Standard for sea ice levels

冰级 1级 2级 3级 4级 5级
最大海冰外缘线/n mile <45 45~60 61~80 81~110 >110
由于Sentinel-1A/B数据的时间周期为12 d,无法获取逐日的辽东湾海冰数据,导致不能连续完整地分析冰情信息。为此,结合《中国海洋灾害公报》[24],确定2015—2020年辽东湾海冰的初冰日、终冰日和冰期信息,再根据各期影像的海冰分类结果,统计最大海冰外缘线,确定辽东湾冰情等级,具体见表5。由表5可知,2015—2016、2016—2017、2017—2018、2018—2019和2019—2020年分别为辽东湾冰情常冰年(3级)、偏轻冰年(2级)、常冰年(3级)、偏轻冰年(2级)和偏轻冰年(2级)。综上,2015—2016和2017—2018年冰情较严重,2016—2017、2018—2019和2019—2020冰情较轻,推测2015—2016和2017—2018年冬季冷空气活动频繁、影响范围较广、持续时间较长[25]。
表5 辽东湾冰情等级

Tab. 5 Sea ice condition level in Liaodong Bay

时段 初冰日 终冰日 冰期/d 最大海冰外缘线/n mile 冰情
2015—2016 11-23 3-12 111 65.55 常冰年(3级)
2016—2017 11-22 3-30 102 49.35 偏轻冰年(2级)
2017—2018 11-25 3-14 110 77.50 常冰年(3级)
2018—2019 12-2 3-70 96 53.13 偏轻冰年(2级)
2019—2020 12-3 2-27 87 47.46 偏轻冰年(2级)
《中国海洋灾害公报》[24]只说明辽东湾整体冰情特征,包括最大海冰面积、最大海冰外缘线及其对应日期和冰情等级等,并无逐日海冰冰情信息。根据各期影像的海冰分类结果,计算辽东湾海冰面积最大日、最大海冰面积、海冰外缘线最大日和最大海冰外缘线,并将其与《中国海洋灾害公报》[24]进行比较,具体见表6。其中,冰情等级划分依据与本文不同,所以不予考虑冰情等级的比较。由表6可知,2017—2018、2018—2019和2019—2020年海冰面积最大日与《中国海洋灾害公报》[24]差距在5日以内,而2015—2016和2016—2017年海冰面积最大日存在较大偏差,其原因是Sentinel-1A/B数据的时间周期为12 d,导致无法逐日分析海冰面积,没有《中国海洋灾害公报》[24]中海冰面积最大日的数据,使得本文计算的海冰面积最大日与《中国海洋灾害公报》[24]存在差异。因未获取到真实海冰面积最大日的对应数据,且本文研究区域的面积略小于整个辽东湾,故计算的最大海冰面积都小于《中国海洋灾害公报》[24]。由于无法获取逐日的辽东湾数据,使得海冰外缘线最大日与海冰面积最大日为同一天。其中2015—2016年、2017—2018年、2018—2019年和2019—2020年海冰外缘线最大日与《中国海洋灾害公报》[24]相差在8 d以内,2016—2017年海冰外缘线最大日相差较大。对比2017—2018年、2018—2019年和2019—2020年最大海冰外缘线可知,本文计算的最大海冰外缘线相对较大,相对误差在5 n mile以内,其原因是本文海冰外缘线离岸距离通过人工计算,所以存在一定偏差。
Tab. 6 The comparison table between the basic sea ice condition information calculated in this paper and Bulletin of China Marine Disaster
年度 海冰面积最大日 最大海冰面积/km2 海冰外缘线最大日 最大海冰外缘线/n mile
本文 《中国海洋灾害公报》 本文 《中国海洋灾害公报》 本文 《中国海洋灾害公报》 本文 《中国海洋灾害公报》
2015—2016 2016-01-24 2016-02-01 11 212.80 21 594.00 2016-01-24 2016-02-01 65.55 79.00
2016—2017 2017-02-11 2017-01-24 7682.56 10 515.00 2017-02-11 2017-01-24 49.35 49.00
2017—2018 2018-02-05 2018-02-06 12 738.70 18 041.00 2018-02-05 2018-01-28 77.50 74.00
2018—2019 2019-02-12 2019-02-13 8958.80 12 058.00 2019-02-12 2019-02-14 53.13 52.00
2019—2020 2020-02-01 2020-02-06 7428.120 9165.00 2020-02-01 2020-02-06 47.46 45.00
（2）海冰外缘线和海冰面积变化规律
在海冰分类结果的基础上,绘制各期分类结果的海冰外缘线,并将其叠加至该年海冰面积最大的实验数据上,得到各年海冰外缘线分布情况如图3所示。其中,2015—2016年和2016—2017年海冰面积最大的实验数据为Landsat 8数据,其它年份为Sentinel-1A/B数据。由图3可知,以2017—2018年为例,分析海冰外缘线变化情况,2017年11月冷空气影响辽东湾,沿海气温、海温持续降低,导致11月25日辽东湾海冰外缘线发展为10.31 n mile;12月辽东湾海冰外缘线在15~30 n mile之间变化;2018年1月至2月初,受持续冷空气影响,辽东湾海域气温明显下降,冰情迅速发展,至2月5日海冰外缘线达到最大为77.50 n mile;2月中下旬,随着气温逐步回升,冰情逐步缓解,2月17日海冰外缘线为53.03 n mile;3月,辽东湾海冰外缘线在5~10 n mile之间变化,至3月14日终冰。
根据图3分析2015—2020年辽东湾海冰外缘线变化规律,2015—2020年中最大海冰外缘线为2018年2月5日的77.50 n mile,其中,2015—2016年海冰外缘线最大离岸距离为65.55 n mile,2016—2017年、2018—2019年和2019—2020年最大海冰外缘线为45~55 n mile;2015—2016年和2017—2018年海冰外缘线离岸距离比同时期其它年份更大,冰情较重;海冰每年从北部沿岸开始结冰,然后向海湾内部发展,使得辽东湾北部冰情较南部冰情严重;各年外缘线重心整体偏向东部、海冰分布重心偏向东部,导致辽东湾东部冰情重于西部冰情;2015—2016、2016—2017和2018—2019年都于东部海岸终冰,2017—2018和2019—2020年于北部海岸终冰。
图3 2015—2020年不同时段海冰外缘线分布

Fig. 3 Distribution map of Liaodong Bay sea ice edge line in different periods from 2015 to 2020

根据海冰分类结果,绘制各年辽东湾海冰面积和海冰外缘线离岸距离变化情况,如图4所示。从图4可以看出,辽东湾海冰面积和外缘线变化都是由小到大,中间经历几个起伏变化过程,最后变小直至海冰消融,但海冰面积和外缘线变化趋势存在不同,且变化幅度具有较大的差异。以2019—2020年为例,辽东湾海冰面积从初冰日12月3日起开始增加,直至2月1日海冰面积达到最大7428.12 km2,再减小直至终冰日2月27日海冰消融;外缘线从初冰日起增加直至1月8日40.10 n mile后,开始减小到1月20日26.99 n mile,又增加到2月1日47.46 n mile,最后减小直至海冰消融,且该期间海冰面积和外缘线的变化幅度不同。其原因是外缘线与海冰的空间位置存在关系,海冰面积只表示海冰的结冰面积。
图4 2015—2020年辽东湾海冰面积和海冰外缘线离岸距离变化

Fig. 4 Change of sea ice area and sea ice edge line offshore distance of Liaodong Bay from 2015 to 2020

以2017—2018年为例,分析辽东湾海冰发展规律。由图4可知,2017—2018年辽东湾海冰面积呈先增加后减小的趋势,整体上可分为3个阶段：第一阶段,初冰日11月25日至次年1月24日,海冰面积逐渐增加,属于海冰的形成和发展阶段,共经历61 d;第二阶段,2018年1月24日至2月5日,海冰面积在最大值附近波动,处于盛冰期;第三阶段,从2月5日至3月14日,海冰面积随时间推移迅速减小,持续38 d,属于融化期。该年辽东湾海冰生长发展期明显长于融化期,这与辽东湾多年平均生长期与融化期比例关系一致。
（3）海冰类型分析
图5为2015—2020年辽东湾各类型海冰面积变化图。由图5可知,每年的11月末到12月海冰类型以初生冰为主,间有灰冰,其中初生冰和灰冰面积分别约为800 km2和450 km2。1月到2月中上旬以灰冰为主,间有初生冰和白冰,其中灰冰、初生冰和白冰面积分别约为3600 、1700、1000 km2。2月下旬冰情得到缓解,白冰和灰冰逐渐融化,2月下旬到3月上旬的海冰类型以灰冰和初生冰为主,灰冰和初生冰面积分别约为1650 km2和1200 km2,直到融冰。整体来说,辽东湾海冰类型以灰冰为主,初生冰次之,白冰最少,白冰一般只出现在1月和2月上旬,且常分布在北部沿岸、东部沿岸和海冰中心密集处。
图5 2015—2020年辽东湾各类型海冰面积变化

Fig. 5 Sea ice area change of different types in Liaodong Bay from 2015 to 2020

（4）海冰结冰概率分析
为了进一步量化海冰发展规律,本文提出海冰结冰概率,即像素位置处的结冰天数与该位置总结冰天数的比值,利用结冰概率的高低反映海冰的发展变化情况。首先需要获取研究区域内的结冰信息,将2015—2020年41期影像按照时间递增顺序排列,t为影像时序索引,当像素为初生冰、灰冰和白冰时,像素属性赋值为1(判断为海冰),否则为0,计算公式如下：
P T xyt = 1 ( P t xyt ∈ U t ) 0 ( P t xyt ∉ U t )
式中：(x, y)为像素格点位置坐标,PTxyt为第t期影像(x, y)处像素的属性值,Ut为第t期影像内初生冰、灰冰和白冰区域。2015—2020年间(x, y)处像素结冰次数的属性值,即像素结冰的总期数PTxy为：
P T xy = ∑ 1 T P t xyt
进一步研究辽东湾海冰的空间分布规律,根据2015—2020年各期影像的海冰分类结果,计算辽东湾海域的结冰概率。
P S xy = P T xy T
式中：PSxy为(x, y)处像素的结冰概率;T为影像总期数。像素属性值的大小反映了该位置结冰的次数和难度,属性值越高表示该位置易于结冰,结冰次数越多,属性值越低表示结冰次数越少,结冰难度越大。
图6为计算的辽东湾海冰结冰概率。由图6可知,辽东湾内部结冰情况存在差异,结冰概率由北部沿岸区域向深水区逐渐减小;结冰概率在40%以上的海区,接近海湾面积的1/4左右,成为主要结冰区域;结冰概率低于20%的海区,只有在海冰冰情在3级以上才会受到海冰影响;结冰概率由高到低的过渡也反映了一年中海冰生消过程的演变轨迹,海冰最先由辽东湾湾底及其两侧沿岸区域产生,随温度的降低,逐渐向海湾中轴线发展,但海冰发展速度存在差异,西侧海冰发展速度慢于东侧,导致东侧结冰概率高于西侧。
图6 海冰结冰概率

Fig. 6 Sea ice freezing probability

4 影响因素分析

辽东湾海冰形成取决于地理环境和气象条件[26,27]。但最主要的原因是大气与海水的热力耦合作用使表层海水温度降低至冰点,则热力因素直接影响到海冰形成、发展和消融的全过程。由于海水盐度、海浪和海流等相对热力因素影响较小[28],因此本文主要探究海水深度、海温、气温和风速对海冰的影响。

4.1 海水深度对海冰冰情的影响

海水海冰的比热关系是影响辽东湾海冰形成和发展的重要因素。该影响主要体现在海冰水平发展、垂直厚度和海冰结冰难易程度上。辽东湾区域内海水比热容可看做近似相同,不同区域吸收和释放能量由海水质量决定,而海水质量受海水深度影响,所以辽东湾海冰发展受到海水深度的影响。理论上讲,海水深度越大的区域,结冰时所需要的温度越低,结冰越困难。图7为辽东湾海水深度图,结合2015—2020年海冰外缘线分布图(图3),分析水深对辽东湾海冰发展的影响。辽东湾湾底海水深度由东北向西南逐渐增加,当海水深度小于-10 m时,在相同纬度下,东部相对西部较浅,海冰受纬度和海水深度影响,东部海冰首先结冰。随着温度的降低,海冰向深水区及左右两侧同深度区域发展。当海水深度在-10 ~ -20 m之间时,东部和西部海水深度由沿岸向海湾中轴线方向逐渐加深,两侧区域海冰由浅水区向深水区发展,呈现纵向发展轨迹,但东侧等深线密集,东部区域海冰出现由东北向西南,由东南向西北2个方向发展,使得东部海冰发展速度快于西部,此阶段辽东湾海冰呈“几”字发展;当海水深度大于-20 m时,海水深度过大,深水区海水比浅水区需要散失更多热量才能达到结冰点,导致结冰现象较少。
图7 2015—2020年辽东湾海水深度

Fig. 7 Sea depth of Liaodong Bay from 2015 to 2020

4.2 海温对海冰冰情的影响

根据国家海洋科学数据中心提供的日实况分析资料,计算研究区域日实况分析海温数据各格点上的日算数平均值作为辽东湾海温日均值,如图8所示,由于该日实况分析资料缺失部分数据,导致海温数据不连贯。由图8可知,2015—2020年冬季海温整体呈现先降低后增加的趋势,中间有几个起伏变化过程,但起伏变化程度不大,在2月14日前后,海温降低至最低点-1 °C,然后先持平一段时间,在3月海温开始缓慢回升。2015—2016和2017—2018年海温低于其他3年,使得其冰情相对偏重。
图8 2015—2020年辽东湾冬季日平均海温

注：柱状图为海冰面积,折线图为温度。

Fig. 8 The daily mean sea water temperature in winter of Liaodong Bay from 2015 to 2020

以2016—2017年为例,结合海冰面积分析海温对辽东湾海冰发展的影响。2016年11月15日海温开始降低,11月22日海水开始结冰,在12月11日辽东湾海冰面积为81.03 km2,海温持续降低,海冰范围逐渐增大,1月16日海温为1.89°C,海冰面积为5953.09 km2,2月8日为该年冬季海温最低点,2月11日海温为0.95 °C,海温较低,使得海冰面积达到7682.56 km2,2月25日海温开始回升,海冰冰情得到缓解,海冰面积减少,于3月3日终冰。

4.3 气温对海冰冰情的影响

根据中国气象站日平均实测数据,计算大连、营口和锦州3个台站的日平均气温作为辽东湾气温日均值,如图9所示。由图9可知,2015—2020年气温也整体呈现先降低后增加的趋势,气温变化剧烈、起伏程度较大,在1月24日前后达到最低气温,然后气温稍有抬高,但并不明显,在3月气温回升明显。2015—2016和2017—2018年气温比其它3年偏低,使得这2年冰情相对偏重。
图9 2015—2020年辽东湾冬季日平均气温

注：柱状图为海冰面积,折线图为温度。

Fig. 9 The daily mean air temperature in winter of Liaodong Bay from 2015 to 2020

以2015—2016年为例,结合海冰面积分析气温对辽东湾海冰发展的影响,2015年11月22日受寒潮影响,气温迅速降低,11月23—26日气温在-8.3 °C以下,导致11月23日辽东湾开始结冰;11月27日气温迅速回升,至12月23日气温维持在-2 °C上下浮动,冰情减轻,海冰面积在1000 km2左右;12月26—27日,气温降至-10.5 °C,导致冰情加重;12月28日,气温开始增加,于1月1日达到 2.19°C后,气温开始持续降低,海冰范围持续增长,海冰面积持续增加,1月4日海冰面积为3635.93 km2, 1月16日海冰面积为7568.81 km2,1月23日气温降至该年冬季最低温度-18.72 °C,1月24日海冰冰情为该年最重,海冰面积最大,达到11 212.80 km2;1月25—2月6日气温仍维持在-6 °C,海冰面积较大,冰情仍重;2月7日气温为-0.79 °C,冰情得到缓解,2月9日海冰面积为8398.11 km2,2月12日气温达到4.13 °C;2月13日—15日气温出现一个大幅度的降低;2月16日,气温迅速回升,海冰开始融化,冰情得到缓解,2月25日海冰面积为3868.34 km2;3月1日,气温迅速增加,3月4日气温为5.25 °C,海冰面积为705.67 km2,于3月12日终冰。
为了进一步研究海冰冰情和海温、气温和风速之间的关系,利用Pearson相关系数进行研究,具体计算公式见式(14)。计算大连、营口和锦州3个台站的日平均风速分别作为辽东湾风速日均值,利用各期遥感影像的日海冰面积表征辽东湾海冰冰情,计算辽东湾海冰冰情与海温、气温和风速的相关系数,如表7所示。由表7可知,辽东湾海冰冰情与海温、气温的相关系数分别为-0.55(P<0.01)、-0.59(P<0.01),呈显著负相关关系,当海温和气温偏低时,冰情偏重,反之偏轻,说明海温和气温是影响海冰面积的重要因子,海气界面的热力环境是影响辽东湾海冰冰情的重要因素。计算的相关系数与参考文献[15]、[16]相差不大,具有可靠性。海冰冰情与风速的相关系数为-0.22(P=0.19),表明二者之间缺少关联,其原因是风速自身随机性较强,不具备海温、气温的明显变化规律。
表7 辽东湾海冰冰情与环境因素的相关系数

Tab. 7 Correlation coefficient between sea ice and influencing factors in Liaodong Bay

海温 气温 风速
相关系数 -0.55 -0.59 -0.22

4.4 讨论

（1）将本文计算的辽东湾海冰冰情特征,包括海冰面积最大日、最大海冰面积、海冰外缘线最大日和最大海冰外缘线与《中国海洋灾害公报》[24]进行对比,结果表明上述冰情特征与《中国海洋灾害公报》[24]存在偏差,但也具有一定的可靠性。本文计算的辽东湾海冰冰情与海温、气温的相关系数与相关研究文献的计算结果差别较小,说明本文的计算结果具有一定的参考价值。
（2）受到遥感数据量的影响,不能获取辽东湾冬季逐日遥感数据,本文所用遥感数据的时间周期为12 d,研究数据量偏少,导致不能连续完整地分析海冰变化规律,成为制约本文研究结果的主要因素。
（3）由于Sentinel-1A/B分辨率的限制,识别的海冰类型不完整。可以结合其它遥感数据,如Radarsat-2和GF-3等,获取高分辨率、完整的辽东湾数据,能够增加可识别的海冰类型,提高海冰分类精度,得到逐日的辽东湾海冰信息,以进一步精确地研究辽东湾海冰的变化特征。
（4）研究人员发现1970年以来全球温度在上升,同时气候预测表明极端天气的发生频率和强度也有升高[29]。因此,现阶段全球温度存在缓慢上升的趋势,但仍然不可避免会有冬季极端低温天气的发生。这种情况下,辽东湾海冰冰情不但没有缓解,反而有加重的趋势。

5 结论

本文基于2015—2020年辽东湾Sentinel-1A/B数据,利用巴氏距离选择最优纹理特征组合,进而采用最大似然分类方法实现海冰分类,然后根据上述海冰分类结果,对冰情等级、海冰外缘线、海冰面积、海冰类型和海冰结冰概率等冰情特征进行分析,总结海冰冰情的时空变化规律,最后讨论了海冰冰情与海水深度、海温、气温和风速等因素之间的相关关系。得到的主要结论如下,
(1) 采用不同纹理特征组合方法作为对比方法,与本文方法进行定性定量的对比分析,实验结果表明：本文方法的总体分类精度和Kappa系数分别为93.16%和0.85,分类精度最高。各期影像分类结果的总体分类精度和Kappa系数均在85%和0.80以上,该精度指标满足辽东湾海冰监测要求。
(2) 2015—2016年和2017—2018年冰情较重,2016—2017年、2018—2019年和2019—2020年冰情较轻。2015—2020年11月末到12月海冰类型以初生冰为主,间有灰冰;1月到2月中上旬以灰冰为主,间有初生冰和白冰;2月下旬到3月上旬的海冰类型以灰冰和初生冰为主。辽东湾内部结冰情况存在差异,结冰概率由北部沿岸浅水区向深水区逐渐减小,且东部结冰概率高于西部。
(3) 海水深度在[-10, 0]、[-20, -10]和[-30, -20]不同范围对辽东湾海冰发展具有不同的影响。2015—2020年海温变化起伏程度较小,气温变化剧烈、起伏程度较大,但二者整体上都为先降低后增加的变化趋势。其中2015—2016年和2017—2018年海温和气温比其他3年偏低,使得其冰情相对偏重。辽东湾海冰冰情与海温、气温和风速的Pearson相关系数分别为-0.55(P<0.01)、-0.59(P<0.01)、 -0.22(P=0.19),说明海冰冰情与海温、气温呈显著负相关,受海温和气温影响明显,与风速呈低度相关,受风速影响较小。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
焦艳, 黄菲, 高松, 等. 基于长短时记忆神经网络的辽东湾海冰延伸期预报方法研究[J]. 中国海洋大学学报(自然科学版), 2020, 50(6):1-11.

[ Jiao Y, Huang F, Gao S, et al. Research on extended-range forecast model of sea ice in the Liaodong bay based on long short term memory network[J]. Periodical of Ocean University of China, 2020, 50(6):1-11. ]

[2]
颜钰, 徐粒, 许映军, 等. 基于MODIS的渤海海冰资源量估算[J]. 资源科学, 2017, 39(11):2166-2175.

[ Yan Y, Xu L, Xu Y J, et al. The estimate of sea ice resources in the Bohai Sea based on MODIS data[J]. Resources Science, 2017, 39(11):2166-2175. ]

[3]
刘眉洁, 戴永寿, 张杰, 等. 高分辨率全极化合成孔径雷达数据海冰二次分类方法研究[J]. 海洋学报(中文版), 2013, 35(4):80-87.

[ Liu M J, Dai Y S, Zhang J, et al. The research on the object-based method of sea ice classification of high-resolution quad-polarization SAR data[J]. Acta Oceanologica Sinica, 2013, 35(4):80-87. ]

DOI

[4]
邹斌, 林明森, 石立坚, 等. 遥感技术在海洋灾害监测中的应用[J]. 城市与减灾, 2018(6):61-65.

[ Zou B, Lin M S, Shi L J, et al. Application of remote sensing technology in ocean disaster[J]. City and Disaster Reduction, 2018(6):61-65. ]

[5]
郑小莉, 杨晓梅, 刘兴权. 卫星遥感影像对海洋监测能力的评估分析——以渤海海区为例[J]. 地球信息科学学报, 2009, 11(6):860-866.

[ Zheng X L, Yang X M, Liu X Q. Evaluation of satellite remote sensing for ocean monitoring: A case study of the Bohai sea[J]. Journal of Geo-information Science, 2009, 11(6):860-866. ]

DOI

[6]
王志勇, 王丽华, 刘健, 等. 基于多源中高分辨率遥感数据提取渤海辽东湾海冰要素信息[J]. 自然灾害学报, 2021, 30(1):174-182.

[ Wang Z Y, Wang L H, Liu J, et al. Extraction of sea ice element information in Liaodong Bay of the Bohai sea based on multi-source medium and high resolution remote sensing data[J]. Journal of Natural Disasters, 2021, 30(1):174-182. ]

[7]
郭衍游, 谢宏全, 杨光. 基于MODIS影像渤海2012年海冰变化分析[J]. 海洋科学, 2014, 38(6):60-64.

[ Guo Y Y, Xie H Q, Yang G. Variation analysis of sea ice in the Bohai Sea in 2012 based on MODIS[J]. Marine Sciences, 2014, 38(6):60-64. ]

[8]
张树德, 兰志刚. 基于卫星遥感图像的辽东湾海冰参数反演及空间分布特征分析[J]. 中国海上油气, 2019, 31(4):147-153.

[ Zhang S D, Lan Z G. Satellite remote sensing images-based parameters inversion and spatial distribution characteristics analysis of sea ice in the Liaodong Bay[J]. China Offshore Oil and Gas, 2019, 31(4):147-153. ]

[9]
Yan Y, Huang K Y, Shao D D, et al. Monitoring the characteristics of the Bohai sea ice using high-resolution geostationary ocean color imager (GOCI) data[J]. Sustainability, 2019, 11(3):777.

DOI

[10]
崔艳荣, 邹斌, 韩震, 等. 卷积神经网络在SAR遥感海冰分类中的应用可行性分析[J]. 海洋预报, 2019, 36(5):77-85.

[ Cui Y R, Zou B, Han Z, et al. Feasibility analysis of convolutional neural networks in remote sensing sea ice classification[J]. Marine Forecasts, 2019, 36(5):77-85. ]

[11]
Liu H Y, Guo H D, Zhang L. SVM-based sea ice classification using textural features and concentration from RADARSAT-2 dual-pol ScanSAR data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(4):1601-1613.

DOI

[12]
赵泉华, 郭世波, 李晓丽, 等. 利用目标分解特征的全极化SAR海冰分类[J]. 测绘学报, 2018, 47(12):1609-1620.

[ Zhao Q H, Guo S B, Li X L, et al. Polarimetric SAR sea ice classification based on target decompositional features[J]. Acta Geodaetica et Cartographica Sinica, 2018, 47(12):1609-1620. ]

[13]
Kozlov L E, Krek E V, Kostianoy A G, et al. Remote sensing of ice conditions in the Southeastern Baltic Sea and in the curonian lagoon and validation of SAR-Based ice thickness products[J]. Remote Sensing, 2020, 12(22):3754-3774.

DOI

[14]
Yu M, Lu P, Li Z Y, et al. Sea ice conditions and navigability through the Northeast Passage in the past 40 years based on remote-sensing data[J]. International Journal of Digital Earth, 2021, 14(5):555-574.

DOI

[15]
刘成, 车达升, 李晓东. 黄渤海海冰分布特征及其影响因子[J]. 资源科学, 2019, 41(6):1167-1175.

[ Liu C, Che D S, Li X D. Sea ice distribution and influencing factors in the Yellow Sea and the Bohai Sea during winter 2018[J]. Resources Science, 2019, 41(6):1167-1175. ]

[16]
郭东琳, 赵鹏, 王彬, 等. 基于卫星观测的辽东湾冰情统计分析[J]. 海洋与湖沼, 2019, 50(1):31-40.

[ Guo D L, Zhao P, Wang B, et al. Sea ice in the Liaodong bay: Statistical analysis based on satellite observations[J]. Oceanologia et Limnologia Sinica, 2019, 50(1):31-40. ]

[17]
王焕松, 雷坤, 李子成, 等. 辽东湾海域水体富营养化的模糊综合评价[J]. 环境科学研究, 2010, 23(4):413-419.

[ Wang H S, Lei K, Li Z C, et al. Fuzzy comprehensive evaluation of water eutrophication in Liaodong bay[J]. Research of Environmental Sciences, 2010, 23(4):413-419. ]

[18]
GB/T 14914.2-2019,海洋观测规范第2部分:海滨观测B/T 14914.2-2019,海洋观测规范第2部分:海滨观测[S]. 北京:国家市场监督管理总局;中国国家标准化管理委员会, 2019.

[GB/T 14914.2-2019, The specification for marine observation-Part 2: Offshore observationB/T 14914.2-2019, The specification for marine observation-Part 2: Offshore observation[S]. Beijing: State Administration of Market Supervision and Administration; China National Standardization Administration Committee, 2019.]

[19]
刘眉洁, 戴永寿, 张杰, 等. 高分辨率全极化合成孔径雷达数据海冰二次分类方法研究[J]. 海洋学报(中文版), 2013, 35(4):80-87.

[ Liu M J, Dai Y S, Zhang J, et al. The research on the object-based method of sea ice classification of high-resolution quad-polarization SAR data[J]. Acta Oceanologica Sinica, 2013, 35(4):80-87. ]

DOI

[20]
Caballero G R, Platzeck G, Pezzola A, et al. Assessment of multi-date sentinel-1 polarizations and GLCM texture features capacity for onion and sunflower classification in an irrigated valley: An object level approach[J]. Agronomy, 2020, 10(6):845.

DOI

[21]
邓鸿儒, 崔宸洋, 单文龙, 等. 基于高分三号卫星SAR影像的城市建筑区提取[J]. 地理信息世界, 2018, 25(6):79-84.

[ Deng H R, Cui C Y, Shan W L, et al. Urban building area extraction based on GF-3 satellite SAR images[J]. Geomatics World, 2018, 25(6):79-84. ]

[22]
张晰, 张杰, 纪永刚. 基于纹理特征分析的辽东湾SAR影像海冰检测[J]. 海洋科学进展, 2008, 26(3):386-393.

[ Zhang X, Zhang J, Ji Y G. Sea ice detection from SAR images of the Liaodong bay based on texture analysis[J]. Advances in Marine Science, 2008, 26(3):386-393. ]

[23]
宣国荣, 柴佩琪. 基于巴氏距离的特征选择[J]. 模式识别与人工智能, 1996, 9(4):324-329.

[ Xuan G R, Chai P Q. Feature selection based on bhattacharyya distance[J]. Pattern Recognition and Artificial Intelligence, 1996, 9(4):324-329. ]

[24]
自然资源部, 中国海洋灾害公报[EB/OL]. { HYPERLINK “ http://www.mnr.gov.cn/sj/sjfw/hy/gbgg/zghyzhgb/” 2021-04-26.

[ Ministry of Natural Resources of the People’s Republic of China, Bulletin of China Marine Disaster[EB/OL]. {HYPERLINK “ 2021-04-26.]

[25]
刘成, 曹祥村, 尹朝晖, 等. 2007—2018年黄渤海海冰气候特征及其对气象因子的响应[J]. 海洋通报, 2019, 38(2):173-178.

[ Liu C, Cao X C, Yin Z H, et al. Climatic characteristics of sea ice extent and its response to meteorological factors in the Yellow Sea and the Bohai Sea during 2007-2018[J]. Marine Science Bulletin, 2019, 38(2):173-178. ]

[26]
武浩, 夏芸, 许映军, 等. 2004年以来中国渤海海冰灾害时空特征分析[J]. 自然灾害学报, 2016, 25(5):81-87.

[ Wu H, Xia Y, Xu Y J, et al. Analysis of spatiotemporal characteristics of sea ice disaster in the Bohai Sea since 2004[J]. Journal of Natural Disasters, 2016, 25(5):81-87. ]

[27]
许宁, 袁帅, 闫启仑. 渤海海冰及其对渤海生态环境的影响[J]. 环境保护, 2019, 47(7):20-25.

[ Xu N, Yuan S, Yan Q L. Sea ice in the Bohai sea and its impact on marine ecological environment[J]. Environmental Protection, 2019, 47(7):20-25. ]

[28]
庞海洋. 近50年来渤海海冰时空变化与气候因子关系研究[D]. 烟台:鲁东大学, 2018.

[ Pang H Y. Study on spatial-temporal variation and the relationship of climatic factors in recent 50 years in Bohai[D]. Yantai: Ludong University, 2018. ]

[29]
de’ Donato F, Michelozzi P. Climate change, extreme weather events and health effects[M]// The Mediterranean Sea. Dordrecht: Springer Netherlands, 2013:617-624.

Options
文章导航

/

〈 〉