利用随机森林方法，通过对多频率和多极化的AMSR2数据进行融合处理，可以研究北极海冰流动的变化情况

《International Journal of Digital Earth》：Fusion of Arctic sea ice drift results from multi-frequency and multi-polarization AMSR2 data using a random forest approach

海冰漂移监测需提升精度与覆盖，本研究提出基于随机森林的多频段被动微波数据融合方法。通过融合18.7GHz和36.5GHz的H/V/P极化数据，该方法在冻结季和融化季均显著提升R2值（分别达0.07和0.13）并降低RMSE（分别减少0.42和0.83km/d），同时空间覆盖率提升6%-14.5%。实验验证了该方法在浮标数据和MOSAiC观测中的有效性，并揭示了季节性特征对数据源重要性的影响。

　　海冰漂移监测对于极地气候研究和安全航行具有重要的意义。目前，基于被动微波数据的海冰漂移提取方法主要依赖于单一频率的数据，这在准确性和空间覆盖范围方面存在一定的局限性。因此，本研究提出了一种基于随机森林（Random Forest, RF）的融合方法，通过整合来自先进微波扫描辐射计2号（Advanced Microwave Scanning Radiometer 2, AMSR2）数据的多频率海冰漂移结果，显著提升了海冰漂移监测的精度和空间覆盖能力。通过对浮标观测数据的验证，结果表明该融合方法在全年范围内均优于单一频率和单一极化、平均融合以及线性融合方法。

海冰漂移不仅影响海冰的空间分布，还对气候系统、航行安全和科学探索产生深远的影响。因此，提升海冰漂移的监测精度对于理解其动态变化和降低相关风险至关重要。然而，传统方法在数据处理过程中面临诸多挑战。例如，被动微波数据虽然具有广泛的覆盖范围和较短的重访周期，但其空间分辨率较低，难以捕捉海冰的细节特征。同时，单一频率和极化方法在不同季节的适用性存在差异，尤其在夏季，由于大气噪声和干扰的增加，其结果的可靠性和空间覆盖范围会显著下降。因此，如何有效利用多频率和多极化数据来提高全年海冰漂移提取的准确性和覆盖范围，成为亟待解决的问题。

本研究采用多频率和多极化数据进行融合，通过随机森林回归方法对不同频率和极化得到的海冰漂移结果进行整合，从而提升整体性能。在数据预处理阶段，对AMSR2的亮度温度（Brightness Temperature, TB）图像进行了增强处理，包括直方图均衡化和高斯-拉普拉斯（Gaussian-Laplacian, LoG）算子的应用，以提高图像对比度和纹理特征。随后，使用连续最大互相关（Continuous Maximum Cross-Correlation, CMCC）方法提取海冰漂移，并通过去除错误匹配进一步优化结果。最终，将不同频率和极化提取的海冰漂移结果进行融合，通过随机森林模型提高精度和覆盖范围。

在实验过程中，我们利用了来自国际北极浮标计划（International Arctic Buoy Programme, IABP）的浮标数据作为基准。浮标数据具有高空间精度和高时间分辨率，但其分布稀疏，难以全面覆盖大范围区域。因此，我们结合了不同频率和极化得到的海冰漂移结果，以弥补单一数据源的不足。通过对比不同方法在测试数据集中的表现，发现随机森林融合方法在提升海冰漂移提取精度和空间覆盖方面具有显著优势。例如，在冻结季节，该方法在R2指标上提高了0.07，而RMSE（均方根误差）降低了0.42 km/d；在融化季节，R2提高了0.13，RMSE降低了0.83 km/d。这表明随机森林融合方法能够有效减少误差，提高海冰漂移的提取精度。

在空间覆盖方面，随机森林融合方法在全年范围内均显示出优于单一数据源的结果。特别是在融化季节，其空间覆盖提升幅度更为显著，达到14.5%的峰值。这一提升主要得益于不同频率和极化数据的互补性。例如，在冻结季节，36.5 GHz V极化数据在准确性和空间覆盖方面表现突出，而在融化季节，18.7 GHz和36.5 GHz的极化差数据则显示出更高的覆盖能力。通过将这些数据进行融合，可以有效填补单个数据源在空间覆盖上的不足，从而提升整体的监测能力。

为了进一步分析不同数据源对融合结果的影响，我们还采用了SHAP（SHapley Additive exPlanations）方法，对各频率和极化数据的重要性进行了评估。结果显示，在冻结季节，36.5 GHz V极化数据对模型的预测贡献最大，而在融化季节，36.5 GHz的极化差数据则成为主要的贡献因素。这一发现揭示了不同季节下数据源的重要性变化，进一步支持了动态融合方法的必要性。此外，随着越来越多的数据源被引入到融合过程中，模型的精度和覆盖范围均有所提升，尤其是在融化季节，各数据源的互补性使得融合结果的精度和覆盖能力达到最优。

在应用过程中，随机森林模型不仅提升了海冰漂移的提取精度，还保持了较高的空间覆盖能力。这一方法在实际操作中具有良好的适应性，能够有效应对不同季节和不同区域的监测需求。然而，需要注意的是，模型的性能仍受到原始数据质量的影响。因此，在某些区域，如果所有可用的单频率数据源质量较低，模型的输出可能会受到限制。此外，随机森林模型相较于简单的线性回归方法，其复杂性和较低的可解释性可能会在某些实际应用中带来一定的挑战。

综上所述，本研究提出了一种基于随机森林的海冰漂移提取方法，能够有效融合多频率和多极化数据，从而提升监测的准确性和空间覆盖范围。实验结果表明，该方法在全年范围内均优于现有方法，特别是在融化季节表现出显著的提升。未来的研究可以进一步探索深度学习方法，如基于注意力机制的神经网络和图卷积网络（Graph Convolutional Networks, GCNs），以更好地捕捉海冰的空间依赖性和时间演化特征。此外，将更精确的环境驱动数据（如风场）与海冰漂移数据进行整合，也有助于进一步提升监测精度。最后，结合主动微波数据（如合成孔径雷达SAR）可以有效弥补被动微波数据的局限性，从而实现更加全面和可靠的海冰漂移监测。