利用Sentinel-1双极化SAR图像对泛北极地区冬季海冰进行分类

《Remote Sensing of Environment》：Pan-Arctic winter sea ice classification using Sentinel-1 dual-polarized SAR images

本文提出基于DeepLabv3+改进的IceDeepLab模型，利用Sentinel-1双极化SAR数据及雷达入射角信息，实现北极冬季海冰类型（开放水域、幼冰、首年冰、老冰）的高精度分类。通过优化ConvNeXt骨干网络和增强型 atrous空间金字塔池化模块（EASPP），结合全场景训练策略，有效降低海冰类型间后向散射强度重叠问题，在测试集上达到91.9%的总体精度和82.3%的平均交并比，较传统方法提升16%。模型验证了跨年度和跨区域的泛化能力，与USNIC冰图一致性超过90%。

　　海冰类型信息在极地地区的气候变化研究和人类活动方面具有重要价值。随着遥感技术的不断进步，合成孔径雷达（SAR）数据，尤其是来自哨兵-1（S1）任务的SAR图像，已成为高分辨率海冰地图绘制的关键数据来源。然而，尽管S1 SAR数据的获取量日益增加，海冰类型的精细标注数据仍然稀缺，而不同海冰类型在雷达后向散射强度上的重叠也对实现全北极区域的自动化海冰分类构成了挑战。为了解决这些问题，本文提出了一种名为IceDeepLab的模型，基于DeepLabv3+框架，用于在冬季使用S1双极化SAR图像实现全北极区域的自动海冰类型映射。该模型能够识别开放水域（OW）、新生冰（YI）、第一年冰（FYI）和老冰（OI），并以400米分辨率生成像素级分类图。此外，本文还建立了一个包含174张精细标注的S1图像的海冰类型数据集，这些图像覆盖了从2019年11月到2020年3月的全北极区域，涵盖了多种海冰条件。

在数据预处理阶段，我们对S1 SAR数据进行了多方面的处理，包括对HV极化图像进行降噪处理，以消除热噪声和散斑效应的影响。同时，通过引入雷达入射角作为输入特征，我们试图减轻其对HH极化数据的影响。这一步骤在实际应用中至关重要，因为雷达入射角对不同海冰类型的后向散射强度有显著影响。通过引入雷达入射角，模型能够更准确地捕捉到这些变化，从而提升分类性能。此外，我们还利用全球自洽的高分辨率地理数据库（GSHHG）对陆地区域进行掩码处理，确保模型仅关注海冰区域。

为了进一步提升模型的性能，我们采用了一个经过空间优化的ConvNeXt主干网络，并结合了新的增强空洞空间金字塔池化（EASPP）模块。这些改进使得模型在处理全SAR图像时更加高效，同时有效减少了不同海冰类型之间的混淆，并消除了裁剪过程中的拼接线问题。通过全场景训练和推理方案，我们确保了模型在处理大规模数据时的稳定性，同时提高了分类速度。实验结果显示，IceDeepLab在训练数据集上的整体准确率达到了91.9%，平均交并比（mIoU）为82.3%，平均F1分数为90.2%，相较于传统的DeepLabv3+模型分别提升了16.0%、10.0%和11.1%。这表明，IceDeepLab在处理复杂海冰类型和不同季节变化时具有更高的鲁棒性和适应性。

在全北极区域的应用测试中，IceDeepLab被应用于2020年11月至2021年3月期间采集的4153张S1 SAR图像。结果表明，该模型在这些图像上的分类准确率超过90%，并且与操作性海冰图保持高度一致。这一表现验证了IceDeepLab在不同年份的泛化能力，表明其能够适应海冰条件的年际变化。此外，通过消融实验、特征可视化和统计分析，我们进一步验证了模型的有效性，并为未来海冰分类算法的改进提供了有价值的见解。

在模型结构设计方面，IceDeepLab采用了一种改进的DeepLabv3+架构，通过将输入图像的分辨率统一为400米，确保了模型在处理全SAR图像时的效率。模型通过将浅层特征和深层特征进行融合，结合了高分辨率的细节信息和强大的特征表示能力，从而提升了分类的准确性。具体而言，模型首先通过ConvNeXt主干网络提取基础特征，然后通过EASPP模块整合多尺度特征信息，增强对不同海冰类型的区分能力。此外，模型在训练过程中采用了全场景训练和推理方案，以减少对批处理大小的依赖，从而在有限的内存条件下实现更高的分类精度。

在实际应用中，IceDeepLab不仅能够处理全北极区域的海冰分类任务，还展现出良好的跨季节适应能力。通过与AMSR2海冰浓度产品和全年海冰类型数据集的对比评估，我们发现IceDeepLab在操作性海冰监测和全年海冰分类方面具有广泛的应用潜力。例如，在与AMSR2数据的对比中，IceDeepLab在使用AMSR2海冰掩膜时，仍能保持较高的分类性能，表明其具备一定的泛化能力。而在AutoICE挑战数据集上的测试结果进一步验证了模型在全年海冰分类任务中的适用性，显示出其在不同季节和不同海冰类型下的鲁棒性。

此外，本文还通过多种方式对模型的性能进行了深入分析。首先，我们通过消融实验研究了入射角对模型性能的影响，发现直接输入入射角能够显著提升模型的分类准确率，尤其是在区分新生冰和第一年冰时。其次，通过特征可视化和统计分析，我们进一步验证了EASPP模块在提升模型性能方面的关键作用。结果显示，EASPP模块能够有效整合多尺度信息，减少特征混淆，从而提升分类结果的清晰度和准确性。

IceDeepLab的成功应用表明，深度学习技术在海冰分类领域具有广阔的发展前景。通过结合先进的网络架构和优化的训练方案，该模型不仅提高了分类精度，还有效解决了传统方法中存在的诸多问题，如处理复杂海冰类型时的混淆、裁剪导致的拼接线问题以及年际变化带来的不确定性。这些改进使得IceDeepLab能够在全北极区域的海冰监测中发挥重要作用，为极地环境研究和海洋活动提供更加精确的数据支持。

未来的研究将致力于扩展IceDeepLab的应用范围，使其能够在所有季节，尤其是夏季，进行高效的海冰分类。夏季海冰的复杂后向散射特征对模型提出了更高的要求，因此需要进一步优化模型结构，并增加更多的训练样本以提升其在不同季节和不同海冰类型下的适应能力。同时，随着更多数据的积累和算法的不断改进，IceDeepLab有望在自动化海冰监测服务和极地科学研究中发挥更大的作用。通过持续的技术创新和数据积累，我们期待IceDeepLab能够成为未来海冰分类和极地环境监测的重要工具，为全球气候变化研究提供更可靠的数据支持。