基于YOLOv8算法与SAR影像的北极边缘冰区涡旋自动检测及极性分类研究

本研究针对北极边缘冰区(MIZ)涡旋人工检测效率低、极性区分难的问题，创新性地采用YOLOv8模型处理Sentinel-1 SAR数据，实现了对气旋性(CE)和反气旋性(AE)涡旋的自动识别与分类，模型mAP0.5 达0.47，为极地海洋动力学研究提供了高效分析工具。

　　

在北极快速变化的背景下，边缘冰区(Marginal Ice Zone, MIZ)的涡旋动态对海冰输运和热量交换产生关键影响。然而传统依赖人工解译合成孔径雷达(SAR)影像的方法效率低下，且难以区分涡旋极性——气旋性(CE)和反气旋性(AE)涡旋在海洋混合过程中扮演着截然不同的角色。更棘手的是，北极涡旋普遍存在尺度小（最小1.5km）、生命周期短的特点，而现有卫星高度计因空间分辨率不足无法有效观测。这些瓶颈严重制约着对极地海洋过程的认知。

为解决这一难题，研究人员在《Science of Remote Sensing》发表论文，首次将YOLOv8深度学习模型应用于Fram Strait区域的Sentinel-1 SAR数据，开发出能同时检测涡旋并判定极性的自动化系统。研究精选2021-2023年85景双极化(HH/HV)EW模式影像，通过创新性设计假彩色合成(HV,HH,HH)增强特征对比，并采用Mosaic数据增强技术克服样本不平衡问题（CE:AE=365:128）。特别值得注意的是，研究团队开发了地理坐标转换模块，通过仿射变换将像素坐标转换为经纬度，实现涡旋中心定位和尺度计算。

研究结果显示，经过优化的YOLOv8 medium模型在验证集上达到CE检测精度0.62、AE达0.91，成功识别出人工标注遗漏的13个涡旋。模型展现出三大优势：1）精准区分极性，所有预测均无类别错误；2）适应复杂冰情，在密集冰区仍能识别涡旋结构；3）跨尺度检测能力，最大可检测95km的AE。但研究也发现模型对3-4km级亚中尺度涡旋的识别率有待提升，在强湍流区域会出现漏检。

地理分布分析揭示了Fram Eddy Band的涡旋热点区，统计显示CE占比75%但寿命较短，而AE虽仅占25%却具有更大平均尺度（35km vs CE的24km）。这一发现印证了前人关于AE因热盐环流强化而更稳定的理论。研究创新性地量化了涡旋形态特征，通过边界框宽高比证实MIZ涡旋近圆形特性（比值集中在1-1.2之间）。

这项研究标志着极地遥感技术的重大突破，其开发的自动化流程使单日处理数百景SAR影像成为可能，为构建北极涡旋数据库奠定基础。未来通过融入多时相追踪算法，该方法有望揭示涡旋演化规律，对理解北极放大效应下的海冰-海洋-大气耦合机制具有重要科学价值。论文也指出，提升小尺度涡旋检测能力将是下一阶段研究重点，建议结合更高分辨率的TerraSAR-X数据优化模型性能。