摘要
海冰检测与分类对于航行安全和气候变化研究至关重要。合成孔径雷达（SAR）凭借其高分辨率、全天候和昼夜成像能力，已成为这些任务的重要数据来源。然而，大多数现有的深度学习研究依赖于幅度数据，未能充分利用复值信息。本研究评估了来自Sentinel-1单视复数（SLC）数据的局部滤波通道间相位信息是否能为传统的HH和HV幅度提供补充信息。利用AI4北极海冰挑战数据集（ASID Challenge），我们构建了一个复值数据集，并使用四种代表性语义分割网络评估了不同的输入组合。我们考察了ASID挑战中六个不同类别的分类结果，并结合实际航行场景，将这六个类别映射为三类：开放水域、早期冰和发育冰。在直接进行三分类训练的FCN中，相位增强使平均测试宏F1和mIoU分别提高了4.4%和6.1%。结果表明，尽管其收益在全部六分类实验中并不一致，但当海冰类型按照更广泛的发育阶段进行分组时，相位信息提供了更可靠的改进。这些发现表明，通道间相位包含幅度之外的补充信息，并可能在现实应用场景中改善SAR海冰分类。
