利用基于无监督分类的方法选择代表性参考点，从SMOS数据中反演北极海冰厚度

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Arctic Sea Ice Thickness Retrieval From SMOS Using Unsupervised-Classification–Based Selection of Representative Tie Points

　　

摘要：

从土壤湿度和海洋盐度（SMOS）L波段亮度温度中反演北极薄海冰厚度（SIT）对tie-point（参考点）的选择非常敏感，而传统的固定tie-point方法无法充分捕捉北极亮度温度特征的强烈区域性和季节性变化。本研究提出了一种区域化的多tie-point（MTP）反演框架，用于2010年至2023年冻结季节的北极薄海冰厚度反演。首先，利用SMOS亮度温度观测数据和海冰浓度时间序列构建了一个全北极范围的MTP数据集。然后，通过三种无监督聚类方法（K-medoids、K-means + K-medoids和K-means + affinity propagation (AP)）识别出具有代表性的tie-point。这些代表性tie-point被进一步纳入加权反演方案中以估算SIT。结果表明，基于聚类的方法有效保留了tie-point特征的主要空间异质性，并降低了反演不确定性。其中，K-means+AP方法在反演精度和计算效率之间取得了最佳平衡，同时更有效地保持了区域异质性。与Operation IceBridge的测量结果进行验证后发现，与不来梅大学的产品相比，该方法的反演精度提高了约20%；与汉堡大学的产品相比，对于共位的薄冰样本，反演精度提高了11.7%。所提出的框架为利用SMOS观测数据进行的大规模北极薄海冰厚度反演提供了一种更准确、更稳定的方法。