張 晰, 張 杰, 孟俊敏

(國家海洋局第一海洋研究所, 山東 青島 266061)

渤海是我國緯度最高的海區(qū), 每年冬季都是海冰冰情最重的海域。同時, 渤海及其周邊海域也是我國重要的經(jīng)濟開發(fā)區(qū), 該海域已經(jīng)發(fā)現(xiàn)豐富的油氣資源, 分布有許多重要的大油田, 如勝利油田、遼河油田。每年冬季, 海冰凍結(jié)及漂移對渤海的海上航運、油氣勘探及海上生產(chǎn)等均有不同程度的影響, 甚至造成嚴(yán)重的災(zāi)害。至今, 海冰已造成多次石油平臺倒塌、船舶受損、航運受阻等嚴(yán)重危害, 造成了重大經(jīng)濟損失[1-3]。因此, 為適應(yīng)海洋開發(fā)和海洋減災(zāi)工作的需要, 必須加強海冰監(jiān)測技術(shù)的研究。

相對其他監(jiān)測方式, 遙感監(jiān)測能夠快速獲取大面積的海冰冰情信息。其中光學(xué)遙感雖然受云霧和光照條件的影響, 但因其具有價格低廉(大多數(shù)可免費獲取), 真實直觀, 適合目視解譯判讀的優(yōu)勢, 是現(xiàn)階段海冰遙感監(jiān)測的主要業(yè)務(wù)手段。目前, 利用光學(xué)遙感衛(wèi)星已經(jīng)發(fā)展了多種海冰識別與分類方法。國內(nèi)外較為經(jīng)典有, Riggs等[4]利用MODIS的海冰反射率發(fā)展了北極地區(qū)的海冰面積和海冰類型的提取方法; Scharfen等[5]利用 MODIS數(shù)據(jù)得到全球的冰雪產(chǎn)品。國內(nèi)在渤海海冰探測方面, 史培軍等[6]利用MODIS和AVHRR數(shù)據(jù)提出了基于光譜特征的海冰分類方法。韓素芹等[7]利用海冰在MODIS數(shù)據(jù)可見光、近紅外通道中的光學(xué)特性, 探測了渤海海冰的分布狀況?，F(xiàn)階段, 利用MODIS、AVHRR等中低分辨率的光學(xué)遙感數(shù)據(jù)提取的海冰類型信息, 已在海冰預(yù)報的業(yè)務(wù)化工作中得到應(yīng)用[8]。

可見, 利用光學(xué)遙感影像監(jiān)測海冰、識別海冰類型, 主要是基于中低分辨率的光學(xué)數(shù)據(jù)開展的(如,MODIS、AVHRR), 利用高分辨率光學(xué)遙感數(shù)據(jù)開展的相關(guān)研究較少。近年來, 高分辨率光學(xué)衛(wèi)星發(fā)射數(shù)量逐漸增多。特別是進入2013年以后, 美國和中國分別發(fā)射了Landsat-8衛(wèi)星和高分辨率對地觀測一號衛(wèi)星(GF-1), 這兩顆光學(xué)遙感衛(wèi)星具有多光譜和高空間分辨率觀測的優(yōu)勢, 為海冰監(jiān)視監(jiān)測提供了新的、高性能的技術(shù)手段。Landsat-8和 GF-1衛(wèi)星正式投入運行為2013年下半年, 因此2013～2014年冬季, 這兩顆衛(wèi)星首次獲取了渤海海冰的光學(xué)遙感觀測數(shù)據(jù)。當(dāng)前,如何利用Landsat-8和GF-1衛(wèi)星更有效地開展渤海海冰監(jiān)測未見報道, 亟待開展該方面的研究工作。

為更有效地利用Landsat-8和GF-1衛(wèi)星進行渤海海冰監(jiān)測, 本文從海冰檢測和海冰類型識別兩方面, 開展渤海海冰探測能力對比研究, 希望本文的研究成果能為Landsat-8和GF-1衛(wèi)星在渤海海冰遙感監(jiān)測的業(yè)務(wù)化應(yīng)用提供參考。

1 數(shù)據(jù)源

Landsat-8攜帶有陸地成像儀和熱紅外傳感器兩種載荷, 其中陸地成像儀包括9個波段, 除全色波段為15 m分辨率外, 其余波段的空間分辨率為30 m。熱紅外傳感器包括兩個熱紅外波段, 空間分辨率為100 m, 用于反演地表溫度。每個波段的數(shù)據(jù)均為16 bit量化等級, 具體參數(shù)見表1。

GF-1衛(wèi)星搭載有兩臺 2 m分辨率全色相機(Panchromatic, Pan), 兩臺 8 m 分辨率多光譜相機(Multispectral imager, MS)和四臺16 m分辨率寬視角多光譜相機(Wide Field imager, WFI), 可提供Pan/MS/WFI三種工作模式, 這三種工作模式分別有1/4/4個光譜波段。每個波段的數(shù)據(jù)均為16 bit量化等級, 具體參數(shù)見表2。

表1 Landsat-8衛(wèi)星的性能參數(shù)Tab.1 Specifications of Landsat-8 satellite

表2 GF-1衛(wèi)星的性能參數(shù)Tab.2 Specifications of GF-1 satellite

對比表1和表2可知, Landsat-8衛(wèi)星雖然分辨率低, 但可提供更多的光譜信息(有 10個光譜波段和1個全色波段); 如, Landsat-8的第1波段可用于區(qū)分陸地和海水; 第6和第7波段為短波紅外波段, 可用于大氣校正等處理; 第9波段可用于云檢測; 綜合第10和第11兩個熱紅外波段可用于反演地表溫度[9]。而GF-1衛(wèi)星雖然光譜信息少(有4個光譜波段和1個全色波段), 但 GF-1同時具有高空間分辨率和大幅寬(4臺多光譜相機圖像拼接, 幅寬可達(dá)800 km)的優(yōu)勢, 可在更短的時間內(nèi)對某一個地區(qū)重復(fù)觀測, 重復(fù)周期只有4 d, 與Landsat-8衛(wèi)星(重訪周期為16 d)相比, 重復(fù)周期大大縮短[10]。

在海冰類型識別的光學(xué)遙感探測中, 主要采用的是紅光、綠光、藍(lán)光以及近紅外4種波段[9-10]。這四種波段不僅是GF-1和Landsat-8衛(wèi)星共有的, 同時它們的波段范圍也基本重合。接下來, 將圍繞兩個衛(wèi)星的共有波段開展渤海海冰的探測能力分析。

2 海冰檢測與分類能力對比

2.1 選用的遙感數(shù)據(jù)

共采用了11景無云/少云的 GF-1光學(xué)遙感數(shù)據(jù)(3景8 m多光譜數(shù)據(jù)和8景16 m多光譜數(shù)據(jù))和7景無云/少云的 Landsat-8光學(xué)遙感數(shù)據(jù), 用于對比分析這兩種數(shù)據(jù)在海冰檢測與海冰分類方面的能力。這些數(shù)據(jù)的時間跨度為2014年1月到2014年2月, 覆蓋渤海海冰的生長、發(fā)展和消融3個階段。需要特別指出的是, 在2014年1月18日和2014年2月3日, GF-1和Landsat-8影像均覆蓋同一區(qū)域(圖1), 且成像時間不超過2 h。從圖1可以看出, 影像成像范圍均為遼東灣區(qū)域。在2014年1月18日的影像中, 渤海處于盛冰期,海冰正在生長階段, 海冰類型以薄冰和平整冰為主,粗糙冰夾雜在薄冰和平整冰之中。在2014年2月3日的影像中, 渤海處于融冰期, 海冰類型以粗糙冰為主, 薄冰和平整冰零星可見。因此, 本文所選用的數(shù)據(jù), 從數(shù)量、時間跨度和海冰類型三方面均有很好的代表性。

圖1 Landsat-8和GF-1渤海海冰遙感影像Fig.1 Landsat-8 and GF-1 sea ice images in the Bohai Sea

2.2 選擇的海冰樣本和光譜參數(shù)

本文關(guān)注的是海水(Open water, OW)、薄冰(Thin ice, TI)、平整冰(Level ice, LI)和粗糙冰(Rough ice, RI)等4種類型的檢測和分類能力。上述3種海冰類型在遙感圖像的表現(xiàn)描述如下。

薄冰: 海水直接凍結(jié)而成或由雪降至低溫海面而生成, 呈薄片狀、糊狀或海綿狀, 無固定形狀。該冰型的遙感反射率與海水的接近, 但可通過紋理特征清晰地識別。

平整冰: 表面平坦, 多呈灰色; 在光學(xué)遙感影像上呈現(xiàn)為大片集中分布或小塊的灰色冰層。

粗糙冰: 表面凸凹不平, 形狀復(fù)雜, 層次分明,多呈白色, 堆積現(xiàn)象顯著; 在光學(xué)遙感圖像上呈現(xiàn)為大面積亮白色冰層, 能夠清晰識別; 部分冰層由于形成時間較長被塵土覆蓋, 呈現(xiàn)淺棕黃色。

根據(jù)上述對海冰類型的描述, 首先從上述18景遙感圖像中, 按照空間均勻選取樣本的原則, 選取海水、薄冰、平整冰和粗糙冰4種類型的樣本, 樣本數(shù)量分別為312, 245, 257和192個。然后從Landsat-8和 GF-1影像的4種類型樣本中, 分別提取了Landsat-8和 GF-1的16種光譜參數(shù)(16種光譜參數(shù)的描述見表3), 用于進一步分析不同衛(wèi)星的不同光譜參數(shù)對海冰類型以及海水的分類能力。選用的16個光譜參數(shù)可分為3類, 第一類是單一波段的歸一化光譜值, 第二類是光譜波段差和比, 第三類是光譜波段比。

2.3 對比分析

本文通過計算兩種類型間的歐氏距離來評價Landsat-8和GF-1兩種衛(wèi)星在16種不同光譜參數(shù)下的海冰檢測和分類能力, 計算公式如下[11]。

表3 所采用的光譜參數(shù)及其定義Tab.3 The spectral parameters used

其中di, j是第i類和第j類的歐氏距離;xi和xj是第i類和第j類樣本的平均值;σ2表示某類樣本的方差。兩種類型間的歐氏距離越大, 就認(rèn)為兩種類型的可分性越強; 反之若兩種類型間的歐氏距離越小, 則兩種類型的可分性越弱。通常, 歐氏距離大于 1, 就可認(rèn)為兩種類型具有可分性[12]。

表4和表5給出了利用Landsat-8和GF-1影像不同光譜參數(shù)計算的不同海冰類型間的歐氏類間距離, 還計算了海冰類型的平均歐氏距離, 海冰和海水間的平均歐氏距離。觀察表4和表5, 可得到以下結(jié)論。

2.3.1 海冰檢測能力方面

在海冰和海水的分類(即海冰檢測)能力方面,Landsat-8有8個光譜參數(shù)的海冰與海水分類距離大于1, GF-1有12個光譜參數(shù)的海冰與海水分類距離大于 1(見表4)。

1) Landsat-8影像的 8個光譜參數(shù)中, Red和Infrared具有較高的海冰和海水(Ice-OW)分類距離,分別是 1.80和1.79; 且只有Red和Infrared對于粗糙冰與海水(RI-OW), 薄冰與海水(TI-OW)和平整冰與海水(LI-OW)三種組合的分類距離均大于1。

2) GF-1影像的12個光譜參數(shù)中, 有B_G, B_R,G_R, B2R和B2I五個光譜參數(shù)對于RI-OW、TI-OW和 LI-OW 三種組合的分類距離都大于 1; 在這五個參數(shù)中, B2I 和B_R具有相對較高的Ice-OW分類距離, 分別是1.80和1.71。

表4 Landsat-8海冰影像的歐氏類間距離Tab.4 Euclidean separability of landsat-8 image between the classes TI, LI, RI and OW

綜上, GF-1有5種光譜參數(shù)能很好的將薄冰、平整冰和粗糙冰等冰類型與海水區(qū)分, Landsat-8只有2種光譜參數(shù), 因此在海冰和海水的區(qū)分(即海冰檢測)方面, GF-1的識別能力要強于Landsat-8光學(xué)遙感影像。

2.3.2 海冰類型識別能力方面

在海冰類型識別能力方面, Landsat-8有12個光譜參數(shù)的平均海冰分類距離大于1, GF-1有8個光譜參數(shù)的平均海冰分類距離大于1(表5)。

1) Landsat-8影像的 12個光譜參數(shù)中, 只有Green能夠?qū)ζ秸c粗糙冰(LI-RI), 平整冰與薄冰(LI-TI)和粗糙冰與薄冰(RI-TI)三種組合的分類距離均大于1。

2) 上述GF-1影像的8個光譜參數(shù)中, 沒有一個光譜參數(shù)能夠同時對LI-RI, LI-TI和RI-TI三種組合的分類距離都大于1。

3) 總體而言, Landsat-8的海冰類型平均歐氏距離(Ice Type)普遍大于GF-1影像。

綜上可知, 在海冰類型的分類能力方面, Landsat-8的識別能力要強于GF-1光學(xué)遙感影像, 且推薦使用Landsat-8的光譜參數(shù)Green來區(qū)分海冰類型。

最后, 我們利用本文提出的光譜特征, 對 GF-1海冰遙感影像進行分類測試, 分類結(jié)果見圖2和表6。由表6可知, 利用選擇的光譜特征進行海冰分類,可實現(xiàn)87.63%的海冰類型識別精度。進一步證明了本文的論述。

表5 GF-1海冰影像的歐氏類間距離Tab.5 Euclidean separability of GF-1 image between the classes TI, LI, RI and OW

表6 渤海海冰分類結(jié)果的混淆矩陣Tab.6 The confusion matrix for sea ice classification in the Bohai Sea

3 結(jié)論與討論

3.1 結(jié)論

為更有效地利用Landsat-8和GF-1衛(wèi)星進行渤海海冰監(jiān)測, 本文從海冰檢測與海冰類型識別兩方面開展了對比分析研究。主要結(jié)論如下。

在海冰檢測方面: (1) GF-1的海冰檢測能力要強(USGS)提供的Landsat-8光學(xué)衛(wèi)星影像, 和中國資源衛(wèi)星應(yīng)用中心提供的高分一號光學(xué)衛(wèi)星影像。于 Landsat-8; (2) 對于 GF-1影像, 推薦使用的光譜參數(shù)為Blue與Infrared的波段比(B2I)和Blue與Red的波段差和比(B_R); (3) 對于 Landsat-8影像, 推薦使用的光譜參數(shù)為Red和Infrared。

圖2 GF-1渤海海冰分類結(jié)果Fig.2 The sea ice classification result of GF-1 image

在海冰類型識別方面: (1) Landsat-8的海冰類型識別能力要強于 GF-1; (2) 推薦使用的光譜參數(shù)為Landsat-8影像的Green進行海冰類型識別。

3.2 討論

雖然本文的主要目的是對比分析 Landsat-8和GF-1衛(wèi)星對渤海海冰的探測能力, 但在業(yè)務(wù)化監(jiān)測方面, 作者仍推薦綜合使用Landsat-8和GF-1衛(wèi)星。因為綜合這兩種遙感數(shù)據(jù)源, 不僅可以大大提高海冰監(jiān)測的時間分辨率。而且, 當(dāng) Landsat-8和 GF-1衛(wèi)星在同一天過境時, 綜合這兩種數(shù)據(jù)源可以發(fā)揮優(yōu)勢互補的作用?？上扔?6m/8m分辨率GF-1數(shù)據(jù)提取渤海海冰面, 再用 Landsat-8識別海冰類型, 最后用2 m分辨率的GF-1數(shù)據(jù)對重點區(qū)域(如港口或石油平臺)進行海冰監(jiān)測。

需要指出的是, 冰上覆蓋雪會顯著改變海冰的反照率, 影響海冰類型的判別; 如何在有積雪覆蓋的情況下有效區(qū)分并識別薄冰、平整冰和粗糙冰等海冰類型, 目前仍屬于國際難題, 值得進一步開展研究分析。另外, Landsat-8提供了兩個熱紅外波段,為探測海冰表面溫度提供了可能, 這一研究值得盡快開展。

致謝: 作者由衷感謝United States Geological Survey

[1]Bai S, Wu H.Numerical sea ice forecast for the Bohai Sea[J].Acta Meteorologica Sinica, 1998, 56(2): 139-153.

[2]張晰, 張杰, 孟俊敏, 等.基于極化散射特征的極化合成孔徑雷達(dá)海冰分類方法研究: 以渤海海冰分類為例[J].海洋學(xué)報, 2013, 5: 95-101.

[3]張晰, 張杰, 紀(jì)永剛.基于紋理特征分析的遼東灣SAR影像海冰檢測[J].海洋科學(xué)進展, 2008, 26(3):386-393.

[4]Riggs G A, Hall D K, Ackerman S A.Sea ice extent and classification mapping with the Moderate Resolution Imaging Spectroradiometer Airborne Simulator[J].Remote Sensing of Environment, 1999, 68(2): 152-163.

[5]Scharfen G R, Hall D K, Khalsa S J S, et al.Accessing the MODIS snow and ice products at the NSIDC DAAC[C]// IGARSS.Geoscience and Remote Sensing Symposium (5).USA: IGARSS, 2000: 2059-2061.

[6]史培軍, 范一大, 哈斯, 等.利用 AVHRR和MODIS數(shù)據(jù)測算海冰資源量——以渤海海冰資源測算為例[J].自然資源學(xué)報, 2002, 17(2): 138-143.

[7]韓素芹, 黎貞發(fā), 孫治貴.EOS/MODIS衛(wèi)星對渤海海冰的觀測研究[J].氣象科學(xué), 2005, 25(6): 624-628.

[8]吳奎橋, 徐瑩, 郝軼萌.MODIS數(shù)據(jù)在海冰遙感中的應(yīng)用[J].海洋預(yù)報, 2005, z1: 44-49.

[9]吳龍濤, 吳輝碇, 孫蘭濤, 等.MODIS渤海海冰遙感資料反演[J].中國海洋大學(xué)學(xué)報: 自然科學(xué)版, 2006,36(2): 173-179.

[10]李寶輝, 侯一筠, 孫從容, 等.“北京一號”小衛(wèi)星圖像在渤海海冰監(jiān)測中的應(yīng)用[J].海洋學(xué)報, 2013, 4:201-207.

[11]杜陽.基于貝葉斯分類器的最小歐氏距離圖像檢索相關(guān)反饋及DSP實現(xiàn)[D].長春: 吉林大學(xué), 2006.

[12]Dabboor M, Geldsetzer T.Towards sea ice classification using simulated RADARSAT Constellation Mission compact polarimetric SAR imagery[J].Remote Sensing of Environment, 2014, 140: 189-195.