基于HY-2B波形特征的北極海冰分類算法

朱藝洵，張 晰*，孟俊敏

（1.山東科技大學(xué) 測繪與空間信息學(xué)院，山東 青島 266590；2.自然資源部第一海洋研究所，山東 青島 266061）

海冰影響著全球的氣候變化，并通過與大氣的相互作用反饋于全球環(huán)境系統(tǒng)[1]。隨著全球氣候變暖，北極海冰的劇烈變化對全球影響已不容忽視。海冰類型是描述海冰狀態(tài)的重要參數(shù)，因此海冰類型的研究分析對全球氣候、極地環(huán)境與安全監(jiān)測均有著重要意義[2]。

早期海冰類型只能通過實(shí)地調(diào)查測得，耗費(fèi)大量人力物力[3-4]。隨著遙感技術(shù)的發(fā)展，基于光學(xué)和SAR遙感影像的分類方法得到了應(yīng)用[5]，但該方法受限于遙感影像成本且空間覆蓋范圍較小，難以實(shí)現(xiàn)大尺度的海冰分類。與SAR相比，微波輻射計(jì)和微波散射計(jì)雖然空間分辨率低，但覆蓋范圍廣，能滿足極地海冰類型大尺度觀測需求[6-7]。與微波散射計(jì)和輻射計(jì)類似，高度計(jì)因其具備大范圍觀測的優(yōu)勢，近年來逐漸得到了人們的重視，已成功應(yīng)用于海冰類型識(shí)別方面[8]。同時(shí)，人們研究發(fā)現(xiàn)，利用衛(wèi)星高度計(jì)進(jìn)行海冰分類能更準(zhǔn)確地估算海冰厚度。這是因?yàn)樵诶酶叨扔?jì)反演海冰干舷和估算海冰厚度時(shí)，均需要提供海冰類型信息。以往的海冰類型信息取自于其他傳感器，在時(shí)間上與高度計(jì)并不同步，從而引入反演誤差[9]。所以為獲取更高精度的海冰厚度數(shù)據(jù)，當(dāng)前的高度計(jì)衛(wèi)星均需具備海冰類型分類能力。

傳統(tǒng)的衛(wèi)星高度計(jì)數(shù)據(jù)的獲取主要依賴于國外衛(wèi)星，如ERS-1/2、ENVISAT、CryoSat-2（CS-2）和Sentinel-3A等。隨著我國航天技術(shù)的進(jìn)步，截至2020年，我國已發(fā)射了HY-2A/B/C3顆衛(wèi)星高度計(jì)，未來還將發(fā)射HY-2D衛(wèi)星高度計(jì)，形成四星組網(wǎng)觀測，以實(shí)現(xiàn)對北極地區(qū)的全覆蓋、高精度監(jiān)測。HY-2高度計(jì)的出現(xiàn)不僅為北極海冰監(jiān)測提供了新的數(shù)據(jù)源，也使我國利用自主生產(chǎn)的高度計(jì)監(jiān)測極地成為了可能，同時(shí)緩解了對國外高度計(jì)衛(wèi)星數(shù)據(jù)的依賴。

在衛(wèi)星高度計(jì)海冰類型識(shí)別算法研究方面，可分為三大類，一是區(qū)分海冰和開闊水域（Open Water，OW），二是區(qū)分海冰類型，三是對海冰與冰間水道（LEAD）進(jìn)行區(qū)分。

在區(qū)分海冰和OW方面，Jiang C等[10]使用閾值分割、K最近鄰法（K-Nearest Neighbor，KNN）和支持向量機(jī)（Support Vector Machine，SVM）3種算法對雙波段HY-2A/B數(shù)據(jù)的自動(dòng)增益控制（Automatic Gain Control，AGC）和脈沖峰值（Pulse Peakiness，PP）2個(gè)波形特征進(jìn)行處理，用來區(qū)分海冰和OW區(qū)域，OW分類精度最多可以達(dá)到98.36%，海冰的分類精度最高為92.84%，但文章未對海冰類型進(jìn)行進(jìn)一步地細(xì)分。在對海冰類型進(jìn)行識(shí)別方面，Zygmuntowska M等[11]在格陵蘭島和加拿大北部海域利用CS-2高度計(jì)數(shù)據(jù)，采用貝葉斯分類器和波形功率最大值（Maximum Power，MAX）、后緣寬度（Trailing Edge Width，TEW）和PP3個(gè)波形特征對一年冰（First-year ice，F(xiàn)YI）與多年冰（Multi-year ice，MYI）進(jìn)行了識(shí)別。Rinne E等[12]利用CS-2高度計(jì)數(shù)據(jù)，采用KNN算法和前緣寬度（Leading Edge Width，LEW）、PP、棧標(biāo)準(zhǔn)差（Stack Standard Deviation，SSD）和后緣比（Late Tail to Peak Power Ratio，LTPP）4個(gè)波形特征，對北極區(qū)域的OW、薄一年冰（Thin First-year ice，TFYI）、FYI和 MYI進(jìn) 行 了 識(shí)別，與同期冰況圖相比，該算法的識(shí)別精度約為82%。Shen X等[13]提出了基于LEW、TEW、后向散射系數(shù)（Sigma0）、MAX和PP6種波形參數(shù)的組合進(jìn)行對北極區(qū)域FYI、MYI和OW的分類，平均分類精度達(dá)到了91.45%。Aldenhoff W等[14]結(jié)合SAR與CS-2數(shù)據(jù)，選取PP、SSD與比例逆平均功率（Scaled Inverse Mean Power，IMP）識(shí)別MYI、FYI與LEAD，進(jìn)而對各參數(shù)進(jìn)行敏感性分析實(shí)驗(yàn)。在檢測LEAD方面，Laxon S W等[15]利用PP和SSD兩種波形特征進(jìn)行LEAD和海冰的識(shí)別。Lee S等[16]提出了一種波形混合算法來檢測來自CS-2數(shù)據(jù)中的LEAD。王立偉等[17]結(jié)合PP、SSD等3個(gè)波形特征參數(shù)和海冰密集度，基于CS-2高度計(jì)完成了對海冰和LEAD的有效識(shí)別。焦慧等[18]結(jié)合波形SKEW、KURT特征與SSD、PP、左脈沖峰值（Left Pulse Peakiness，PPL）等5個(gè)波形參數(shù)對CS-2進(jìn)行LEAD識(shí)別。

綜合國內(nèi)外學(xué)者的研究可知，目前海冰分類研究主要是圍繞國外衛(wèi)星高度計(jì)數(shù)據(jù)開展的，鮮有學(xué)者基于我國國產(chǎn)HY-2高度計(jì)進(jìn)行研究。目前僅有Jiang C等[10]使用HY-2A/B數(shù)據(jù)的PP與AGC特征進(jìn)行海冰和OW的區(qū)分，但仍未實(shí)現(xiàn)對海冰類型的精確識(shí)別，且僅分析了PP和AGC兩個(gè)特征在冰水區(qū)分中的作用，未對更多的波形特征進(jìn)行對比分析[10]。因此與國外高度計(jì)海冰類型識(shí)別的工作相比，利用國產(chǎn)HY-2衛(wèi)星高度計(jì)進(jìn)行海冰分類還需克服以下幾方面的問題：（1）目前基于HY-2進(jìn)行海冰分類研究使用的波形特征參數(shù)比較單一，較少的波形特征無法對波形信息進(jìn)行全面的表征，并且缺少對單個(gè)波形特征進(jìn)行定量分析的工作；（2）目前已有的研究并未對海冰類型進(jìn)行精確的分類，僅完成了冰和水間的區(qū)分，缺少了對不同的海冰類型間的劃分；（3）目前的工作僅使用了單個(gè)的波形特征進(jìn)行分類實(shí)驗(yàn)，未嘗試結(jié)合多波形特征進(jìn)行海冰類型識(shí)別。

探索國產(chǎn)衛(wèi)星高度計(jì)在海冰類型識(shí)別中的可用性，有利于緩解對國外數(shù)據(jù)源的依賴。同時(shí)基于以上3個(gè)問題，本文利用HY-2B衛(wèi)星高度計(jì)數(shù)據(jù)，通過提取PP、LEW、Sigma0及MAX共4種典型的波形特征，開展對TFYI、FYI、MYI、LEAD和OW共5類地物的識(shí)別研究。進(jìn)而詳細(xì)分析和評估HY-2B衛(wèi)星的海冰類型識(shí)別能力。

1 數(shù) 據(jù)

1.1 HY-2B雷達(dá)高度計(jì)數(shù)據(jù)

HY-2B高度計(jì)是我國發(fā)射的脈沖有限型雷達(dá)高度計(jì)，于2018年10月25日6時(shí)57分在太原衛(wèi)星發(fā)射中心順利升空。HY-2B為雙頻雷達(dá)高度計(jì)，工作在Ku和C波段，中心頻率分別為13.58 GHz和5.25 GHz?？臻g覆蓋范圍達(dá)到南北緯80.69°，軌道傾角為9.34°，運(yùn)行重復(fù)子周期為14 d，脈沖有限足跡優(yōu)于2 km。因此，HY-2B覆蓋整個(gè)北極地區(qū)大約需要14 d。表1記錄了HY-2B高度計(jì)的幾個(gè)重要參數(shù)[10]。HY-2B高度計(jì)可公開提供L1B、L2和L33種級別的產(chǎn)品。其中L2級產(chǎn)品又分為臨時(shí)地球物理數(shù)據(jù)產(chǎn)品（Interim Geophysical Data Records，IGDR）、遙感地球物理數(shù)據(jù)產(chǎn)品（Sensor Geophysical Data Records，SGDR）和地球物理數(shù)據(jù)產(chǎn)品（Geophysical Data Records，GDR）。三種產(chǎn)品中僅有SGDR數(shù)據(jù)包含有波形信息。在本研究中，使用的是L2 SGDR產(chǎn)品中的20 Hz Ku波段數(shù)據(jù)，數(shù)據(jù)獲取自國家衛(wèi)星海洋應(yīng)用中心（https://osdds.nsoas.org.cn）。

表1 HY-2B高度計(jì)部分參數(shù)

本文使用的數(shù)據(jù)為2019年12月和2020年3月北極地區(qū)的HY-2B雷達(dá)數(shù)據(jù)，分別代表了北極冬季和初春的冰情，每月約可提供約500萬左右的點(diǎn)元數(shù)據(jù)進(jìn)行研究。為控制數(shù)據(jù)質(zhì)量，避免錯(cuò)誤的波形信息對分類算法產(chǎn)生負(fù)面影響，本文對HY-2B數(shù)據(jù)進(jìn)行了預(yù)處理：首先選擇大于60° N的北極地區(qū)，并使用SGDR文件自帶的標(biāo)志位對陸地進(jìn)行去除；然后去掉了所有波形信息為空的錯(cuò)誤波形；最后去掉所有Sigma0值為NAN的數(shù)據(jù)。其余數(shù)據(jù)篩選步驟參照HY-2B高度計(jì)用戶手冊[19]。圖1為預(yù)處理后的2019年12月的HY-2B數(shù)據(jù)覆蓋范圍，值得說明的是，拉普捷夫海、東西伯利亞海附近海域在預(yù)處理后存在數(shù)據(jù)缺失現(xiàn)象，絕大多數(shù)是由于波形數(shù)據(jù)缺失導(dǎo)致的。其它月份的數(shù)據(jù)也存在相似情況。

圖1 2019年12月北極HY-2B覆蓋范圍

1.2 AARI冰況圖產(chǎn)品

本文在海冰類型識(shí)別時(shí)使用的訓(xùn)練和檢驗(yàn)輔助數(shù)據(jù)為俄羅斯北極和南極研究所（Arctic and Antarctic Research Institute，AARI）提供的北極冰況圖數(shù)據(jù)。除北半球夏季外，該數(shù)據(jù)每周提供一次全北極的海冰類型產(chǎn)品。該海冰類型產(chǎn)品是通過綜合光學(xué)、近紅外、SAR等衛(wèi)星數(shù)據(jù)以及船舶走航觀測得到的[20]。AARI提供的冰況圖產(chǎn)品為Shapefile格式，包含有6種冰類型：尼羅冰、初生冰、FYI、MYI、固定冰和OW，空間分辨率為12.5 km。

在選用與HY-2B數(shù)據(jù)時(shí)間相對應(yīng)的北極區(qū)域2019年12月和2020年3月的AARI數(shù)據(jù)進(jìn)行訓(xùn)練和檢驗(yàn)樣本提取時(shí)，參考了世界氣象組織（World Meteorological Organization，WMO）制定的海冰分類標(biāo)準(zhǔn)，主要開展TFYI，F(xiàn)YI，MYI和OW4種類型的識(shí)別，其中TFYI為厚度＜70 cm的海冰（對應(yīng)AARI中的尼羅冰和初期冰）。

需要說明的是，AARI冰況圖無法提供尺度較小的LEAD樣本，因此本文將另外選用冰間水道產(chǎn)品對LEAD信息進(jìn)行提取。

1.3 MODIS冰間水道產(chǎn)品

本文在進(jìn)行LEAD識(shí)別時(shí)使用的訓(xùn)練和檢驗(yàn)輔助數(shù)據(jù)來自Hoffman等利用MODIS數(shù)據(jù)公開發(fā)布的冰間水道檢測結(jié)果[21]，該產(chǎn)品目前提供了從2002—2020年的北極地區(qū)最小時(shí)間間隔為1 d的LEAD分布，產(chǎn)品分辨率為1 km。

本文采用的MODIS冰間水道產(chǎn)品中包含兩大類數(shù)據(jù)，其一是每日的LEAD信息，以NC格式存儲(chǔ)，其二是標(biāo)準(zhǔn)的經(jīng)緯度對照表。為此，將冰間水道產(chǎn)品的NC文件與其自帶的標(biāo)準(zhǔn)經(jīng)緯度文件進(jìn)行匹配，得到北極LEAD分布信息。

2 HY-2B高度計(jì)波形特征和分類器確定

為 成 功 識(shí) 別 出 OW、MYI、FYI、TFYI及LEAD 5類地物，本文方法可分為如下幾步：（1）進(jìn)行訓(xùn)練樣本的提取，通過輸入AARI北極冰況圖和MODIS冰間水道產(chǎn)品提取相對應(yīng)的5種地物類型，并以向量的形式對樣本進(jìn)行存儲(chǔ)；（2）是提取HY-2B的波形特性，選取了4種經(jīng)典的波形特征對波形進(jìn)行描述；（3）使用柯爾莫哥洛夫—斯米爾諾夫檢驗(yàn)（Kolmogorov-Smirnov test，K-S test），即KS檢驗(yàn)對以上4個(gè)波形特征進(jìn)行可分離性測試，并得出波形特征重要性初步的結(jié)論；（4）選取經(jīng)典的KNN分類器對各波形特征組合進(jìn)行分類，同時(shí)對分類器最優(yōu)參數(shù)設(shè)置進(jìn)行分析；（5）最終與AARI冰況圖和MODIS冰間水道產(chǎn)品相比，得到分類精度，進(jìn)而確定最優(yōu)的波形參數(shù)組合。圖2為本文算法流程。

圖2 本文算法流程圖

2.1 訓(xùn)練樣本選擇

第一步，進(jìn)行LEAD樣本的提取。MODIS冰間水道產(chǎn)品提供時(shí)間間隔為1 d的LEAD產(chǎn)品，選取對應(yīng)日期的HY-2B數(shù)據(jù)與其進(jìn)行匹配，提取經(jīng)緯度相同的數(shù)據(jù)為本文的LEAD訓(xùn)練樣本。但由于LEAD的數(shù)量較少，在這里每月選用了3 000樣本，其中訓(xùn)練樣本2 100個(gè)，驗(yàn)證樣本900個(gè)，訓(xùn)練樣本與驗(yàn)證樣本相互獨(dú)立。

第二步，進(jìn)行MYI、FYI、TFYI和 OW 4種類型的海冰樣本提取。選擇這段時(shí)間內(nèi)與AARI冰況圖時(shí)間間隔小于1 d的HY-2B數(shù)據(jù)，通過完成HY-2B與AARI冰況圖的位置匹配，提取海冰類型的樣本。需要說明的是，上述的樣本選擇都是隨機(jī)選取且在空間上均勻分布。

另外，當(dāng)LEAD樣本與海冰類型樣本在空間上重疊時(shí)（這種概率非常?。捎玫臑楸g水道樣本，因?yàn)镸ODIS冰間水道產(chǎn)品與HY-2數(shù)據(jù)的時(shí)間間隔最小。MYI、FYI、TFYI和OW 4類樣本每月各10 000個(gè)，其中訓(xùn)練樣本7 000個(gè)，驗(yàn)證樣本3 000個(gè)，兩者相互獨(dú)立。

第三步，以向量的形式對5類樣本進(jìn)行存儲(chǔ)，形式為某地物及與之相對應(yīng)的波形特征。

2.2 波形特征提取

來自HY-2B雷達(dá)高度計(jì)的返回信號(hào)被采樣到128個(gè)bin的范圍窗口中，該信號(hào)通常稱為回波波形。利用高度計(jì)回波波形進(jìn)行海冰類型識(shí)別重要的任務(wù)之一就是提取波形的特征參數(shù)。為了能夠定量地描述波形的形狀并考慮信號(hào)強(qiáng)度和寬度的差異，結(jié)合前人研究結(jié)果，本文選擇了MAX、PP、LEW和Sigma0共4個(gè)經(jīng)典的波形特征進(jìn)行海冰分類實(shí)驗(yàn)。PP、LEW與Sigma0可實(shí)現(xiàn)對ENVISAT與CS-2高度計(jì)波形的較好分類[23]。MAX 是 Zygmuntowska M 等[11]、Rinne E等[12]、Shen X等[13]均使用過的波形特征。因此以上4個(gè)經(jīng)典的波形特征被選用于本文實(shí)驗(yàn)。其中，LEW、PP和MAX需要從波形中計(jì)算得到，Sigma0可以從HY-2B數(shù)據(jù)中直接讀取。圖3展示了歸一化后五類地物的典型波形。

MAX：特征1（F1），它是波形功率的最大值。式中，Pi為波形在第i個(gè)距離門處的功率，Pmax為波形的最大功率，下同。

PP：特征2（F2），它是雷達(dá)波形最大峰值功率與同一采樣波形里的所有波形總功率的比[22]。

LEW：特征3（F3），它是回波波形在波形前緣處最大功率值的5%和95%點(diǎn)位間的距離門數(shù)（從第一個(gè)大于最大功率5%的距離門開始到第一個(gè)大于最大功率95%的距離門結(jié)束）[23]。A1為波形前緣處最大功率的5%，A2為波形前緣處最大功率值的95%。

Sigma0：特征4（F4），它是HY-2高度計(jì)接收到的地物的表面后向反射系數(shù)，在HY-2B中，該值已校正了大氣衰減和儀器誤差。

圖3 歸一化后5類地物典型波形

結(jié)合圖3可以看出，通常LEAD的表面較平緩，雷達(dá)信號(hào)多為鏡面反射，PP值較高，且LEW較小；對于OW和海冰則以發(fā)生漫反射為主，PP值低于LEAD。5類地物的PP從高到低排序分別是LEAD、FYI、TFYI、MYI和OW。對于MAX來說，LEAD要遠(yuǎn)高于其余地物，5類地物的MAX值由高到低排序?yàn)長EAD、FYI、MYI、TFYI及OW。對于LEW來說，OW的LEW要大于其他4類地物。毫無疑問，通過HY-2B的波形特征的差異，可以初步實(shí)現(xiàn)對各地物的分類。

2.3 KNN分類器

KNN是機(jī)器學(xué)習(xí)算法之一，常被用于分類處理。該方法的思路是：在測試實(shí)例中，基于某種距離度量找出訓(xùn)練集中與其最靠近的k個(gè)實(shí)例點(diǎn)，然后基于這k個(gè)最近鄰的信息來進(jìn)行預(yù)測。在分類任務(wù)中可選用“投票法”，即選擇這k個(gè)實(shí)例中出現(xiàn)最多的標(biāo)記類別作為預(yù)測結(jié)果。因此，KNN分類器效率的關(guān)鍵要求如下：（1）訓(xùn)練集必須很好地代表要分類的數(shù)據(jù)；（2）必須確定k值；（3）測量之間的距離必須是適當(dāng)?shù)亩攘俊?/p>

KNN目前已被應(yīng)用于高度計(jì)海冰分類實(shí)驗(yàn)中[10,12]，并有著較好分類精度，因此本文也選擇此分類器進(jìn)行試驗(yàn)。另外，針對KNN分類器參數(shù)設(shè)置不同產(chǎn)生的分類精度不同，本文將通過實(shí)驗(yàn)確定最優(yōu)的分類器參數(shù)設(shè)置，并在文章最后給予推薦。

A Summary of the Research Achievements of Mongolian Folk Songs Published

3 分類結(jié)果比較

3.1 特征可分離度

本文應(yīng)用KS檢驗(yàn)定量評估單個(gè)波形特征對海冰類型的區(qū)別能力，KS檢驗(yàn)的統(tǒng)計(jì)量（KS距離）D的計(jì)算方法如下：

式中：F(x)為波形特征1的累計(jì)概率，S(x)為波形特征2的累計(jì)概率，KS距離D于兩者間距離最大時(shí)取得。

在統(tǒng)計(jì)學(xué)中，KS檢驗(yàn)可以通過量化兩個(gè)樣本的經(jīng)驗(yàn)累積分布函數(shù)之間的距離來判斷兩個(gè)數(shù)據(jù)集是否存在顯著差異。KS距離是重要的可分離性標(biāo)準(zhǔn)，用于測量兩個(gè)累積分布函數(shù)之間的最大絕對差。它可以取0至1之間的值。一般來說，KS距離大于0.5證明可以將地物進(jìn)行分類。KS距離處于0.5～0.7時(shí)，說明具有部分可分離性；KS距離處于0.7～0.9之間說明有較好的分離性；KS距離大于0.9時(shí)，說明具體極好的分離性。選定的0.7和0.9值是定義上述3個(gè)組的合理閾值[24]。

結(jié)合2019年12月和2020年3月的HY-2B數(shù)據(jù)，對各地物類型中的4個(gè)參數(shù)進(jìn)行KS距離計(jì)算，表2定量表示了KS檢驗(yàn)后的定量結(jié)果。由表2可知，MAX值對OW和LEAD的區(qū)分度較好，OW與3種海冰間的KS距離均大于0.5，但難以區(qū)別OW與LEAD。同時(shí)還發(fā)現(xiàn)MAX對海冰和LEAD之間有著較好的區(qū)分度，在LEAD與TFYI和MYI間的KS距離均為0.5以上。但MAX對于海冰類型間的區(qū)分度較低，KS距離基本處于0.5以下。

表2 4種特征參數(shù)間的KS距離

PP對OW的區(qū)分度最好，KS距離均達(dá)到了0.7以上，充分證明了PP對OW有著較好的可分離性。同時(shí)可以看出，PP能對FYI與LEAD進(jìn)行較好的區(qū)分，KS距離達(dá)到了0.812。但是也可以發(fā)現(xiàn)，僅使用PP難以對海冰類型進(jìn)行精確的區(qū)分，PP在識(shí)別其余地物類型之時(shí)的區(qū)分度就遠(yuǎn)低于OW。

LEW對OW與FYI的區(qū)分較好，也能區(qū)分FYI與TFYI，KS距離均達(dá)到了0.7以上。除FYI外，僅使用LEW無法對OW和其他海冰進(jìn)行分離，KS距離均在0.5以下。還可以看出，LEW對LEAD具有一定的區(qū)分能力，除難以對OW與LEAD進(jìn)行識(shí)別外，KS距離均達(dá)到了0.5以上。

Sigma0對于OW的區(qū)分度較高，尤其可將OW與TFYI進(jìn)行較好的分離，KS距離達(dá)到了0.7以上，但對海冰間的區(qū)分能力較低。在對MYI與LEAD的區(qū)分時(shí)，其KS距離達(dá)到了0.758，為4個(gè)參數(shù)中最優(yōu)。但也可以看出，僅使用Sigma0對海冰間的區(qū)分效果不佳，MYI、FYI及TFYI間的KS距離均處于0.5以下。

3.2 分類性能比較

3.2.1 最優(yōu)波形組合分類結(jié)果 文中使用了4個(gè)特征對Ku波段HY-2進(jìn)行分類，這意味著KNN分類器需對應(yīng)處理（24-1）個(gè)即15種特征組合，表3列舉了全部特征的15種排列組合。為定量的比較分類效果，本文使用KNN分類器對不同的特征組合的分類性能進(jìn)行了測試，設(shè)KNN采用歐氏距離衡量地物間的距離且k=3，這部分將在3.2.2節(jié)進(jìn)行描述。最后，將分類結(jié)果與AARI北極冰況圖和MODIS冰間水道產(chǎn)品進(jìn)行對比，最終求得分類精度。為盡量削弱季節(jié)及氣候變化對本文實(shí)驗(yàn)造成的誤差，本文選用了2019年12月（冬季）和2020年3月（初春）兩個(gè)季節(jié)開展實(shí)驗(yàn)。

圖4為上述兩個(gè)月數(shù)據(jù)的分類結(jié)果對比?？v坐標(biāo)為15組波形特征組合，橫坐標(biāo)為平均分類精度。圖5展示了使用本文算法的最終海冰分類結(jié)果。表4至表5是15組數(shù)據(jù)中分類精度為前三的波形特征組合對應(yīng)的海冰分類精度。

結(jié)合圖4與表4可知，對于2019年12月數(shù)據(jù)來說，最好分類結(jié)果的波形組合分別為組合15、組合14及組合9。組合15為MAX、PP、LEW及Sigma0的組合，組合14為PP、LEW及Sigma0的組合，組合9為PP與LEW的組合。

結(jié)合圖4與表5可知，對于2020年3月數(shù)據(jù)來說，最好分類結(jié)果的波形組合分別為組合14、組合9及組合11，組合11為MAX、PP及LEW3個(gè)波形特征參數(shù)的組合。

對比表4和表5可知，對于2019年12月和2020年3月，組合14和組合9均能得到較高的海冰分類精度。只是2019年12月，組合14的平均分類精度較組合15略低（僅相差0.52%）。但組合14也有其自身的優(yōu)勢，例如對于FYI的檢測，組合14的探測精度為89.21%，高于組合15的88.45%。因此從冬季（2019年12月）和初春（2020年3月）兩個(gè)月份的結(jié)果上看，組合14（即PP、LEW及Sigma0的特征組合）可能更為普適。值得一提的是，組合14也是Paul等的實(shí)驗(yàn)中所選擇的[23]。

在2019年12月中，組合15的平均海冰分類精度略高于組合14的原因，可能在于組合15引入了MAX這一波形特征。由表2和3.1節(jié)的論述可知，MAX對OW和LEAD有較好的區(qū)分度。相比于3月，北極12月份處于初冬季節(jié)，存在較多的開闊水和冰間水道，所以在這個(gè)月份MAX的引入能夠幫助提高OW和LEAD的識(shí)別精度。從表4中也能看出相較于組合14，組合15對OW和LEAD的識(shí)別精度確實(shí)有一定的提高。

圖4 2019年12月與2020年3月海冰平均分類精度

圖5 2019年12月和2020年3月海冰分類結(jié)果圖

表4 2019年12月海冰分類結(jié)果

表5 2020年3月海冰分類結(jié)果

綜合圖4與表4、表5可知，對于2019年12月和2020年3月，本文算法的最高平均精度均可以達(dá)到90%以上，尤其是對于OW來說，最高分類精度可以達(dá)到93%以上。組合1至組合4為僅使用單個(gè)波形特征進(jìn)行海冰分類實(shí)驗(yàn)，若將其設(shè)為對照組，可以發(fā)現(xiàn)其分類精度均低于結(jié)合眾參數(shù)進(jìn)行實(shí)驗(yàn)的其他組合，證明多特征識(shí)別海冰的優(yōu)越性，這里的結(jié)論也與3.1節(jié)的結(jié)論是一致的。圖6統(tǒng)計(jì)了表4、表5中4項(xiàng)波形參數(shù)出現(xiàn)的頻次，由高到低對其進(jìn)行排列，分別是PP、LEW、Sigma0以及MAX。

圖6 4項(xiàng)波形參數(shù)出現(xiàn)的頻次

3.2.2 最優(yōu)分類器參數(shù)設(shè)置 為確定最優(yōu)的KNN分類器參數(shù)設(shè)置，進(jìn)一步提升海冰分類算法的準(zhǔn)確率，本文擬采用經(jīng)典的歐式距離和曼哈頓距離來衡量各目標(biāo)間的距離，同時(shí)取用k=1, 2, 3, 4, 5進(jìn)行實(shí)驗(yàn)（這也是較為常見的k值選擇）[12]。使用表3中波形組合14進(jìn)行分類實(shí)驗(yàn)。對分類器參數(shù)設(shè)置的評價(jià)標(biāo)準(zhǔn)是，五項(xiàng)地物的平均分類精度越高，則認(rèn)為分類器的參數(shù)設(shè)置最優(yōu)。表6展示了使用歐氏距離與不同k值組合的海冰分類精度，表7展示了基于曼哈頓距離的海冰分類精度。

統(tǒng)計(jì)表中結(jié)果可知，使用歐氏距離進(jìn)行海冰分類計(jì)算時(shí)的精度均略高于曼哈頓距離，平均分類精度約提高了1.3%。在k值的測試中可以看出，經(jīng)測試，當(dāng)k=3時(shí)分類效果最佳，當(dāng)k＜3或k＞3時(shí)，分類精度均呈現(xiàn)下降趨勢。最終，根據(jù)本文實(shí)驗(yàn)，推薦選用歐氏距離作為KNN分類器的度量，且k值設(shè)置為3。

表6 歐式距離與不同k值組合下的海冰分類結(jié)果

表7 曼哈頓距離與不同k值組合下的海冰分類結(jié)果

4 結(jié)論與討論

4.1 結(jié) 論

利用高度計(jì)數(shù)據(jù)監(jiān)測極地海冰是當(dāng)前研究的熱點(diǎn)，本文選用國產(chǎn)HY-2B高度計(jì)進(jìn)行極地海冰分類實(shí)驗(yàn)，通過結(jié)合KNN分類器與MAX、PP、LEW與Sigma04個(gè)波形特征，實(shí)現(xiàn)了對MYI、FYI、TFYI、LEAD及OW5類海冰類型的識(shí)別分類，這也是國內(nèi)外基于HY-2B進(jìn)行精確的海冰分類工作的首次嘗試，本文研究結(jié)論如下：

（1）本文通過使用KS檢測定量評估單波形特征在海冰分類中的能力。MAX對海冰和OW之間有著一定的區(qū)分能力，PP對OW的區(qū)分度最好，LEW對FYI有著較強(qiáng)的識(shí)別能力，Sigma0可用于MYI與LEAD的區(qū)分；

（2）使用不同波形特征的組合可實(shí)現(xiàn)對海冰的精確分類。通過使用AARI冰況圖產(chǎn)品及MODIS冰間水道產(chǎn)品對分類結(jié)果進(jìn)行精度檢驗(yàn)，對2019年12月的數(shù)據(jù)來說，最優(yōu)波形特征組合為PP、LEW、Sigma0及MAX，對于2020年3月的數(shù)據(jù)來說，最優(yōu)的波形特征組合為PP、LEW及Sigma0。兩個(gè)月份的海冰分類的最高平均精度均可以達(dá)到90%以上，尤其對OW的分類效果最佳，達(dá)到了93%以上；

（3）綜合KS檢驗(yàn)與海冰分類結(jié)果對波形特征的重要性進(jìn)行評估，特征的重要的排序從高到低，分別是PP、LEW、Sigma0與MAX；

（4）本文對分類器的參數(shù)設(shè)置進(jìn)行了實(shí)驗(yàn)，對于本文數(shù)據(jù)來說，推薦選用歐氏距離作為KNN分類器的度量，k值設(shè)置為3，此時(shí)海冰的分類精度最高。

4.2 討 論

本文研究目的是評估HY-2衛(wèi)星在海冰分類應(yīng)用中的可行性，因此采用了4個(gè)波形特征PP、LEW、Sigma0及MAX進(jìn)行分析，4者均為已在其他國外高度計(jì)衛(wèi)星中成功應(yīng)用過的波形特征[11-13,23]。后續(xù)研究將引入TEW、SSD和LTPP等其他波形特征，開展對波形特征在海冰分類中應(yīng)用的全面分析，以進(jìn)一步完善波形分類算法。受限于目前可獲取的數(shù)據(jù)，本文的研究僅使用了2019年12月和2020年3月冬季和初春共兩個(gè)月的HY-2B數(shù)據(jù)。為進(jìn)一步提高算法的普適性，未來將會(huì)利用大量的北極HY-2B數(shù)據(jù)繼續(xù)開展海冰分類分析，以求得適用于不同季節(jié)的海冰分類需求的普適性組合方式。對海冰分類產(chǎn)品的精度評價(jià)同樣是后續(xù)研究方向，例如不僅可開展HY-2與CS-2、Sentinel-3等其它衛(wèi)星海冰分類對比。還可開展高度計(jì)衛(wèi)星與微波輻射計(jì)或散射計(jì)等海冰類型產(chǎn)品的對比。