基于混合損失U-Net的SAR圖像渤海海冰檢測研究

徐歡，任沂斌

(1.江蘇海洋大學 海洋技術與測繪學院，江蘇 連云港 222005；2.中國科學院海洋研究所 海洋環(huán)流與波動重點實驗室，山東 青島 266071；3.中國科學院海洋大科學研究中心，山東 青島 266071)

1 引言

海冰作為5大海洋災害之一，對全球的水文、洋流、熱力循環(huán)和生態(tài)系統(tǒng)都有重大影響[1?2]。渤海每年都有3個多月不同程度的結冰現象，對我國社會生產活動造成嚴重影響。渤海海冰不僅堵塞航道、損壞船只，還破壞海上及海岸設施，其融化甚至給海洋養(yǎng)殖帶來次生災害。2009/2010年冬季至2018/2019年冬季，我國受海冰災害影響經濟損失高達75億元，其中遼寧和山東兩省受災情況較為嚴重[3]。合成孔徑雷達（Synthetic Aperture Radar,SAR）具有不受氣象條件限制、全天時、全天候的觀測能力，被廣泛用于海冰的檢測和監(jiān)測[4–6]。因此，研究基于SAR圖像的渤海海冰檢測對海冰監(jiān)測、海冰災后應急、海洋運輸、海洋漁業(yè)具有重要意義。

多年來，學者們圍繞海冰檢測提出了一系列方法，總體可分為兩類：傳統(tǒng)方法和深度學習方法。傳統(tǒng)方法包括閾值法[7]、紋理分析[8–10]、專家知識系統(tǒng)[11]、馬爾科夫隨機場[12]、支持向量機[13–16]、人工神經網絡[17]等。大數據時代的到來，傳統(tǒng)方法受限于手動特征提取和建模方式，制約了海冰檢測精度的進一步提升[18]。近年來，深度學習迅猛發(fā)展[19]。典型的深度學習模型由多層神經網絡堆疊而成，可以模擬人類的神經系統(tǒng)，從原始輸入數據中逐層抽象特征，實現對目標的檢測和識別[20]。深度卷積神經網絡（Convolutional Neural Network,CNN）由多個卷積層組成，是一種特殊的深度神經網絡。卷積層通過卷積核與上一層卷積層連接，可以提取局部空間特征[21]，已在圖像分類、目標識別和時空信息挖掘等領域取得了巨大成功[22–26]。近些年，研究人員已將CNN應用到海冰檢測與識別中。Li等[27]利用CNN實現了對高分3號影像的海冰檢測。Xu和Scott[28]以CNN的經典模型AlexNet為基礎，引入遷移學習思想來加速網絡參數訓練，實現了SAR圖像的海冰和海水分類。黃冬梅等[29]將CNN和深度置信網絡 (Deep Belief Networks,DBN)相結合，用于SAR圖像的冰水分類。Wang等[18]采用Sentinel-1 SAR數據，構建了具有3個CNN層和兩個全連接神經網絡層的海冰分類模型，實現了白令海附近海冰的多尺度分類。

海冰檢測已由傳統(tǒng)方法向深度學習方法轉變。得益于強大的特征提取能力，基于深度學習模型的海冰檢測方法取得了比傳統(tǒng)方法更高的檢測精度。然而，現有研究仍存在兩方面的問題：一方面，現有深度學習檢測模型多以早期的CNN架構和自定義CNN架構為主，模型的特征提取和表征能力有限，導致模型對海冰檢測的精度有待進一步提升；另一方面，傳統(tǒng)SAR海冰檢測方法已發(fā)現雙極化信息相對于單極化信息更有利于海冰和海水的區(qū)分[30?31]，而現有的研究還沒有考慮雙極化信息，制約了海冰檢測精度的提高。

U-Net是近年來提出的圖像分割方法。U-Net以CNN為基本組成單元，可以通過少量的訓練樣本獲得較高的圖像分割精度，在醫(yī)學圖像分割方面取得了巨大成功[32?33]。已有研究將U-Net應用到遙感圖像的目標分割并取得了較高的分割精度[34?35]。因此，本文將U-Net引入到渤海海冰的檢測中，以Sentinel-1 VV和VH雙極化SAR圖像為數據源，設計混合損失函數優(yōu)化傳統(tǒng)U-Net模型，形成了基于混合損失U-Net的渤海海冰檢測模型。通過與傳統(tǒng)方法——脈沖耦合神經網絡 (Pulse Coupled Neural Network,PCNN)、馬爾科夫隨機場 (Markov Random Field,MRF)、分水嶺算法 (Watershed Algorithm,WA)和基于 CNN 深度學習方法的對比實驗，驗證了本文方法的有效性。進一步分析了雙極化信息和混合損失函數對海冰檢測效果的影響。文章的第2節(jié)簡要介紹了研究區(qū)域概況和數據處理步驟，第3節(jié)詳細介紹了本文提出的混合損失U-Net海冰檢測模型，第4節(jié)通過對比實驗分析了本文模型與已有模型的海冰檢測差異，分析了雙極化信息和混合損失函數的效果，第5節(jié)為總結和研究展望。

2 研究區(qū)域及數據

2.1 研究區(qū)域概況

渤海是有黃河、遼河、海河等入海的半封閉式內海，由遼東灣、渤海灣、萊州灣、中央淺海盆地和渤海海峽5部分海域組成，也是西太平洋的一部分，面積達 7.49 萬 km2，海岸線長達 2 670 km，平均水深約為18 m，如圖1所示。渤海每年冬季都有3～4個月不同程度的結冰現象，一般情況下，海冰分布范圍可達渤海面積的1/3。本文選取2015年12月至2020年3月5個冬季共10景SAR圖像數據進行海冰檢測研究，SAR圖像詳細信息如表1。

表1 SAR圖像的詳細信息Table 1 Details of SAR images

圖1 研究區(qū)域地理位置Fig.1 Geographical location of the study area

2.2 數據獲取和預處理

本文采用Sentinel-1 A/B衛(wèi)星的SAR影像作為研究數據。Sentinel-1 A/B 是歐洲航天局（European Space Agency,ESA）于2014年發(fā)射的攜帶SAR傳感器的衛(wèi)星，工作波段為C波段，軌道高度為693 km，重復周期為 12 d。Sentinel-1 A/B 數據產品分為 0、1、2共3個級別，本文采用的是1級產品中的地距影像（Ground Range Detected,GRD）。渤海的 GRD 采用了寬幅干涉模式（Interferometric Wide Swath,IW），該工作模式將獲得的3個子條帶合成1幅影像，幅寬為250 km，極化方式為VV和VH。

首 先 ，采 用 SNAP（Sentinel Application Platform,SNAP）Desktop[36]對SAR影像數據進行輻射校準、濾波和幾何校正。然后，將每張影像裁剪成若干大小為256×256像素的切片，切片之間相鄰且無重疊，如圖2所示。最后，利用標注軟件LabelMe[37]對SAR影像切片進行海冰標注，其中海冰像素標注為1，背景像素標注為0。標注結果見圖3。

圖2 渤海海冰影像切片Fig.2 Image slices of sea ice in the Bohai Sea

圖3 海冰標注結果Fig.3 Labeled slices of sea ice

3 研究方法

3.1 基于混合損失 U-Net的海冰檢測模型流程

基于混合損失U-Net的渤海海冰檢測模型整體流程如圖4所示。對原始SAR影像進行預處理并切片，對切片數據進行海冰標注；將標注后的海冰數據集劃分為訓練集、測試集和驗證集，訓練集用于混合損失U-Net海冰檢測模型訓練，測試集測試訓練好的混合損失U-Net海冰檢測模型；采用多種度量指標對測試結果進行精度驗證，評估模型的海冰檢測效果。

圖4 基于混合損失 U-Net的海冰檢測模型流程圖Fig.4 Flow chart of sea ice detection model based on a hybrid loss U-Net model

3.2 基于混合損失 U-Net的海冰檢測模型結構

U-Net海冰檢測模型的基本組成單元是CNN，CNN中，當前隱藏層神經元通過卷積核與上一隱藏層中與卷積核對應的部分元素建立局部連接，而不是與所有元素建立全局連接[21]，如圖5所示。CNN輸出矩陣中某單元由輸入矩陣中與卷積核對應區(qū)域的元素與卷積核中權重加權求和得到。U-Net的結構與字母“U”的形狀相似，見圖6，所以被命名為U-Net[38]。U-Net由輸入、編碼、解碼和輸出4部分組成。輸入由SAR圖像的VV和VH雙極化信息組成，圖像大小為256×256像素。編碼部分用于提取抽象的、縮小的特征圖來進行準確的分類；解碼部分和編碼部分之間存在跳躍連接，解碼部分可以融合多尺度特征圖，對感興趣的目標進行更詳細、更大信息量的描述。下面從編碼器、解碼器、輸出層和混合損失函數4部分重點介紹混合損失U-Net海冰檢測模型的具體結構。

圖5 卷積運算示例Fig.5 An example of convolution operation

圖6 基于混合損失 U-Net的海冰檢測模型網絡架構Fig.6 Network architecture of sea ice detection model based on a hybrid loss U-Net model

3.2.1 編碼器

編碼器負責提取抽象的、縮小的特征圖，常用的編碼器包括 ResNet 18、VGG 16、VGG 19 等[39?40]，考慮到模型計算和海冰檢測復雜度，我們選擇ResNet 18作為編碼器。本文U-Net模型的編碼器由ResNet 18的17個卷積層組成，包括5個編碼塊。第1個編碼塊是步長為2的7×7卷積層。經第1編碼塊計算后，切片大小變?yōu)?28×128像素。其余4個編碼塊均由兩個編碼單元堆疊而成。每個編碼單元為1個殘差卷積神經網絡模塊，由兩組堆疊的“卷積層和非線性激活層”和短路連接組成[23]。編碼單元對輸入圖像進行特征提取和非線性變換，輸出變換后的高級特征。卷積層的卷積核大小為3×3[41]，卷積層對特征圖進行補全，使得卷積前后特征圖的尺寸相同。激活函數為“ReLU”，如果輸入小于0，則輸出為0，否則輸出與輸入相等。使用“ReLU”作為激活函數，輸出不會隨著輸入的增加而趨于飽和。在兩個編碼單元前堆疊一個最大池化層(除第1和第5編碼塊)，池化層的核大小為2×2，經過1次池化后，輸出特征圖的大小變?yōu)檩斎胩卣鲌D大小的1/2。

3.2.2 解碼器

3.2.3 輸出層

本文U-Net模型的輸出層由一個卷積層和一個非線性激活層堆疊而成，將特征圖Y的像素級特征轉換為像素級分類結果，映射到網絡的輸出層上。卷積層的卷積核大小為1×1，卷積核的數量為1。激活函數為“Sigmoid”，可以把輸出值映射到(0,1)區(qū)間，大于等于0.5的輸出值為海冰，小于0.5的輸出值為背景，公式為

3.2.4 混合損失函數

損失函數是深度學習算法進行模型優(yōu)化的核心。對于一個輸入樣本，模型的輸出值與該樣本真實值之間的差異稱為損失。損失函數是描述這種差異的函數。對于一個深度學習模型，模型中的神經網絡權重通過損失反向傳播來完成訓練[42]。因此，損失函數決定了深度學習模型的訓練效果，至關重要。

在二分類的圖像分割問題中，交叉熵損失函數(Binary Cross Entropy Loss，BCEloss)是使用最為廣泛的損失函數之一，公式為

本文中，標簽樣本的值為{0、1}，分別表示背景和海冰。公式（4）中，P0表示標簽圖像下像素為海冰的概率，值為1；P1表示標簽圖像下像素為背景的概率，值為0。模型在輸出時經過“Sigmoid”函數輸出一個概率值，當 x=0時，f(x)=0.5；當 x>0時，f(x)≈1；當 x<0時，f(x)≈0。把輸出值映射到(0,1)之間的數值概率上。預測輸出就是“Sigmoid”函數的輸出，表征了輸出層為海冰像素和背景像素的概率，即和。概率間的關系為和

采用BCEloss優(yōu)化U-Net模型，能夠穩(wěn)定地回傳不同類別所對應的梯度，有效地解決模型在反向傳播中梯度消失的問題。但由于BCEloss在回傳梯度時，對圖像上每個類別都進行平等地估計，所以對于圖像上類別不平衡的問題，最常見的類別更容易改變模型的優(yōu)化方向，進而影響最終的分割結果。

此外，另一種用于圖像分割問題的損失函數是Dice 損失函數 (Dice Loss，Diceloss)，公式為

Diceloss由Dice系數發(fā)展而來。如公式(5)所示，Dice系數度量兩個集合的相似程度，取值范圍為0～1。當Dice系數為1時，表示兩個集合完全重合，分類效果最好；當Dice為0時，表示兩個集合不存在重合，即沒有正確的分類結果。因此，Diceloss能夠引導模型持續(xù)學習，最大化Dice系數，使預測結果逐漸逼近真實結果，最終實現預測結果與真實結果完全重合的目標。但如果預測結果中有部分像素預測錯誤，就會導致預測目標梯度的劇烈變化，從而增加模型訓練的難度。

為發(fā)揮BCEloss和Diceloss各自的優(yōu)點，本文設計了BCEloss和Diceloss結合的損失函數BCEDloss，將BCEDloss用于U-Net海冰檢測模型的訓練。BCEDloss的定義如下：

式中，w為權重因子，反映了兩個損失函數分別占的權重。一般情況下，w的取值大于0.5，具體的取值結果見4.4節(jié)。

4 模型驗證與應用

4.1 實驗設置

實驗將SAR圖像切片和對應的標簽數據劃分為訓練集、驗證集和測試集，包含的切片數量分別為1 829、323和479。模型訓練在Linux操作系統(tǒng)下完成，使用的設備配置有1個NVIDIA TESLA V100 32 GB GPU。本文模型基于TensorFlow-Keras框架搭建，代碼采用Python 3.6編寫。本文混合損失U-Net模型采用適應性矩估計[43]（Adaptive Moment Estimation,Adam）優(yōu)化算法來對模型中的參數進行優(yōu)化。Adam通過計算梯度的一階矩估計和二階矩估計為不同參數設計獨立的自適應性學習率，能夠快速的收斂，更高效的學習。

4.2 評價指標

在海冰檢測的過程中，我們需要對U-Net網絡進行訓練和測試。因此，我們使用以下幾項指標來評價模型的訓練和測試結果：

重疊度 (Intersection over Union,IoU)用于計算模型預測的海冰區(qū)域與真實海冰區(qū)域的重疊比例，IoU值越大，預測結果越好，其公式為

式中，P為模型預測的海冰區(qū)域；G為真實的海冰區(qū)域；P ∩G 為P和G重疊的海冰像素；P ∪G為P和G并集的海冰像素。

精確度(Precision)指的是正確預測的正樣本數占所有預測為正樣本數量的比值，也就是所有預測為正樣本的樣本中真正的正樣本數，只考慮預測為正樣本的部分，其公式為

式中，tp為正確檢測的海冰像素；fp為錯誤檢測的海冰像素。

召回率(Recall)指的是正確預測的正樣本數占真實正樣本總數的比值，也就是測試樣本中能夠正確預測出的正樣本數，其公式為

式中，fn為錯誤檢測的背景像素。

F1分數(F1_Score)是精確度和召回率的一種調和平均，通常作為衡量二分類模型精度的一種指標，其公式為

4.3 對比實驗

為驗證本文模型的有效性，本文進行了3組對比實驗。首先將本文混合損失U-Net模型與已有的傳統(tǒng)方法和深度學習方法進行對比，見表2。傳統(tǒng)方法包括分水嶺算法、MRF[12]和PCNN[17]3種經典方法。深度學習方法為基于CNN的海冰檢測模型[27]。然后針對本文U-Net模型的損失函數，進行了混合損失函數與非混合損失函數的對比實驗，見表3?；旌蠐p失函數是BCEloss和Diceloss權重之和。BCEDloss的權重w設置為0.7，w的取值由實驗得到，見4.4節(jié)。非混合損失函數模型分別以BCEloss和Diceloss為損失函數。最后根據VH、VV、VV+VH不同極化信息的輸入進行模型預測結果的對比實驗，見表4。實驗結果的評價指標為F1_Score、Precision、Recall和IoU。所有測試模型的數據集劃分方式一致。本文的U-Net模型（w=0.7）和CNN模型均進行了超參數的調節(jié)，取最優(yōu)的測試效果為最終結果。

表2 不同模型的度量結果Table 2 Measurement results of different models

表3 不同損失函數的度量結果Table 3 Measurement results of different loss functions

表4 不同極化方式的度量結果Table 4 Measurement results of different polarization information

4.3.1 不同模型檢測結果對比

由表2可知，與傳統(tǒng)的圖像檢測方法和深度學習方法相比，本文基于混合損失U-Net的海冰檢測模型在 F1_Score、Precision、Recall和 IoU 4項指標上均為最優(yōu)。傳統(tǒng)方法中，Recall均高于其他度量指標，說明傳統(tǒng)方法在檢測過程中對海冰像素的敏感度高于背景像素；深度學習方法的Recall偏高，也說明其在檢測過程中對海冰像素的敏感度高?；诨旌蠐p失U-Net的海冰檢測模型在F1_Score、Precision和Recall上均較高，說明其能較好地分辨海冰像素和背景像素。在IoU上，本文模型的優(yōu)勢更加明顯，說明本文U-Net模型檢測的海冰區(qū)域與真實的海冰區(qū)域重疊度比例較高。

為了進一步驗證基于混合損失U-Net海冰檢測模型的精度，我們從測試集中選取了部分SAR圖像切片，來具體對比各個模型的預測結果，如圖7所示（白色為海冰，黑色為背景）。圖7中共有7列數據，每一行按順序分別是單張切片的原始SAR圖像、對應標簽數據和5種對比方法的預測結果?？傮w來看，相比本文U-Net模型，另外4種方法的預測結果都有所不足。對比圖7b和圖7d兩組數據，MRF只能模糊地預測出海冰范圍，對于海冰密集度較低的地方，MRF方法無法檢測。從圖7第4行的預測結果來看，對于不同灰度級別的海冰，PCNN較其他方法的檢測效果不明顯，但從圖7e組其他的預測結果來看，PCNN對冰水沿線的海冰檢測效果較其他傳統(tǒng)方法顯著。對比圖7b和圖7e兩組數據，PCNN預測會誤把海冰像素檢測成背景像素，導致海冰的不完整呈現，CNN方法預測的結果也出現類似的情況。對比圖7b和圖7f兩組數據，分水嶺算法的預測結果存在無法完整檢測海冰范圍的問題。對比深度學習(本文U-Net和CNN)和傳統(tǒng)方法(MRF、PCNN和分水嶺算法)預測的結果，深度學習方法檢測海冰的效果更好，說明基于深度學習方法在區(qū)分海冰和背景特征方面具有優(yōu)勢。對比圖7b、圖7c和圖7g 3組數據，本文混合損失UNet模型檢測海冰的效果更接近真值，特別是對冰水沿線、冰間水道、冰間隙等細節(jié)的檢測效果更好。

圖7 不同模型對海冰測試集的預測結果Fig.7 Prediction results of different models for sea ice test sets

4.3.2 不同損失函數結果對比

為驗證本文BCEDloss的效果，將混合損失U-Net模型和非混合損失U-Net模型進行對比。非混合損失U-Net模型包括兩個：以BCEloss為損失函數的UNet模型（U-NetBCE）；以 Diceloss為損失函數的 U-Net模型（U-NetDice）。U-NetBCED為本文混合損失 U-Net模型(w=0.7)。實驗環(huán)境和實驗數據保持不變。利用測試集對3種模型進行預測和精度評定，結果如表3所示。

由表3可知，與非混合損失函數模型U-NetBCE和U-NetDice相比，本文混合損失函數模型U-NetBCED在F1_Score、Precision、Recall和 IoU 4項指標上均有明顯提升。進一步，選取2020年2月19日的1景渤海海冰圖像，對比不同損失函數U-Net模型的預測結果。為清晰地對比三者的不同，本文選取了近岸和離岸的兩個典型區(qū)域（圖8a中綠色方框所示），放大對比3個模型的海冰檢測結果，如圖8b至圖8e所示。從圖8b至圖8e可知，非混合損失函數U-NetBCE和UNetDice模型對海冰細節(jié)檢測效果存在缺陷，特別是紅圈標注的區(qū)域，而U-NetBCED的檢測結果彌補了非混合損失函數模型檢測結果的不足。所以，本文設計的BCEDloss能綜合BCEloss和Diceloss的優(yōu)勢，更好地實現U-Net模型的訓練，減小模型預測結果與真值之間的差距，提高模型的海冰檢測能力。

圖8 不同損失函數的海冰檢測結果對比Fig.8 Comparisons of sea ice detection results with different loss functions

4.3.3 不同極化信息結果對比

為驗證雙極化信息在海冰檢測方面的優(yōu)勢，將VH、VV和VV+VH 3種不同極化信息輸入到本文混合損失U-Net模型（w=0.7）中，保持實驗環(huán)境不變，進行模型訓練，并利用測試集對3種模型訓練結果進行預測和精度評定，結果如表4所示。

由表4可知，與VH或VV單極化輸入信息相比，VV和VH雙極化輸入信息在F1_Score、Precision、Recall和IoU 4項指標上均最優(yōu)，且明顯優(yōu)于VH單極化輸入信息。同樣，選取了2020年2月19日的1景渤海海冰圖像，對比不同輸入信息U-Net模型的預測結果。為清晰地對比三者不同，也選取了近岸和離岸的兩個典型區(qū)域（圖9a中綠色方框所示)，放大對比3個模型的海冰檢測結果，如圖9b至圖9e所示。從圖9b至圖9e可知，VV和VH雙極化輸入信息的U-Net模型對海冰檢測能力明顯強于VH單極化輸入。VV單極化輸入信息的U-Net模型與其相比，也存在紅圈標注的檢測誤區(qū)，圖9e圈1處較明顯。而在VH單極化輸入的結果中，上述在VV極化中被錯誤檢測的區(qū)域得到改正，如圖9d所示。綜合VV+VH雙極化輸入，VV單極化輸入出現的錯誤檢測得到改正，如圖9c所示。所以，VV+VH雙極化圖像能為混合損失U-Net模型提供更完整的海冰像素信息，提高模型的海冰檢測能力。

圖9 不同極化信息海冰檢測結果對比Fig.9 Comparisons of sea ice detection results with different polarization information

綜上所述，相對于已有的傳統(tǒng)和深度學習方法，本文提出的基于VV和VH雙極化信息輸入的混合損失U-Net模型對渤海海冰具有更高的檢測精度，能夠對海冰、背景進行有效區(qū)分，對冰水沿線、冰間水道、冰間隙等細節(jié)特征的檢測效果更好。

4.4 混合損失函數權重比分析

為了獲得本文U-Net模型損失函數的最優(yōu)權重比，本文對損失函數中的權重因子w進行了探究，將w分別設置為 0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8和0.9，并對測試集進行預測，預測結果的度量指標值如圖10所示。

圖10展示了損失函數在不同權重比的情況下對本文U-Net模型性能的影響。從圖中可以看出，w不同取值下，模型的各項指標存在波動。整體來看，當w大于等于0.5時，模型各項指標的變化趨于穩(wěn)定。當w取 0.7時，F1_Score、Precision、Recall和IoU指標最優(yōu)，模型的性能最佳。因此，在模型應用中，建議w值設置為0.7，以BCEloss為主要損失，Diceloss為輔助損失，得到最優(yōu)效果。

圖10 混合損失函數不同權重比實驗結果Fig.10 Experimental results of hybrid loss functions with different weight ratios

4.5 模型應用

為了更好地驗證本文混合損失U-Net海冰檢測模型的應用性，將訓練好的模型用于渤海區(qū)域整幅SAR影像的海冰檢測。此處，選取2020年1月2日（(圖11）遼東灣的SAR影像，對影像進行預處理，并輸入到混合損失U-Net模型中進行海冰檢測?？梢钥闯?，本文模型對SAR影像中的海冰、背景能進行較好地分類，對海冰及其細節(jié)能較好地檢測。因此，本文提出的U-Net模型可以應用于渤海區(qū)域整幅SAR圖像的海冰檢測，可為海冰監(jiān)測、海冰變化分析、海冰預報提供技術支撐。

圖11 整幅 SAR 圖像海冰檢測結果Fig.11 The sea ice detection results of the whole SAR image

5 結論與展望

本研究針對渤海區(qū)域SAR影像的海冰檢測問題，以Sentinel-1 VV和VH雙極化方式的SAR影像為數據源，引入深度學習框架U-Net，用ResNet 18編碼器，設計了BCEloss和Diceloss結合的混合損失函數優(yōu)化U-Net模型，形成了基于混合損失U-Net的渤海海冰檢測模型，并與傳統(tǒng)的海冰檢測方法和已有的深度學習方法進行了對比，研究了混合損失函數和雙極化輸入信息對海冰檢測結果的影響，同時分析了混合損失函數的權重比，得出了如下結論：

（1）本文提出的U-Net模型在測試集上的重疊度為97.567%，F1分數為98.769%，精確度為98.767%，召回率為98.771%，遠遠優(yōu)于PCNN、MRF、分水嶺算法和基于CNN的深度學習方法4種對比方法。

（2）本文設計的混合損失函數相對于非混合損失函數能夠提高模型對海冰信息的檢測能力。

（3）從不同極化信息輸入結果可知，較單極化SAR圖像，模型能夠從雙極化圖像中學習更完整的海冰信息。

（4）從測試集的檢測結果來看，本文混合損失UNet模型不僅可以實現海冰、背景的分類，對冰水沿線、冰間水道、冰間隙等細節(jié)特征的檢測效果較好。

（5）本文混合損失U-Net模型可以應用于渤海區(qū)域整幅SAR圖像的海冰檢測，可為海冰監(jiān)測、海冰變化分析、海冰預報提供技術支撐。

本實驗中U-Net雖然在渤海海冰SAR影像數據集上獲得了較好的結果，但仍有拓展的空間。一方面，本文采用的SAR數據為VH和VV極化，下一步將研究融合多源SAR影像，拓寬海冰信息，提高模型檢測精度和適用范圍。另一方面，將以本文的海冰檢測模型為基礎，開展渤海海冰變化監(jiān)測方面的相關研究。

致謝：感謝歐洲航天局提供Sentinel-1數據和SNAP Desktop軟件；感謝標注軟件LabelMe和Anaconda平臺；感謝李曉峰研究員對本文提出的修改意見。