基于高分影像的冰災遙感監測方法研究

杜吉生，張華忠

(中國消防救援學院 基礎部，北京 102202)

0 引言

海冰災害是我國眾多自然災害之一，也是我國北部沿海地區冬季頻繁的一種海洋災種，對海上運輸、海水養殖、油氣勘測及沿海經濟等具有重要影響，嚴重海冰災害會造成石油平臺倒坍、輪船損毀和航運中斷等重大災害[1-3]，對區域經濟造成重大損失。據報道，2010年冬季，我國渤海、黃海等遭遇了近30年以來最嚴重的海冰災害，直接經濟損失高達63.18億元，占全年海洋災害總經濟損失的47.6%，遼寧、河北、天津和山東等沿海三省一市受災人口達6.1萬人，船只損毀7 157艘，港口及碼頭封凍296個，損失慘重[4]。因此，對海冰邊緣進行準確、客觀地快速監測,及時了解并掌握海冰的空間分布范圍、分布狀態及發展趨勢等，對于應急管理及救援部門進行及時預警防范、救援實施及減少損失等具有重要現實意義。

早期，主要是基于船舶、機載影像和觀測值等進行海冰邊緣監測。該方法精度高，但需要較大現場人力作業保障，且多為局部觀測值，一般不能滿足大范圍海冰分析及高時效需求[5]。后來，隨著衛星遙感技術的投入使用，不少研究者開始探討利用星載SAR[6-7]、MODIS[8-11]和FY[12-13]等衛星圖像進行大范圍海冰內業監測。相較之前，鑒于衛星遙感具有獲取海冰信息時間短、區域空間大等顯著優勢，使該類方法在監測時效、監測范圍等方面都得到了大幅度提升，節約了不少人力物力。但此時期，遙感圖像空間分辨率整體偏低，大多處于數百米量級，且大部分圖像幅寬相對較窄，再加上SAR自身成像系統帶來的相干斑噪聲、入射角敏感性等特征，對具有復雜物理特征的海冰邊緣一直難以進行準確定位與識別。近年來，隨著各類寬幅高分辨率衛星的快速發展，尤其是我國各類高分系列、資源系列及各類小衛星的相繼發射，各類高分辨率衛星圖像已逐步應用于海冰遙感監測研究及業務運行[14-17]，如目前國家海洋環境預報中心每年冬季均會定期對外發布海冰監測結果，用以指導海冰災害的預警與救援，取得了較好成果，降低了冰災帶來的經濟損失。但該發布結果目前主要是采用人工判讀方法進行監測，存在海冰監測效果因人而異、人工勞動強度大、與高分辨率相匹配的高定位精度有待提升等不足，無法滿足監測結果客觀性強、盡可能自動化、準確度高的新型需求，在一定程度上影響了災害預警及救援實施效果的提升。

鑒于以上海冰監測的重要性及新型應用需求，結合現有業務運行中的技術現狀及存在問題，本文利用目前我國高分辨率遙感圖像，考慮海冰本身的圖像輻射特征，設計了一種集冰情特征、圖像分割和眾數統計于一體的海冰監測方法，并以我國遼東灣水域環境為例，開展了典型應用實驗，研究成果可為我國冬季中高緯度區域海冰災害的準確監測和預警防范提供技術支撐。

1 實驗區概況

遼東灣地處渤海東北部，位于39°36′N～41°N，120°23′E～122°18′E，是渤海三大海灣之一，也是我國緯度最高的海灣，鹽度約25%，越靠近岸邊，鹽度越低，冬季多北風，每年冬季都會出現輕重不同的結冰現象，是我國沿海冰情最嚴重的區域。該區域每年初冰期一般發生于12月份，終冰期一般在3月初，冰情生消與發展的全部過程都在一個年度的冬季進行，屬于一年生海冰。近年來，隨著全球氣候變化加劇，區域內每年發生的海冰范圍、海冰類型和海冰分布等都較為復雜，其厚度及范圍與該年度的冰情密切相關，輕冰年與重冰年差異甚大[14](如表1所示)，給日常生活和每年的海冰預測及防范帶來較大困難。

2 實驗方案

2.1 實驗數據

本次實驗數據選取覆蓋整個遼東灣區域云量較少的高分全色遙感圖像，空間分辨率為5 m，全色譜段，拍攝時間為2018年1月22—25日，共4期經過地面輻射校正和幾何校正的衛星圖像，典型全色圖像如圖1所示。

圖1 遼東灣影像圖示Fig.1 Image of Liaodong Bay

2.2 總體技術流程

結合現有業務化運行中基于人工解譯進行海冰邊緣信息提取方法，本文設計了自動/半自動提取方案，其總體技術流程在人工解譯流程的數據預處理、海冰影像特征分析基礎上，改變純人工解譯勾畫的環節為圖像分割及基于眾數輻射值統計法的冰緣提取等環節，用于提高整個流程的自動化程度及提取結果的客觀性。技術流程如圖2所示。

圖2 技術流程Fig.2 Technical flow chart

2.3 數據預處理

針對實驗區各期衛星圖像，以海冰監測為目的對實驗區的矢量數據圖像數據進行地理匹配，而后進行水陸分離等相關預處理，獲取遼東灣水域區域的遙感圖像，用以提高監測的準確性并降低計算量，具體為：

① 地理匹配：對遼東灣水陸邊界矢量與遙感圖像進行精確匹配，其目的一是使邊界矢量和遙感圖像具有相對一致的幾何信息；二是確保面積量算、距離量測等具有物理意義。具體應用中，可視情靈活選擇矢量到圖像配準或圖像到矢量配準。本實驗中，考慮到遙感圖像計算量大的原因，這里主要采用矢量到影像的匹配，匹配前后如圖3所示。

圖3 匹配效果圖示Fig.3 Image of matching effect

② 水陸分離：基于上述匹配好的遼東灣海陸邊界矢量數據及遙感圖像數據，進行掩膜運算，去除遙感圖像中的陸域部分，僅保留遼東灣海域區域圖像用于進行冰情信息監測。該技術環節的主要目的是降低遙感圖像數據量，減少后續進行冰情邊緣監測過程中的運算量，提高海冰監測效率。

2.4 典型海冰特征

海冰一般分為流冰和固定冰2大類，其中流冰是指浮在海面隨風、流、浪和潮作用而流動的海冰；固定冰是指與海岸、島嶼或海底凍結在一起，不能做水平運動而能隨海面升降做垂直運動的海冰。根據海冰的發展階段和形態，其中流冰又可以分為初生冰、冰皮、尼羅冰、蓮葉冰、灰冰、灰白冰和白冰7種冰型；固定冰又可以分為沿岸冰、冰腳和擱淺冰3種冰型。海上最初出現的冰是流冰，當海水熱量散失到一定程度時，岸區才有固定冰出現。各種冰型在全色圖像上表現為不同的輻射及幾何特征，如圖4所示，其色調、形狀等是海冰監測的基礎與依據。

(a) 初生冰

(b) 蓮葉冰

(c) 冰皮和尼羅冰

(d) 灰冰、灰白冰和白冰

(e) 沿岸冰

其中，初生冰是由海水直接凍結而成或由雪降至低溫海面而生成，無特定形狀，圖像上色調與海水接近，紋理在低分辨率圖像上難以與海水區分，在高分辨率圖像上可通過紋理清晰判別；冰皮是由平靜海面直接凍結或由初生冰凍結而成的冰殼層，在風的作用下易被折碎而成長方形冰塊；尼羅冰表面無光澤，在波浪等外力作用下易彎曲，并能產生“指狀”重疊現象，在重疊處呈淺白色“指狀”；蓮葉冰多為圓形冰塊，由于相互碰撞而具有隆起的邊緣，全色圖像上呈現為密集分布的小圓形冰塊，中心處呈淺白色，邊緣處呈白色；灰冰表面平坦濕潤，多呈灰色，重疊處呈白色；灰白冰表面比較粗糙，呈灰白色，分布有白色冰脊；白冰表面凸凹不平，形狀復雜，層次分明，多呈白色，堆積現象顯著。灰冰、灰白冰和白冰相對較厚，一般超過10 cm。

2.5 圖像分割

區別于傳統的基于像素級的信息提取方法，這里采用面向對象的多尺度圖像分割方法進行海冰范圍檢測。該方法將整個實驗區分割成若干互不交疊的非空子區域，每個子區域的內部都是連通的，同一區域內部具有相同或相似的色調、形狀和紋理等圖像特性。該環節的目的是將實驗區內的冰與水進行分離，其核心要點是分割算法的選取及分割參數的設置。

其中分割算法主要采用典型的基于Sobel算子邊緣檢測方法，該方法速度快，算子包含橫向和縱向共2組3×3的矩陣，將之與圖像做平面卷積，即可分別得出橫向和縱向的亮度差分近似值。以A表示其中一幅原圖像，Gx，Gy分別代表橫向和縱向的邊緣檢測灰度值，其計算公式為：

圖像的每個像素梯度大小G及梯度方向θ計算公式為：

對于分割參數的設置，緣于圖像均經過輻射校正，且同一區域的海水輻射特征短期內變化甚微，因此分割參數可在常規經驗值基礎上視情進行微調即可。分割結果以產生的對象邊界與海冰邊緣相吻合為準，該過程可以借鑒常規目視解譯方法對分割預覽結果進行快速查看，進而執行圖像分割及結果矢量化輸出。

本實驗中，分割尺度50、合并尺度90狀態下，基本能取得很好的效果，不同的圖像可以視情在該參數上進行微調，如圖5所示。

圖5 面向對象圖像分割圖示Fig.5 Object-oriented image segmentation diagram

2.6 冰緣提取

在完成圖像分割、得到一個個互不重疊、無縫覆蓋整個實驗區的對象矢量后，需要進一步進行冰、水區分。目前常用的冰、水區分法主要是基于像素級的統計學方法，即通過計算整個區域反射率直方圖，取其“谷”點，即為冰水分界點。但該方法主要是基于像素級運算，面向工程應用存在難以克服的缺陷：一是極易出現大量噪聲圖斑，造成后處理工作量大；二是直方圖可能出現多個“谷”點，難以確定哪個分界點最佳，提取結果更為準確；三是計算量大，尤其是海域范圍較大時，時效難以保證。

針對上述問題及缺陷，本文對像素級方法進行改進，提出采取對象眾數輻射值統計法，具體算法為：

① 基于分割出來的對象矢量，自動統計計算每個對象區域Ii對應遙感圖像區域的眾數像素值Ni：

Ni=mode(Ii)(i=1,2,…,n)。

② 統計多個典型海水區Rjwater的眾數像素值Njwater，并取其最大眾數像素值為Nwater：

③ 根據分割對象眾數值Ni與海水區域最大眾數值關系計算提取海冰區域Rice(即Ni>Nwater的對象區域即為海冰對象)：

Rice=Ni>Nwater(i=1,2,…,n)。

④ 對多個相鄰的海冰對象進行整體融合處理、邊緣平滑處理及碎小面積海冰的綜合自動處理，完成整個實驗區的海冰邊緣范圍的精確檢測，如圖6所示。

圖6 海冰邊緣提取結果圖示Fig.6 Extraction results of sea ice edge

3 實驗結果與分析

基于本文上述方法，對2018年1月22—25日4期遙感影像分別進行了遼東灣海冰邊緣范圍監測，并將監測結果矢量疊加到遙感圖像上進行空間顯示，實驗區遙感圖像、整體監測結果和監測結果局部放大如表2所示。

表2 海冰連續監測結果Tab.2 Continuous monitoring results of sea ice

基于上述連續4 d監測結果，分別量取每日海冰外緣最大距離d試驗(即從海陸邊界到海冰最外緣之間最大距離)，計算每日冰緣外擴遞增累計距離cd試驗和冰緣外擴速率sp試驗，并將該結果與正式發布的國家海洋環境預報中心基于人工解譯的同期結果海冰外緣最大距離d常規、冰緣外擴累計距離cd常規和冰緣外擴速率sp常規進行對比分析，其中cd，sp計算方法分別為：

本文實驗及官方正式報道的具體量化值及其外擴發展趨勢分別如表3和圖7所示。

表3 遼東灣外緣線報道資料與本文結果對比Tab.3 Comparison between the reported edge data and the experimental results of Liaodong Bay

(a) 海冰邊緣外擴趨勢

(b) 海冰邊緣外擴速率圖7 海冰邊緣外擴趨勢及外擴速率圖示Fig.7 Spreading trend and spreading speed of sea ice boundary

結合常規人工解譯和本文技術流程，從表3和圖7的監測結果分析可以看出：① 2018年1月22—25日4 d時間內，該實驗監測結果與官方常規人工解譯結果海冰邊緣發展趨勢相同，即遼東灣海冰外擴累計4 d時間呈快速遞增趨勢，且以24日遞增最快；② 2018年1月22—25日4 d時間內，該實驗監測結果與常規人工解譯結果海冰邊緣外擴速率為同一量級，均為先是2～4 n mile/d的中速外擴，之后6～8 n mile/d的高速外擴，最后1～2 n mile的低速外擴，中間2 d時間海冰外擴最快；③ 海冰邊緣定位精度上，該實驗采用面向對象的圖像分割和對象眾數像素值統計相結合的自動/半自動提取方法，摒棄人工勾畫環節，其結果更加客觀，邊緣定位精度屬于像素級；而常規人工解譯方法一般需要在不同比例尺視圖下解譯勾畫，其結果會因人而異主觀性強，且定位精度一般為10倍像素以上。

4 結束語

本文面向海冰預警業務運行中海冰邊緣提取過程更客觀、提取結果更準確的應用需求，基于高分辨率遙感圖像，提出了一種集冰情特征、圖像分割和眾數統計于一體的自動/半自動冰災范圍監測方法，并以我國2018年遼東灣重大海冰災害為例進行了實驗驗證，結果表明：

① 基于本文方法提取的海冰邊緣結果不僅外擴趨勢與人工方法相同，而且每日的外擴速率也為同一量級，另外海冰邊緣定位精度可提升10倍以上(本文可達像素級，人工目視10倍像素級)。

② 本文方法摒棄了常規人工目視解譯技術流程的人工勾畫環節，采用自動/半自動提取流程，結果更為客觀，且降低了人工強度、提升了海冰監測的自動化程度。

該研究成果可為我國中高緯區域冬季冰情災害客觀準確監測、預防及緊急救援等提供較好的技術支撐。后續研究中，可基于該方法從圖像內部輻射差異、圖像分割參數自適應設置等方面，進一步提升其自動化程度。