陈璐 胡凯龙 刘明博
(应急管理部国家减灾中心，北京 100124)
海冰主要是由海水冻结而成的咸水冰，与海啸、风暴潮、灾害海浪和赤潮并称为海洋五种主要灾害，尤其多发于极地海域和某些高纬度区域。海冰灾害严重时会导致航运中断、船舶受损、石油平台等大型海上工程建筑塌陷等，海冰膨胀时还会破坏港口和码头[1]。我国北部海域因纬度偏高每年都会出现结冰现象，辽东湾是我国纬度最高的海域，冬季受寒潮影响会出现大面积海冰现象[2]，此外还有黄河冰凌由入海口流入海洋，在历史上曾发生多次严重灾情并造成重大经济损失。因此，在海冰易发季节有效监测海冰的变化，并结合气象等信息分析其发展趋势在防范减少灾害损失方面具有重大意义。
卫星遥感具有非接触、实时获取的特点，对于大范围的海冰分布监测更加方便高效。目前的海冰遥感监测方法主要集中在基于高分辨率光学影像的特征提取和基于合成孔径雷达(SAR)[3]的主动遥感方法。虽然光学遥感受天气影响较大，但其具有应用成本低、分辨率精细和重访周期短等特点[4]，且影像直观真实，在海冰监测中有较为明显的优势，可进行业务化的生产和应用。我国已有的应用于海洋监测的卫星主要有海洋(HY-1、HY-2、HY-3)卫星系列、高分三号卫星等，用于海洋环境和资源监测等[5]。以防灾减灾、环境保护为主要业务的环境减灾二号A/B卫星具有强大的数据获取能力，具备两星组网，实现可见及红外多光谱数据全球2天1张图、高光谱数据全球15天1张图的能力。在保证宽视场的同时，多光谱数据的空间分辨率达16 m，适用于大范围的高精度海冰监测。
利用光学卫星影像的海冰提取方法主要有基于指数[6]的、基于纹理[7]的、基于图像分割[1]的和利用机器学习[8]等方法，虽然达到了一定的分类效果，但难以处理海量数据并快速提供决策支持。卷积神经网络(CNN)通过选择合适的卷积核对输入图像进行变换，能更好的根据图像特征进行分类，提高识别准确率，应用于海冰提取中的精度已达到98%以上[9]。本文利用基于深度学习的语义分割模型，对环境减灾二号A/B卫星获取的不同时相多光谱影像进行海冰范围提取，对渤海辽东湾海冰分布情况进行动态监测并分析其应用能力。
1.1 研究区概况
本文研究区域位于渤海辽东湾，地理坐标120.21°E～122.73°E，39.59°N～41.37°N，地处河北省大清河口到辽东半岛南端老铁山角以北的海域，是中国渤海三大海湾之一。研究区范围如图1所示。辽东湾是中国边海水温最低、冰情最重处，受西北风影响，东岸又较西岸为重。每年受强冷空气和寒潮天气长时间影响，渤海辽东湾海冰结冰范围较大，海冰灾害对沿海各地港口运输，水产养殖、油气开采等涉海生产和群众生活带来一定程度的影响。
图1 研究区示意图Fig.1 Overview of study area
1.2 卫星影像数据
本文研究主要利用环境减灾二号A/B卫星影像数据对渤海辽东湾海域进行海冰监测。环境减灾二号A/B卫星均配置16 m相机、高光谱成像仪、红外相机和大气校正仪等4种载荷，可提供16 m多光谱、48 m高光谱和48 m红外图像数据，大气校正仪可在轨同步获取与16 m相机相同视场的大气多谱段信息。具体参数见表1。
表1 环境减灾二号A/B卫星主要参数Table 1 Main parameters of HJ-2A/B satellites
本文利用2021年末至2022年初冬季低温海冰易形成时期的成像效果良好的环境减灾二号A/B卫星的多光谱数据，对辽东湾地区的海冰进行监测。影像数据的具体参数见表2。
表2 卫星影像数据基本信息Table 2 Basic information of satellite image data
本文对获取的研究区遥感影像进行大气校正、辐射定标、几何校正和数据镶嵌等预处理，利用基于DeepLabV3模型的深度学习语义分割算法进行渤海湾海冰提取，再利用人工目视解译结果对提取的海冰范围进行验证，通过比较2021年12月下旬至2022年1月中旬的其中6天的海冰范围变化，对渤海湾海冰进行监测。
2.1 遥感影像预处理
1)辐射定标
直接获取的遥感影像中的每个像元记录的是地物的亮度灰度值，其大小与传感器的辐射分辨率、地物反射率和散射率等有关。在应用过程中，为保证传感器获取数据的准确性，需要进行辐射定标得到地物目标的辐射亮度。辐射校正后的辐射亮度为
L=G×LDN+B
(1)
式中：L为辐射校正后的辐射亮度；
LDN为传感器像元记录的亮度灰度；
G为定标系数增益；
B为偏移量。
2)大气校正
根据卫星遥感影像的成像原理，传感器最终测得的地面目标的总辐射量度并不是地表真实反射率的反映，其中包含了由大气吸收，尤其是散射作用造成的辐射量误差。因此需要对环境减灾二号A/B卫星采集数据进行大气校正，消除这些由大气影响所造成的辐射误差，反演地物真实的表面反射率。本文采用的是基于辐射传输模型理论的FLAASH方法。
3)影像镶嵌
由于环境减灾二号A/B卫星多光谱数据的幅宽和卫星运行轨迹影响，对辽东湾附近海域进行大范围监测时需要对相邻的两景影像进行镶嵌。首先对影像构建金字塔，以便于影像能够快速显示。由于相邻影像之间的成像差异，不能直接镶嵌或融合，需要根据影像之间的相关性进行图像配准。本文使用的图像配准方法是基于图像灰度的相关系数法，两幅影像的相关系数为
R(I,T)=
(2)
式中：T(x,y)和I(x,y)为待配准的两幅图像；
x,y为图像的行列号，表示像元的位置；
μT和μI为两幅图像的均值；
R为相关系数，可以准确描述两幅图像的相似程度。
配准后的影像再根据大地坐标，将待镶嵌影像对的重叠区域进行灰度差值运算，得到重叠区域的差值图像，用来确定镶嵌线。由于两幅影像存在一定的亮度差异，尤其是在重叠区域处更为明显，因此还须进行亮度镶嵌。将两幅影像对应像元的平均值作为重叠区域像元点的亮度值，调整后亮度值为
(3)
式中：g(i,j)为重叠部分亮度调整后的亮度值；
i,j为行列号；
gT(i,j)和gI(i,j)分别为图像T和I在同一位置的像素亮度值。经过图像亮度镶嵌后输出的镶嵌影像色彩均衡，色调统一。
2.2 基于深度学习的语义分割方法
语义分割是计算机视觉领域一种对图像进行像素级分类的方法，传统的语义分割方法包括直方图阈值化方法、混合化特征空间聚类方法、基于区域的方法、支持向量机(SVM)等算法。基于深度学习的语义分割方法就是采用卷积神经网络(CNN)分类[10-13]，区别于传统依赖于专家知识的特征提取，CNN具有一定的自动特性学习能力。通过一系列卷积捕捉图像的复杂特征，对图像中的内容进行编码，再解码生成原始图像的类别，因此也将这种分类模型称为基于编码器-解码器结构的语义分割模型。
常见的基于编码器-解码器结构的语义分割模型有全卷积神经网络(FCN)系列[14]、Unet网络、DeepLab[15]系列、PSPNet[16]等模型。由于在卷积过程中连续的池化和下采样，使特征分辨率下降，不利于定位，DeepLab V3[17]模型针对这一问题提出了一种控制特征的抽取、学习多尺度特征的网络结构。DeepLab V1模型结合了深度卷积神经网络(DCNNs)和概率图模型(DenseCRFs)，将DenseCRFs作为后处理，兼顾考虑了待分类像素点周围像素点的值，使语义分割的边界清楚。但利用DCNNs进行语义分割时还存在精准度不够的问题，根本原因是重复的池化和下采样降低了分辨率。但是另一方面，重复的池化和下采样扩大了感受野，而感受野的扩大对语义分割任务来说也是至关重要的。针对这一问题，DeepLab V2模型采用的空洞卷积算法(即在卷积核中插入空值像元以达到扩大卷积范围的效果)扩展感受野，与此同时不会降低特征图的分辨率。另外，DeepLab V2模型组合了不同扩张率的空洞卷积所产生的特征图的ASPP模块，用于获取更加丰富的上下文信息。DeepLab V3模型对上述的ASPP模块进行了改进(具体流程如图2所示)，根据PSPNet模型思想引入了全局池化，使其能够聚焦到全局的上下文信息，以获得更准确的分割结果。
图2 DeepLab V3中的改进ASPP模块流程Fig.2 Flow chart of improved ASPP module in DeepLab V3
本文利用DeepLab V3语义分割模型，对经过预处理后的环境减灾二号A/B卫星数据进行海冰范围提取并分析渤海辽东湾海冰随时间变化规律，利用人工目视解译结果进行精度与评价。
3.1 海冰范围提取结果
本文分别对2021年12月24日、2021年12月25日、2022年1月3日、2022年1月5日、2022年1月6日、2022年1月14日的渤海辽东湾地区的海冰范围进行监测，结果如图3所示。
图3 海冰范围提取结果Fig.3 Sea ice range extraction results
由图3可知，渤海辽东湾海冰范围变化趋势：2021年12月24日至25日海冰影响的海岸线长度增加，海冰范围由海岸线向外延伸，面积显著增加，并于2022年1月3日减少；
2022年1月3日至14日，海冰范围逐步呈扩大趋势。通过对提取的海冰结果进行计算，得到每日海冰影响面积见表3。根据气象信息，辽东湾海域于2021年12月中旬进入初冰期，受12月下旬寒潮影响，海冰范围显著增大，12月底气温有所回升导致海面浮冰融化，面积减小。随着2022年1月第二次寒潮来临，海面浮冰面积呈逐步增大的趋势。上述结果表明，海冰监测面积与气温变化趋势基本一致。
表3 海冰影响范围面积统计Table 3 Statistics of area affected by sea ice
由表3中的面积计算结果可知，受寒潮影响，2021年12月24日至25日一天时间海冰面积迅速增长，约1381 km2；
2022年1月3日至14日，辽东湾海冰面积以约平均每天100 km2的速率增大，须持续监测防范海冰灾害发生。
3.2 海冰范围提取精度分析
根据上述结果，利用基于深度学习的语义分割模型基本可以实现海冰提取，但在少数细微处还存在未提取的情况，如图4所示。
图4 漏提取区域Fig.4 Leak extraction area
为了定量评价该模型的提取精度，本文采用了目视解译的海冰范围作为参照，计算基于深度学习的语义分割模型的海冰提取精度为
(4)
式中：P为表示分类精度；
Sreal为正确提取的区域像素数；
Stotal为目视解译提取的参考区域像素数。
根据目视解译结果选取渤海辽东湾海冰提取结果中有明显漏提区域进行精度评价，以2021年12月25日的海冰提取结果为例，计算得到提取精度达到97.4%。可以得出利用DeepLab V3语义分割模型对环境减灾二号A/B卫星数据的海冰提取结果精度可以达到97.4%以上，能够满足海冰日常监测的业务需求。
本文以渤海辽东湾海冰监测为例，利用环境减灾二号A/B卫星数据，采用基于DeepLab V3模型的深度学习语义分割方法，提取2021年12月下旬至2022年1月中旬的形成期海冰范围，并监测其面积变化。结果表明，受寒潮影响，海冰面积迅速增长，最高可达1000平方千米/天以上。利用目视解译结果对深度学习语义分割方法提取的海冰范围进行精度评价，计算得到海冰提取的准确率达97.4%以上。本文研究结果表明：环境减灾二号A/B卫星的16 m多光谱数据可以应用在海冰日常监测中，利用深度学习的语义分割算法提取海冰的准确率可以满足灾害风险日常监测的业务需求。
猜你喜欢 海冰卷积减灾 山东玉米主要逆境及抗逆减灾技术农业知识(2022年9期)2022-10-13基于全卷积神经网络的猪背膘厚快速准确测定农业工程学报(2022年12期)2022-09-09基于图像处理与卷积神经网络的零件识别计算技术与自动化(2022年1期)2022-04-15中国“防灾减灾日”问答家庭医学(2021年11期)2021-12-29南极海冰融化致帝企鹅减少文萃报·周五版(2020年1期)2020-02-14基于深度卷积网络与空洞卷积融合的人群计数上海师范大学学报·自然科学版(2019年5期)2019-12-13防灾减灾（消防）应急疏散演练教育·校长参考(2019年6期)2019-09-10气象部门防雷减灾工作及问题分析农民致富之友(2019年12期)2019-05-22海洋星探组 先进的中国古代海船百科探秘·海底世界(2019年3期)2019-04-03卷积神经网络概述中国新通信(2017年9期)2017-05-27