2024, Vol. 44
2. 自然资源部空间海洋遥感与应用重点实验室，北京 100081
2. Key Laboratory of Space Ocean Remote Sensing and Applications, Ministry of Natural Resources, Beijing 100081, China
海冰作为气候模式中的重要输入，不仅能够影响上层海洋与底层大气的热量交换，其融化结冰过程还会影响全球海洋环流的进行，因此在全球气候变化预测中扮演着关键的角色[1-3]。其中，海冰密集度(sea ice concentration，SIC)是一定空间范围内海冰面积所占的比例，是监测海冰分布变化的重要参数，是全球变暖的重要敏感因子[4-6]。同时，它也是远洋航运非常关心的因素，高精度、高时空分辨率的海冰密集度将直接影响航运路线的规划，以减少货物运输成本和二氧化碳排放[7-10]。因此，准确及时的极地海冰密集度对于研究全球气候变化、航运经济、军事安全等方面都具有重要意义。
海冰密集度数据种类繁多，产品数据来源主要包括实地船舶走航测量和卫星遥感反演[11-13]。星载微波传感器凭借能够快速连续进行大范围观测、不受云雾影响等优势，已成为获取海冰密集度产品的主要方式[14-16]。被动微波传感器主要基于亮温极化比和梯度比对海冰密集度进行反演计算，算法根据是否使用高频通道亮温数据可分为高频算法和低频算法[17-21]。而主动微波传感器，主要包括合成孔径雷达(synthetic aperture radar，SAR)及全球导航卫星系统反射测量(Global Navigation Satellite System-Reflectometry，GNSS-R)，通过将载荷测量结果与海冰密集度相关联，直接构建基于人工智能方法的海冰密集度反演模型[22-25]。同时也有部分研究[26-28]利用冰水介电常数、表面粗糙度等冰水物理性质差异对冰水进行分类识别，随后通过网格内海冰覆盖面积间接得到海冰密集度。受观测条件限制，大部分研究主要利用散射计观测数据进行冰水识别得到海冰边缘，而针对海冰密集度的反演研究目前尚处于起步阶段。中法海洋卫星(China-France Oceanography SATellite, CFOSAT)微波散射计(SCATterometer，简记为“CSCAT”)作为首次使用扇形波束旋转扫描体制的散射计，相对于旋转笔型波束散射计或固定扇形波束散射计，可以在单个网格内进行多达十余次观测且包含不同观测方位信息，以此进行高精度风场反演及台风观测[29]。同时，这也为高精度的海冰监测，特别是海冰密集度反演提供了新的可能。因此已有研究[30-32]对CSCAT后向散射系数特征进行初探，利用CSCAT数据实现冰水区分及海冰范围监测，分析南北两极不同海冰密集度下CSCAT后向散射系数季节性变化，但目前尚未实现利用CSCAT数据对海冰密集度进行反演。
由于未有任何关于海冰的后向散射地球物理模型函数(geophysical model function，GMF)，因此无法通过物理模型直接得到基于CSCAT观测数据的极地海冰密集度反演模型。考虑到极地海冰密集度与散射计雷达后向散射系数、观测入射角、背景风场等诸多参量可能存在非线性关系，此研究利用XGBoost机器学习方法能够通过大量数据自动学习输入与输出数据之间映射关系的特点，首次构建基于CSCAT数据的海冰密集度反演模型。首先，取出部分数据集对模型进行训练，对训练好的模型在不同季节、不同区域下的回归表现分别进行评估。其次，对散射计反演海冰密集度的实际空间分布特征进行分析，比较不同海冰密集度阈值下海冰范围结果，推测模型结果误差可能来源，为将来海冰密集度反演模型改进及海冰掩膜提供参考。
1 数据介绍 1.1 CSCAT数据文中旨在构建利用中法海洋卫星散射计极地区域内所测量雷达后向散射系数(σ0)进行海冰密集度反演的模型。CSCAT沿轨L1B数据产品为海冰密集度反演模型提供主要输入，利用2021年1—12月共5 019轨CSCAT数据。散射计L1B数据主要包括测量σ0、观测方位角、入射角、极化信息以及相应经纬度等要素。其中，方位角观测范围为0°~360°，入射角观测范围为28°~51°，而测量模式包括垂直和水平两种极化方式，所使用的σ0以自然值为单位。
1.2 海冰密集度数据为了制作机器学习模型的样本标签及检验模型反演结果，文中所使用的海冰密集度产品来源于欧洲气象卫星应用组织(European Organisation for the Exploitation of Meteorological Satellites，EUMETSAT)海洋与海冰卫星应用设施(Ocean and Sea Ice Satellite Application Facility，OSI SAF)所提供的专用传感器微波成像仪、探测仪(Special Sensor Microwave Imager/Sounder，SSMIS)海冰密集度数据，为3级网格化近实时业务产品，投影网格为极地赤平投影下的10 km空间分辨率网格。该产品每天分别提供一次南北两个极区的海冰密集度数据，数值代表网格内一天海冰密集度的平均情况，产品提供了包括海冰密集度、原始海冰密集度、结果总体不确定性及网格标识等变量。为了尽可能获得更多的匹配数据，将直接使用海冰密集度变量作为参考值。需要注意的是，当极区内部分投影网格海冰密集度数据缺失时，该产品将通过插值对海冰密集度数值进行填补，因此这可能一定程度上影响将来海冰密集度反演模型的构建及验证结果。
1.3 风场数据当海冰密集度较低时，散射计观测网格表面主要以海水为主，此时CSCAT测量雷达后向散射系数在不同风速下随风向调制明显，因此在构建数据集时需要考虑风场数据作为模型辅助输入。此研究采用欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts，ECMWF)提供的全球海面10 m高度逐3 h数值天气预报风场作为海冰密集度反演模型的背景风场，通过时空插值可以获取与CSCAT观测时间相匹配的海面风场数据。
2 方法 2.1 数据匹配方法在进行数据匹配时，为了实现高空间分辨率的海冰密集度反演，以OSI SAF海冰密集度产品所使用的极射赤平投影网格作为基准，将观测入射角和方位角相近的L1B条带σ0直接平均处理后，按照极射赤平投影网格转换关系，得到空间分辨率为10 km、最多包含16个σ0及测量参数的散射计观测网格。极射赤平投影网格下条带σ0空间分布特征及组合如图 1所示。这种通过直接投影的数据匹配方法，避免了代表性误差的引入，同时可以充分利用CSCAT原始空间分辨率较高的优势。
|
图 1 极射赤平投影网格下CSCAT条带σ0数据点空间分布及组合 Fig.1 Spatial distribution and combination of slice σ0 of CSCAT under polar stereographic projection |
XGBoost(eXtreme Gradient Boosting)是一种基于决策树模型的集成机器学习算法，在构建非线性回归模型方面表现出色，已被广泛用于多个研究应用领域。作为一种梯度提升算法，不仅支持自定义损失函数，还能够对损失函数进行二阶泰勒展开，提高模型精度。为了防止模型过拟合，在目标函数中XGBoost使用了正则项，以降低过大的模型复杂度，减小模型方差。在构建决策树的过程中，XGBoost采用一些优化技术，例如分层分裂查找、直方图优化、稀疏数据优化等技术，以提高模型训练的速度和效率。当模型构建完成时，可直接评估不同特征的重要性，用以进行特征选择和特征工程，减少不必要的输入数据，提高模型泛化能力，以进一步迭代模型。而对于模型将来业务化应用而言，XGBoost支持并行化处理，能够有效地利用多核计算资源，提高训练效率，这对于将来直接利用散射计数据进行极区海冰密集度近实时反演具有积极意义。利用CSCAT后向散射系数及相关测量参数进行海冰密集度反演的XGBoost机器学习模型架构如图 2所示。考虑到一个投影网格内最多包含16次观测结果，每次观测均包含不同的雷达后向散射系数、入射角、观测方位角、极化特征等4种要素数据，且海冰密集度的散射计观测特征与观测月份、背景风速及南北极位置有关，因此模型共需要67维输入特征，而最终输出为海冰密集度。文中共使用760 000个数据网格构建模型，当网格内观测数据点少于16次时，缺失观测特征值均使用零值进行填充，以保证模型始终有67个特征变量的输入。为了评估机器学习模型的回归效果，需要按照模型输入要求将测试集特征输入到训练好的机器学习模型，得到海冰密集度反演结果。研究中采用的评估标准为偏差(Bias)、标准差(standard deviation，SD)和相关系数(correlation coefficient，CC)，对模型训练及验证结果进行评估。
|
图 2 海冰密集度反演XGBoost算法架构 Fig.2 Architecture of XGBoost algorithm for SIC retrieval |
在机器学习模型训练之前，需要对模型超参数进行设定，超参数的不同取值会对模型训练效果产生一定影响。影响XGBoost模型回归精度的超参数(表 1)主要包括7个：回归提升模型(booster)、每棵树最大深度(max_depth)、学习率(learning_rate)、决策树个数(n_estimators)、训练集抽样比例(sub_sample)、叶子节点最小样本数(min_child_weight)和L1正则项参数(reg_alpha)。为了获得参数空间内的最优组合，将结合使用K折交叉验证方法和网格搜索法以找到海冰密集度反演模型的最佳超参数方案。K折交叉验证方法是将所有数据集随机平均分成K份，每次选择其中一份作为验证集，剩下的K-1份作为训练集对模型进行训练，将这K次模型训练的验证结果进行平均作为该超参数组合下的模型得分，这可以有效评估模型质量，避免过拟合或欠拟合发生，提高模型鲁棒性。考虑到XGBoost模型训练速度较快，因此使用10折交叉验证方法对模型进行评估。而网格搜索法是指将机器学习模型中的每个超参数按照取值范围和一定步长进行遍历，得到所有超参数组合下的训练模型，最终找到海冰密集度反演模型验证结果相关系数最高、标准差最小的超参数方案。为了进一步分析模型误差，将数据集整体按照7 ∶3的比例随机划分为训练集和验证集，并按照最优超参数方案计算各输入特征的重要性(图 3)。前3个较重要的特征分别为月份、南北极位置信息及背景风速，而第4至第67维特征分别包含每次观测的雷达后向散射系数、入射角、极化方式和相对方位角信息。另外，网格内第二次观测的整体重要性最高，此时模型可能学习到与极化差或极化比相类似的对海冰监测比较敏感的参数特征，且随着观测次数增加，观测特征重要程度逐渐降低。
|
表 1 XGBoost模型最佳超参数组合方案 Table 1 Optimal combination of hyperparameters for XGBoost model |
|
图 3 XGBoost各特征重要性柱状图 Fig.3 Feature importance of XGBoost for SIC retrieval |
为了验证模型在实际观测中的表现，分析了模型在夏季和冬季南北两极的海冰密集度空间分布反演结果。图 4展示了2021年6月15日南北两极OSI SAF产品与CSCAT反演的海冰密集度空间特征对比结果。反演模型在北极部分海水区域存在反演结果为中低密集度海冰的情况，而高海冰密集度下的结果模型存在明显偏低，甚至在部分高纬度冰区结果表现为海水，这可能与夏季北极海冰冰面产生大量融水有关。模型在南极海冰密集度的反演情况与北极类似，但此时南极处于冬季，因此需要考虑散射计本身测量噪声及参考数据准确性对模型训练的影响。
|
图 4 2021年6月15日南北两极OSI SAF产品与CSCAT反演的海冰密集度空间分布特征对比 Fig.4 Spatial distribution of SIC from OSI SAF versus XGBoost-based CSCAT in the Arctic and Antarctic on 15 June 2021 |
图 5分别展示了2021年12月15日北极和南极海冰密集度的结果对比。此时北极冰面情况相对简单，冰水错分现象得到一定抑制，高海冰密集度下的模型反演结果相比于夏季有较大改善，尽管在部分冰区仍存在一定低估。而南极此时处于融冰期，投影网格内冰情复杂，这进一步影响了模型在南极的海冰密集度反演结果。但整体而言，由海冰边缘空间特征来看，CSCAT在南极和北极的反演结果与OSI SAF产品一致性较高，因此未来可考虑利用CSCAT数据直接进行海冰掩膜，以对散射计风场反演进行改善。此外，通过模型反演海冰密集度的空间分布结果，发现图像部分高估或低估网格点与图像噪声相似，因此后续研究可考虑使用图像腐蚀、膨胀等图像处理方法提高海冰密集度空间分布连续性，以进一步改善反演质量和可靠性。
|
图 5 2021年12月15日南北两极OSI SAF产品与CSCAT反演的海冰密集度空间分布特征对比 Fig.5 Spatial distribution of SIC from OSI SAF versus XGBoost-based CSCAT in the Arctic and Antarctic on 15 December 2021 |
为了进一步研究模型海冰密集度反演效果，定量分析比较了CSCAT与OSI SAF的海冰密集度差异。可以发现，参考海冰密集度数据主要集中在0~10%和90%~100%区间内(图 6a)，而利用CSCAT后向散射系数在这2个海冰密集度区间内进行反演得到的数据量明显偏少，这可能与投影网格内存在低密集度(SIC小于20%)或高密集度海冰(SIC大于70%)时，不同海冰密集度下海面后向散射系数特性比较接近有关。此外，在高海冰密集度下后向散射系数随风向调制效应减弱，这或使模型在该情况下更难准确计算网格内海冰密集度。图 6b进一步展示了验证集利用XGBoost模型进行海冰密集度反演与OSI SAF海冰密集度的对比结果，可以发现尽管模型结果整体偏差只有0.02，但反演海冰密集度的标准差达18%。当OSI SAF海冰密集度位于15%以下时，该产品将此情况下的网格视为纯海水覆盖，即海冰密集度为0，而基于CSCAT数据得到的海冰密集度此时主要集中在0~10%区间内，但在50%以上的区间也有少量反演结果分布，这可能与散射计的测量误差有关。海冰密集度在20%~80%时，CSCAT的反演结果离散程度较大，此时不同机构基于不同辐射计数据的海冰密集度产品差异较大，且OSI SAF海冰密集度日产品在投影网格存在缺失值时会进行插值处理，因此参考数据自身的不准确可能是导致该区间内模型拟合结果较差的主因。而海冰密集度在90%以上时，此时冰水特征差异较大，模型拟合结果相对较好，但仍存在一定的海冰密集度低估，海冰冰龄、海冰表面融水及积雪情况可能对散射计的反演造成了一定影响。
|
图 6 基于XGBoost的CSCAT海冰密集度与OSI SAF海冰密集度对比 Fig.6 Comparison of SIC from XGBoost-based CSCAT versus OSI SAF |
为了进一步分析模型不同情况下的表现及反演结果的误差可能来源，图 7展示了不同季节下北极区域的模型反演结果。可以发现，春、冬季时，北极海冰密集度主要集中在90%以上，此时海冰模型回归效果较好(图 7a、d)。而在其他海冰密集度区间内模型反演结果偏高情况较多，这可能与该季节内北极海冰处于增长期及训练样本较少有关。当夏季北极海冰处于消融期时，海冰表面雷达后向散射系数特征趋近于海水，高海冰密集度下模型反演结果存在明显偏低(图 7b)。秋季时，北极在中等海冰密集度下数据分布相对均匀，模型反演结果离散程度明显减小，此时模型反演结果的相关系数最高、标准差最小(图 7c)。通过不同季节南极区域海冰密集度反演结果(图 8)可以发现，南极区域春季与秋季时的模型表现与北极类似。需要注意的是，与北极情况不同，南极冬季高海冰密集度下模型反演结果偏低，而夏季大部分海冰密集度下模型反演数值集中于50%~60%，此时南极海冰密集度产品的不准确可能对模型训练造成一定影响，XGBoost在南极反演海冰密集度的能力仍需进一步提高。
|
图 7 不同季节北极区域基于XGBoost的CSCAT海冰密集度与OSI SAF海冰密集度对比散点图 Fig.7 Scatterplot of SIC from XGBoost-based CSCAT versus OSI SAF in the Arctic in different seasons |
|
图 8 不同季节南极区域基于XGBoost的CSCAT海冰密集度与OSI SAF海冰密集度对比散点图 Fig.8 Scatterplot of SIC from XGBoost-based CSCAT versus OSI SAF in the Antarctic in different seasons |
为了进一步厘清CSCAT海冰密集度反演结果与OSI SAF产品一致性较差的可能原因，对海冰密集度数据集中标识网格点比例的时间变化(图 9)进行分析。结果发现，南北两极标识网格点比例具有明显季节性变化特征，说明不同时间段内参考海冰密集度数据质量存在一定差异。无论南极或是北极，标识网格点均在冬季占比最低，而夏季占比最高，此时海冰融化会在表面产生融水或冰厚减小，海冰亮温特征趋近于海水进而影响辐射计海冰密集度反演。此外，南极夏季标识网格点比例远高于北极，且变化更为快速。这进一步解释了模型南极海冰密集度反演表现弱于北极，同时说明参考海冰密集度数据准确性将对CSCAT海冰密集度反演模型的准确构建造成较大影响。
|
图 9 2021年OSI SAF南北极海冰密集度标识网格点比例随时间变化 Fig.9 Temporal variation of OSI SAF SIC flagged grid point ratio in the Arctic and Antarctic in 2021 |
准确的冰水分割在航线规划、海冰边缘线计算等方面扮演着重要的角色，因此需要进一步定量对比XGBoost算法与OSI SAF海冰密集度产品下的海冰范围，即分别选择15%和30%海冰密集度阈值计算海冰面积(图 10)。通过分析发现，在任意海冰密集度阈值下，反演模型得到的海冰面积季节变化趋势与OSI SAF结果相一致，即北极海冰面积最小值及南极海冰面积最大值均出现在8月，而北极海冰面积最大值及南极海冰面积最小值均出现在2月，二者具有明显的时间对称性。但南极海冰面积变化较北极更为快速，因此以辐射计海冰密集度日产品作为散射计近实时的反演参考可能并不准确，这一定程度上影响了模型在南极海域的表现。
|
图 10 2021年不同海冰密集度下海冰面积随时间变化 Fig.10 Temporal variation of sea ice extent under different SIC conditions in 2021 |
此外，可以发现在任何时间或阈值下，XGBoost模型反演海冰面积结果均始终高于参考海冰面积，这说明模型经常将海水错分为海冰。而30%海冰密集度阈值下的南极和北极海冰面积反演模型结果与OSI SAF结果均更为接近，因此将来可考虑以该阈值作为参考计算海冰边缘位置。需要注意的是，此研究只统计了当CSCAT投影网格海冰密集度数值存在时相应的OSI SAF海冰面积。图 11展示了CSCAT观测数据点数量的时间变化，由于CSCAT数据下传或处理可能受到不确定因素影响，因此数据点数量可能在某些时间点出现跃变，导致统计OSI SAF及CSCAT海冰面积出现奇异值。
|
图 11 2021年CSCAT海冰密集度网格点数量时间变化 Fig.11 Temporal variation of the number of SIC grid points for CSCAT in 2021 |
此研究旨在构建利用CSCAT后向散射系数数据直接反演南北两极的海冰密集度模型。考虑到目前散射计对不同海冰密集度下的后向散射特征理论并不完整，直接构建基于散射计数据的海冰密集度定量反演物理模型较为困难。鉴于已有关于利用散射计数据进行海冰分类和海冰边缘线的机器学习算法研究，因此在样本数据量充足的情况下尝试利用XGBoost回归模型构建散射计的海冰密集度反演模型，模型输入包含月份、南北极位置、多次观测的雷达后向散射系数、入射角、背景风速、相对风向等共67维特征参量，并通过K折交叉验证以及网格搜索法确定模型最佳超参数组合。
通过南北两极的XGBoost验证集统计结果可以发现，南极区域海冰密集度反演误差整体大于北极。高海冰密集度时反演模型在南极与北极均会发生低估，而纯海水区域会得到一定数量的低海冰密集度反演结果。由不同季节XGBoost海冰密集度反演结果来看，南北两极均在冬季表现最优，而夏季表现最差。冬季海冰表面粗糙度相对均一，网格内海冰密集度时间变化小，而夏季海冰处于融冰期，海冰表面存在海水，对海冰表面的雷达极化特征产生影响，给模型训练带来了一定挑战。由得到的夏、冬两季CSCAT每日海冰密集度的空间分布特征来看，模型南极反演结果与OSI SAF产品相比差异较大，而散射计的海冰密集度结果在北极冬季时与辐射计更为接近。同样，由海冰密集度空间分布来看，可以明显发现在部分高密集度冰区模型存在低估，部分海水区域模型得到海冰存在的结果，其中参考数据不准确、雷达自身测量噪声或数据时空匹配误差均可能对模型训练及预测造成影响，这仍需后续进一步研究。但由海冰空间分布来看，利用CSCAT数据所反演的海冰边缘线与OSI SAF产品一致性较好。尽管当前多使用15%海冰密集度作为冰水分类阈值，但通过对不同海冰密集度阈值的海冰面积计算结果来看，选取30%海冰密集度作为CSCAT的冰水区分界限，CSCAT得到的海冰面积与OSI SAF海冰密集度产品的海冰面积时间变化及数值更为接近。需要注意的是，文中CSCAT海冰密集度反演结果未进行任何后处理步骤，在后续研究中，可以对反演结果使用腐蚀、膨胀等图像处理算法以提高CSCAT海冰密集度的空间特征一致性。文中研究对象为10 km的海冰密集度产品，该空间分辨率下散射计观测次数较少，但CSCAT在海冰密集度反演方面仍展现出一定潜力。若制作散射计25 km网格下的海冰密集度产品，考虑到此空间分辨率下的辐射计海冰密集度产品数据准确性较高，且散射计观测次数更多，因此CSCAT海冰密集度反演结果可能会得到进一步改善。
| [1] |
AAGAARD K, CARMACK E C. The role of sea ice and other fresh water in the Arctic circulation[J]. J Geophys Res, 1989, 94(C10): 14485-14498. DOI:10.1029/JC094iC10p14485 |
| [2] |
DIECKMANN G S, HELLMER H H. The importance of sea ice: an overview [M]//THOMAS D N, DIECKMANN G S. Sea ice: an introduction to its physics, chemistry, biology and geology. Oxford: Blackwell Science Ltd., 2003: 1-21.
|
| [3] |
WALSH J E. The role of sea ice in climatic variability: theories and evidence[J]. Atmos-Ocean, 1983, 21(3): 229-242. DOI:10.1080/07055900.1983.9649166 |
| [4] |
黄季夏, 孙宇晗, 王利, 等. 北极重要海峡气温—海冰密集度影响滞后效应分析[J]. 遥感学报, 2020, 24(11): 1419-1432. |
| [5] |
DESER C, TENG H Y. Evolution of Arctic sea ice concentration trends and the role of atmospheric circulation forcing, 1979-2007[J]. Geophys Res Lett, 2008, 35(2): L02504. |
| [6] |
SIMPKINS G R, CIASTO L M, THOMPSON D W J, et al. Seasonal relationships between large-scale climate variability and Antarctic sea ice concentration[J]. J Climate, 2012, 25(16): 5451-5469. DOI:10.1175/JCLI-D-11-00367.1 |
| [7] |
黄琳, 邱玉宝, 周静恬, 等. 面向航运服务的海冰密集度遥感产品对比研究[J]. 极地研究, 2022, 34(1): 20-33. |
| [8] |
苏洁, 徐栋, 赵进平, 等. 北极加速变暖条件下西北航道的海冰分布变化特征[J]. 极地研究, 2010, 22(2): 104-124. |
| [9] |
宋姝彤, 衣立, 张苏平, 等. Polar WRF模式海冰密集度方案对北极海雾模拟效果的个例研究[J]. 海洋气象学报, 2019, 39(2): 34-42. |
| [10] |
张增海, 刘涛, 曹越男, 等. 船舶海洋气象导航的业务概况与发展现状[J]. 海洋气象学报, 2020, 40(3): 11-16. |
| [11] |
谢涛, 赵立. 海冰密集度卫星遥感反演研究进展[J]. 海洋科学进展, 2022, 40(3): 351-366. |
| [12] |
TONBOE R T, EASTWOOD S, LAVERGNE T, et al. The EUMETSAT sea ice concentration climate data record[J]. Cryosphere, 2016, 10(5): 2275-2290. |
| [13] |
WALSH J E, CHAPMAN W L. 20th-century sea-ice variations from observational data[J]. Ann Glaciol, 2001, 33: 444-448. |
| [14] |
赵杰臣, 周翔, 孙晓宇, 等. 北极遥感海冰密集度数据的比较和评估[J]. 遥感学报, 2017, 21(3): 351-364. |
| [15] |
COMISO J C, CAVALIERI D J, MARKUS T. Sea ice concentration, ice temperature, and snow depth using AMSR-E data[J]. IEEE Trans Geosci Remote Sens, 2003, 41(2): 243-252. |
| [16] |
COMISO J C, STEFFEN K. Studies of Antarctic sea ice concentrations from satellite data and their applications[J]. J Geophys Res: Oceans, 2001, 106(C12): 31361-31385. |
| [17] |
ANDERSEN S, TONBOE R, KERN S, et al. Improved retrieval of sea ice total concentration from spaceborne passive microwave observations using numerical weather prediction model fields: an intercomparison of nine algorithms[J]. Remote Sens Environ, 2006, 104(4): 374-392. |
| [18] |
KALESCHKE L, LVPKES C, VIHMA T, et al. SSM/I sea ice remote sensing for mesoscale ocean-atmosphere interaction analysis[J]. Can J Remote Sens, 2001, 27(5): 526-537. |
| [19] |
MARKUS T, CAVALIERI D J. An enhancement of the NASA Team sea ice algorithm[J]. IEEE Trans Geosci Remote Sens, 2000, 38(3): 1387-1398. |
| [20] |
SPREEN G, KALESCHKE L, HEYGSTER G. Sea ice remote sensing using AMSR-E 89-GHz channels[J]. J Geophys Res: Oceans, 2008, 113(C2): C02S03. |
| [21] |
TONBOE R, LAVELLE J, PFEIFFER R-H, et al. Product user manual for OSI SAF global sea ice concentration[M/OL]. Copenhagen: Danish Meteorological Institute, 2016[2024-06-28]. https://osisaf-hl.met.no/sites/osisaf-hl.met.no/files/user_manuals/osisaf_cdop3_ss2_pum_ice-conc_v1p6.pdf.
|
| [22] |
王玥, 谢涛, 李建, 等. 星载GNSS-R融冰期海冰密集度反演研究[J]. 海洋学报, 2024, 46(5): 127-136. |
| [23] |
COOKE C L V, SCOTT K A. Estimating sea ice concentration from SAR: training convolutional neural networks with passive microwave data[J]. IEEE Trans Geosci Remote Sens, 2019, 57(7): 4735-4747. |
| [24] |
KARVONEN J. A sea ice concentration estimation algorithm utilizing radiometer and SAR data[J]. Cryosphere, 2014, 8(5): 1639-1650. |
| [25] |
ZHU Y, TAO T, ZOU J, et al. Spaceborne GNSS reflectometry for retrieving sea ice concentration using TDS-1 data[J]. IEEE Geosci Remote Sens Lett, 2021, 18(4): 612-616. |
| [26] |
GHANBARI M, CLAUSI D A, XU L L, et al. Contextual classification of sea-ice types using compact polarimetric SAR data[J]. IEEE Trans Geosci Remote Sens, 2019, 57(10): 7476-7491. |
| [27] |
SONG W, LI M H, GAO W, et al. Automatic sea-ice classification of SAR images based on spatial and temporal features learning[J]. IEEE Trans Geosci Remote Sens, 2021, 59(12): 9887-9901. |
| [28] |
ZHAO L, XIE T, MENG L, et al. Polarization ratio characteristics of electromagnetic scattering from sea ice in polar areas[J]. Chin Phys B, 2018, 27(12): 124102. |
| [29] |
郎姝燕, 孙从容, 鲁云飞, 等. 中法海洋卫星微波散射计近海岸产品在台风遥感监测中的应用[J]. 海洋气象学报, 2022, 42(2): 74-80. |
| [30] |
LIU L L, DONG X L, LIN W M, et al. Polar sea ice detection using a rotating fan beam scatterometer[J]. Remote Sens, 2023, 15(20): 5063. |
| [31] |
ZHAI X C, WANG Z X, ZHENG Z J, et al. Sea ice monitoring with CFOSAT scatterometer measurements using random forest classifier[J]. Remote Sens, 2021, 13(22): 4686. |
| [32] |
刘建强, 刘思琦, 林文明, 等. 基于CFOSAT散射计的海冰识别方法研究[J]. 海洋学报, 2023, 45(6): 134-140. |