留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于最优特征集的HY-1C卫星海岸带成像仪影像海冰分类方法研究

臧金霞 刘建强 殷晓斌 曾韬 周磊

臧金霞,刘建强,殷晓斌,等. 基于最优特征集的HY-1C卫星海岸带成像仪影像海冰分类方法研究[J]. 海洋学报,2022,44(5):35–46 doi: 10.12284/hyxb2022021
引用本文: 臧金霞,刘建强,殷晓斌,等. 基于最优特征集的HY-1C卫星海岸带成像仪影像海冰分类方法研究[J]. 海洋学报,2022,44(5):35–46 doi: 10.12284/hyxb2022021
Zang Jinxia,Liu Jianqiang,Yin Xiaobin, et al. Study on sea ice classification of HY-1C satellite coastal zone imager images based on the optimal feature set[J]. Haiyang Xuebao,2022, 44(5):35–46 doi: 10.12284/hyxb2022021
Citation: Zang Jinxia,Liu Jianqiang,Yin Xiaobin, et al. Study on sea ice classification of HY-1C satellite coastal zone imager images based on the optimal feature set[J]. Haiyang Xuebao,2022, 44(5):35–46 doi: 10.12284/hyxb2022021

基于最优特征集的HY-1C卫星海岸带成像仪影像海冰分类方法研究

doi: 10.12284/hyxb2022021
基金项目: 国家重点研发计划(2018YFB054900)。
详细信息
    作者简介:

    臧金霞(1992-),女,山东省德州市人,算法工程师,主要从事海洋遥感应用等方面研究。E-mail: zangjinxia@piesat.cn

    通讯作者:

    刘建强(1964-),男,湖南省益阳市人,研究员,主要从事海洋遥感应用研究与地面应用系统建设。E-mail: jqliu@mail.nsoas.org.cn

  • 中图分类号: P731.15

Study on sea ice classification of HY-1C satellite coastal zone imager images based on the optimal feature set

  • 摘要: 基于海洋一号C(HY-1C)卫星海岸带成像仪(CZI)遥感影像,提出了一种基于最优特征集的支持向量机海冰分类方法。分别提取CZI影像的光谱特征和纹理特征,采用基于距离可分性的判据进行特征选择,得到最优特征集,以最优特征集作为支持向量机分类器输入,分别对3期辽东湾海域CZI影像开展海冰分类实验和结果分析。结果表明:本文方法得到的海冰分类结果精度优于仅利用光谱特征或纹理特征的海冰分类精度;基于本文方法的3期影像的海冰分类精度均较高,2020年12月19日、2021年1月10日与2021年1月16日的海冰分类总体精度分别为93.67%、91.75%、84.89%,均在80%以上;利用海冰分类结果图估算海冰面积,发现3期辽东湾海冰面积依次增大,最大约为11 998.98 km2
  • 图  1  辽东湾地理位置

    Fig.  1  Geographical location of Liaodong Bay

    图  2  辽东湾海域HY-1C卫星海岸带成像仪遥感影像(均为3/2/1波段真彩色合成)

    Fig.  2  HY-1C satellite coastal zone imager remote sensing images of Liaodong Bay (true color synthesis from band 3/2/1)

    图  3  海冰分类技术流程

    Fig.  3  The flow of sea ice classification

    图  4  海冰类型示意图(以海岸带成像仪影像3/2/1波段组合展示)

    Fig.  4  The image of sea ice type (displayed in band 3/2/1 combination of coastal zone imager images)

    图  5  光谱特征

    Fig.  5  Spectral features

    图  6  4种光谱特征的类别散点图

    Fig.  6  Category scatter diagram of four spectral features

    图  7  基于纹理特征的LDA算法分类投影

    Fig.  7  The classified projection images of LDA algorithm based on texture features

    图  8  特征选择后的纹理特征

    Fig.  8  Texture features after feature selection

    图  9  2021年1月16日HY-1C卫星CZI遥感影像辽东湾海冰分类

    Fig.  9  Sea ice classification of Liaodong Bay from HY-1C satellite CZI remote sensing images on January 16, 2021

    图  10  2020年12月19日(a)和2021年1月10日(b)HY-1C卫星CZI遥感影像辽东湾海冰分类

    Fig.  10  Sea ice classification of Liaodong Bay from HY-1C satellite CZI remote sensing images on December 19, 2020 (a) and January 10, 2021 (b)

    图  11  3个时期海冰面积变化折线图(a)与海冰类型柱状图(b)

    Fig.  11  The line chart of sea ice area change (a) and the histogram of sea ice types (b) in three periods

    表  1  HY-1C卫星海岸带成像仪数据信息表

    Tab.  1  Data information of HY-1C satellite coastal zone imager

    传感器波段名称波长/nm分辨率/m
    HY-1C卫星CZI蓝(波段1)420~50050
    绿(波段2)520~60050
    红(波段3)610~69050
    近红外(波段4)760~89050
    下载: 导出CSV

    表  2  海冰类型特征描述

    Tab.  2  The description of sea ice type characteristics

    海冰类型特征描述
    固定冰固定冰是指与海岸、岛屿或海底冻结在一起,不能做水平运动,而能随海面升降做垂直运动的海冰。固定冰的封冻程度和范围对沿岸水产养殖业等有较大影响,固定冰的挤压对岸基和堤坝等建筑可能造成破坏。
    白冰当灰(白)冰厚度继续增加时,冰块颜色由灰白色过渡到白色,表面凹凸不平,形状不规则,成为白冰。厚度大于30 cm。
    灰(白)冰由于灰冰和灰白冰边界模糊,将两类作为一类进行区分。灰冰厚度为 10~15 cm ,灰白冰厚度为15~30 cm,因此,两类合为一类后,灰(白)冰厚度为10~30 cm,灰(白)冰表面比较粗糙,呈灰色或灰白色。
    初生冰当海上气温下降到海水冰点,海水开始结冰形成初生冰,多呈针状、薄片状、浆糊状或绵状。厚度在10 cm以内。
    下载: 导出CSV

    表  3  光谱特征参数定义公式表

    Tab.  3  Definition formula of spectral features

    特征标识定义公式
    NDWIH$\rm \left( {NIR - BLUE} \right)/(NIR + BLUE) $
    B_G$\rm (BLUE - GREEN)/(BLUE + GREEN) $
    B_R$ \rm (BLUE - RED)/(BLUE + RED) $
    G_R$\rm (GREEN - RED)/(GREEN + RED) $
    注:BLUE、GREEN、RED、NIR分别表示HY-1C卫星CZI数据的蓝、绿、红、近红外波段。
    下载: 导出CSV

    表  4  各波段纹理特征J值信息表

    Tab.  4  The J values of texture features of each band

    波段1波段2波段3波段4
    均值5.687 43.565.234 42.27
    方差0.049 20.047 50.045 90.044 9
    同质性2.927 52.152 52.5591.66
    对比度0.056 50.0520.0510.048
    相异性0.807 90.7760.785 40.67
    4.0032.354 13.293 51.69
    二阶矩3.540 81.897 62.761.41
    相关性0.570 30.297 10.456 20.261 5
    下载: 导出CSV

    表  5  2021年1月16日HY-1C卫星CZI影像海冰分类精度评价

    Tab.  5  Sea ice classification accuracy evaluation of HY-1C satellite CZI images on January 16, 2021

    分类方法海冰类型生产者精度/%用户精度/%总体精度/%kappa系数
    基于光谱特征的SVM海冰分类固定冰66.8439.0674.580.66
    白冰33.0576.02
    灰(白)冰98.7074.81
    初生冰69.0892.62
    海水99.8999.35
    基于纹理特征的SVM海冰分类固定冰66.8435.7273.410.65
    白冰34.8779.74
    灰(白)冰98.7073.93
    初生冰69.0891.37
    海水9999.35
    基于最优特征集的SVM海冰分类固定冰85.4364.4484.890.80
    白冰60.6985.14
    灰(白)冰96.1482.14
    初生冰84.2296.65
    海水99.9199.40
    下载: 导出CSV

    表  6  2020年12月19日和2021年1月10日HY-1C卫星CZI遥感影像海冰分类精度评价

    Tab.  6  Sea ice classification accuracy evaluation of HY-1C satellite CZI images on December 19, 2020 and January 10, 2021

    影像获取时间海冰类型生产者精度/%用户精度/%总体精度/%kappa系数
    2020年12月19日固定冰93.4181.2893.670.89
    灰(白)冰89.7691.94
    海水94.9199.78
    初生冰92.9379.35
    2021年1月10日固定冰70.5498.5991.750.88
    灰(白)冰99.0376.31
    海水97.8599.85
    初生冰96.1087.43
    下载: 导出CSV
  • [1] 崔艳荣, 邹斌, 韩震, 等. 卷积神经网络在SAR遥感海冰分类中的应用可行性分析[J]. 海洋预报, 2019, 36(5): 77−85. doi: 10.11737/j.issn.1003-0239.2019.05.010

    Cui Yanrong, Zou Bin, Han Zhen, et al. Feasibility analysis of convolutional neural networks in remote sensing sea ice classification[J]. Marine Forecasts, 2019, 36(5): 77−85. doi: 10.11737/j.issn.1003-0239.2019.05.010
    [2] 刘眉洁, 戴永寿, 张杰, 等. 高分辨率全极化合成孔径雷达数据海冰二次分类方法研究[J]. 海洋学报, 2013, 35(4): 80−87.

    Liu Meijie, Dai Yongshou, Zhang Jie, et al. The research on the object-based method of sea ice classification of high-resolution quad-polarization SAR data[J]. Haiyang Xuebao, 2013, 35(4): 80−87.
    [3] 张晰. 极化SAR渤海海冰厚度探测研究[D]. 青岛: 中国海洋大学, 2011.

    Zhang Xi. Research on sea ice thickness detection by polarimetric SAR in Bohai Sea[D]. Qingdao: Ocean University of China, 2011.
    [4] Tan Wenxia, LeDrew E. Monitoring Arctic sea ice phenology change using hypertemporal remotely sensed data: 1989–2010[J]. Theoretical and Applied Climatology, 2016, 125(1/2): 353−363.
    [5] Geldsetzer T, Arkett M, Zagon T, et al. All-season compact-polarimetry C-band SAR observations of sea ice[J]. Canadian Journal of Remote Sensing, 2015, 41(5): 485−504. doi: 10.1080/07038992.2015.1120661
    [6] Scheuchl B, Caves R, Cumming I, et al. Automated sea ice classification using spaceborne polarimetric SAR data[C]//IGARSS 2001. Scanning the Present and Resolving the Future. Proceedings. IEEE 2001 International Geoscience and Remote Sensing Symposium. Sydney: IEEE, 2001: 3117−3119.
    [7] Singha S, Johansson M, Hughes N, et al. Arctic sea ice characterization using spaceborne fully polarimetric L-, C-, and X-Band SAR with validation by airborne measurements[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(7): 3715−3734. doi: 10.1109/TGRS.2018.2809504
    [8] 刘惠颖. 宽幅多极化SAR海冰信息提取方法与类型识别研究[D]. 北京: 中国科学院遥感与数字地球研究所, 2017.

    Liu Huiying. Study on parameter retrieval and type recognition of sea ice using wide-swath and multi-polarization SAR data[D]. Beijing: Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, 2017.
    [9] 赵泉华, 郭世波, 李晓丽, 等. 利用目标分解特征的全极化SAR海冰分类[J]. 测绘学报, 2018, 47(12): 1609−1620. doi: 10.11947/j.AGCS.2018.20170551

    Zhao Quanhua, Guo Shibo, Li Xiaoli, et al. Polarimetric SAR sea ice classification based on target decompositional features[J]. Acta Geodaetica et Cartographica Sinica, 2018, 47(12): 1609−1620. doi: 10.11947/j.AGCS.2018.20170551
    [10] Riggs G A, Hall D K, Ackerman S A. Sea ice extent and classification mapping with the moderate resolution imaging spectroradiometer airborne simulator[J]. Remote Sensing of Environment, 1999, 68(2): 152−163. doi: 10.1016/S0034-4257(98)00107-2
    [11] 史培军, 范一大, 哈斯, 等. 利用AVHRR和MODIS数据测算海冰资源量——以渤海海冰资源测算为例[J]. 自然资源学报, 2002, 17(2): 138−143. doi: 10.3321/j.issn:1000-3037.2002.02.002

    Shi Peijun, Fan Yida, Ha Si, et al. Calculating gross sea ice resource using AVHRR and MODIS data[J]. Journal of Natural Resources, 2002, 17(2): 138−143. doi: 10.3321/j.issn:1000-3037.2002.02.002
    [12] 吴龙涛, 吴辉碇, 孙兰涛, 等. MODIS渤海海冰遥感资料反演[J]. 中国海洋大学学报(自然科学版), 2006, 36(2): 173−179.

    Wu Longtao, Wu Huiding, Sun Lantao, et al. Retrieval of sea ice in the Bohai Sea from MODIS data[J]. Periodical of Ocean University of China, 2006, 36(2): 173−179.
    [13] 王姝力, 王志勇, 王磊. 基于Landsat-8和Sentinel-1A辽东湾海冰分类研究[J]. 北京测绘, 2019, 33(12): 1486−1492.

    Wang Shuli, Wang Zhiyong, Wang Lei. Study of sea ice classification of Landsat-8 and Sentinel-1A in Liaodong Bay[J]. Beijing Surveying and Mapping, 2019, 33(12): 1486−1492.
    [14] 张晰, 张杰, 孟俊敏. Landsat-8与GF-1卫星渤海海冰探测能力对比研究[J]. 海洋科学, 2015, 39(2): 50−56. doi: 10.11759/hykx20141011018

    Zhang Xi, Zhang Jie, Meng Junmin. Comparison of sea ice detection ability of Landsat-8 and GF-1 in the Bohai Sea[J]. Marine Sciences, 2015, 39(2): 50−56. doi: 10.11759/hykx20141011018
    [15] Barbieux K, Charitsi A, Merminod B. Icy lakes extraction and water-ice classification using Landsat-8 OLI multispectral data[J]. International Journal of Remote Sensing, 2018, 39(11): 3646−3678. doi: 10.1080/01431161.2018.1447165
    [16] 王志勇, 王丽华, 刘健, 等. 基于多源中高分辨率遥感数据提取渤海辽东湾海冰要素信息[J]. 自然灾害学报, 2021, 30(1): 174−182.

    Wang Zhiyong, Wang Lihua, Liu Jian, et al. Extraction of sea ice element information in Liaodong Bay of the Bohai Sea based on multi-source medium and high resolution remote sensing data[J]. Journal of Natural Disasters, 2021, 30(1): 174−182.
    [17] 刘眉洁. 基于高分辨率极化SAR的海冰分类和厚度探测方法研究[D]. 青岛: 中国石油大学(华东), 2016.

    Liu Meijie. Research on the sea ice classification and thickness detection with high-resolution and polarimetric SAR data[D]. Qingdao: China University of Petroleum (East China), 2016.
    [18] 庞海洋, 孔祥生, 孙志伟, 等. 基于遥感和气象数据对辽东湾海冰变化预测研究[J]. 海洋与湖沼, 2018, 49(4): 725−733.

    Pang Haiyang, Kong Xiangsheng, Sun Zhiwei, et al. The forecast model of sea ice changes in Liaodong Bay using remote sensing and meteorological data[J]. Oceanologia et Limnologia Sinica, 2018, 49(4): 725−733.
    [19] 罗会兰, 郭敏杰, 孔繁胜. 集成多特征与稀疏编码的图像分类方法[J]. 模式识别与人工智能, 2014, 27(4): 345−355. doi: 10.3969/j.issn.1003-6059.2014.04.009

    Luo Huilan, Guo Minjie, Kong Fansheng. Image classification method by combining multi-features and sparse coding[J]. Pattern Recognition and Artificial Intelligence, 2014, 27(4): 345−355. doi: 10.3969/j.issn.1003-6059.2014.04.009
    [20] Haq M A, Jain K, Menon K P R. Monitoring glacial lakes using remote sensing Tech[C]//Proceedings of the 14th Annual International Conference and Exhibition on Geospatial Information Technology and Applications. Gurgaon: India Geospatial Forum, 2012.
    [21] 张明, 吕晓琪, 张晓峰, 等. 结合纹理特征的SVM海冰分类方法研究[J]. 海洋学报, 2018, 40(11): 149−156.

    Zhang Ming, Lü Xiaoqi, Zhang Xiaofeng, et al. Research on SVM sea ice classification based on texture features[J]. Haiyang Xuebao, 2018, 40(11): 149−156.
    [22] 逯跃锋, 和鑫, 陆黎娟, 等. 基于纹理分析的SAR海冰图像分类方法[J]. 山东理工大学学报(自然科学版), 2019, 33(1): 51−55.

    Lu Yuefeng, He Xin, Lu Lijuan, et al. Research on classification method of the SAR sea ice image based on texture analysis[J]. Journal of Shandong University of Technology (Natural Science Edition), 2019, 33(1): 51−55.
    [23] Kiala Z, Mutanga O, Odindi J, et al. Feature selection on Sentinel-2 multispectral imagery for mapping a landscape infested by parthenium weed[J]. Remote Sensing, 2019, 11(16): 1892. doi: 10.3390/rs11161892
    [24] 边肇祺, 张学工. 模式识别[M]. 北京: 清华大学出版社, 2004: 9-42.

    Bian Zhaoqi, Zhang Xuegong. Pattern Recognition[M]. Beijing: Tsinghua University Press, 2004: 9−42.
    [25] Bogdanov A V, Sandven S, Johannessen O M, et al. Multisensor approach to automated classification of sea ice image data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(7): 1648−1664. doi: 10.1109/TGRS.2005.846882
    [26] 沈杨. 结合MRF与ν-SVM的SAR海冰图像分类[D]. 合肥: 合肥工业大学, 2015.

    Shen Yang. Combining MRF and v-SVM for SAR sea ice image classification[D]. Hefei: Hefei University of Technology, 2015.
  • 加载中
图(11) / 表(6)
计量
  • 文章访问数:  109
  • HTML全文浏览量:  40
  • PDF下载量:  15
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-03-03
  • 修回日期:  2021-07-30
  • 网络出版日期:  2022-06-15
  • 刊出日期:  2022-06-15

目录

    /

    返回文章
    返回