崔艷榮，鄒斌,3*，韓震，石立堅，劉森

( 1. 上海海洋大學 海洋科學學院，上海 201306；2. 國家衛(wèi)星海洋應用中心，北京 100081；3. 國家海洋局空間海洋遙感與應用研究重點實驗室，北京 100081)

1 引言

目前用于海冰分類識別和監(jiān)測的研究，無論是基于光學海冰圖像還是合成孔徑雷達（SAR）海冰圖像，多是通過傳統(tǒng)的監(jiān)督和非監(jiān)督算法，應用最多的如灰度共生矩陣（GLCM）和支持向量機（SVM）。Wang 等[1]根據(jù)GLCM 和小波紋理特征將特征空間域和頻率域融合對海冰圖像進行分類研究；Ressel 和Singha[2]首先進行特征提取，再輸入到神經(jīng)網(wǎng)絡分類器中，并通過互信息分析了相關性和冗余度，進行海冰分類；Liu 等[3]基于SVM 算法，將后向散射系數(shù)、GLCM 和海冰密集度三者結合對海冰圖像進行分類；Zakhvatkina 等[4]使用紋理特征結合SVM 區(qū)分海冰和開闊水域；Tan 等[5]通過隨機森林特征選擇方法確定優(yōu)選特征進行海冰圖像解譯研究；張明等[6]采用灰度共生矩陣提取特征值，優(yōu)選特征組合，結合支持向量機開展海冰類型的分類研究；任莎莎和郎文輝[7]通過高斯濾波后提取海冰圖像灰度值，提出K-GMM 算法進行海冰分類；鄭敏薇等[8]利用灰度共生矩陣計算并獲取圖像紋理，結合SVM 算法達到冰水分離的目的；逯躍鋒等[9]運用灰度共生矩陣提取紋理特征中能量、對比度、相關性和同質(zhì)性的特征值，結合最小距離分類算法進行海冰分類；朱立先等[10]通過灰度共生矩陣獲得影像的紋理特征，利用LibSVM 分類方法對一年冰和多年冰進行訓練和分類。以上的研究工作雖然都在原有的工作基礎上做了改進并達到了一定的分類效果，但都需要先對遙感海冰圖像進行大量且復雜的特征提取工作。面對大數(shù)據(jù)時代的今天，處理海量冗雜的海冰數(shù)據(jù)，并快速準確的提供決策支持，以上的基于傳統(tǒng)算法的海冰識別檢測方法有些捉襟見肘。

深度學習思想的本質(zhì)就是通過在多層神經(jīng)網(wǎng)絡上運用各種算法來訓練學習圖像特征，其框架下包含多種機器學習算法，其中卷積神經(jīng)網(wǎng)絡（CNN）是目前該框架研究最深入、應用最廣泛的算法。CNN 作為一個深度學習架構被提出的最初訴求，是降低對圖像數(shù)據(jù)預處理的要求，避免復雜的特征工程。它可以直接使用圖像的原始像素作為輸入，而不必先使用算法提取特征。它的特征提取和分類訓練同時進行，使得訓練時就自動提取了最有效的特征，這就減輕了使用傳統(tǒng)算法（如SVM）時必須要做的大量重復而煩瑣的數(shù)據(jù)預處理工作。

目前，CNN 在圖像識別、語音交互、自然語言處理等領域取得的突破和進展有目共睹。CNN 應用到衛(wèi)星遙感海冰分類中的研究雖然較少，但也取得一定進展。如Wang 等[11]首次將卷積神經(jīng)網(wǎng)絡應用于海冰密集度評測中，其精度與海冰分析員手繪圖相比，絕對平均誤差不超過10%；Chen 等[12]使用全卷積神經(jīng)網(wǎng)絡（A-ConvNets）對海冰圖像進行分類，其平均準確率高達99%，而所采用的全卷積神經(jīng)網(wǎng)絡只包含卷積層，圖像經(jīng)多次卷積之后尺寸越來越小，分辨率越來越低，需要通過反卷積的方式來恢復原圖，過程較為復雜且部分細節(jié)仍舊無法恢復；Wang 等[13]進一步的研究發(fā)現(xiàn)，CNN 模型具有識別地物特征之間細微差別的能力，能夠更準確地識別出新冰，然而該網(wǎng)絡的輸入要求數(shù)據(jù)經(jīng)標準化處理，其處理結果直接影響后期模型的表現(xiàn)；黃冬梅等[14]將CNN 模型應用于海冰密集度評估和海冰分類實驗中，其模型的總體分類準確率達到93%以上，Kappa 系數(shù)為0.8 以上，實驗需要研究區(qū)域?qū)暮１庾g圖作為參考標準，另外，需要先制作標簽，再將樣本和標簽構建為one-hot 格式作為模型的輸入。

本文以構建更加簡潔有效的網(wǎng)絡、簡化數(shù)據(jù)集標簽制作過程的原則，探索更具有適用性并可用于業(yè)務化研究的CNN 模型。以渤海海冰遙感監(jiān)測為例，采用HJ-1A/B 衛(wèi)星數(shù)據(jù)源，開展基于CNN 的渤海海冰遙感分類研究。渤海海冰災害嚴重影響了海上運輸，破壞了區(qū)域內(nèi)基礎設施，阻礙了油氣等資源的開發(fā)與利用，加強海冰災害監(jiān)測非常必要。

2 卷積神經(jīng)網(wǎng)絡

2.1 網(wǎng)絡結構

卷積神經(jīng)網(wǎng)絡[15]是一種前饋神經(jīng)網(wǎng)絡，是由多個陣X（S x×Sy×Sz），經(jīng)K個大小為Cx×Cy×Sz的卷積核Ck，其中k=1, ···,K。每一個卷積核都會以步長P為間隔遍歷矩陣，最后會得到K幅特征圖，公式如下[13]：模塊組成的可訓練結構體，網(wǎng)絡結構整體呈現(xiàn)出倒三角的形態(tài)，緩解了反向傳播算法中容易出現(xiàn)的“梯度消失”現(xiàn)象。其每一個模塊由3 個連續(xù)操作單元組成：卷積核、非線性轉(zhuǎn)換層和池化層。一個CNN 模型通常包含多個用于提取圖像特征的學習模塊和若干全連接層。在卷積過程中，首先輸入一個樣本矩

式中，hk表示經(jīng)第k個卷積核卷積后得到的輸出結果；Mx,My分別為卷積操作之后輸出的特征圖的維度。

圖1 為本研究搭建的CNN 網(wǎng)絡主要結構，包含4 個卷積層（COV1?COV4），4 個池化層（POOL1?POOL4），3 個全連接層（FC1?FC3）。參數(shù)設置如圖1 所示，所用的輸入圖像為 100×100×3 （其中 100×100表示圖像橫向和縱向尺寸，3 表示圖像通道數(shù)），前兩個卷積層的過濾器（filter）尺寸為 5×5，后兩個卷積層的過濾器尺寸為 3×3，所有卷積層的滑動橫向和豎向步長都為1，邊緣填充（padding）都設置為“SAME”。池化層采用最大值池化，池化層的過濾器尺寸全為 2×2，滑動橫向和豎向步長為2，邊緣填充設置為“VALID”。卷積、池化后的圖像尺寸如圖1 所示，由下式得出：

式中，N表示輸出圖像尺寸；W表示輸入圖像尺寸；F表示過濾器的尺寸；S表示步長；P表示邊緣填充的參數(shù)選擇，當邊緣填充設置為“VALID”，輸出圖像尺寸用公式（4）計算，當邊緣填充設置為“SAME”，輸出圖像尺寸用公式（5）計算。

另外，在卷積層和池化層之間都加入了激勵層，通過激活函數(shù)對卷積層輸出的每一個特征單元進行非線性處理，實現(xiàn)CNN 非線性目標可分類；全連接層放在網(wǎng)絡的最后，與傳統(tǒng)的全連接神經(jīng)網(wǎng)絡很相似，接收神經(jīng)元要與輸入層的每一個神經(jīng)元連接，由此利用模型所提取到的所有特征去訓練分類模型，其中第一層全連接層以卷積操作后的特征層（hk）作為輸入，將特征映射表示為一個向量，并通過權矩陣W和偏置b變換到輸出空間，計算公式為

式中，f為激活函數(shù)；h為網(wǎng)絡學習后的輸出結果。卷積神經(jīng)網(wǎng)絡模型訓練和學習的本質(zhì)就是利用輸入數(shù)據(jù)的特征量調(diào)整、更新網(wǎng)絡參數(shù)。代價函數(shù)和激活函數(shù)的選擇是網(wǎng)絡學習、參數(shù)更新、模型優(yōu)化的重要環(huán)節(jié)。

2.2 二次代價函數(shù)

卷積神經(jīng)網(wǎng)絡模型訓練和學習的本質(zhì)就是利用輸入數(shù)據(jù)的特征量調(diào)整、更新網(wǎng)絡參數(shù)。代價函數(shù)和激活函數(shù)的選擇是網(wǎng)絡學習、參數(shù)更新、模型優(yōu)化的重要環(huán)節(jié)。

神經(jīng)網(wǎng)絡為優(yōu)化模型，通常采用代價函數(shù)，尋求神經(jīng)網(wǎng)絡代價函數(shù)全局最小值是一個重要而基本的問題。傳統(tǒng)的二次代價函數(shù)[16]工作原理如下式[17]所示：

式中，C(W,b)表示網(wǎng)絡的代價函數(shù)，也稱損失函數(shù)；W、b分別表示神經(jīng)網(wǎng)絡的權值和偏置，網(wǎng)絡訓練就是通過就是不斷更新權值和偏置參數(shù)來最終達到學習的目的；y(x)表示樣本x的真值；y′(x)表示樣本x的網(wǎng)絡預測結果；n表示樣本數(shù)量，神經(jīng)網(wǎng)絡模型的優(yōu)化就是不斷降低預測結果和真值的誤差，使得誤差最小化。結合公式（6）可看出，網(wǎng)絡的預測值不僅和W、b有關，還與激活函數(shù)f(z)有關。在網(wǎng)絡訓練中，我們以常見的梯度下降法[18–19]來調(diào)整權值和偏置。假設有1 個樣本，則W、b的推導公式為

可見W和b的梯度與激活函數(shù)的梯度f′(z)呈正比關系，當使用梯度下降法對權值參數(shù)進行調(diào)整時，隨著在網(wǎng)絡中逐層傳播，殘差值會變得越來越小，f′(z)的變化不僅會影響網(wǎng)絡收斂速度，還可能引發(fā)“梯度消失”現(xiàn)象，致使底層網(wǎng)絡難以進行有效訓練。

2.3 交叉熵代價函數(shù)

為了消除激活函數(shù)梯度對網(wǎng)絡權值和偏置值更新的影響，引入改進的交叉熵代價函數(shù)替換二次代價函數(shù)。交叉熵最早出自信息論中的信息熵，然后被用到很多地方，包括通信、糾錯碼、博弈論、機器學習等。交叉熵代價函數(shù)為

式中，C(W,b) 表示網(wǎng)絡的代價函數(shù)；W、b分別表示神經(jīng)網(wǎng)絡的權值和偏置；y表示樣本x的真值；h為公式（6）中樣本x的網(wǎng)絡輸出結果；n表示樣本數(shù)量。對公式（10）求偏導得到權值W和偏置b的計算公式為

可見，交叉熵代價函數(shù)中，W、b的梯度與激活函數(shù)的梯度f′(z)沒 有關系，只與f(z)?y的差值，即網(wǎng)絡輸出值和真值的誤差成正比，誤差越大，梯度越大，參數(shù)W和b的調(diào)整就越快，網(wǎng)絡的收斂速度也就越快，有效避免了f′(z)參與參數(shù)更新、影響更新效率的問題。

2.4 Sigmoid 激活函數(shù)和RELU 激活函數(shù)

神經(jīng)網(wǎng)絡訓練的最終目的就是獲取代價函數(shù)最小時的權值和偏置參數(shù)，而求取代價函數(shù)最小化過程中，激活函數(shù)的選擇也起著至關重要的作用。卷積神經(jīng)網(wǎng)絡中，假設不采用激活函數(shù)，那么每一層的輸出與上層的輸入都是線性函數(shù)關系，不管搭建多少層神經(jīng)網(wǎng)絡，輸出都是輸入的線性組合，這樣就局限了卷積神經(jīng)網(wǎng)絡的應用范圍。因此在CNN 每個卷積層和池化層之間通常加入激勵層，即通過非線性激活函數(shù)對卷積層輸出的特征進行非線性映射處理，使得神經(jīng)網(wǎng)絡可以任意逼近任何非線性函數(shù)，非線性因素的引入，拓展了CNN 模型應用到更多非線性分類任務中的空間。目前常用的激活函數(shù)為Sigmoid 函數(shù)，也就是我們常稱的“S”型函數(shù)，其導函數(shù)為Deriv. Sigmoid，如圖2 所示。

圖2 Sigmoid 原函數(shù)和導函數(shù)Deriv. Sigmoid[20]Fig. 2 Sigmoid function and Deriv. Sigmoid[20]

由2.2 節(jié)和2.3 節(jié)可知，代價函數(shù)的收斂和網(wǎng)絡參數(shù)的調(diào)整與激活函數(shù)及其導數(shù)有關，由圖2 可以看出，Sigmoid 函數(shù)取值區(qū)間為（0，1），收斂速度慢，且容易出現(xiàn)軟飽和，即當輸入較大的正數(shù)和負數(shù)的時候，梯度都為0，致使神經(jīng)元參數(shù)無法更新；導函數(shù)取值從0 開始很快又趨近于0，所以網(wǎng)絡在訓練過程中容易引發(fā)“梯度消失”問題，影響網(wǎng)絡的正常訓練。

為提高網(wǎng)絡訓練效率和準確率，文中引入改進的激活函數(shù)ReLU 函數(shù)，如圖3 所示，當輸入為負數(shù)的時候，函數(shù)強行置0，為網(wǎng)絡加入稀疏因素，有效降低了參數(shù)的空間相關性和依存性；當輸入為正數(shù)時，函數(shù)不飽和，且梯度為1，避免了“梯度消失”現(xiàn)象的發(fā)生，同時網(wǎng)絡收斂速度快，計算簡單。

圖3 ReLU 激活函數(shù)[18]Fig. 3 ReLU activation function[18]

3 實驗驗證

3.1 實驗數(shù)據(jù)

實驗選取HJ-1A 和HJ-1B 衛(wèi)星搭載的CCD 相機獲取的渤海海域2018年1月下旬至2月上旬共8 幅影像為數(shù)據(jù)源。該傳感器共載荷4 個波段，具體參數(shù)如表1 所示。

表1 CCD 載荷參數(shù)Table 1 CCD parameters

本文選擇B03、B02、B013 個波段，經(jīng)預處理后，通過公式（13）將像元DN 值轉(zhuǎn)換為具有物理意義的輻射亮度值，然后組合成真彩色RGB 圖像。

式中，Lλ表示像元輻射亮度值，它包括了物體反射的輻射能量、臨近地物的貢獻值，以及云層的影響；Offset和 Gain分別表示偏移和增益參數(shù)。

通過目視解譯確定冰、水區(qū)域，借助MATLAB 和IDL 二次開發(fā)工具，裁剪、制作冰水樣本集并加上標簽，數(shù)據(jù)集共1812 個樣本，分別包含812 個海冰，1000 個海水的影像樣本，以8∶2 的比例分為訓練集和驗證集用于網(wǎng)絡的訓練和驗證。模型測試部分包括覆蓋渤海區(qū)域的大規(guī)模識別和隨機截取一小塊區(qū)域的小范圍識別。大規(guī)模識別部分分別在HJ-1B 衛(wèi)星2018年1月29 日圖像上選取了尺寸為7824×5205 的 樣 本（圖4），在HJ-1A 衛(wèi) 星2018年2月3 日的圖像上選取了尺寸為8020×5328 的樣本（圖5），并以10×10、20×20、40×40 和80×80 等不同的尺寸制作測試集進行測試；小范圍測試則是在圖4 中隨機截取一塊400×400 的冰水區(qū)域作為數(shù)據(jù)源，也分別以10×10、8×8、5×5 和2×2 等4 種不同尺寸的窗口制作測試集test_10、test_8、test_5 和test_2，用于模型和參數(shù)測試。

3.2 代價函數(shù)和激活函數(shù)組合分析

本實驗所用的神經(jīng)網(wǎng)絡搭建在TensorFlow 框架上，以Anaconda35.1 的Jupyter Notebook 為運行環(huán)境。首先以CNN 模型應用的經(jīng)典案例—手寫數(shù)字識別作為引入分析不同函數(shù)組合對識別結果的影響。試驗分為二次代價函數(shù)與Sigmoid 激活函數(shù)、二次代價函數(shù)與ReLU 激活函數(shù)、交叉熵代價函數(shù)與Sigmoid 激活函數(shù)、交叉熵代價函數(shù)與ReLU 激活函數(shù)共4 個組合，每個組合分別進行8000、10000、20000次迭代，其實驗結果如表2 所示。

圖4 HJ-1B 衛(wèi)星圖像樣本Fig. 4 HJ-1B satellite image sample

圖5 HJ-1A 衛(wèi)星圖像樣本Fig. 5 HJ-1A satellite image sample

對比表2 至表5 可看出，相對于二次代價函數(shù)，相同迭代次數(shù)和激活函數(shù)組合時交叉熵代價函數(shù)的訓練精度和驗證精度都更高，更準確；相同迭代次數(shù)和代價函數(shù)組合時ReLU 激活函數(shù)比Sigmoid 激活函數(shù)的分類精度更高，網(wǎng)絡收斂速度更快；整體上看，對于CNN 模型在手寫數(shù)字識別案例中，交叉熵代價函數(shù)與ReLU 激活函數(shù)組合訓練的模型性能最好，所取得的分類精度最高，網(wǎng)絡收斂最快。

表2 交叉熵代價函數(shù)與ReLU 激活函數(shù)組合Table 2 Combination of cross-entropy cost function andReLU activation function

表3 二次代價函數(shù)與ReLU 激活函數(shù)組合Table 3 Combination of quadratic cost function and ReLUactivation function

表4 交叉熵代價函數(shù)與Sigmoid 激活函數(shù)組合Table 4 Combination of cross-entropy cost function andSigmoid activation function

表5 二次代價函數(shù)與Sigmoid 激活函數(shù)組合Table 5 Combination of quadratic cost function andSigmoid activation function

3.3 代價函數(shù)和激活函數(shù)組合驗證

由3.2 節(jié)手寫數(shù)字識別案例中的結果，可看出交叉熵代價函數(shù)優(yōu)于二次代價函數(shù)，ReLU 激活函數(shù)優(yōu)于Sigmoid 激活函數(shù)。下面在衛(wèi)星遙感海冰影像的分類識別中，進一步驗證CNN 模型的最佳函數(shù)組合。首先把制作好的帶標簽海冰數(shù)據(jù)集以8∶2 的比例隨機分為訓練集和驗證集，每個訓練批次設置為64 個樣本，迭代訓練，每次迭代都會更新調(diào)整網(wǎng)絡參數(shù)，迭代50 次后，網(wǎng)絡權值和偏置參數(shù)基本穩(wěn)定，故設置網(wǎng)絡迭代次數(shù)為50 次。同樣，將試驗分為二次代價函數(shù)與Sigmoid 激活函數(shù)、二次代價函數(shù)與ReLU 激活函數(shù)、交叉熵代價函數(shù)與Sigmoid 激活函數(shù)、交叉熵代價函數(shù)與ReLU 激活函數(shù)共4 個組合。實驗中發(fā)現(xiàn)，由于二次代價函數(shù)的權值和偏置與激活函數(shù)的梯度成正比，網(wǎng)絡訓練時，隨著網(wǎng)絡加深，殘差值越來越小，導致網(wǎng)絡無法得到有效訓練，無法有效進行冰、水分離。故而，下文主要展示交叉熵代價函數(shù)與兩種激活函數(shù)的組合結果。

由表6 可看出，在未對其他網(wǎng)絡參數(shù)進行優(yōu)化的情況下，交叉熵代價函數(shù)與ReLU 激活函數(shù)組合，一次性輸入樣本1812 個，網(wǎng)絡迭代50 次，訓練精度就達到了99.6%，驗證精度達到98.4%；而對比交叉熵代價函數(shù)與Sigmoid 激活函數(shù)組合的模型，其驗證精度就高出17.6%?？梢?，交叉熵代價函數(shù)與ReLU 激活函數(shù)組合在渤海海冰圖像分類任務中精度更高、效果更好、具有更好的適應性。

表6 不同代價函數(shù)和激活函數(shù)組合的海冰圖像分類結果Table 6 Sea ice image classification results with different cost function and activation function combinations

圖6 和圖7 為通過TensorFlow 框架下的可視化工具TensorBoard 直觀地展示的交叉熵代價函數(shù)和ReLU 激活函數(shù)組合進行渤海海冰圖像分類實驗過程中網(wǎng)絡訓練精度和誤差損失變化情況。由圖可以看出，隨著網(wǎng)絡訓練次數(shù)增加，網(wǎng)絡訓練誤差趨近于0，分類精度趨近于1，說明交叉熵代價函數(shù)和ReLU激活函數(shù)組合訓練的CNN 網(wǎng)絡收斂速度快，分類效果好。將該訓練好的網(wǎng)絡模型和參數(shù)保存，分別利用test_10、test_8、test_5 和test_2 樣本集進行測試，調(diào)用模型和參數(shù)得到的識別結果中，鑒于 8×8窗口制作的樣本，其分類結果與 10×10窗口制作的樣本分類結果較為相似，區(qū)分度不高，故本文只展示了10×10、5×5、2×23 種尺寸窗口的分類結果，如圖8 所示。

圖6 模型訓練誤差曲線Fig. 6 Loss curve ofmodel training

圖7 模型訓練精度曲線Fig. 7 Accuracy curve ofmodel training

圖8b至圖8d可看出在一定范圍內(nèi)隨著樣本窗口減小，模型識別結果更加準確，且在細節(jié)上表現(xiàn)更加精準，所以2×2窗口制作的樣本分類測試結果最佳；對比圖8a 和圖8b，可以看出紅色框出區(qū)域肉眼較難察別的部分海冰，被該CNN 模型清晰準確的區(qū)分出來，黃色框出區(qū)域表示在冰水混合的狀況下，模型較好的區(qū)分海冰和海水，并將冰間水分離出來?？梢奀NN 模型具有識別地物特征之間細微差別的能力，在衛(wèi)星遙感圖像冰水解譯中也適用，且表現(xiàn)較好。

3.4 CNN 模型對整個渤海海域的海冰識別結果分析

3.3節(jié)通過對較小區(qū)域冰水識別結果的展示和分析，證明了CNN 網(wǎng)絡模型在衛(wèi)星遙感海冰圖像分類中具有較好的適用性和可操作性。為了能夠?qū)NN 模型更廣泛、切實地應用到衛(wèi)星遙感海冰影像分類任務中，本文嘗試將整個渤海海域作為輸入數(shù)據(jù)集，希望實現(xiàn)大范圍海域的海冰識別，能夠為海域監(jiān)測、航道監(jiān)測和航線設計提供一些幫助。

對圖4 數(shù)據(jù)源以 10×10窗口制作樣本406640 個，20×20窗 口制作樣本101660 個，40×40窗口制作樣本25350 個，80×80窗口制作樣本6305 個。分析發(fā)現(xiàn)窗口 10×10和 20×20所得結果沒有明顯差異，而數(shù)據(jù)量相差巨大，工作量巨大，故舍棄。本文主要展示其他3 個窗口尺寸的結果（圖9）。為了進一步驗證模型的有效性和適用性，將圖5 作為數(shù)據(jù)源做同樣的操作，其中以 20×20窗 口尺寸獲得106666 個樣本，40×40窗口獲得26600 個樣本，80×80窗口獲得6600 個樣本，模型識別的結果如圖10。由圖可見，隨著窗口尺寸的增大，圖像分辨率越來越低，識別結果越來越粗糙，但整體上3 種窗口的識別分離效果都較好，與目視結果基本一致。并且在圖9a 和圖10a 中黃色框所示的小范圍區(qū)域，模型可較為準確地區(qū)分冰間水和水間冰，再次驗證了CNN 模型在識別地物特征細微差別的能力。

在實際的應用中，可根據(jù)不同的任務需求和研究區(qū)域規(guī)模，調(diào)整樣本采集的窗口尺寸。如研究海冰分布特征，需要研究日尺度海冰面積和覆蓋度變化，則需要較高準確率的海冰識別結果，再如進行關于航道規(guī)劃的研究，需要把握冰情和航線安全狀況，希望得到分辨率較高的信息，這些情景下都可根據(jù)需要選擇20×20及以下的窗口；如果研究長時間序列海冰演變和海冰外緣線變化，選擇 40×40大小的窗口就可以很好的擬合海冰分界線，提供較為準確的信息；然而，當只需要把握整體海域的結冰狀況時，可考慮選擇80×80左右的窗口，工作量小，操作簡單，可快速提供大范圍冰情信息。

圖8 模型測試樣本400×400 數(shù)據(jù)源（a）和2×2（b）、5×5（c）、10×10（d）窗口大小模型識別結果Fig. 8 Test sample 400×400 (a), and 2×2 (b)、5×5 (c)、10×10 (d)model recognition resultsa 中亮色為海冰，暗色為海水；b?d 中紫色代表海冰，黃色代表海水The bright represents sea ice, and the dark represents sea water in a；the purple represents sea ice, and the yellow represents sea water in b-d

4 結論

本文將CNN 模型應用于海冰圖像進行冰、水分類的初步探索，驗證了該網(wǎng)絡模型在處理衛(wèi)星遙感海冰圖像的可行性，可作為之后將深度學習網(wǎng)絡模型應用于海冰研究、海域監(jiān)測、航道監(jiān)測等的理論參考。

本文首先通過CNN 模型進行手寫數(shù)字識別實驗討論了代價函數(shù)與激活函數(shù)組合對分類結果的影響?；谶w移學習的思想，甄選交叉熵代價函數(shù)作為目標函數(shù)通過分別與Sigmoid 激活函數(shù)和ReLU 激活函數(shù)組合對渤海海冰圖像進行分類識別，對比得出交叉熵代價函數(shù)和ReLU 激活函數(shù)組合分類效果更好，精度更高，對遙感海冰圖像分類具有更高的適應性。從測試樣本集的識別結果發(fā)現(xiàn)，當分類模型確定時，樣本采集窗口的尺寸也是影響模型識別結果的重要因素，在 400×400小范圍識別實驗中最佳窗口尺寸為2×2，冰水分離效果較好；在整個渤海海域的識別實驗中，展示了3 種不同窗口尺寸的識別結果，整體上都較好，與目視解譯基本一致。最后又對不同尺寸在實際操作中的應用進行了討論，可根據(jù)任務需要，研究區(qū)域尺度、遙感圖像分辨率等，相應調(diào)整樣本采集的窗口尺寸，以達到預期目的。

CNN 網(wǎng)絡模型特征學習能力較強，學習速度快，且具有較好的可移植性，其無需提前進行特征提取，直接進行圖像輸入的特性，避免了大量且復雜的特征提取工作，為之后大規(guī)模進行多種冰型分類和不同冰型混合的復雜分類任務，以及海冰要素反演等研究工作提供一個新思路。

圖9 HJ-1B 衛(wèi)星圖像20×20（a）、40×40（b）和80×80（c）窗口大小模型識別結果Fig. 9 20×20 (a)、40×40 (b)、80×80（c）model recognition results of HJ-1B satellite image紅色曲線表示冰、水分界線The red curve represents the ice-water boundary

圖10 HJ-1A 衛(wèi)星圖像20×20（a）、40×40（b）和80×80（c）窗口大小模型識別結果Fig. 10 20×20 (a)、40×40 (b)、80×80（c）model recognition results of HJ-1A satellite image紅色曲線表示冰、水分界線The red curve represents the ice-water boundary