臧金霞，劉建強(qiáng)，殷曉斌，曾韜，周磊

(1.航天宏圖信息技術(shù)股份有限公司，北京 100195；2.國家衛(wèi)星海洋應(yīng)用中心，北京 100081)

1 引言

海冰一般是指由海水直接凍結(jié)而成的咸水冰，是極地海域和某些高緯度地區(qū)最突出的海洋災(zāi)害[1]。我國渤海北部海域緯度較高，每年的11 月末至翌年3 月初出現(xiàn)海冰，主要為一年冰。海冰的凍結(jié)和漂移對海上生產(chǎn)、航運(yùn)及油氣勘探等都有不同程度的影響。近幾十年來的幾次嚴(yán)重冰情甚至造成了海冰災(zāi)害[2]，尤其在遼東灣海域，由于緯度高且受到冬季西北風(fēng)的影響，最易結(jié)冰。海冰監(jiān)測成為海情監(jiān)測的重點(diǎn)業(yè)務(wù)。海冰分類是海冰監(jiān)測的前提，海冰密集度、海冰面積、海冰最大邊緣線等信息都是由海冰分類識別衍生而來[3]。

目前，衛(wèi)星遙感技術(shù)是海冰監(jiān)測的主要技術(shù)手段，相比目測法、器測法等傳統(tǒng)監(jiān)測方法，利用衛(wèi)星遙感影像可實(shí)現(xiàn)實(shí)時(shí)、快速、大面積地海冰監(jiān)測[4]。合成孔徑雷達(dá)（Synthetic Aperture Radar,SAR）衛(wèi)星數(shù)據(jù)是常見的海冰監(jiān)測遙感數(shù)據(jù)，國內(nèi)外學(xué)者基于SAR 衛(wèi)星數(shù)據(jù)開展了大量的海冰分類方法研究[4-9]。光學(xué)影像雖然易受云霧影響，但其價(jià)格低廉，大部分能夠免費(fèi)獲取，時(shí)間分辨率高，也成為海冰監(jiān)測主要技術(shù)手段。目前，國內(nèi)外光學(xué)衛(wèi)星海冰監(jiān)測研究多集中在低空間分辨率衛(wèi)星遙感數(shù)據(jù)，如MODIS 數(shù)據(jù)、AVHRR 數(shù)據(jù)等[10-12]。這些數(shù)據(jù)覆蓋范圍廣，重訪周期短，可實(shí)現(xiàn)大范圍實(shí)時(shí)海冰監(jiān)測，但其空間分辨率較低，因此海冰分類精度不高。中高分辨率光學(xué)衛(wèi)星數(shù)據(jù)具有較高的空間分辨率，在海冰類型判讀等方面具有獨(dú)特優(yōu)勢，可進(jìn)行精細(xì)化海冰分類。王姝力等[13]基于Landsat-8 和Sentinel-1A 數(shù)據(jù)對渤海灣進(jìn)行海冰分類，對比分析了兩種數(shù)據(jù)分別利用不同分類算法分類得到的海冰分類精度。張晰等[14]對Landsat-8 和GF-1 衛(wèi)星的海冰探測能力進(jìn)行對比分析，發(fā)現(xiàn)在冰水區(qū)分能力方面GF-1 數(shù)據(jù)優(yōu)于Landsat-8 數(shù)據(jù)，在海冰類型識別方面，Landsat-8 數(shù)據(jù)優(yōu)于GF-1 數(shù)據(jù)。Barbieux等[15]對Landsat-8數(shù)據(jù)的紅、近紅外和短波紅外波段進(jìn)行波段組合，構(gòu)建了冰湖指數(shù)（Icy Lakes Index），有效實(shí)現(xiàn)了冰水分離。王志勇等[16]利用Sentinel-2、Landsat-8、Landsat-7 中高分辨率影像對遼東灣海冰進(jìn)行監(jiān)測，利用歸一化水指數(shù)（NDWI）實(shí)現(xiàn)冰水分離，并進(jìn)行海冰厚度反演和海冰分類研究。以上研究工作雖利用中高分辨率光學(xué)數(shù)據(jù)開展海冰監(jiān)測研究，但僅利用其光譜信息，對中高分辨率光學(xué)數(shù)據(jù)的紋理信息未有效利用。

為發(fā)揮中高分辨率光學(xué)遙感影像紋理信息在海冰分類中的作用，本文以遼東灣海域?yàn)檠芯繀^(qū)，基于海洋一號C（HY-1C）衛(wèi)星海岸帶成像儀（Coastal Zone Imager，CZI）數(shù)據(jù)開展海冰分類研究。首先提取其光譜信息和紋理信息，然后進(jìn)行特征提取與篩選，構(gòu)建最優(yōu)特征集，最后將最優(yōu)特征集輸入到支持向量機(jī)（Support Vector Machine，SVM）分類器中進(jìn)行海冰分類，比較分析多特征海冰分類與單一特征海冰分類結(jié)果精度的差異。利用海冰分類結(jié)果進(jìn)一步估算海冰總面積與各海冰類型面積。

2 數(shù)據(jù)和方法

2.1 研究區(qū)域和數(shù)據(jù)

2.1.1 研究區(qū)

選擇遼東灣海域作為研究區(qū)，研究區(qū)域如圖1 所示。渤海是北半球緯度最低的大面積結(jié)冰海域，由于遼河、黃河等沿海大陸河流的淡水注入，使渤海含鹽量較低；另一方面隨河流帶來的泥沙不斷沉積，改變海底和海岸的地貌，造成渤海變淺，使渤海水溫極易受陸地氣溫影響[17]。這些情況都有利于冬季渤海海冰的生成。渤海是典型的一年冰海區(qū)，每年11 月末到翌年3 月初總會出現(xiàn)不同程度的結(jié)冰現(xiàn)象[18]。遼東灣位于渤海北部，緯度最高，是渤海海冰災(zāi)害最嚴(yán)重的區(qū)域。

圖1 遼東灣地理位置Fig.1 Geographical location of Liaodong Bay

2.1.2 數(shù)據(jù)

本文所用數(shù)據(jù)為海洋一號C 衛(wèi)星海岸帶成像儀數(shù)據(jù)，數(shù)據(jù)下載地址為https://osdds.nsoas.org.cn/#/。其空間分辨率為50 m，幅寬為1 000 km，設(shè)置有藍(lán)、綠、紅、近紅外4 個波段，具體信息見表1。選取2020 年12 月19 日、2021 年1 月10 日和2021 年1 月16 日共3 期數(shù)據(jù)，如圖2 所示。這3 個時(shí)期的海冰面積隨著氣溫下降不斷增加，由初冰期向盛冰期過渡，海冰類型有所變化。

圖2 遼東灣海域HY-1C 衛(wèi)星海岸帶成像儀遙感影像（均為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)

表1 HY-1C 衛(wèi)星海岸帶成像儀數(shù)據(jù)信息表Table 1 Data information of HY-1C satellite coastal zone imager

2.2 研究方法

本文的總體技術(shù)流程如圖3 所示。首先進(jìn)行海冰類型劃分與數(shù)據(jù)預(yù)處理，對預(yù)處理后的CZI 影像提取光譜特征和紋理特征；然后進(jìn)行特征選擇，得到最優(yōu)特征集；最后基于最優(yōu)特征集進(jìn)行SVM 海冰分類，對分類結(jié)果進(jìn)行對比驗(yàn)證分析。

圖3 海冰分類技術(shù)流程Fig.3 The flow of sea ice classification

2.2.1 海冰類型劃分

國際氣象組織（World Meteorological Organization，WMO）對海冰類型的劃分標(biāo)準(zhǔn)是根據(jù)兩極和高緯度區(qū)域的海冰情況定義的，包括多種方式，如海冰生長過程、海冰形態(tài)、海冰表面特征、海冰運(yùn)動狀態(tài)等[17]。結(jié)合海冰劃分標(biāo)準(zhǔn)，根據(jù)遙感影像上的海冰表征和海冰生長過程，經(jīng)專家解譯，本文將實(shí)驗(yàn)海域冰水覆蓋類型分為5 類：固定冰、白冰、灰（白）冰、初生冰、海水。各海冰類型的特征見表2 。圖4 展示了HY-1C CZI 遙感影像中4 種海冰類型的表征。由于海冰形成初期不會形成白冰類型，在進(jìn)行分類時(shí)，將初冰期影像中白冰類型去除，分為固定冰、灰（白）冰、初生冰、海水4 類。

表2 海冰類型特征描述Table 2 The description of sea ice type characteristics

圖4 海冰類型示意圖（以海岸帶成像儀影像3/2/1 波段組合展示）Fig.4 The image of sea ice type (displayed in band 3/2/1 combination of coastal zone imager images)

2.2.2 數(shù)據(jù)預(yù)處理

本文利用PIE-Basic 軟件進(jìn)行預(yù)處理，主要包括圖像裁剪、圖像配準(zhǔn)、海陸掩膜等。為減少數(shù)據(jù)運(yùn)算量，對影像進(jìn)行裁剪，裁剪出遼東灣海域影像；對多時(shí)相影像進(jìn)行圖像配準(zhǔn)，以2021 年1 月16 日CZI 影像為基準(zhǔn)，對2020 年12 月19 日和2021 年1 月10 日的兩景影像進(jìn)行配準(zhǔn)，各選取約500 個配準(zhǔn)點(diǎn)，XY 誤差小于1 m；利用海陸掩膜矢量文件對影像進(jìn)行海陸掩膜處理，去除陸地對海冰提取的影響。

2.2.3 特征提取與選擇

圖像分類的關(guān)鍵是圖像特征提取，常用的特征包括光譜特征、紋理特征、形狀特征等。研究表明多特征組合后的分類精度高于單一特征，但特征過多可能會造成信息冗余，降低分類精度[19]。因此需要進(jìn)行特征選擇，去除冗余信息。本文提取了HY-1C 衛(wèi)星CZI 影像的光譜特征和紋理特征，對多特征進(jìn)行特征選擇，得到最優(yōu)特征集。

光學(xué)影像光譜特征豐富，在冰水識別方面，由于海冰反射率比水體反射率高，本文利用水體指數(shù)區(qū)分海水與海冰。2012 年，Haq 等[20]提出了NDWIH指數(shù)，通過實(shí)驗(yàn)得出該指數(shù)比NDWI 更適用于冰水識別，因此選擇NDWIH作為光譜特征之一。張晰等[14]分別對GF1 和Landsat8 影像波段計(jì)算得到多種光譜特征，其中GF1 影像的B_G、B_R、G_R等光譜特征對海冰分類的效果較好?？紤]到HY-1C CZI 波段設(shè)置與GF1衛(wèi)星波段設(shè)置相似，本文提取了CZI 影像的B_G、B_R、G_R 3 個光譜特征以及張晰等[14]提取的其他光譜特征。通過對比分析發(fā)現(xiàn)B_G、B_R、G_R 3 個光譜特征海冰分類效果較好。本文選用的4 個光譜特征的計(jì)算公式見表3。

表3 光譜特征參數(shù)定義公式表Table 3 Definition formula of spectral features

紋理特征分析是目標(biāo)識別、圖像分割和圖像分類中的重要方法[21]。在遙感影像中，海冰類型是粗糙、不規(guī)則的，海水相對光滑均勻，因此紋理特征特別適用于海冰類型識別。本文利用灰度共生矩陣方法（GLCM）進(jìn)行紋理特征提取。GLCM 是一種通過研究灰度的空間相關(guān)特性來描述紋理的常用方法，它描述了成對像素的灰度組合分布[22]。利用GLCM 方法對HY-1C 影像的藍(lán)、綠、紅、近紅外4 個波段分別進(jìn)行紋理特征提取。經(jīng)過多次實(shí)驗(yàn)，紋理特征計(jì)算參數(shù)設(shè)置為：滑動窗口為3×3，步長為1，方向?yàn)?5°，灰度級為64。每個波段提取的紋理特征包括：均值、方差、熵、對比度、二階矩、同質(zhì)性、相關(guān)性、相異性，共得到32 個紋理特征。過多的特征會引起冗余，影響計(jì)算效率，降低分類精度[23]，因此需要進(jìn)行特征選擇以降低特征維數(shù)，提高計(jì)算效率，改善分類效果。本文利用基于距離可分性的特征選擇判據(jù)[24]，特征選擇的原則是，使各類地物類間離散度較大而類內(nèi)離散度較小。

定義類間離散度Sb、類內(nèi)離散度Sw和判別數(shù)J，一般J值越大，攜帶信息量越豐富。其中：

式中，σ為樣本方差；ui為第i類的均值；u為總體均值。

為進(jìn)一步驗(yàn)證特征選擇結(jié)果，利用LDA（Linear Discriminant Analysis）算法判斷4 個波段紋理特征的分類準(zhǔn)確度[25]。LDA 算法是在計(jì)算出類內(nèi)離散度Sw和類間離散度Sb的基礎(chǔ)上，進(jìn)一步計(jì)算出最佳投影方向 ω，將多維特征投影到一個方向上，可直觀看出分類的效果。

當(dāng)投影為最佳投影時(shí)，滿足：

定義拉格朗日函數(shù)L(ω,λ)，λ為拉格朗日乘子，

對 ω求導(dǎo)并令偏導(dǎo)數(shù)為0 可得到，最佳投影方向由對應(yīng)特征值的特征向量 (φ1,φ2,···,φn)組成，可表示為

2.2.4 海冰分類

選擇SVM 分類方法進(jìn)行海冰分類，SVM 分類是定義在特征空間上的能夠使間隔最大的線性分類器，通過核函數(shù)轉(zhuǎn)化為求解凸二次規(guī)劃問題，其通過類別邊緣的訓(xùn)練樣本，即支持向量，尋找兩類間最優(yōu)的分類超平面[26]。在非線性變換空間，通過最小化分類器的泛化誤差和采用基于核函數(shù)的公式化，來計(jì)算兩類間的線性判別函數(shù)。相比神經(jīng)網(wǎng)絡(luò)等分類方法，其具有樣本小、泛化能力強(qiáng)、計(jì)算復(fù)雜度適中、結(jié)構(gòu)設(shè)計(jì)簡單等優(yōu)點(diǎn)，是海冰分類識別領(lǐng)域廣泛使用的一種分類方法。SVM 分類中，核函數(shù)選擇至關(guān)重要，常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、Sigmoid 核函數(shù)、徑向基核函數(shù)。

線性核函數(shù)為

多項(xiàng)式核函數(shù)為

Sigmoid 核函數(shù)為

徑向基核函數(shù)為

式中，b,v,c,γ為核函數(shù)參數(shù)。

本文選擇徑向基核函數(shù)（式（10）），徑向基核函數(shù)是SVM 海冰分類中的常用核函數(shù)。核函數(shù) γ參數(shù)設(shè)置為0.25，懲罰參數(shù)設(shè)置為100。

SVM 屬于監(jiān)督分類，選取訓(xùn)練樣本是監(jiān)督分類必不可少的環(huán)節(jié)。本文利用PIE-Basic 軟件，以專家解譯圖為參考，在待分類的每景影像中各均勻選取約120 個訓(xùn)練樣本，50 個驗(yàn)證樣本。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 特征選擇結(jié)果分析

由于2021 年1 月16 日處于盛冰期，已出現(xiàn)白冰類型，特征選擇以2021 年1 月16 日數(shù)據(jù)為例進(jìn)行展示。經(jīng)過波段運(yùn)算提取出的NDWIH、B_G、G_R、B_R 共4 個光譜特征如圖5 所示。為直觀判斷4 種光譜特征對5 種海冰類型的區(qū)分度，基于選取的訓(xùn)練樣本，以光譜特征值為橫軸，分類類型為豎軸作散點(diǎn)圖，如圖6 所示。從圖6 可看出，4 種光譜特征中，海水和固定冰光譜特征值差異最大，初生冰與固定冰、白冰之間的光譜特征值差異也較大，能夠較好區(qū)分。但海水與初生冰光譜特征值重疊較多，固定冰、白冰與灰（白）冰之間光譜特征值重疊也較多，因此僅依據(jù)光譜特征值難以有效區(qū)分5 種分類類型。

圖5 光譜特征Fig.5 Spectral features

圖6 4 種光譜特征的類別散點(diǎn)圖Fig.6 Category scatter diagram of four spectral features

利用GLCM 方法提取了CZI 影像4 個波段的共32 個紋理特征，為減少信息冗余，需進(jìn)行特征選擇。經(jīng)過計(jì)算，得到4 個波段共32 個紋理特征的J值，如表4 所示。

表4 各波段紋理特征J 值信息表Table 4 The J values of texture features of each band

整體來看，波段1 的J值普遍較高，其中均值、同質(zhì)性、熵、二階矩4 個紋理特征J值最高，按J值大小排列依次為均值、熵、二階矩、同質(zhì)性。利用LDA 算法將4 個波段中J值最高的4 個紋理特征（均值、同質(zhì)性、熵、二階矩）分別進(jìn)行分類投影，如圖7所示。

從圖7 中可看出，4 個波段的紋理特征均能將5 種類型區(qū)分開。5 種類型中，4 個波段的白冰分類效果均較差，波段2、波段3 和波段4 的固定冰分類效果較差，波段1 中的固定冰分類效果較好?？傮w來看，J值最高的4 個紋理特征可實(shí)現(xiàn)海冰分類。綜合分析5 種類型的分類效果，波段1 的分類結(jié)果優(yōu)于其他波段分類結(jié)果，與J值分析結(jié)果相符。因此，選擇波段1 的4 個紋理特征（圖8）。

圖7 基于紋理特征的LDA 算法分類投影Fig.7 The classified projection images of LDA algorithm based on texture features

圖8 特征選擇后的紋理特征Fig.8 Texture features after feature selection

將NDWIH、B_G、B_R、G_R 4 個光譜特征與均值、同質(zhì)性、熵、二階矩4 個紋理特征進(jìn)行組合，得到最優(yōu)特征集。

3.2 海冰分類結(jié)果分析

基于提取的最優(yōu)特征集進(jìn)行SVM 海冰分類實(shí)驗(yàn)，將2021 年1 月16 日的CZI 影像分為固定冰、白冰、灰（白）冰、初生冰、海水共5 種類型。為驗(yàn)證不同特征對分類精度的影響，分別開展基于光譜特征和紋理特征的海冰分類實(shí)驗(yàn)，與基于最優(yōu)特征集的海冰分類結(jié)果進(jìn)行對比分析，分類結(jié)果如圖9 所示。

采用主觀和客觀評價(jià)標(biāo)準(zhǔn)進(jìn)行結(jié)果評價(jià)。主觀評價(jià)為目視對分類結(jié)果進(jìn)行評價(jià)；客觀評價(jià)為利用分類評價(jià)指標(biāo)評價(jià)分類精度。圖9d 為海冰類型解譯圖，與圖9d 對比來看，3 種分類結(jié)果均能將海冰類型大致區(qū)分開，但具體到某一類海冰類型，3 種分類結(jié)果的精度不同。在基于光譜特征的SVM 海冰分類圖像中（圖9a），沿岸區(qū)域的初生冰被錯分類為灰（白）冰，且固定冰和白冰之間出現(xiàn)混淆，部分白冰錯分類為固定冰；在基于紋理特征的SVM 海冰分類圖像中（圖9b），海水和初生冰出現(xiàn)一定程度混淆，固定冰和白冰也不能較好區(qū)分，部分白冰誤分類為固定冰。在基于最優(yōu)特征集的SVM 分類結(jié)果中，5 種分類類型均得到較好區(qū)分；相比基于光譜特征或者紋理特征的分類結(jié)果，白冰和固定冰的區(qū)分效果有明顯改善，說明光譜特征和紋理特征之間具有較好的互補(bǔ)性，改善了海冰類型提取精度。以圖9d 海冰類型解譯圖為參考，選取驗(yàn)證樣本，采用混淆矩陣方法進(jìn)行客觀評價(jià)，分類結(jié)果精度見表5。

圖9 2021 年1 月16 日HY-1C 衛(wèi)星CZI 遙感影像遼東灣海冰分類Fig.9 Sea ice classification of Liaodong Bay from HY-1C satellite CZI remote sensing images on January 16,2021

由表5 可知，本文提出的基于最優(yōu)特征集的SVM海冰分類總體精度和kappa 系數(shù)最高，總體精度為84.89%，kappa 系數(shù)為0.80。其次為基于光譜特征的SVM 海冰分類，總體精度為74.58%，kappa 系數(shù)為0.66?；诩y理特征的SVM 海冰分類總體精度和kappa 系數(shù)最低，總體精度為73.41%，kappa 系數(shù)為0.65。通過特征選擇得到的最優(yōu)特征集包含光譜和紋理兩種特征，最大程度保留了分類有效信息，同時(shí)降低了特征冗余，特征之間實(shí)現(xiàn)互補(bǔ)，提高了分類精度。在海冰類型方面，3 種分類方法中，白冰的生產(chǎn)者精度均較低，固定冰的用戶精度較低，主要是由于白冰與固定冰的特征相近，導(dǎo)致部分白冰被分類為固定冰，這與主觀評價(jià)的結(jié)論一致?；诠庾V特征或紋理特征的分類方法中，初生冰的生產(chǎn)者精度較低，結(jié)合主觀評價(jià)結(jié)果，發(fā)現(xiàn)在基于光譜特征的分類結(jié)果中，沿岸部分的初生冰被誤分為灰（白）冰，基于紋理特征的分類結(jié)果中，部分初生冰被誤分為海水。

表5 2021 年1 月16 日HY-1C 衛(wèi)星CZI 影像海冰分類精度評價(jià)Table 5 Sea ice classification accuracy evaluation of HY-1C satellite CZI images on January 16,2021

為驗(yàn)證本文方法的有效性，排除單景影像的偶然因素影響，分別對2020 年12 月19 日和2021 年1 月10 日的HY-1C CZI 遙感影像進(jìn)行海冰分類。結(jié)合兩個時(shí)期的影像表征，考慮到形成白冰的幾率較小，因此海冰分類類型分為固定冰、灰（白）冰、初生冰、海水4 種類型。分類結(jié)果如圖10 所示。

圖10 2020 年12 月19 日（a）和2021 年1 月10 日（b）HY-1C 衛(wèi)星CZI 遙感影像遼東灣海冰分類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)

總體來看，2021 年1 月10 日的海冰面積相較2020 年12 月19 日大幅增加。2020 年12 月19 日的海冰類型中初生冰面積較大，2021 年1 月10 日海冰類型中灰（白）冰海冰類型占比最大。由于1 月份氣溫降低，海水大面積凍結(jié)，形成大面積的灰（白）冰類型。從分類圖中可看出，海冰類型中灰（白）冰與固定冰之間存在一定程度地混淆。利用混淆矩陣客觀評價(jià)分類精度，精度評價(jià)見表6。

由表6可知，2020年12月19日遙感影像分類總體精度為93.67%，kappa系數(shù)為0.89，2021年1 月10 日遙感影像海冰分類總體精度為91.75%，kappa系數(shù)為0.88。分類精度均較高，能夠達(dá)到一般海冰分類精度要求，進(jìn)一步驗(yàn)證了本文方法的有效性。對比3 個時(shí)期的海冰分類精度，發(fā)現(xiàn)精度從高至低依次為：2020 年12 月19 日、2021 年1 月10 日、2021 年1 月16 日。隨著氣溫降低，海冰類型增加白冰類型，易誤分類海冰類型所占比例增大，分類精度逐漸降低。

表6 2020 年12 月19 日和2021 年1 月10 日HY-1C 衛(wèi)星CZI 遙感影像海冰分類精度評價(jià)Table 6 Sea ice classification accuracy evaluation of HY-1C satellite CZI images on December 19,2020 and January 10,2021

利用海冰分類結(jié)果估算3 個時(shí)期的海冰總面積與各海冰類型面積，計(jì)算公式為：海冰面積=海冰像元數(shù)×2 500/1 000 000，海冰面積單位為平方千米。為直觀對比3 個時(shí)期的海冰面積和類型變化，做海冰面積變化折線圖與海冰類型柱狀圖，如圖11 所示。從圖11a 中可得到3 個時(shí)期的海冰面積逐漸增大，分別為2 635.14 km2、10 674.27 km2、11 998.98 km2，國家衛(wèi)星海洋應(yīng)用中心通報(bào)的3 個日期的海冰面積分別為2 365 km2、10 987 km2、12 078 km2，對比發(fā)現(xiàn)本文提取的海冰面積較為準(zhǔn)確。從海冰類型來看，2021 年1 月16 日的固定冰、白冰、灰（白）冰3 種類型面積大于另外兩個日期的面積；2021 年1 月10 日的初生冰面積最大，說明隨著氣溫降低，此階段海水結(jié)冰迅速，出現(xiàn)大量初生冰；到2021 年1 月16 日，大量初生冰轉(zhuǎn)為灰（白）冰、白冰或者固定冰，從而初生冰面積減少，其他海冰類型面積增加。

圖11 3 個時(shí)期海冰面積變化折線圖（a）與海冰類型柱狀圖（b）Fig.11 The line chart of sea ice area change (a) and the histogram of sea ice types (b) in three periods

4 結(jié)論

本文基于HY-1C CZI 影像，提出了一種有效的海冰分類方法。該方法通過提取HY-1C CZI 影像的光譜特征和紋理特征，對多特征進(jìn)行特征選擇，得到最優(yōu)特征集，基于最優(yōu)特征集開展SVM 海冰分類研究。主要結(jié)論如下：

（1）在特征提取與選擇方面，選擇NDWIH、B_G、B_R、G_R 4 個光譜特征與均值、同質(zhì)性、熵、二階矩4 個紋理特征組成最優(yōu)特征集，既保留了分類有效信息，實(shí)現(xiàn)信息互補(bǔ)，又降低了信息冗余。

（2）在海冰分類方面，本文提出的基于最優(yōu)特征集的分類方法優(yōu)于僅基于光譜特征或紋理特征的分類方法。利用本文方法的3 期HY-1C CZI 遙感影像分類精度均在80%以上。對海冰分類圖進(jìn)一步估算得到海冰總面積，與國家衛(wèi)星海洋應(yīng)用中心通報(bào)的海冰面積相差較小，進(jìn)一步驗(yàn)證了本文方法的有效性。

綜上所述，本文提出的基于最優(yōu)特征集的SVM海冰分類方法是有效的，同時(shí)證明了HY-1C CZI 數(shù)據(jù)在海冰分類應(yīng)用中的可行性，但在特征提取方面，本文僅應(yīng)用了光譜和紋理特征，更多的特征提取方法有待進(jìn)一步研究。