基于Sentinel-1的辽东湾海冰冰情监测

辽东湾是渤海的三大海湾之一,在每年冬季经常会遭受大面积海冰灾害影响。本文选取2015年至2023年Sentinel-1 A/B遥感数据,对照Landsat-8数据采用灰度共生矩阵提取SAR影像纹理特征,对比了神经网络、支持向量机以及最大似然分类三种分类方法的精度;统计2015年至2023年辽东湾海冰冰情信息,研究了气温、海表面温度、盐度与海冰的相关关系和相互影响。研究结果表明：对于Sentinel-1 A/B数据,最大似然分类方法精度最高,分类精度达到82.75%;辽东湾海冰通常在12月底或者1月初开始发育,辽东湾结冰顺序为由北向南、由近岸向远岸,消融时顺序为由西向东、由远岸向近岸;辽东湾海冰与气温的Pearson相关系数为-0.502(P<0.01),与海表面温度的Pearson相关系数为-0.553(P<0.01),说明辽东湾冰情与气温、海表面温度为显著负相关,海表面温度对海冰的形成、发育及消融影响更大。此外,盐度对于海冰的影响存在一定的滞后性。     

一种联合光谱和纹理特征的滩涂提取技术

提出一种联合光谱和纹理特征的支持向量机分类算法,先通过计算灰度共生矩阵得到纹理影像,然后将纹理波段与光谱波段进行叠加形成一幅多波段影像,再使用支持向量机分类算法对该影像进行分类,从而得到最终的滩涂提取结果。实验结果表明,该方法对于滩涂及周边地物具有较好的分类效果。     

一种融合纹理特征与NDVI的随机森林海冰精细分类方法

海冰的精准分类对于掌握海冰生长发育状况,保障航海安全等具有重要意义。由于受数据源和分类方法等影响,使得海冰分类精度提高受限。本文面向高空间分辨率的光学遥感影像,提出了一种融合纹理特征和归一化差分植被指数（NDVI）的海冰精准分类方法,运用随机森林分类器构建海冰分类方法。以青岛胶州湾为实验区,高分二号（GF-2）为实验数据,进行了海冰类型提取,并与其他分类方法进行对比。结果显示:针对GF-2高分辨率光学遥感数据,融合纹理特征和NDVI的随机森林方法,相比于传统的随机森林、支持向量机、自动决策树和融合纹理特征的最大似然分类方法,总体分类精度分别提高13.70%、11.60%、19.22%、29.37%。Kappa系数分别提高0.16、0.13、0.22、0.44。相比于融合纹理特征和归一化水指数（NDWI）的随机森林方法,总体分类精度提高了9.67%,Kappa系数提高了0.09。这表明本文构建的海冰分类方法可有效提高海冰分类精度,为海冰的精确分类提供了一种有效的技术手段。     

基于纹理特征分析的辽东湾SAR影像海冰检测

基于灰度共生矩阵(GLCM)开展辽东湾ENVISAT ASAR海冰影像的纹理特征分析研究.在纹理分析过程中,研究GLCM的方向、位移量和灰度量化级等参数对SAR海冰影像纹理特征的影响,得到适合辽东湾海冰检测的灰度共生矩阵参数的值及纹理统计特征量.利用BP神经网络分类法,建立辽东湾SAR影像的海冰检测方法,并结合MODIS影像和TM影像对该海冰检测方法的结果进行比较,验证其有效性.     

SVM和ANN在多光谱遥感影像分类中的比较研究

首先利用支持向量机(SVM)和人工神经网络(ANN)对Landsat 8 OLI多光谱影像进行基于光谱信息的土地利用监督分类;然后,对多波段进行主成分变换,提取第一主成分的主要纹理信息,与光谱信息一起进行融合光谱和纹理信息的SVM和ANN影像监督分类。对比分析发现:对中原地区,SVM是Landsat 8多光谱遥感影像分类的较优方法,尤其适用于农业用地信息提取;光谱分类即可达到较高精度,纹理信息对提高分类精度的作用十分有限。     

结合纹理特征的SVM海冰分类方法研究

海冰分类是遥感监测领域中的重要应用之一，海冰分类的准确性对于评估海冰冰情、保证航海安全和开辟北极航道具有重要的意义。针对海冰分类问题，本文选用Sentinel-1遥感数据，结合纹理特征分析，提出了一种改进的SAR海冰分类方法。该方法选用灰度共生矩阵提取特征值，通过实验得到适宜用于海冰分类的多特征组合，在此基础上利用支持向量机开展SAR海冰类型的分类研究。实验结果表明，该方法可以实现对海冰SAR图像中一年冰、多年冰和海水3种类型识别，与传统的海冰分类方法神经网络和最大似然法相比较，使用SVM分类方法，结合纹理特征开展海冰类型监测是可行的，同时也表明多特征组合有利于提高SAR图像的分类精度，从而验证了本方法的有效性，为海冰分类提供了一种新思路。     

引入纹理特征的多光谱遥感影像 海面油膜信息提取

针对单纯依靠光谱特征油膜提取精度低、雷达影像油膜提取易受海况条件及假目标影响的问题,提出了一种结合光 谱特征与纹理特征的多光谱遥感影像油膜信息提取方法。以2011 年6 月蓬莱19-3 油田溢油事故为研究对象,选用HJ-1 星 CCD 遥感数据,利用灰度共生矩阵获取影像纹理特征,采用SVM 模型对结合纹理特征与光谱特征的影像进行分类,提取出 研究区油膜信息,并将分类提取结果与仅依靠光谱特征的SVM 模型分类结果进行了比较。结果表明：引入纹理特征的SVM 模型分类总精度达到90.29 %,比仅依靠光谱特征的分类精度提高了12.41 %;纹理特征的参与降低了原影像噪声对分类结果 的影响,油膜边缘提取更加清晰,油膜中心呈连续面状分布,引入纹理特征的SVM 模型可有效地用于多光谱遥感影像海面 油膜信息提取。     

联合光谱和纹理特征的滨海湿地高光谱深度学习分类—以黄河三角洲湿地为例

本文基于CHRIS高光谱遥感影像，发展了一种结合地物光谱特征和多纹理空间特征信息，采用双全链接的8层深度卷积神经网络分类算法对滨海湿地高光谱影像进行遥感地物分类，并在黄河口滨海湿地进行了应用。结果表明：1）基于测试样本数据，联合光谱特征和K-L变换的纹理特征信息，采用DCNN模型方法展现了高的分类精度，精度高达99%；2）利用光谱特征和全纹理特征的精度比仅使用光谱特征和光谱特征联合K-L变换后纹理特征的分类精度低。利用K-L变换后的光谱特征和纹理特征的DCNN分类精度达到99.38%，相比于使用全纹理特征信息的精度提高了4.15%；3）基于验证图像，发展的DCNN分类方法精度优于其他算法，DCNN方法总体分类精度为84.64%，Kappa系数为0.80；4）相比于浅层分类方法，本文发展的DCNN模型分类算法保证了所有地物类型的分类精度更加均衡，保持了主要地物类型的分类精度几乎不变，同时提高了滩涂和农田的精度。基于DCNN模型，潮滩和农田的分类精度分别达到79.26%和56.72%。比其它浅层分类方法提高了2.51%和10.6%。     

协同主动学习和半监督方法的海冰图像分类

海冰遥感光谱影像分类中标签样本难以获取,导致海冰分类精度难以提高,但是大量包含丰富信息的未标签样本却没有得到充分利用,针对这种情况,提出一种协同主动学习和半监督学习方法用于海冰遥感图像分类。在主动学习部分,结合最优标号和次优标号、自组织映射神经网络以及增强的聚类多样性算法来选择兼具不确定性和差异性的样本参与训练;在半监督学习部分,利用直推式支持向量机,并且融合主动学习思想从大量未标签样本中选取相对可靠且包含一定信息量的样本进行迭代训练;然后协同主动学习分类结果和半监督分类结果,通过一致性验证保证所加入伪标签样本的正确性。为了验证方法的有效性,分别采用巴芬湾地区30 m分辨率的Hyperion高光谱数据(验证数据为15 m分辨率的Landsat-8数据)和辽东湾地区15 m分辨率的Landsat-8数据(验证数据为4.77 m分辨率的Google Earth数据)进行海冰分类实验。实验结果表明,相对其他传统方法,该协同分类方法可以在只有少量标签样本的情况下,充分利用大量未标签样本中包含的信息,实现快速收敛,并获得较高的分类精度(两个实验的总体精度分别为90.003%和93.288%),适用于海冰遥感图像分类。     

PolSAR数据区域海冰LSSVM分类

本文给出了一种结合影像分割和最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)的海冰监督分类方法。考虑到SAR数据的斑点噪声影响分类精度,首先利用分水岭算法和等级区域合并执行影像分割,利用分割后的区域代替像素开展分类研究,由于分割尺度影响分类精度,文中利用LSSVM算法对不同尺度下的分割结果执行分类,通过评估分类精度确定最优分类结果及其对应最优分割尺度,从而克服经验选择分割尺度缺乏理论依据的不足。利用两组SIR-C数据验证了算法,实验结果表明本文算法的总体分类精度超过85%,能较好的识别不同类型的海冰。     

灰度共生矩阵纹理特征对SAR海冰漂移监测的增强性能研究

海冰漂移监测对气候变化分析、船只航行、海上石油平台等海上活动安全作业具有重要意义。当前主流的SAR海冰漂移监测方法多是基于SAR灰度图开展的,其受噪声、环境等因素的影响较大,导致其在海冰漂移探测时,特征失配率高,匹配正确率低。针对这一问题,本文尝试利用SAR海冰纹理特征来增强海冰漂移探测性能。首先对比分析了8种纹理特征对海冰漂移探测中特征匹配的增强性能,筛选出能够有效增强特征匹配性能的最优纹理特征;其次进一步分析了海冰类型、入射角和分辨率对基于纹理特征的海冰漂移探测性能增强的影响。实验结果表明,均值是最优的纹理特征,与SAR强度图相比,特征匹配正确率提高了约7%。     

基于多核SVM决策融合模型的海面原油多光谱遥感检测研究

海面溢油事故发生后需要进行精准的溢油检测,从而为溢油事故现场应急响应与海面污染的快速有效处理提供支持。利用哨兵二号(Sentinel-2)多光谱遥感影像,基于最佳指数因子(OIF)构建光谱特征指数提取海面溢油光谱特征,基于灰度共生矩阵(GLCM)提取海面溢油纹理特征,利用巴氏距离法进行特征选择,构建海面溢油空谱特征数据集。提出了多核决策融合支持向量机(SVM)海面原油检测模型,对黄海4.27“交响乐号”油轮溢油事故开展检测研究。实验结果表明,在复杂水色背景下,经过筛选的最佳空谱特征数据集检测结果的总体精度可以达到89.25%,Kappa系数为0.854,F₁分数可达0.889;多核SVM决策融合后的总体精度可以达到90.26%,Kappa系数为0.866,F₁可达0.898,总体精度较单核提高了1.0%~8.2%,Kappa系数提高了0.013~0.122,F₁分数提高了0.009~0.097。实验结果表明,海面溢油检测模型具有较高的溢油检测精度和模型鲁棒性,适用于海面溢油检测研究。     

基于卫星观测的辽东湾冰情统计分析

根据渤海6个海洋站的海冰监测及气温观测数据统计,终冰日及冰期可用来表征当年渤海冰情严重程度,在大多数年份冰情与终冰日早晚和冰期长短呈负相关。根据2006/2016年的辽东湾海冰面积及外缘线资料,分析了11年间辽东湾冰情的年变化特征,分析结果显示,辽东湾海冰受局地气温影响明显,两者呈较显著的负相关关系。分析结果发现,辽东湾海冰年际变化除受局地气候的影响外,还受太平洋副热带高压(简称副高)、极涡、东亚槽和欧亚环流等气候因子的共同调控,其中受太平洋副高北界位置指数、极涡面积指数、东亚槽强度指数、欧亚纬向环流指数影响最为显著,可作为辽东湾海冰预测的重要因子,此外北极海冰密集度也可以为预测当年冬季辽东湾每月冰情提供依据。     

抗冰导管架平台冰激疲劳寿命估计

基于安全寿命设计理论,论述了抗冰平台冰激疲劳寿命估计的方法,给出了谱分析和时间域分析方法的内容和流程,其中疲劳冰荷载和冰疲劳环境模型是冰激疲劳估计的两个关键问题。基于渤海冰情和冰荷载连续多年现场观测数据,初步建立了渤海JZ20-2海域海冰疲劳环境模型和锥体结构冰力谱,并利用谱分析方法,对新建的JZ20-2NW平台进行了详细冰激疲劳估计。此方法对抗冰平台的安全评估与动力分析具有一定的借鉴意义。     

图像自动识别技术在海洋浮游生物分析中的应用

介绍了一种利用数学形态学特征和Gabor纹理特征,结合主成分分析与支持向量机对胶州湾沿岸7种浮游生物的活体图像进行自动识别的方法。实验结果表明,基于主成分分析的降维识别模式可以提高系统识别性能,其平均识别正确率达78.5%,通过对图像采集、图像处理、特征的选取等方面做进一步的改进和提高,基于计算机数字图像的海洋浮游生物自动识别方法将为海洋生态环境监测提供新的实时、快速、高效检测平台。     

The long-term trend of Bohai Sea ice in different emission scenarios

Based on a coupled ocean-sea ice model, this study investigates how changes in the mean state of the atmosphere in different CO_2 emission scenarios(RCP 8.5, 6.0, 4.5 and 2.6) may affect the sea ice in the Bohai Sea, China,especially in the Liaodong Bay, the largest bay in the Bohai Sea. In the RCP 8.5 scenario, an abrupt change of the atmospheric state happens around 2070. Due to the abrupt change, wintertime sea ice of the Liaodong Bay can be divided into 3 periods: a mild decreasing period(2021–2060), in which the sea ice severity weakens at a nearconstant rate; a rapid decreasing period(2061–2080), in which the sea ice severity drops dramatically; and a stabilized period(2081–2100). During 2021–2060, the dates of first ice are approximately unchanged, suggesting that the onset of sea ice is probably determined by a cold-air event and is not sensitive to the mean state of the atmosphere. The mean and maximum sea ice thickness in the Liaodong Bay is relatively stable before 2060, and then drops rapidly in the following decade. Different from the RCP 8.5 scenario, atmospheric state changes smoothly in the RCP 6.0, 4.5 and 2.6 scenarios. In the RCP 6.0 scenario, the sea ice severity in the Bohai Sea weakens with time to the end of the twenty-first century. In the RCP 4.5 scenario, the sea ice severity weakens with time until reaching a stable state around the 2070 s. In the RCP 2.6 scenario, the sea ice severity weakens until the2040 s, stabilizes from then, and starts intensifying after the 2080 s. The sea ice condition in the other bays of the Bohai Sea is also discussed under the four CO_2 emissions scenarios. Among atmospheric factors, air temperature is the leading one for the decline of the sea ice extent. Specific humidity also plays an important role in the four scenarios. The surface downward shortwave/longwave radiation and meridional wind only matter in certain scenarios, while effects from the zonal wind and precipitation are negligible.     

纹理特征提取及辅助遥感影像分类技术研究

研究了利用灰度共生矩阵提取纹理特征的方法，并对利用纹理特征影像辅助光谱特征分类的方法进行了研究。实验结果表明，纹理特征辅助光谱特征分类能够提高遥感影像分类的准确性和精度。