HY-1C卫星海岸带成像仪叶绿素a浓度反演研究

叶绿素a作为最重要的水质参数之一,是评价水体富营养化和初级生产力状况的主要因素。我国海洋一号C（HY-1C）卫星海岸带成像仪（CZI）具有高时空分辨率的观测优势。本文基于东海和南海现场实测数据建立了HY-1C卫星CZI叶绿素a浓度反演模型并在实测水域进行反演,与MODIS叶绿素a浓度反演产品进行了对比验证,应用CZI叶绿素a浓度模型在珠江口、长江口、渤海湾水域进行了叶绿素a浓度反演示例试验。结果表明,叶绿素a浓度模型估算浓度与实测浓度相关系数为0.774 3,平均相对误差为24.58%,利用实测叶绿素a浓度对模型进行精度验证,相关系数达到0.993 9,平均相对误差为18.49%。模型在实测水域反演得到的叶绿素a浓度分布与MODIS叶绿素a浓度产品分布大体一致。在珠江口水域反演得到叶绿素a浓度空间分布为由西北向东南逐级递减,峰值出现在珠江口西沿岸。在长江口、渤海湾反演叶绿素a浓度空间分布均符合地理实情。研究表明HY-1C卫星CZI数据可应用于中国近海水色定量化研究。     

海洋一号C卫星海岸带成像仪在轨几何定标

海洋一号C卫星（HY-1C）搭载的海岸带成像仪（coastal zone imager,CZI）为满足大幅宽成像需求,采用双相机组合成像,每台相间使用2片4色电荷耦合光敏元器件（charge-coupled device,CCD）拼接。从严密几何成像模型出发,对相机成像过程中存在的系统误差进行分析,采用一种基于探元指向角的几何定标模型,并结合CZI相机设计特点与几何特性,设计出一套针对HY-1C/CZI的几何定标方案。首先利用CZI参考基准波段影像与高精度参考影像进行绝对几何定标,采用分步迭代的方法对参考基准波段影像内外定标参数进行解算,其次进行波段间相对几何定标,最后得到所有波段影像的几何定标结果。实验结果表明,经在轨几何定标后,平面无控定位精度优于5个像元,影像几何质量得到明显改善,说明所采用的定标模型和方案合理有效。     

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。     

HY-1C卫星CZI载荷的黄海绿潮提取研究

海洋一号C（HY-1C）卫星是中国首颗海洋水色业务卫星,其搭载的海岸带成像仪（CZI）在近海海洋环境监测中正发挥越来越重要的作用;随着搭载有相同传感器的HY-1D卫星发射,双星组网观测,可形成3天2次的高频次、大范围对海观测能力,在海洋漂浮藻类、海洋溢油等目标探测方面具备优异的效能。高空间分辨率光学数据中包含了丰富的海洋环境信息,给特定目标的识别提取带来一定干扰。本研究面向HY-1C卫星CZI载荷开展中国近海漂浮藻类识别提取的业务化应用需求,发展基于藻类缩放指数与虚拟基线高度融合的海洋漂浮藻类识别提取算法,算法优选适用于无短波红外波段国产数据的虚拟基线高度指数来增强藻类信号,通过藻类缩放指数滑动窗口运算,有效剔除高空间分辨率光学数据中的复杂干扰信息,实现了基于CZI数据的海洋漂浮藻类高精度提取,且具有较好的计算运行效率。此外,结合准同步高分卫星16 m多光谱数据,开展CZI数据含藻像元的不确定性分析,发现CZI数据反演结果对近海小斑块漂浮藻类存在不可忽视的高估现象。研究还指出,光学数据用于漂浮藻类监测,其不确定性不仅来源于传感器的空间分辨率差异,还与海洋漂浮藻类形态特征的空间分异性有关。明晰海洋漂浮藻类的形态学空间分异特征,将有助于提高光学数据反演结果的精度,并阐明不确定性。     

基于HY-2B波形特征的北极海冰分类算法

海冰类型识别对进行全球气候研究至关重要,利用高度计进行北极海冰监测是目前研究的热点。本文通过利用2019年12月和2020年3月的HY-2B高度计数据,探索了国产卫星高度计在海冰类型识别中的可用性,提取了HY-2B的波形功率最大值、脉冲峰值(Pulse Peakiness,PP)、前缘宽度(Leading Edge Width,LEW)和后向散射系数(Sigma0)4个波形特征,分析了HY-2B卫星高度计精确识别薄一年冰(Thin First-year ice,TFYI)、一年冰(First-year ice,FYI)、多年冰(Multi-year ice,MYI)、冰间水道(LEAD)和开阔水域(Open Water,OW)的能力。通过与俄罗斯北极和南极研究所(Arctic and Antarctic Research Institute,AARI)冰况图产品和MODIS冰间水道产品对比发现,综合PP、LEW及Sigma0和K最近邻法(K-Nearest Neighbor,KNN),平均最高海冰分类精度可达到91.96%。     

基于极化散射特征的极化合成孔径雷达海冰分类方法研究:以渤海海冰分类为例

海冰监视监测的关键是提取海冰类型,准确提取海冰类型对于评估海冰冰情、保证航海及海洋作业安全具有重要的意义。利全极化合成孔径雷达影像(SAR)的优势,提取海冰的极化散射特征;在此基础上结合二叉树分类思想,开展极化SAR海冰类型的分类算法研究,提高SAR海冰分类精度;与传统的海冰分类方法相比较,验证了本方法的有效性。     

Landsat-8 与GF-1 卫星渤海海冰探测能力对比研究

为更有效地利用Landsat-8和GF-1卫星进行渤海海冰监测,从海冰检测和海冰类型识别两方面,开展Landsat-8与GF-1卫星的渤海海冰探测能力对比分析研究。实验研究表明,在海冰检测方面,GF-1区分海冰与海水的能力强于Landsat-8;在海冰类型识别方面,Landsat-8识别海冰类型的能力要强于GF-1影像。初步讨论了综合利用Landsat-8与GF-1卫星监测渤海海冰的方案。     

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。     

HY-1C卫星影像中太阳耀斑区域的预测技术研究

对卫星影像太阳耀斑区域的预测是保障船-星同步观测有效实施的基础性工作。本文在对HY-1C卫星影像各像元观测几何分析的基础上,简化构建卫星影像各像元的网格化模型,介绍了利用卫星轨道报估算的卫星-太阳-像元位置的观测几何,进而估算卫星影像中太阳耀斑区域的技术方法。经与HY-1C实际卫星影像的应用比对,表明本文预测的像元位置、太阳位置以及卫星观测天底角/方位角均与实际影像数据具有很好的重合度,预测的太阳耀斑区域与实际影像耀斑掩码区重合度良好,验证了该方法能够预测影像中太阳耀斑区域,保障船-星同步观测的能力。     

基于光谱特征的HY-1C/D卫星赤潮探测方法以红夜光藻为例

红夜光藻是我国主要的赤潮优势种,在渤海、黄海、东海和南海均有发生。近年来,红夜光藻赤潮发生频率明显上升,监测需求迫切。但红夜光藻赤潮发生具有分布范围广、变化速度快、多呈条带状分布的特点,其探测对卫星影像空间分辨率、覆盖范围和重访周期要求高。虽然水色卫星在赤潮监测中发挥了重要作用,但其空间分辨率低,无法准确探测条带状分布的红夜光藻赤潮。海洋一号C、D（HY-1C/D）卫星搭载的海岸带成像仪（Coastal Zone Imager,CZI）以其高空间分辨率、大幅宽和短重访周期的优势,被越来越多地用于赤潮监测。现有的红夜光藻赤潮HY-1C/D CZI探测模型大多基于深度学习方法,需要大量赤潮样本,但赤潮样本获取困难,影响模型的精度。因此,本文以2022年3月发生在广东省汕尾市红海湾的红夜光藻赤潮为例,分析了红夜光藻赤潮光谱特征,基于红夜光藻赤潮在红光和近红外波段的高反射特性和浑浊水体在绿光波段的高反射特性,构建了一个面向HY-1C/D CZI的红夜光藻赤潮探测方法。实验结果表明,该方法可以有效地探测赤潮,并避免浑浊水体的干扰,精确率和F1-Score达到89.72%和0.90。而且,该方法具有较好的适用性,可适用于不同海洋环境、不同宽波段卫星传感器的红夜光藻赤潮探测。     

Application of the HY-1 satellite to sea ice monitoring and forecasting

The HY-1A satellite is the first oceanic satellite of China. During the winter of 2002-2003, the data of the HY-1A were applied to the sea ice monitoring and forecasting for the Bohai Sea of China for the fhst time. The sea ice retrieval system of the HY-1A has been constructed. It receives 1B data from the satellite, outputs sea ice images and provides digital products of ice concentration, ice thickness and ice edge, which can be used as important information for sea ice monitoring and the initial fields of the numeric sea ice forecast and as one of the reference data for the sea ice forecasting verification. The sea ice retrieval system of the satellite is described, including its processes, methods and parameters. The retrieving results and their application to the sea ice monitoring and forecasting for the Bohai Sea are also discussed.     

Application of the HY-1 satellite to sea ice monitoring and forecasting

The HY-1A satellite is the first oceanic satellite of China. During the winter of 2002～2003, the data of the HY-1A were applied to the sea ice monitoring and forecasting for the Bohai Sea of China for the first time. The sea ice retrieval system of the HY-1A has been constructed. It receives 1B data from the satellite, outputs sea ice images and provides digital products of ice concentration, ice thickness and ice edge, which can be used as important information for sea ice monitoring and the initial fields of the numeric sea ice forecast and as one of the reference data for the sea ice forecasting verification. The sea ice retrieval system of the satellite is described, including its processes, methods and parameters. The retrieving results and their application to the sea ice monitoring and forecasting for the Bohai Sea are also discussed.     

“海洋1号”卫星在海冰监测和预报中的应用

“海洋1号A”卫星是我国发射的第一颗海洋卫星.2002~2003年冬季,该卫星首次应用于我国渤海海冰监测和预报.建立了从卫星1B级数据开始的海冰反演系统,提供海冰遥感图像和海冰密集度、冰厚与冰外缘线数值产品,作为渤海海冰监测和海冰数值预报初始场的重要信息来源,以及海冰预报质量检验的参考依据之一.介绍所发展的“海洋1号A”卫星海冰反演系统的流程、算法和反演参数,海冰反演结果,及其在渤海海冰监测和预报中的应用.     

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FY-3C微波辐射计数据的极区海冰密集度反演方法研究

极区海冰影响大气和海洋环流,对全球气候变化起着重要的作用。海冰密集度是表征海冰时空变化特征的重要参数之一。本文研究了利用FY-3C微波扫描辐射计亮温数据反演极区海冰密集度的方法。经过时空匹配、线性回归,修正了FY-3C微波辐射计亮温数据。使用两种天气滤波器和海冰掩模滤除了大气影响所造成的开阔海域虚假海冰;使用最小密集度模板去除陆地污染效应。通过计算2016年、2017年极区海冰面积及范围两个参数,对得到的海冰密集度产品进行了验证,两年的海冰范围和面积趋势基本与NSIDC产品一致,平均差异小于3%。本研究结果为发布我国自主卫星的极区海冰密集度业务化产品奠定了基础,制作的产品可保障面临中断的40多年极区海冰记录的连续性。     

北极冬季季节性海冰双模态特征分析

近年来北极海冰快速变化,北极中央区边缘正由以多年冰为主转为季节性海冰为主。通过对北极冬季季节性海冰的EOF分解发现,2002-2012年期间北极季节性海冰变化的前两模态主要体现为2005年和2007年的季节性海冰距平。其中第二模态主要体现了北极海冰在2005年的一种极端变化,而第一模态不仅体现了北极海冰在2007年的变化,还体现了北极季节性海冰的从负位相到正位相的转变。通过比较发现,在研究时段北极季节性海冰最主要的变化发生在北极太平洋扇区,在2007年,冬季季节性海冰距平发生位相转变,2007-2010年一直维持正位相,北极太平洋扇区冬季季节性海冰保持显著正距平。太平洋扇区表面温度最大异常也发生在2007年,从大气环流来看,2007年之后波弗特海区异常高压有利于夏季太平洋扇区海冰的减少,而西风急流的减弱有利于夏季波弗特海区异常高压的维持,结合夏季海冰速度,顺时针的冰速分布有利于海冰离开太平洋扇区,因而会导致冬季太平洋扇区季节性海冰转为正距平并且从2007年一直维持到2010年。     

HY-2C卫星海面高度数据的质量分析

卫星海面高度数据对于监测全球海面高度具有重要的意义,所以卫星高度数据的定标和检验变得至关重要。海洋二号C（HY-2C）卫星是继海洋二号B卫星后的第二颗业务卫星,于2020年成功发射升空。然而,目前对HY-2C卫星高度计的数据质量了解甚少,所以对HY-2C卫星的海面高度数据进行质量分析具有重要的意义。本文以同期观测的HY-2B卫星和Jason-3卫星的地球物理数据（GDR）为参考,对HY-2C卫星遥感地球物理数据（SGDR）中的海面高度数据进行质量分析。结果显示,在星星交叉定标中使用3种常见的交叉定标插值方法对HY-2C卫星的海面高度异常数据进行自交叉点分析时,HY-2C卫星海面高度异常数据质量分析的结果不同。其中使用三次样条插值方法进行质量分析的结果最优,得到海平面高度异常差的平均值为0.03 cm,标准差为6.17 cm。此外,对HY-2C卫星和HY-2B卫星互交叉点海面高度异常差异的平均值为−0.47 cm,标准差为5.32 cm;HY-2C卫星SGDR与Jason-3卫星GDR的海面高度异常数据进行互交叉点分析,得到海平面高度异常差的平均值为−0.3 cm,标准差为5.32 cm,这些数据表明HY-2C卫星的测高精度与HY-2B卫星、Jason-3卫星一致。因此HY-2C高度计产品数据质量稳定,能满足海洋应用和科学研究的需要。     

卷积神经网络在卫星遥感海冰图像分类中的应用探究

本文以TensorFlow为框架搭建卷积神经网络,基于迁移学习的思想,以经典的手写数字识别作为引入,对不同代价函数和激活函数组合对卷积神经网络模型分类结果影响进行了评价分析。以HJ-1A/B渤海海冰图像为实验数据源,分析了不同函数组合对遥感海冰图像分类的影响,优选出交叉熵代价函数与ReLU激活函数为最佳的组合,证明了卷积神经网络在遥感海冰分类中的应用可行性。对渤海海冰图像分类结果进行验证,其中带标签样本验证精度为98.4%。使用该模型对无标签的测试样本进行识别,讨论了样本的窗口尺寸对海冰分类结果的影响,发现在400×400小范围分类实验中最佳窗口尺寸为2×2;最后对整个渤海海域进行识别验证,效果较好。