技术领域
[0001] 本
发明涉及一种
海冰类型遥感分类方法，属于遥感应用技术领域。技术背景
[0002] 海冰类型对全球
气候具有重要影响，是影响海冰厚度反演、船只航行的重要因素之一。早期海冰类型数据只能通过实地调查得到，后来发展了基于光学和SAR遥感影像的分类方法，但该方法受限于遥感影像成本、较小的空间
覆盖范围和严格的使用条件，难以实现大尺度的海冰分类。随着卫星雷达高度计的发展，更多学者开始研究利用高度计数据对海冰进行分类，因为高度计的空间覆盖范围更大，时间
分辨率同样较高。利用高度计进行海冰的分类不同于常见的高度计数据的应用，因为高度计常常被用来反演海冰厚度。自1990年以来，多位学者相继发现不同类型的海冰其雷达回波
波形具有一定的差异性，并且这种差异可以用来对海冰进行分类。然而要实现海冰的更为准确的分类，往往需要更加先进的雷达高度计。
[0003] 2010年4月，欧空局发射的CryoSat-2卫星，是目前为止最为先进的卫星雷达高度计，观测数据范围最高达到北纬88°N的区域，拥有369天的全周期和30天的小周期。卫星上携带的合成孔径干涉雷达高度计(SIRAL)的垂直测量
精度达到1～3cm，并采用延迟多普勒雷达高度计(DDA)技术将卫星地面足迹减小到沿轨约为0.3km，跨轨约为1.5km。另外，SIRAL对地表点进行多视处理以减少雷达斑点引起的噪声，其测量海平面高度数据精度约为传统雷达高度计的2倍。
[0004] 北极和南极研究所(AARI)每周提供一次南、北极海域的冰况图。其海冰类型产品是使用光学、
近红外、SAR卫星数据和
船舶走航数据得到的。采用其shapefile格式的数据产品，产品中提供了五种海冰类型数据：初生冰、新冰、一年冰、多年冰和坚冰。因为Cryosat-2空间覆盖范围较大，且一年冰和多年冰是极区的主要冰型，因此我们只采用一年冰和多年冰的数据。
发明内容
[0005] 本发明要解决的技术问题是：提供一种基于CryoSat-2卫星测高数据的海冰分类方法。考虑到高度计数据的高空间分辨率和
时间分辨率，该数据大大提高了极地海冰分类方法的多样性，同时提出了一种新型、快速和大尺度的海冰分类方法。
[0006] 为了解决上述技术问题，本发明提出的技术方案是：海冰的遥感分类方法，包括以下步骤：
[0007] 第一步：准备
训练数据和待分类数据，并对数据进行信息读取，具体包括如下几个方面的内容：
[0008] 1)、下载某一时期Cryosat-2L1b数据作为训练数据，下载待分类时期的Cryosat-2L1b数据作为待分类数据，所述Cryosat-2L1b数据为CryoSat-2卫星SAR模式L1b级数据；读取DBL格式的原始文件，分别从训练数据和待分类数据中提取经纬度和波形信息；
[0009] 2)、下载与训练数据相同时期内的北极和南极研究所(AARI)的冰况图(海冰类型)数据，读取shapefile格式的原始文件，进行数据筛选，提取多年冰和一年冰数据，获得了相应的海冰类型信息数据；
[0010] 第二步、提取波形特征，根据训练数据和待分类数据中所有测量点的雷达回波波形，提取相应的波形特征作为分类器的训练特征用于后续的海冰分类，所述波形特征主要包含脉冲宽度、前缘宽度、
后缘宽度、栈标准差、最大
能量值和后向散射系数，其中栈标准差和后向散射系数可以直接从Cryosat-2L1b数据中获取，其他波形特征通过波形数据计算获得；
[0011] 第三步、分别将训练数据和待分类数据中提取的雷达波形特征与对应的经纬度坐标进行空间匹配，将匹配好的数据转换成带经纬度坐标的矢量点数据；
[0012] 第四步、分类前处理，仅使用前缘宽度小于或等于14的波形，剔除脉冲宽度小于0.3且栈标准差大于4的波形；
[0013] 第五步、生成训练样本，将所述某一时期内带有经纬度坐标和波形特征的矢量点与同时期内的海冰类型信息数据进行空间匹配，进而得到各矢量点的海冰类型信息，将此数据作为训练样本；
[0014] 第六步、利用所述训练样本对
随机森林分类器进行训练，训练完毕后，使用随机森林分类器对待分类的矢量点数据进行分类；
[0015] 第七步、获取同一
坐标系下统一空间分辨率的分类后海冰类型栅格数据，具体包括如下步骤：
[0016] a、定义所述分类后的矢量点为WGS_1984地理坐标系，并进行极地立体方位投影；
[0017] b、将所述分类后的矢量点格网
化成空间分辨率为25km×25km的格网数据，格网内所有矢量点的海冰类型的众数作为该格网的海冰类型。
[0018] 本发明海冰类型的遥感分类方法，还具有如下改进：
[0019] 1、第二步中，所述脉冲宽度是最大能量与累计能量和的比值：
[0020]
[0021] Pi是在第i个距离
门处的回波能量，Pmax回波波形中最大的能量；
[0022] 所述前缘宽度是最大能量值的1％至99％之间的
距离门数量；
[0023] 所述后缘宽度是最大能量值的99％至1％之间的距离门数量；
[0024] 所述最大能量值是指波形中能量的最大值。
[0025] 2、第三步中，使用MATLAB
软件中shapewrite函数将匹配好的数据转换成带经纬度坐标的矢量点数据。
[0026] 3、第四步中，剔除部分受噪声影响较大和冰间
水道的影响，减少需处理的数据量并提高了分类的精度。
[0027] 4、所述第七步借助ArcGIS软件实现。
[0028] 5、所述随机森林分类器相关参数设置为：300颗分类树，每个分类
节点处设置6个特征随机以供选择。
[0029] 本发明采用的CryoSat-2卫星数据属于卫星雷达高度计数据，该数据通常用于海冰厚度的估算中，而应用于海冰的分类中属于数据应用的创新。
[0030] 本发明利用了CryoSat-2卫星数据和AARI海冰类型数据，数据获取相对简单，操作便捷。CryoSat-2可以提供精确的波形信息，AARI海冰类型数据可以提供
时空分辨率极高的海冰类型数据。利用随机森林分类器将两者有效地结合，从而可以用于大尺度上的海冰分类，为后续海冰厚度的估算和
气候变化的研究提供了较好的理论
基础。
[0031] 本发明相关数据提取和矢量转换过程均通过MATLAB编程自动实现，减少了人工参与，提高了分类效率。
[0032] 综上，本发明方法的执行步骤简单易行，分类效果较好。目前海冰类型大面积观测资料很少，传统的实地调查和基于光学、SAR影像的分类方法研究范围极其有限。本发明使用高精度、大空间覆盖范围的卫星雷达高度计Cryosat-2数据，利用一种经典的
机器学习方法-随机森林分类器探究雷达回波波形与海冰类型之间的关系，实现大空间尺度上的海冰分类。对精确量化南北极海冰物质平衡变化、研究海冰类型对全球气候的影响有深远的科学意义。
附图说明
[0033] 下面结合附图对本发明作进一步的说明。
[0035] 图2为2016年3月AARI冰况图。
[0036] 图3为提取的矢量点的经纬度坐标和6种波形特征数据信息。
[0037] 图4与AARI冰况图匹配后包含海冰类型的训练数据的有关信息。
[0038] 图5为2016年3月海冰的分类结果。
具体实施方式
[0039] 下面根据附图详细阐述本发明，使本发明的技术路线和操作步骤更加清晰。本发明实例采用的数据是CryoSat-2卫星L1b级SAR模式基线C数据和AARIshapfile格式数据。训练数据获取时间为2015年3月1日——2015年3月30日，待分类数据获取时间为2016年3月1日——2016年3月30日，AARI数据获取时间为2016年3月15日。
[0040] 图1为海冰遥感分类方法流程图，具体步骤如下:
[0041] 第一步：准备训练数据和待分类数据，并对数据进行信息读取，具体包括如下几个方面的内容：
[0042] 1)、依次读取所下载的Cryosat-2卫星SAR模式L1b级DBL格式原始文件，分别获得训练数据(2015年3月1日——2015年3月30日)和待分类数据(2016年3月1日——2016年3月30日)。从两个数据集中提取每次测量点的经纬度信息和雷达回波波形信息。
[0043] 2)、读取AARI冰况图(海冰类型)shapefile格式文件，进行数据筛选，提取多年冰和一年冰数据，获得了相应的海冰类型信息数据，获得研究区海冰类型分布图。2016年3月AARI冰况图如图2所示。
[0044] 第二步、提取波形特征。根据训练数据和待分类数据中所有测量点的雷达回波波形，提取相应的波形特征作为分类器的训练特征用于后续的海冰分类，所述波形特征主要包含脉冲宽度、前缘宽度、后缘宽度、栈标准差、最大能量值和后向散射系数，其中栈标准差和后向散射系数可以直接从Cryosat-2L1b数据中获取，其他波形特征通过波形数据计算获得。其他波形特征计算式如下：
[0045] Ⅰ、脉冲宽度是最大能量与累计能量和的比值：
[0046]
[0047] Pi是在第i个距离门处的回波能量，Pmax回波波形中最大的能量。
[0048] Ⅱ、前缘宽度是最大能量的1％至99％之间的距离门数量。
[0049] Ⅲ、后缘宽度是最大能量的99％至1％之间的距离门数量
[0050] Ⅳ、最大能量值是指波形中能量的最大值。
[0051] 第三步、分别将训练数据和待分类数据中提取的雷达波形特征与对应的经纬度坐标进行空间匹配。使用MATLAB软件中shapewrite函数将匹配好的数据转换成带经纬度坐标的矢量点数据。生成的矢量文件包含了经纬度信息和6种波形特征数据，矢量数据的属性值如图3所示。
[0052] 第四步、分类前处理。仅使用前缘宽度小于或等于14的波形，因为大于14的波形受噪声影响较为严重。同样，为了去
除冰间水道可能带来的影响，脉冲宽度小于0.3且栈标准差大于4的波形被剔除。
[0053] 第五步、生成训练样本。将训练数据的矢量点与同时期内的AARI进行空间匹配，提取AARI冰况图中矢量点经纬度所对应
位置处的海冰类型信息，并与相应的点矢量匹配起来，进而得到各矢量点的海冰类型信息，将此数据作为训练样本。矢量数据的属性值如图4所示，0代表多年冰，1代表一年冰。
[0054] 第六步、利用所述训练样本对随机森林分类器进行训练，训练完毕后，使用随机森林分类器对待分类的矢量点数据进行分类。随机森林分类器相关参数设置为：300颗分类树，每个分类节点处设置6个特征随机以供选择，2/3的训练数据可以有放回的进行选择。
[0055] 第七步、使用ArcGIS软件获取同一坐标系下统一空间分辨率的分类后的海冰类型栅格数据。具体包括如下几个方面的内容。
[0056] a、将矢量文件(分类后的矢量点数据)加载到ArcGIS中，定义WGS_1984地理坐标系，并进行极地立体方位投影。
[0057] b、将所述分类后的矢量点格网化成空间分辨率为25km×25km的格网数据，格网内所有矢量点的海冰类型的众数作为该格网的海冰类型。
[0058] 步骤b在ArcGIS中具体实现过程是：1、Conversion Tools->To Raster->Point to Raster，计算方式选择frequency，栅格内所有矢量点的海冰类型的众数作为该栅格的海冰类型，栅格大小为默认值。获得海冰类型栅格数据。2、通过空间重
采样将上述栅格数据的空间分辨率统一为25km×25km。Data Management Tools->Raster->Raster Processing->Resample，选取最邻近分配法，将上述栅格数据统一为25km×25km空间分辨率。分类结果如图5所示。
[0059] 除上述
实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。
