基于遥感的海冰信息检测及其变化分析Word文档格式.docx

基于遥感的海冰信息检测及其变化分析Word文档格式.docx

《基于遥感的海冰信息检测及其变化分析Word文档格式.docx》由会员分享，可在线阅读，更多相关《基于遥感的海冰信息检测及其变化分析Word文档格式.docx（7页珍藏版）》请在冰豆网上搜索。

许占堂[5]等讨论了海冰反射率与海冰双向反射分布函数之间的相关关系;

谢锋[6]等利用NOAA卫星的AVHRR遥感资料对海冰进行研究,提出了海冰厚度的反照率反演公式,并对辽东湾海冰资源量进行了估算;

武晋雯[7]等采用可见光和近红外通道反射率阈值法对MODIS卫星进行海冰面积反演,得到辽东湾年度海冰面积变化过程。

SungwookHong[8]等提出利用被动微波来反演小规模冰面的粗糙系数和海冰的折射率,并通过粗糙系数提取出了海冰数据。

目前为止,真正应用于业务化的海冰检测技术还比较少,预测海冰信息更是难上加难。

美国国家航天局使用MODIS数据开发出了海洋产品,该产品基于一组判定条件的算法,计算量较小,避免了人工干预,可适用于全球海冰的检测,但美中不足的是只能检测出离岸较近的固态冰。

事实上,海冰的检测就是将海冰信息从海冰和海水的混合物中进行提取与分类,这恰好满足了数据挖掘技术的应用条件。

通过数据挖掘的方法,人们可以发现潜在的规则和知识,从而可以有效地将需要的信息进行突出、提取。

现阶段,常见的数据挖掘方法有决策树分类算法、最大似然法和BP神经网络法等。

通过比较发现,决策树分类性能最佳。

近年来,决策树方法在土壤分类、复杂生产过程的质量检测、地类分析、植被指数提取以及土地利用等方面应用越来越广[9]。

决策树算法具有灵活多变、操作性强、运算效率高等特点,是遥感技术分类技术的一大突破。

本文基于决策树算法,通过对MODIS卫星数据进行波段分析,影像分类等工作,获取了较为准确的海冰分布相关数据。

并以此数据为依据,建立海冰分布预测模型,预测其未来十年的分布面积,并分析其变化趋势。

2　数据准备与海冰识别原理分析

2.1　MODIS数据介绍

MODIS是搭载于美国EOS系列卫星上的重要传感器,也是EOSTerra/Aqua平台上唯一进行直接广播的对地观测仪器[10]。

MODIS是当前世界上新一代“图谱合一”的光学遥感仪器,具有36个波谱通道,分布在0.4~14.4μm的电磁波谱范围内,可同时对大气、海洋和地表进行观测,每两日甚至每日即可获取一次全球的观测数据。

其重访周期短、光谱分辨率高的特性使其在水体检测中具有绝对优势。

但MODIS-1B数据不可以直接用于海冰的检测分析,需要经过相关处理后方可投入使用[11]。

2.2　海冰识别原理和方法

运用遥感技术识别目标物的物理基础,是根据各目标物间光谱特征的差别进行区分,海冰监测的本质就是冰与水的识别。

图1为冰与水在可见光-近红外区域的光谱曲线,由图可以看出冰和水在不同光谱区域内的反射率差异。

海冰在400~800nm波段反射率稍高,基本维持在0.5以上,与海水有较大差距;

波长超过800nm以后的近红外波段,水几乎成了全吸收体;

尽管冰在近红外波段（800~1000nm）的反射率明显降低,但仍与海水有较大差别。

另外,我们通常运用NDSI来提取积雪信息,主要是因为在可见光波段,积雪表现出较高的反射率,而在短红外波段,反射率则较低[12]。

海冰具有与之相似的特点,所以,我们用NDSI作为其中一个判定条件。

NDSI计算公式为:

NDSI=（B4-B6）/（B4+B6）。

海冰和海水的辐射亮温有明显差异,有利于区分海冰和海水[13]。

且海水中含有盐分,其结冰温度明显低于淡水,又因为海水结冰温度与盐度成线性关系,既随着盐度的增加,冰点降低。

当海水盐度为0.03时,冰点大约为-1.6℃。

我国黄海与渤海北部近岸海区,冬季海水盐度一般在0.007~0.031之间。

因此,一般认为海水温度低于-2℃时,才有结冰现象。

所以选取与辐射亮温有关的B31,B32波段,利用IST法,反演冰表面温度,并根据冰表面温度来判断是否为海冰。

其反演公式为

IST=a+b×

T31+c×

（T31-T32）+d×

[（T31-T32）×

（secq-1）]。

式中T31为MODIS-1B数据中第31波段的亮温值,T32为MODIS-1B数据中第32波段的亮温值,q为传感器的天顶角,a,b,c,d分别为根据经验确定的大气影响系数。

2.3　基于决策树的海冰信息挖掘

决策树分类是基于遥感影像数据及其他空间数据,通过专家经验总结、简单的数学统计和归纳方法等,获得分类规则并进行遥感分类的一种分类方法[14]。

分类规则易于理解,分类过程也符合人的认知过程,最大的特点是利用了多源数据。

本文采用C4.5决策树算法进行数据挖掘与分类[15]。

C4.5算法以信息论为基础,使用信息增益率代替信息增益作为分类依据,不论是对属性连续还是属性值缺失的训练样本都可进行有效处理,然后通过采用不同的修剪枝叶技术有效解决过度拟合问题,并且采用交叉验证对分类模型进行评估。

终止决策树增长的方式有两种:

①当节点中所有样本均属同一类别;

②叶子节点样本数小于某个阈值。

由于第一种方法需要大量数据,所以本文选取第二种方式,通过对处理后的影像进行大量样点数据采集,根据实际地理环境进行整合分析,多次试验,调节阈值,最终得到更加合理的阈值结果。

3　实例分析

3.1　研究区概况

渤海属于封闭型内海,位于中国大陆东部,北端。

主要分布于北纬37°

~41°

东经117°

~122°

之间。

渤海由五部分组成,包括辽东湾、渤海湾、莱州湾、浅海盆地和渤海海峡。

辽东湾西起中国辽宁省西部六股河口,东到辽东半岛西侧长兴岛,是中国纬度最高的海湾。

是中国海域水温最低,冰情最严重地区,固体冰常年出现。

3.2　数据处理与分析

获取的MODIS-1B原始影像不能直接投入使用,需要通过相关软件进行几何纠正、入射率,反射率等的计算。

由于研究区上空经常出现云雾,会影响到冰况提取的准确性,所以需要进一步对研究区薄云进行剔除。

然后通过第6波段分离陆地与海域,将经过预处理的影像按本文提取的决策规则进行分类,结果如图2。

图中a为采用本文的数据挖掘规则生成的决策树监测出的海冰分布图,b为MODIS-1B影像的原始数据（1、4、3波段合成）彩色影像。

由图3的原始数据和分类后数据进行比较可以看出,本文总结的决策树分类规则在海冰分布检测中具有较高的准确性,海冰边缘线影像分布清晰,与实际分布高度一致。

同时,对于海上存在的流冰,碎冰,其分类结果中也比较理想。

4　海冰变化预测分析

4.1　辽东湾海冰分布时间变化分析

根据渤海海区的气候特征,首先确定其在冬季（12月份-次年2月份）才会出现海面结冰现象,并且考虑到海洋气候变化较大陆而言会有稍许延迟,所以选取12月中旬至3月上旬遥感影像为数据源,以2013~2014年冬季时间段为例,根据海冰面积的遥感计算方法:

S=n×

Si

其中S为海冰面积,n为海冰像元数,Si为像元面积。

获取辽东湾港口地区海冰面积如图3。

有上表分析可知,渤海海域辽东湾港口地区,2013年12月中旬已出现明显结冰现象,海冰面积为72km2,自此,海冰面积总体呈扩大趋势,直至2月上旬出现最大值为7391km2,然后海冰面积开始快速下降,到2月下旬,辽东湾几乎无冰层覆盖,面积仅剩3km2。

用同样的方法分析历年数据,除个别年份外均可得到相似结论。

为了预测未来海冰面积的变化趋势,本次研究,选取2004~2014十年数据,以2月上旬海冰面积为例,对辽东湾海冰面积进行预测。

4.2　海冰变化预测

4.2.1　灰色预测模型

灰色系统理论是由我国著名学家邓聚龙教授提出并完善的,此模型可以通过少量、不完整的信息对数据进行预测。

对于数据序列波动大,或者发展趋势无规律可循的现象,灰色预测提供了一种切实有效的方法。

由于海冰的变化受气温、洋流、环境等多方面条件的影响,其历年的变化趋势呈不稳定的随机序列,恰好符合灰色预测随机性的条件。

灰色预测一般有一下几步。

（1）根据原始数据生成累加序列。

若数列X（0）={X（0）

（1）,X（0）

（2）,…X（0）（n）},对其累加获得新的数列X

（1）,有:

X

（1）

（1）=X（0）

（1），

X

（1）

（2）=X（0）

（1）+X（0）

（2），

X

（1）（3）=X（0）

（1）+X（0）

（2）+X（0）（3），

……

X

（1）（n）=X（0）+X（0）

（2）+…+X（0）（n）。

（2）构建微分方程。

对数列X

（1）可构建微分方程:

。

式中参数向量可用最小二乘法求解:

上式中:

（3）计算时间响应函数。

将上式中代入微分方程求解,有G（1,1）预测模型,其时间响应函数为:

根据模型可计算

（1）（i）,对其进行累减可得原数列:

（4）精度检验及预测。

A.残差检验,绝对误差:

相对误差:

….）

B.后验差检验,原始数列平均值:

原始数列方差:

残差平均值:

残差的方差:

后验差比值:

小误差概率:

精度等级划分如表1。

4.2.2　模型预测

本文选取2004~2014年冬季2月上旬海冰面积作为原始数据,如图4。

通过建立矩阵,计算参数可得其时间响应函数为:

（1）（i+1）=-197481.1613×

e-0.0453t+207162.1613

其残差与相对残差计算结果见表2。

精度检验:

A.原始数据均值（0）;

B.原始数据方差C.残差均值D.残差方差E.后验差比值:

e=0.31;

F.小概率误差:

p=1。

由计算得c=0.31<

0.35,其精度等级为好,p=1,预测等级同样为好,满足预测要求,可以根据推导公式继续计算,预测未来十年2月上旬辽东湾海冰面积,预测结果见表3。

从表3中可以看出,辽东湾地区2月份海冰面积呈逐年降低趋势,其分布范围在不断减少。

由前五年和后五年的面积减少值可知,虽然辽东湾海冰面积呈减少趋势,但其减少的速度是有所缓和的。

本文的预测结果与全球变暖,海冰融化,海平面上升观点基本吻合。

5　结语

（1）本次研究,以MODIS影像为数据源,根据海冰的波谱特性,结合可见光、近红外和热红外多个波段的数学运算,运用数据挖掘的方法,对海冰和海水的分类规则进行了挖掘。

并以辽东湾为例,选取多年MODIS影像数据,进行海冰分布面积检测计算,将分类结果与真彩色合成影像进行比对,验证了本文提出的分类规则的有效性。

同时运用数学模型,对计算数据模拟预算,预测了未来十年辽东湾海冰分布面积,通过精度检验,预测结果具有较高准确性,为海洋灾害监测提供依据。

（2）本文使用的预测模型属于灰色模型,尽管模型检测结果精度较高,但任然存在误差。

且海冰的变化受多种因素的影响,存在随机性、多变性,实际应用中,对海冰的实测精度还有待提高。

参考文献：

[1]国巧真,顾　卫,李　京,等.基于遥感数据的渤海海冰灾害风险研究[J].灾害学,2008,23

（2）:

10~18.

[2]吴奎桥,徐　莹,郝轶萌.Modis数据在海冰遥感中的应用[J].海洋预报,2005（22）:

44~49.

[3]吴龙涛,吴辉碇,孙兰涛.Modis渤海海冰遥感资料反演[J].中国海洋大学学报,2006,32

（2）:

173~179.

[4]韩素芹,黎贞发,孙治贵.EOS/Modis卫星对渤海海冰的观测研究[J].气象科学,2005,25（6）:

624~628.

[5]许占堂,杨跃忠,王桂芬,等.辽东湾海冰反射特性[J].光谱学与光谱分析,2010,30（7）:

1902~1907.

[6]谢　锋,顾　卫,袁　艺.辽东湾海冰资源量的遥感估算方法研究[J].资源科学,2003,3（25）:

17~23.

[7]武晋雯,张玉书,冯　锐,等.基于MODIS的海冰面积遥感监测及其与气温的相关分析[J].遥感技术与应用,2009,24

（1）:

73~76.

[8]HongSungwook,DetectionofSmall-ScaleRoughnessandRefractiveIndexofSeaiceinPassiveSatelliteMicrowaveRe-moteSensing[J].RemoteSensingofEnvironment,2010,114（5）:

1136~1140.

[9]陈　云,戴锦芳,李俊杰.,基于影像多种特征的CART决策树分类方法及其应用[J].地理与地理信息科学,2008,24

（2）:

33~36.

[10]刘　海,陈晓玲,宋　珍,等.MODIS影像雪深遥感反演特征参数选择与模型研究[J].武汉大学学报:

信息科学版,2011,36

（1）:

113~116.

[11]孙　芳.基于MODIS数据的海冰监测研究[C]//中国测绘学会海洋测绘专业委员会.第二十一届海洋测绘综合性学术研讨会论文集.成都:

中国气象学会,2009:

594~597.

[12]刘良明,徐　琪,胡　玥,等.利用非线性NDSI模型进行积雪覆盖率反演研究[J].武汉大学学报.信息科学版,2012,37（5）:

534~536.

[13]马　龙.NASAMODIS海冰产品评价分析[J].国土资源遥感,2011,88

（1）:

115~117.

[14]邵峰晶,于忠清,王金龙,等.数据挖掘原理与算法[M].北京:

科学出版社,2009.

[15]任朝辉,邵峰晶.基于数据挖掘的MODIS影像海冰检测方法[J].青岛大学学报:

工程技术版,2012,27

（2）:

1~5.

RetrievalandMutationAnalysisofSeaiceInformationBasedon

RemoteSensing

YangChenglin,XuYuetong

（CollegeofPopulation,ResourcesandEnvironment,ShandongNormalUniversity,Jinan250014,China）

Keywords:

MODISdatamining;

seaice;

predictionmodel

【文献来源】