基于FY-3MWRI数据的冰间湖探测方法

技术领域

本发明涉及卫星遥感技术领域，具体涉及一种基于FY-3MWRI数据的冰间湖探测方法。

背景技术

对于应对全球气候变暖，调节大气环境而言，两极地区一直是作为全球大气的主要冷源和淡水的主要储存地区，对于控制全球大气平衡和海水平面上涨的问题近些年来也一直是重要的研究对象。而南极相对于北极其地理位置和气候特征，虽然一直以来了解较少，但是南极却拥有着远大于北极的冰川储量，所以研究全球气候变化的过程中，南极具有极其重要的地位和意义。

南极地区的气候变化，与局地的一种中尺度现象有着密不可分的关系，即冰间湖。所谓冰间湖是指达到结冰温度的天气条件下仍长期保持无冰或仅被薄冰覆盖的冰间开水域。根据其形成原因和维持机制的差异，传统的冰间湖分类方法将冰间湖分为两类：潜热冰间湖和感热冰间湖。动力驱动是潜热冰间湖的主要成因，冰间湖中的水通过海气界面向空中散热，且水温临近冰点，导致大量海冰生成，新冰在风或洋流的动力驱动下发生辐散，从而形成了冰间开水域。热力驱动是感热冰间湖的主要成因，温差使得海水发生对流，可导致海洋深层暖流发生涌升，表层海冰被热量融化，并且阻止了新冰生成，从而形成了被海冰环绕的冰间湖。

冰间湖区域的水-冰-气热通量交换远大于厚冰覆盖区域，使得冰间湖成为极地主要的产冰地。冰间湖内部显著的海洋-大气热量交换，使得其上空及附近区域的气温迅速升高，极大程度地影响了局部地区的大气环流，因此在极地气候变化中扮演着重要角色。

对于冰间湖的提取识别，目前大多采用基于海冰密集度的阈值法。海冰密集度反演算法得到的海冰密集度结果精度不高(在低冰浓度区，海冰密集度结果的不确定度高达25％，在边缘冰区，海冰密集度结果与SAR和光学图像的比较结果表明均方根误差高达26.2％)，其作为识别冰间湖的数据基础，这必然会导致冰间湖的识别结果误差较大。因此，需要寻找一种识别精度高，识别结果误差小的探测冰间湖的方法

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于FY-3MWRI极化差数据结合最大熵算法的冰间湖探测方法，有效提高了对冰间湖探测结果的精度。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

本发明是首先对FY-3MWRI 89GHz垂直极化数据进行图像的拼接、裁剪、掩膜、辐射定标等预处理，基于处理过的所研究海域的水平极化亮温数据和垂直极化亮温数据，处理得到图像每一点的极化差P，通过最大熵算法得到研究海域冰间湖探测最优分割阈值T，进而得到南极冰间湖探测识别图。

本发明提供的基于FY-3MWRI数据的冰间湖探测方法，具体按照以下步骤：

步骤1)、获取FY-3MWRI一级数据；

步骤2)、对获取的FY-3MWRI一级数据进行预处理，所述预处理包括图像拼接和裁剪、掩膜操作、辐射定标；

图像拼接和裁剪：以FY-3卫星的微波成像仪(MWRI)89GHz的数据为原始数据，对其进行基于南极地理位置的目标图像的镶嵌和剪裁，然后进行2％线性拉伸；

掩膜操作：提取南极洲的掩膜数据即将陆地区域赋值为0，海洋部分赋值为1，进行二值化，将掩膜二值化数据对融合图像进行掩膜操作，以式(2)对陆地区域的赋值为0，海洋区域的值保持不变，得到南极洲掩膜后数据；

辐射定标：将掩膜后的数据利用式(1)进行辐射校正；

辐射定标＝(－0.01)*b1 (1)

步骤3)、利用式(2)，根据FY-3MWRI的89GHz的垂直极化亮温数据(T

P＝T

步骤4)、通过最大熵算法对步骤3)中得到的极化差P进行分割，得到冰间湖识别的的最优分割阈值T，进而得到南极冰间湖探测识别图。

进一步地，作为基于FY-3MWRI数据的冰间湖探测方法的优化，步骤4)中所述最优分割阈值T的计算方法为：

根据式(3)计算得到图像数据的信息熵H，其中p(x)表示亮温差x出现的频率；

选取一个阈值T，进行图像分割，其中所有的像素点都会分成两类，低于阈值的T的像素即背景，记为B，高于阈值T的像素即物体，记为O；

计算每个亮温差在B或O类中所占的概率，基于背景的计算见式(4)，基于物体的计算见式(5)，两者都存在的关系见式(6)；

分别计算背景和物体的信息熵，再得到B的信息熵见式(7)，O的信息熵见式(8)；

基于式(9)即可得到识别冰间湖的最优分割阈值T。

T＝ar gmax(H

进一步地，作为基于FY-3MWRI数据的冰间湖探测方法的优化，步骤4)中所述南极冰间湖探测识别图是用最大熵法对89GHz极化差P进行处理得到冰间湖和海冰的分类阈值T，进而对图像进行分类，得到冰间湖的分布，其中当P值大于T值时，此像素点为冰间湖，当P值小于T值时，此像素点为海冰。

(三)有益效果

在冰间湖探测的相关研究中，一直以来使用的数据和相关工作都是使用国外的卫星数据，如AMSR-E数据，本发明主要是利用国产的FY-3卫星所产出数据进行南极冰间湖探测研究，为国内卫星数据和其研究领域的拓展做出了一定贡献。本发明提供的一种基于FY-3MWRI数据的冰间湖探测方法，是首先对FY-3MWRI89GHz垂直极化数据进行图像的拼接裁剪、掩膜、辐射定标等预处理，基于处理过的所研究海域的水平极化亮温数据和垂直极化亮温数据，处理得到图像每一点的极化差P，通过最大熵算法得到研究海域冰间湖识别的最优分割阈值T，进而得到南极冰间湖探测识别图。本发明采用极化差结合最大熵算法来获取冰间湖识别的分割阈值，针对传统海冰密集度阈值法在冰间湖探测时需要知道实际海冰分布信息，且不好选择样本的特性上进行了革新和补充，并和单一的固定阈值的海冰密集度算法的结果进行比较，证明了本发明方法在南极冰间湖探测中的可行性，且对比后者而言处理后的产品数据精度更高。

附图说明

图1为研究区域哈康七世海地图；

图2为海水和海冰亮温值与频率关系图；

图3为89GHz数据的冰间湖识别流程图；

图4为以FY-3卫星的微波成像仪(MWRI)89GHz的2017年10月15日的数据为原始数据进行预处理后图像；

图5为对获取的FY-3MWRI一级数据进行预处理后图像；

图6为利用极化差结合最大熵法得到的冰间湖探测识别图；

图7为对获取2017年10月15日的AQUA卫星高级微波成像仪AMSR-E 89GHz亮温数据进行预处理后图像；

图8为利用基于海冰密集度阈值法得到的冰间湖探测识别图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

本实施例研究的冰间湖位于哈康七世海，其命名是为了纪念挪威从瑞典解体后的第一任国王哈康七世。该海域位于威德尔海和拉扎列夫海之间，中心区域从挪威角沿玛塔公主海岸延伸至菲布尔冰架，接近本初子午线。海域的大致坐标是20°W～45°E，全长约6270英里，一年中的大部分时间都被冰覆盖着。如图1所示。

物体由于种类、特征和环境条件的不同，会具有完全不同的电磁波反射或发射辐射特征，这是遥感反演的基础，而这种特征可以使用波谱特征曲线来反映。对于海水和海冰，其光谱特征曲线如图2所示。当物体的物理温度固定，在同一频率下，亮温的大小只与物体的辐射率有关。由极化差的定义可知，水平极化电磁波和垂直极化电磁波在同一物体表面同时发出时，对同一物体的物理温度应是相同的，因此极化差也只与辐射率有关。由图2中关系结果可知，在FY-3MWRI的这几个频段中，89GHz的海水的极化差值与海冰相比差别最大，即可利用89GHz的极化差P＝T

一种基于FY-3MWRI数据的冰间湖探测方法，首先对FY-3MWRI 89GHz垂直和水平极化数据进行图像的拼接裁剪、掩膜、辐射定标等预处理，基于处理过的所研究海域的水平极化亮温数据和垂直极化亮温数据，处理得到图像每一点的极化差P，通过最大熵算法得到研究海域冰间湖探测最优分割阈值T，进而得到南极冰间湖探测识别图，如图3所示流程图。

再利用AQUA卫星高级微波成像仪AMSR-E 89GHz亮温数据对此进行预处理后，利用ASI算法反演得到海冰密集度，再结合传统的固定阈值法，得到基于此的南极冰间湖探测识别图，最终将两者进行对比验证，以说明改进的算法是否适用于南极冰间湖探测研究。以下为具体的步骤。

本发明提供的基于FY-3MWRI数据的冰间湖探测方法，具体按照以下步骤：

(1)获取FY-3MWRI一级数据

使用2017年10月15日FY-3卫星的(MWRI)89GHz水平垂直极化数据对南极冰间湖进行探测研究，FY-3MWRI微波成像仪主要系统参数如表1所示。

表1 FY-3MWRI微波成像仪主要系统参数

(2)对获取的FY-3MWRI一级数据进行预处理，包括图像拼接和剪裁、掩膜操作、辐射定标。

图像拼接和剪裁：以FY-3卫星的微波成像仪(MWRI)89GHz的2017年10月15日的数据为原始数据，对其进行基于南极地理位置的目标图像的镶嵌和剪裁，然后进行2％线性拉伸，如图4所示；

掩膜操作：提取南极洲的掩膜数据即将陆地区域赋值为0，海洋部分赋值为1，进行二值化，将掩膜二值化数据对融合图像进行掩膜操作，对陆地区域的赋值为0，海洋区域的值保持不变，得到南极洲掩膜后数据；

辐射定标：将掩膜后的数据利用式(1)进行辐射校正，如图5所示。；

辐射定标＝(－0.01)*b1 (1)

(3)极化差

利用式(2)，根据FY-3MWRI的89GHz的垂直极化亮温数据(T

P＝T

(4)结合最大熵算法进行图像分割

运用最大熵算法对步骤(3)中得到的极化差数据进行运算，综合每一点的P值，最终得到数据的最优分割阈值T＝0.36，进而得到南极冰间湖探测识别图，如图6所示。

其中所述最优分割阈值T的计算方法为：

根据式(3)得到极化差P数据的信息熵H，其中p(x)表示亮温差出现的频率；

选取一个阈值T，进行图像分割，其中所有的像素点都会分成两类，低于阈值的T的像素即背景，记为B，高于阈值T的像素即物体，记为O；

计算每个亮温差在B或O类中所占的概率，基于背景的计算见式(4)，基于物体的计算见式(5)，两者都存在的关系见式(6)；

分别计算背景和物体的信息熵，再得到B的信息熵见式(7)，O的信息熵见式(8)；

基于式(9)即可得到识别冰间湖的最优分割阈值T。

T＝argmax(H

(5)对比与验证

获取2017年10月15日的AQUA卫星高级微波成像仪AMSR-E 89GHz亮温数据，AMSR-E89GHz微波成像仪主要系统参数如表2所示。

表2 AMSR-E 89GHz微波成像仪主要系统参数

AMSR-E数据的投影和FY-3卫星的数据不同，需要用到式(10)进行投影校正，其余需要的预处理与FY-3卫星数据相同。经过预处理后AMSR-E数据最终见图7。

投影校正＝(b1－1)*(－1) (10)

根据2017年10月15日的AQUA卫星高级微波成像仪AMSR-E 89GHz亮温数据，结合ASI算法得到海冰密集度图像，结合传统的阈值分割算法(阈值T＝0.75)，进而得到针对冰间湖探测识别图，如图8所示。

基于2017年10月15日的南极FY-3 MWRI 89GHz水平极化亮温数据和垂直极化亮温数据，极化差结合最大熵法得到的冰间湖探测识别结果如图6所示，基于海冰密集度的传统阈值法得到的冰间湖探测识别结果如图8所示。

在图6中总的冰间湖面积约2.3700万km

由以上对比可知：极化差结合最大熵法的冰间湖识别方法是有效的和可行的，并根据冰间湖的分布信息，能够说明本发明提供的基于FY-3MWRI数据的冰间湖探测方法具有较高的精度。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。