基于遥感的2015—2020年环南极冰山空间分布研究

张卓宇 刘蕾 刘旭颖 戚梦真

研究论文

基于遥感的2015—2020年环南极冰山空间分布研究

张卓宇1刘蕾2刘旭颖1戚梦真1

(1北京师范大学全球变化与地球系统科学研究院, 遥感科学国家重点实验室, 北京 100875;2墨尔本大学工程学院, 墨尔本 3000)

冰山是因冰架各部分运动速度不均, 裂隙生长后贯穿冰架发生崩解而产生的大块淡水冰。作为南大洋中重要的移动淡水源, 冰山的运动和融化可以释放淡水并将其扩散至远离南极大陆的其他海域, 因此, 研究冰山的时空分布和面积分布提取可为研究南大洋的水文、生态乃至全球气候变化产生的影响提供数据基础, 具有重要意义。本文采用卫星合成孔径雷达观测数据开展南极冰山追踪研究。基于Google Earth Engine遥感大数据平台, 合成了2015年8月—2020年8月欧空局Sentinel-1 SAR传感器影像数据集, 经过分块重采样、下载拼接等步骤, 获得冬季3天内环南极400 km影像镶嵌图; 应用栅格分析功能得到研究期的二值化影像, 使用数据转换和几何计算等功能提取了单个冰山的面积、周长。结果表明, 南极冰山大量聚集于海岸线50 km以内区域, 其中超小型冰山数量占比接近于50%, 小型冰山可能在南极淡水输入中扮演了举足轻重的角色。

南极 冰山 遥感 空间分布

0 引言

南极是全球气候变化的极度敏感区域。南极冰山诞生于因融化和应力断裂的冰架和大型淡水冰体, 是大气、海洋、冰盖相互作用的结果[1]。利用高空间分辨率的遥感数据对冰山空间分布和物理属性进行重复观测和提取可提高冰山的监测精度, 为研究不同季节冰山变化对南大洋环流的作用, 预测和评价冰山淡水输入对海洋环境的影响, 优化及评估现有的风场[2-3]、洋流模式[4]等提供重要的基础数据。因此有必要发展高精度的自动提取[5]、配准冰山算法[6], 研究冰山运动、崩解和消融的物理机制[7]。

由于对全南极冰山运动和形态的观测难以广泛实施, 以往对南极冰山的研究区域多关注于单个冰山的长时间监测[8], 或集中在局部地区及特定冰架[9], 采用的数据多为分辨率高但覆盖范围小的航空影像[10]和年代陈旧的近海岸卫星合成影像, 尚未建立高空间分辨率、长时间持续观测、大范围精准覆盖的标准冰山数据库。美国国家冰中心自1977年采用可见光遥感对冰山进行周监测,可识别长轴大于18.5 km的冰山[11]; 杨百翰大学自1978年使用6种散射计实现对冰山的日更新, 识别精度为长轴大于5 km[12]; 根据Wesche和Dierking[13]的统计结果, 使用1997年Radarsat-1全南极镶嵌图RAMP AMM数据提取了6912座冰山, 面积分布为0.3～4717.6 km2, 并证明了冰架崩解产生的冰山形状和冰架裂隙纹理有关; Barbat等[14]研究发现1997年Radarsat-1全南极镶嵌图RAMP AMM数据包含7649座冰山, 最大的为4567.82 km2, 2000年Radarsat-1全南极镶嵌图RAMP MAMM共有13712座冰山, 其中最大的为3358.6 km2, 2008年Radarsat-2数据共有7246座冰山, 其中最大的为4249.3 km2, 研究所提取最小冰山面积为0.1 km2。Tournadre等[15]利用1992—2014年期间的卫星高度计数据识别并提取了南极小型冰山(0.1～8 km2)的地理位置、尺寸以及体积等物理参数, 研究发现南极小型冰山的年际分布特征和大型冰山密切相关, 小型冰山主要通过大型冰山二次崩解产生。

本文采用HH极化方式的Sentinel-1合成孔径雷达遥感数据, 在Google Earth Engine(GEE)大数据平台上实现遥感影像的导出[16]。为减少影像数据处理量和椒盐噪声的影响, 本文将影像从40 m重采样到75 m分块输出, 再利用镶嵌、栅格分析、数据转换和几何计算工具统计了2015年8月—2020年8月环南极400 km冰山的属性和地理位置, 记录了每个冰山数据的时间、面积和周长。为提高冰山矢量数据的可信度, 数据集中最小的冰山提取精度被控制在10倍原始影像分辨率, 即0.16 km2, 时间分辨率为年, 可以反映环南极大范围的冰山空间分布, 为探究不同尺度的冰山研究提供基础参考。

1 数据研发方法

GEE大数据平台基于谷歌云平台和强大的后台处理器, 可以实现编程调用数据。它可以结合各种算法进行大范围的分析处理, 能够快速、批量处理海量遥感影像和地理数据, 从而较大程度地提高效率。GEE平台的数据集主要包括Landsat系列数据、MODIS系列数据、Sentinel系列数据、数字高程模型(DEM)数据和气象模式数据[17]。

本文主要采用Sentinel-1卫星遥感数据, 由共享同一轨道平面的两颗卫星Sentinel-1A和Sentinel-1B组成, 重访周期均为12天, Sentinel-1A卫星于 2014年4月3日发射升空, B星于2016年4月25日发射, 两颗卫星组成星座协同工作, 在南极地区Sentinel-1卫星将近3天可完成一次全覆盖监测。通过对比研究发现, 冰山目标的后向散射系数在合成孔径雷达的HH极化方式中最为明显, 因此HH极化模式适合于区分冰山和海水。为减少相邻影像拼接即冰山漂移带来的提取误差和减少下载影像的数据量, 本文基于GEE遥感大数据平台合成了2015—2020年距离8月初最近的环南极400 km范围影像，影像工作模式为EW，成像波段为C波段，具体参数见表1。

因GEE平台已经对Sentinel-1的数据进行几何校正和辐射校正, 因此本文不需要进行额外的处理。Sentinel-1 EW宽幅成像模式空间分辨率达40 m, 适用于监测南北极大范围区域[18]。为减少数据量并减少椒盐噪声的影响, 影像的空间分辨率被重采样为75 m。为了提高冰山矢量数据的可信度, 数据集中最小的冰山提取精度被控制在10倍原始影像分辨率。

本文共采用52.38 GB影像数据进行冰山提取。由于每年卫星的过境时间和受软、硬件接收装置的影响, 即使同月的合成影像也存在差异, 镶嵌图片见图1, 由图可知2015年从东南极威尔克斯地区的奥茨地缺失1000 km长的影像, 2016年自哈德逊角缺失200 km长的影像, 2017年从奥茨地缺失600 km长的影像, 2018—2020年卫星姿态稳定, 基本实现了全南极覆盖。此外, 本文采用7月和9月的遥感影像对缺失影像进行补充分析。使用临近月份的遥感影像获取的冰山位置可能与8月的冰山地理位置产生较小偏差, 但冰山的数量和面积可获得保证。参与统计的海岸线数据源为相关研究利用2017年Landsat-8数据提取的海岸线[19]。

环南极冰山冬季空间分布数据集生产流程可分为影像预处理和冰山提取两部分, 技术路线如图2所示。图像预处理包括在GEE平台计算每个像素成像时间距离8月1日0时最近的像素集合, 分辨率重采样至75 m, 分块批量输出影像, 之后在ArcMap平台镶嵌图片, 经过极投影获取原始影像数据集。

表1 遥感数据简介

图1 南极2015年8月—2020年8月Sentinel-1镶嵌图

Fig.1. Sentinel-1 Mosaic of Antarctica from August 2015 to August 2020

冰山提取采用了阈值法, 即将每个像素的灰度值和选定的参考阈值进行大小比较, 根据比较的结果, 给每个像素点打上标签, 一般可分为目标物和背景值两类。且阈值分割的效果和选取的初始值有很大关系, 将关系到最终影像的分割结果。选择阈值可根据人工判读经验选择, 也可采用一些自适应的方法, 如最大类间方差法、直方图谷底法等。

此后在单波段阈值分割方法的基础上进行了人工目视解译。在ESRI公司开发的ArcMap 10.7平台中采用了以下的处理流程: (1)使用Reclasscify工具, 经多次试验, 将所有影像的阈值设置为大于–3.13的范围, 生成二值化的提取影像;(2)使用Region Group工具, 邻域数量参数设置为8邻域方式, 区域组合方式设置为邻接方式; (3)使用Extract by Attributes工具选择相连栅格数量大于10的区域; (4)使用Raster to Polygon工具将栅格图形转化矢量形式。而后为提高提取冰山的精度, 采用目视解译的方式修改冰山的外形轮廓, 最终获取6年的环南极冰山空间分布矢量信息。

图2 环南极冰山提取技术路线图

Fig.2. Technical roadmap of circum-Antarctic iceberg extraction

2 数据验证与结果分析

2.1 数据精度验证

混淆矩阵是用来表示精度评价的一种标准格式。混淆矩阵是行列的矩阵, 其中代表类别的数量, 一般可表达如表2所示。该矩阵的列为参考影像信息, 行为被评价影像分类结果信息, 行与列相交的部分概括了被分类到与参考类别有关的某一特定类别中的样本数目, 样本数可以为像元数目或者分割对象数目。矩阵的主对角元素为被分到正确类别的样本数, 对角线以外的元素为遥感分类相对于参考数据的错误分类数, 最右列是每类别在分类图上的总数量, 而底部的一行显示的是每类别在参考图上的总数量。

将目视解译结果视为标准数据集, 2015—2020年期间每年分别任选2000个样本点来计算混淆矩阵, 进行单波段阈值算法的精度评价。表示实际为冰山像元同时被正确识别的像元;表示实际为冰山像元但没有被提取的像元;表示实际不是冰山像元但被错误提取的像元;表示实际不是冰山像元且没有被提取的像元。如表3所示, 精度评价指标包括3项: 总体精度(Overall Accuracy,)、召回率()和准确率()。其中总体精度表示正确分类的样本数量占测试样本总数的比例, 召回率表示预测出的冰山样本数量占所有真实冰山样本数量的比例, 准确率表示真实冰山样本数量占预测出的冰山样本数量的比例。

表2 精度评定混淆矩阵

这3种精度评价指标都是基于混淆矩阵计算出, 计算公式如下所示:

如表3所示, 2015—2020年期间每年的3个精度指标均在0.85以上, 其中所有的总体精度都大于0.85, 说明单波段阈值法的冰山识别结果可靠。召回率都在0.85以上, 说明识别出的冰山像素在真实冰山像素中所占比例较高, 遗漏的冰山区域少。准确率都在0.88以上, 表示真实冰山像素在预测冰山像素中所占的比例高, 误判率低。综上, 这6年的冰山识别精度总体保持在一个较高的水平, 证明冰山识别结果是可靠的。

2.2 数据结果分析

结果显示冰山数量占比大的对应尺度为A1超小型冰山和A2小型冰山, 分别占每年冰山总数的82.73%和16.53%, 其余种类的数量占比趋近于0。冰山面积占比最大对应的尺度为A5超大型冰山, 占冰山总面积的34.83%, 冰山面积占比适中对应的尺度为A1超小型冰山和A2小型冰山, 分别占冰山总面积的20.98%、21.37%, 冰山面积占比最小对应的尺度为A3中型冰山和A4大型冰山, 分别占冰山总面积的10.62%、12.17%。

表3 2015—2020年的冰山识别精度评价结果

表4 2015—2020年不同等级下冰山数量(座)与面积(km2)的关系

图3 2015—2020年不同尺度冰山数量和面积占比关系

Fig.3. Relationship between number and area of icebergs at different scales from 2015 to 2020

由图4可知超小型冰山和小型冰山的数量在距离海岸200 km以内的范围里变化显著。各等级冰山数量随着与海岸线距离的增加而递减, 其中2015—2020年每年距离海岸边缘0～50 km范围的冰山数分别占总数64.77%、63.30%、62.20%、64.98% 、62.47%和61.10%, 距离海岸最近范围的冰山数占比均大于60%, 表明冰山大部分主要集中在冰架崩解边缘的区域。根据长时间序列的冰山数随距离海岸线的关系, 可知冰山随着向背离海岸的方向运动而逐渐消亡, 冰山总数占比均值由63.14%、18.25%、8.23%逐渐减小到0, 其中在距离海岸线50 km的范围内A1级别超小型的冰山分别占冰山总数的54.39%、54.00%、52.73%、55.65%、51.80%和48.42%, 均接近50%, 这意味着小型冰山在全南极淡水输入量中的贡献不容忽视。

图4 2015—2020年不同尺度冰山数量和海岸距离关系

Fig.4. Relationship between iceberg number and coastal distance at different scales from 2015 to 2020

目视解译冰山提取的细节表现如图5所示, 不同等级的冰山数量在不同海域的分布情况有一定起伏, 但整体趋势始终保持一致, 具体统计数据见表5。由数据可知, 冰山总数在西太平洋区域最多, 最多可达到2016年12798座, 最少为2020年7714座; A1超小型冰山多数也集中于西太平洋区域, 最多可达到2016年10399座, 最少为2020年5700座; A2小型冰山也多集中于西太平洋区域, 最多为2015年2430座, 最少为2020年1958座; 冰山总数在威德尔海域的冰山数量最少, 最多为2016年3692座, 最少为2019年2093座; A1超小型冰山在威德尔海域分布最少, 最多为2016年3178座, 最少为2019年1829座。超大型冰山A5在西太平洋区域没有分布。

图5 2016年Swinburne和Amery冰架周围海域的冰山提取效果可视化

Fig.5. Visualization of iceberg extraction in the waters around Swinburne and Amery ice shelves in 2016

表5 2015—2020年不同等级下冰山数量(座)与海域的关系

续表

3 讨论和总结

在全球变暖的大背景下, 大量的冰架、冰山崩解和融化使南极动植物的生存受到严重威胁。冰山中存储大量的淡水资源, 为了分析冰山的消融给气候变化带来的影响, 评估大型冰山搁浅对生态环境的危害程度, 需要追溯其空间位置和大小。从空间范围跨度来说, 先前未曾有人使用卫星遥感数据对环南极400 km范围内的冰山进行研究, 这严重制约了对于上述冰山相关的研究。本研究生成了2015—2020年6期环南极冰山的空间分布数据集, 同时开展了时空分布特征的分析。由于研究数据分辨率有限等原因, 可能存在一些小型冰山由于面积过小而被遗漏, 此外海冰的后向散射、风在影像上造成的拖影等也会减弱冰山的识别特征。

研究结果表明, 绝大部分冰山在2015—2020年内没有发生大的变化, 但也存在部分冰架和大型冰山由于环境变化发生大型崩解、消融而数量增加或减少。环南极冰山年空间分布研究还可以在以下方面进一步拓展: (1)突破冰山的识别精度并提取; (2)已发现冰山的运动监测; (3)消融冰山的剔除。

1 LIU Y, CHENG X, HUI F, et al. Antarctic iceberg calving monitoring based on EnviSat ASAR images[J]. Journal of Remote Sensing, 2013, 17(3): 479-494.

2 SWART N C, FYFE J C. Observed and simulated changes in the Southern Hemisphere surface westerly wind-stress[J]. Geophysical Research Letters, 2012, 39(16): L16711.

3 GAO L B, RINTOUL S R, YU W D. Recent wind-driven change in Subantarctic Mode Water and its impact on ocean heat storage[J]. Nature Climate Change, 2018, 8(1): 58-63.

4 LEFEBVRE W, GOOSSE H, TIMMERMANN R, et al. Influence of the Southern Annular Mode on the sea ice-Ocean system[J]. Journal of Geophysical Research Atmospheres: Oceans, 2004, 109(C9): C09005.

5 ZHAO Z Y, LIU Z, GONG P. Automatic extraction of floating ice at Antarctic continental margin from remotely sensed imagery using object-based segmentation[J]. Science China Earth Sciences, 2012, 55(4): 622-632.

6 BARBAT M M, RACKOW T, WESCHE C, et al. Automated iceberg tracking with a machine learning approach applied to SAR imagery: A Weddell Sea case study[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 172: 189-206.

7 LUCKMAN A, PADMAN L, JANSEN D. Persistent iceberg groundings in the western Weddell Sea, Antarctica[J]. Remote Sensing of Environment, 2010, 114(2): 385-391.

8 BRAAKMANN-FOLGMANN A, SHEPHERD A, RIDOUT A. Tracking changes in the area, thickness, and volume of the Thwaites tabular iceberg “B30” using satellite altimetry and imagery[J]. The Cryosphere, 2021, 15(8): 3861-3876.

9 STUART K M, LONG D G. Iceberg size and orientation estimation using SeaWinds[J]. Cold Regions Science and Technology, 2011, 69(1): 39-51.

10 GUAN Z F, CHENG X, LIU Y, et al. Effectively extracting iceberg freeboard using Bi-temporal landsat-8 panchromatic image shadows[J]. Remote Sensing, 2021, 13(3): 430.

11 BUDGE J S, LONG D G. A comprehensive database for Antarctic iceberg tracking using scatterometer data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(2): 434-442.

12 LONG D G, BALLANTYN J, BERTOIA C. Is the number of Antarctic icebergs really increasing?[J]. Eos, Transactions American Geophysical Union, 2002, 83(42): 469-474.

13 WESCHE C, DIERKING W. Near-coastal circum-Antarctic iceberg size distributions determined from Synthetic Aperture Radar images[J]. Remote Sensing of Environment, 2015, 156: 561-569.

14 BARBAT M M, RACKOW T, HELLMER H H, et al. Three years of near-coastal Antarctic iceberg distribution from a machine learning approach applied to SAR imagery[J]. Journal of Geophysical Research: Oceans, 2019, 124(9): 6658-6672.

15 TOURNADRE J, BOUHIER N, GIRARD-ARDHUIN F, et al. Antarctic icebergs distributions 1992–2014[J]. Journal of Geophysical Research: Oceans, 2016, 121(1): 327-349.

16 DONG J W, XIAO X M, MENARGUEZ M A, et al. Mapping paddy rice planting area in northeastern Asia with Landsat 8 images, phenology-based algorithm and Google Earth Engine[J]. Remote Sensing of Environment, 2016, 185: 142-154.

17 GORELICK N, HANCHER M, DIXON M, et al. Google earth engine: Planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment, 2017, 202: 18-27.

18 欧阳伦曦, 李新情, 惠凤鸣, 等.哨兵卫星Sentinel-1A数据特性及应用潜力分析[J].极地研究, 2017, 29(2): 286-295.

19 YU Y N, ZHANG Z L, SHOKR M, et al. Automatically extracted Antarctic coastline using remotely-sensed data: An update[J]. Remote Sensing, 2019, 11(16): 1844.

The spatial distribution of icebergs around Antarctica from 2015 to 2020 based on remote sensing

Zhang Zhuoyu1, Liu Lei2, Liu Xuying1, Qi Mengzhen1

(1State Key Laboratory of Remote Sensing Science, College of Global Change and Earth System Science, Beijing Normal University, Beijing 100875, China;2Melbourne School of Engineering, Melbourne 3000, Australia)

Icebergs are large pieces of ice produced by the disintegration of ice shelves following crack growth due to the uneven movement speed of each part of ice shelves. The movement and melting of icebergs can transport and subsequently release freshwater to parts of the Southern Ocean that are distant from the Antarctic continent. Accordingly, studying the temporal and spatial distribution of icebergs can provide insights related to the hydrology, ecology, and even the impacts of global climate change across the Southern Ocean. Extracting the iceberg area distributionfrom remotely sense imagery provides a data basis for such investigations. Using Google Earth Engine, the image dataset of ESA Sentinel-1 SAR images from August 2015 to August 2020 were synthesized. After block resampling, downloading, and splicing, a mosaic map of 400 km around the South Pole within 3 days in winter was obtained; a binary image was then obtained using the grid analysis function, and the area and perimeter of each iceberg was extracted by using data conversion and geometric calculation functions. The results show that many Antarctic icebergs are concentrated within 50 km of the coastline, of which ultra-small icebergs account for nearly 50%. As such, small icebergs may play an important role in the input of fresh water in Antarctica.

Antarctica, icebergs, remote sensing, spatial distribution

2021年10月收到来稿, 2021年11月收到修改稿

国家自然科学基金(41830536)资助

张卓宇, 女, 1997年生。硕士, 主要从事极地遥感研究工作。E-mail: 201921490047@mail.bnu.edu.cn

10.13679/j. jdyj. 20210078