Knowledge Management System Of Institute of Oceanology, Chinese Academy of Sciences
| 基于双极化SAR图像的U-Net海冰多分类模型 | |
黄岩 ; 任沂斌
| |
| 发表期刊 | 海洋与湖沼
 |
| ISSN | 0029-814X |
| 2023-08-25 | |
| 出版年 | 2023 |
| 卷号 | v.54期号:06页码:27-39 |
| 文献类型 | CNKI期刊论文 |
| 摘要 | 北极多年冰在近几十年有明显的减少趋势,与北极海冰的厚度、体积和夏季最小海冰范围的减少密切相关。合成孔径雷达(synthetic aperture radar, SAR)具有全天时、全天候成像能力,基于SAR卫星影像的海冰分类对监测北极多年冰具有重要意义。基于深度学习U-Net模型,以SAR图像的双极化信息为模型输入,构建了像素级的海水、一年冰和多年冰多分类模型。与已有SAR图像海冰分类方法(支持向量机、随机森林和卷积神经网络)进行对比,基于双极化SAR图像的U-Net海冰分类模型的准确率、平均重叠度和Kappa系数,分别达到了90.73%、0.831和0.849,优于其他对比模型,分别提升了4.08%～19.04%, 0.063～0.321和0.111～0.335。此外,针对SAR图像水平-垂直极化(horizontal-vertical polarization, HV)有明显的条状热噪声和水平-水平极化(horizontal-horizontal polarization, HH)受入射角效应而亮度不均匀的特点,设计敏感性实验,研究HV噪声、入射角和灰度共生矩阵(gray level co-occurrence matrix, GLCM)纹理信息对本文U-Net海冰分类模型的影响。结果表明,传统的机器学习方法对噪声更敏感,而深度学习模型有一定的抗噪声能力;使用入射角校正更适合分类一年冰和多年冰;单一GLCM纹理对U-Net模型的海冰分类效果无明显提高。综上,基于双极化SAR图像的U-Net能够实现高精度的海水、一年冰和多年冰分类。该模型具有一定的抗噪声能力,是更具鲁棒性的海冰分类方法。 |
| 关键词 | 合成孔径雷达(SAR)图像 海冰分类 深度学习 U-Net模型 |
| CNKI专辑号 | A; |
| CNKI专辑名称 | 基础科学; |
| CNKI专题号 | A010; |
| CNKI专题名称 | 海洋学; |
| 分类号 | P715.7 |
| 收录类别 | 北大核心 ; 中科院核心 ; 中科院扩展 |
| 语种 | 中文; |
| 资助项目(基金） | 崂山实验室科技创新项目,LSKJ202202302号 ; 国家自然科学基金青年项目,42206202号 ; 国家自然科学基金-山东省联合基金,U2006211号 |
| 文献类型 | CNKI期刊论文 |
| 条目标识符 | http://ir.qdio.ac.cn/handle/337002/187023 |
| 专题 | 中国科学院海洋研究所 |
| 作者单位 | 1.中国科学院海洋研究所海洋环流与波动重点实验室 2.中国科学院大学 |
| 推荐引用方式 GB/T 7714 | 黄岩,任沂斌. 基于双极化SAR图像的U-Net海冰多分类模型. 2023. |
| 条目包含的文件 | 条目无相关文件。 | |||||
| 个性服务 |
| 推荐该条目 |
| 保存到收藏夹 |
| 查看访问统计 |
| 导出为Endnote文件 |
| 谷歌学术 |
| 谷歌学术中相似的文章 |
| [黄岩]的文章 |
| [任沂斌]的文章 |
| 百度学术 |
| 百度学术中相似的文章 |
| [黄岩]的文章 |
| [任沂斌]的文章 |
| 必应学术 |
| 必应学术中相似的文章 |
| [黄岩]的文章 |
| [任沂斌]的文章 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论