基于海冰密集度的南極威德爾冰間湖監測與評價

鄺慧妍 華健聰 葉玉芳 程曉 惠鳳鳴 陳卓奇

(1 中山大學測繪科學與技術學院, 廣東 珠海 519082;2 南方海洋科學與工程廣東省實驗室(珠海), 廣東 珠海 519082)

0 引言

冰間湖(polynya)是極區冬季一種特有的中尺度物理海洋現象, 是指在達到海水結冰的天氣條件下仍較長時間保持無冰或僅被薄冰覆蓋的冰間開闊水域[1]。作為大氣、海洋和海冰共同作用下的產物, 冰間湖在氣候系統中扮演著重要角色,與大氣環流及海冰、海水中的動力和熱力過程關系密切。根據形成原因的不同, 冰間湖可以分為兩類[1]: 一類是在風和洋流的作用下形成的冰間湖, 即“潛熱冰間湖”; 另一類是由相對溫暖的垂直海流上升而形成的冰間湖, 即“感熱冰間湖”。然而這兩類冰間湖的形成和維持機制并非絕對孤立, 通常會出現互相交叉的情況[2], 且大部分冰間湖的形成過程受到多種機理的影響。

冰間湖區域內通常存在較強的海-氣相互作用。在冬季,冰間湖中的開闊水域與周圍低溫空氣間巨大的溫度差造成的南極冰間湖區域海-氣交換熱通量密度可達每平方米數百瓦[3]。此外,沿岸冰間湖還存在結冰析鹽過程, 被稱為“海冰加工廠”, 產生大量新冰[4]。盡管沿岸冰間湖面積僅占南大洋海冰面積的1%, 其產生的海冰量能占到全南極的10%[5], 產冰過程析出的鹽分則與南極底層水的形成密切相關[6]。冰間湖還為海洋哺乳動物和遷徙禽類提供了良好的棲息地, 冰間湖區域也是初級和次級生產力相對較高的地區[7]。綜上, 冰間湖對于深入理解全球氣候變化、能量交換和極地生態系統等方面均具有重要的研究意義。

目前, 用于冰間湖研究的衛星遙感數據主要包括可見光、紅外和微波三類[8]。兩極地區冬季存在極夜現象且冰間湖區域通常有云霧覆蓋, 可見光和紅外遙感受其干擾無法保證觀測的連續性;而微波遙感具有全天時全天候且不受云霧影響的優勢, 已成為監測冰間湖的主要手段?；谖⒉ㄟb感數據反演的海冰密集度產品被廣泛應用于冰間湖的時空變化研究。付紅麗等[4]利用先進微波掃描輻射計(Advanced Microwave Scanning Radiometer for EOS, AMSR-E)海冰密集度數據獲取長時間序列的冰間湖變化信息, 研究了北極冰間湖內的凈水面積、凈水表面的凈熱通量、產冰量和產鹽量的季節和年際變化; Heuzé 等[9]基于掃描多通道微波輻射計(Scanning Multi-channel Microwave Radiometer, SMMR)、專用傳感器微波成像儀(Special Sensor Microwave/Imager, SSM/I)和衛星專用傳感器微波成像儀/探測儀(Special Sensor Microwave Imager Sounder, SSMIS)的海冰密集度數據并結合先進甚高分辨率輻射儀(Advanced Very High Resolution Radiometer, AVHRR)熱紅外數據監測南極威德爾冰間湖(Weddell Polynya); Campbell 等[6]綜合基于AMSR-E/AMSR2 的海冰密集度數據、海洋浮標觀測數據、再分析資料等數據對2016年和2017 年威德爾冰間湖的成因進行了分析。

利用微波遙感海冰密集度數據監測冰間湖時,常采用閾值法。Kern 等[10]認為開闊水域的海冰密集度在5%～40%之間, 而薄冰區域在65%～80%之間; Smedsrud 等[11]利用高分辨率海冰耦合模型對南極 Storfjorden 冰間湖進行了模擬, 發現冰間湖邊緣的海冰密集度通常分布在60%～70%之間;Massom 等[12]在文章中給出了判定冰間湖的依據, 即海冰密集度在 0%～75%之間為冰間湖,75%～100%之間則為海冰; Parmiggiani[13]認為區分開闊水域與海冰的海冰密集度界限為70%, 而Campbell 等[6]將該閾值設為60%, Gloersen[14]則將閾值設為15%。利用微波遙感海冰密集度數據監測冰間湖, 其結果一方面受閾值的影響, 另一方面與所使用的海冰密集度產品息息相關。

目前基于微波遙感數據的冰間湖研究大多集中在冰間湖的變化監測、產冰量估算以及成因分析等方面, 對于監測冰間湖所使用的數據源和算法之間的差異有待進一步探究。冰間湖面積和范圍是提取冰間湖產冰量、熱通量等信息的關鍵基礎參數, 而基于不同數據和反演算法計算的冰間湖面積和范圍有所不同。本文使用8 種基于微波輻射計數據反演的海冰密集度產品, 設置5 種判斷閾值監測南極威德爾冰間湖, 分析和比較不同數據產品與閾值得到的冰間湖面積、范圍以及空間分布等方面的差異。

1 研究區與數據

1.1 研究區

本文研究區域為威德爾海部分海域(6°W—12°E, 68°S—60°S)(圖1 黑色多邊形所示)。威德爾冰間湖最早于1974—1976 年被發現, 是面積可達3×105m2的大型離岸冰間湖[15]。威德爾冰間湖為“感熱冰間湖”, 在開放期間形成了大量冷而咸的底層水[16], 對局地乃至全球的洋流、大氣系統產生了重要影響。而在其后的近40 年間, 威德爾海再未出現冰間湖。直到2016 年, 威德爾冰間湖時隔多年后突然開放, 且于2017 年9 月出現了1 個持續時間更長、面積更大的冰間湖(圖1), 引起了學界的廣泛關注[17-20]。

圖1 研究區示意圖(黑色多邊形范圍內即為研究區)Fig.1. Region of interests (represented by the black polygon)

1.2 數據

基于微波遙感數據反演的海冰密集度產品種類繁多, 不同科研機構使用不同的衛星傳感器和反演算法, 得到不同空間分辨率的海冰密集度產品[21]。本文使用2012—2021 年南極冬季(7 月1日—10 月31 日)的8 種微波遙感海冰密集度數據監測威德爾冰間湖, 文中各產品均以“發布機構-反演算法-空間分辨率”命名, 產品介紹如下(詳見表1)。

表1 海冰密集度數據產品簡介Table 1. Sea ice concentration products used in this paper

1. NSIDC-BT-25km: 該產品來自美國國家冰雪數據中心(National Snow and Ice Data Center,NSIDC)。主要使用Nimbus-7 衛星搭載的掃描式多通道微波輻射計SMMR、DMSP 系列衛星上的專用傳感器微波成像儀SSM/I 以及搭載在DMSPF17 上的專用傳感器微波成像探測儀SSMIS 數據,并運用Bootstrap(BT)算法[22]獲取空間分辨率為25 km, 時間分辨率為1 d 的海冰密集度產品[23]。

2. NSIDC-NT2-25km: 該產品來自美國國家冰雪數據中心, 其通過均值法將AMSR2 微波輻射計的條帶數據(微波輻射亮溫)重采樣到25 km的極方位立體投影網格后, 利用 NASA Team 2(NT2)算法[24]反演得到海冰密集度。該產品的空間分辨率為25 km, 時間分辨率為1 d[25]。

3. NSIDC-NT2-12.5km: 該產品的數據源、反演算法以及重采樣方法跟NSIDC-NT2-25km 產品一致, 但處理過程略有差異。其先將NT2 算法應用于AMSR2 微波輻射計的條帶數據, 然后再將反演結果(即海冰密集度)重采樣至12.5 km 的網格。該海冰密集度產品與海冰漂移、海冰表面積雪厚度等數據一起發布, 其空間分辨率為12.5 km,時間分辨率為1 d[26]。由于海冰密集度與微波輻射亮溫在NT2 算法中并非簡單的線性關系, 重采樣與反演的順序將對結果帶來一定影響, 該產品的降采樣結果(如重采樣至 25 km)與 NSIDCNT2-25km 產品存在一些差異。

4. NSIDC-NTBT-25km: 該產品同樣來自美國國家冰雪數據中心。使用了被動微波輻射計SMMR, SSM/I 以及SSMIS 數據, 該數據集融合了NT 算法[27]和BT 算法的海冰密集度反演結果,為每個像元選擇較高的海冰密集度。由于兩種算法都存在低估海冰密集度的問題, 且NT 算法的低估更為明顯, 因此最終的融合結果總體上與BT 算法的結果更為接近, 而與NT 算法的結果存在較大差異[28]。該數據集的空間分辨率為25 km,時間分辨率為1 d[29]。

5. EUMETSAT-BTBR-25km: 該產品是歐洲氣象衛星應用組織(European Organisation for the Exploitation of Meteorological Satellites, EUMETSAT)下的海洋和海冰衛星應用設施(Ocean and Sea Ice Satellite Application Facility, OSISAF)發布的全球海冰密集度數據。該產品使用SMMR、SSM/I 和SSMIS 數據并融合BT 算法與Bristol(BR)算法[30](兩種算法的線性組合), 在低海冰密集度(＜70%)的情況下BR 算法權重小, BT 算法權重大, 反之則相反。該數據集先將BT 與BR 的融合算法應用于微波輻射計的條帶數據上, 再使用均值法將反演結果重采樣到極方位立體投影網格中。在重采樣過程中, 其將距離每個網格中心12.5 km 范圍內的海冰密集度取等權平均, 最后得到空間分辨率為25 km,時間分辨為1 d 的海冰密集度產品[31-32]。

6. EUMETSAT-BTBR-10km: 該產品是歐洲氣象衛星應用組織發布的準實時海冰密集度數據。該數據集先將BT 與BR 的融合算法應用于SSMIS 的條帶數據上, 再使用均值法將海冰密集度反演結果重采樣到蘭勃特方位等積投影網格中。與EUMETSAT-BTBR-25km 產品不同的是,該產品在重采樣過程中將搜索半徑設置為75 km并使用高斯加權平均法, 最后獲得空間分辨率為10 km, 時間分辨率為1 d 的海冰密集度產品[33]。

7. UH-ASI-12.5km: 該產品來自德國漢堡大學(University of Hamburg, UH)。其將ARTIST Sea Ice(ASI)算法[34-35]應用于SSM/I 和SSMIS 數據,獲取空間分辨率為12.5 km, 時間分辨率為1 d 的海冰密集度產品[36]。

8. UB-ASI-6.25km: 該產品來自德國不萊梅大學(University of Bremen, UB)。其將ASI 算法應用于AMSR-E 和AMSR2 數據, 獲取空間分辨率為6.25 km, 時間分辨率為1 d 的海冰密集度產品[37]。

2 研究方法

本研究使用閾值法監測冰間湖的開放狀況。設定閾值X, 當像元海冰密集度(SIC)小于或等于X時, 認為該像元是海水, 屬于冰間湖區域; 當海冰密集度大于X時, 則判定為海冰。此種方法只適用于完全被海冰包圍的海域, 不適用于與開闊水域連接的情況。

本文分別采用15%、40%、50%、60%和70%這5 種常見的冰間湖判斷閾值, 分析其對威德爾冰間湖面積、范圍計算的影響。若直接將低于一定海冰密集度閾值的像元歸為冰間湖區域, 可能會導致部分散點分布的細碎水體被誤分為冰間湖。因此本文在設置一定閾值獲得初步的監測結果后, 還使用形態學操作對結果進行優化(圖2), 具體過程如下。

圖2 后處理過程示例。a)海冰密集度空間分布圖; b)二值化結果(圓圈內為誤分為冰間湖的細碎水體); c)最大八連通域的結果; d)形態學開操作的結果Fig.2. Morphological post-processing operations. a) spatial distribution of sea ice concentration; b) result of binarization(fragmented misclassified water pixels marked in the circles); c) result of eight connected components; d) result of morphological opening

1. 對冰間湖監測結果進行二值化處理, 即高于海冰密集度閾值的像元值置為0(認為是海冰),低于閾值的像元值置為1(認為是海水);

2. 取二值化圖像的最大八連通域, 去除不滿足八連通的像元;

3. 在上一步的基礎上進行形態學開操作(以3×3的滑動窗口先腐蝕后膨脹), 得到最終的監測結果。

以威德爾海2016 年8 月5 日的UB-ASI-6.25km 產品的海冰密集度分布為例(圖2a), 當閾值為60%時, 閾值法獲得的冰間湖區域存在細碎散點狀的低海冰密集度像元(圖2b), 經過八連通域的處理后, 遠離冰間湖中央區域的散點狀像元被成功去除(圖2c)。在此基礎上, 利用形態學開操作來平滑連通域的連接和輪廓(圖2d), 以確保冰間湖內部完全連通且保留冰間湖的基本形狀,從而得到更為有效的冰間湖面積和范圍。

冰間湖的面積(A)和范圍(E)計算公式如下:

其中,n為經過后處理操作被判斷為屬于冰間湖區域的像元個數,C為各像元的海冰密集度,s為海冰密集度數據單個網格的面積。

3 結果與討論

本文對2012—2021 年威德爾海的海冰密集度進行時空變化分析, 發現2016—2017 年威德爾海出現了大范圍、較為明顯的冰間湖, 這與Swart等[17]的結論一致。因此本文主要研究2016 年和2017 年出現的冰間湖, 分別以15%、40%、50%、60%和70%這5 種常見的海冰密集度閾值監測冰間湖的變化, 并探究閾值對監測結果的影響。本文分別從海冰密集度反演算法和空間分辨率兩方面分析8 種海冰密集度產品(NSIDC-BT-25km、NSIDC-NT2-25km、NSIDC-NT2-12.5km、NSIDCNTBT-25km、EUMETSAT-BTBR-25km、EUMETSATBTBR-10km、UH-ASI-12.5km 和UB-ASI-6.25km)在冰間湖監測面積、范圍以及空間分布等方面的差異, 并探討形態學后處理操作對監測結果的影響。

3.1 不同閾值的監測結果對比

本文分別設置15%、40%、50%、60%和70%的海冰密集度閾值, 對比在使用各種海冰密集度產品時, 設置不同閾值條件對監測結果的影響(圖3)。

圖3 不同閾值條件下8 種海冰密集度產品監測的威德爾冰間湖面積。a)NSIDC-BT-25km; b)NSIDC-NT2-25km; c)NSIDCNTBT-25km; d)EUMETSAT-BTBR-25km; e)NSIDC-NT2-12.5km; f)UH-ASI-12.5km; g)EUMETSAT-BTBR-10km;h)UB-ASI-6.25kmFig.3. Area of Weddell Polynya detected from the eight sea ice concentration products using different thresholds. a) NSIDCBT-25km; b) NSIDC-NT2-25km; c) NSIDC-NTBT-25km; d) EUMETSAT-BTBR-25km; e) NSIDC-NT2-12.5km; f)UH-ASI-12.5km; g) EUMETSAT-BTBR-10km; h) UB-ASI-6.25km

在不同閾值條件下, 8 種海冰密集度產品均于每年7 月初監測到研究區存在較多低于閾值的像元。然而, 通過觀察這些像元的空間分布, 發現研究區在對應時段內未被海冰完全包圍, 并不是本文所要研究的冰間湖。因此, 為了得到更具代表性的結論, 本文僅對7 月15 日后出現的較為典型的冰間湖進行研究。

以2017 年的冰間湖面積變化為例(圖3), 對于本文使用的8 種海冰密集度產品, 不同閾值條件下均監測到9—10 月出現冰間湖。不同閾值條件下冰間湖面積的時間序列曲線形狀大致相同,均表現為9 月初迅速增大并于9 月18 日達到峰值, 此后略有減小并出現較為穩定的波動, 于10 月24 日出現明顯谷值的趨勢。冰間湖范圍隨閾值變化的情況與面積變化情況一致。由此表明,設置不同的判斷閾值只會對其絕對面積或范圍值產生影響, 而不會影響其監測結果的時間變化趨勢。

總體上, 海冰密集度的閾值越高, 監測到的冰間湖面積和范圍就越大。當閾值為70%時, 8 種海冰密集度數據的監測結果均取得最大值; 當閾值為15%時, 均取得最小值, 這與錢江潮等[20]的結果有較好的一致性。閾值反映了區分冰和水的海冰密集度判斷標準, 由于冰間湖出現在冬季被海冰覆蓋的海域, 其附近區域海冰密集度一般較高, 閾值設置得越高意味著將像元判斷為海水的標準越低, 則會有更多像元被認為是屬于冰間湖區域, 因此冰間湖面積和范圍也更大。

對于每種海冰密集度產品, 本文進一步分析了冰間湖面積和范圍的計算結果對于閾值變化的敏感性。敏感性由每種產品得到的冰間湖面積和范圍變化量與閾值變化量之比來衡量(即閾值每增加10%時面積和范圍的增加量, 其中15%和40%閾值間的計算結果歸一化到閾值變化10%的結果)。敏感性越高表明該種海冰密集度產品的監測結果越容易受到閾值變化的影響。圖4 展示了8 種海冰密集度產品監測到的2017 年9—10 月冰間湖面積隨閾值變化的平均敏感性。

圖4 冰間湖面積變化量與閾值變化之比Fig.4. The ratio of the change in the area of the polynya to the change in the thresholds

圖4 表明, 8 種海冰密集度產品的敏感性均自9月12 日起顯著變大, 數天后略有減小并趨于穩定。結合圖4 和表2 可知, NSIDC-NTBT-25km 的敏感性最高且隨時間呈不規則波動; NSIDC-NT2-25km 和NSIDC-NT2-12.5km 的敏感性最低并且隨時間變化不明顯; UH-ASI-12.5km 和UB-ASI- 6.25km 這兩種海冰密集度產品在9 月10 日—10 月5 日期間敏感性浮動較大, 而隨后其敏感性趨于穩定; NSIDCBT-25km、EUMETSAT-BTBR-25km 和EUMETSATBTBR-10km 的敏感性在數值大小和變化趨勢上都表現得比較相似, 均隨時間變化不明顯。由此可知,由相同或相似算法產品得到的冰間湖面積和范圍隨閾值變化的敏感性較為相近, 而不同算法產品監測結果的敏感性存在一定的差異。

表2 不同海冰密集度產品監測的冰間湖面積和范圍變化量與閾值變化量之比Table 2. The ratio of the change in the area and extent of the polynya to the change in the thresholds for different sea ice concentration products

3.2 不同海冰密集度產品的監測結果對比

3.2.1 反演算法對監測結果的影響

由3.1 節中不同海冰密集度產品對閾值變化的敏感性可知, 監測結果會受到反演算法的影響。因此本節將討論不同算法反演的海冰密集度產品所監測的冰間湖面積和范圍的差異。圖5 展示了空間分辨率分別為25 km(圖5a)和12.5 km(圖5b)情況下, 不同算法反演的海冰密集度產品在2017 年9 月25 日所監測的冰間湖空間分布的差異。與3.1 節結論一致的是, 海冰密集度閾值設置得越高, 冰間湖的面積和范圍越大。

如1.2 節中所述, NSIDC-NTBT-25km 海冰密集度產品融合了NT 算法與BT 算法, 最終的融合結果整體上更接近于BT 算法的結果。而EUMETSATBTBR-25km 融合了BT 算法與BR 算法, 在低海冰密集度的情況下主要使用BT 算法, 根據冰間湖的判別條件可以推測, 該產品的融合結果也與BT 算法的結果更為接近。從空間分布上看, 使用由相似算法反演的海冰密集度產品監測到的冰間湖形狀和大小相近(NSIDC-BT-25km、NSIDCNTBT-25km 和EUMETSAT-BTBR-25km, 圖5a);若反演算法差異較大, 則由其獲得的海冰密集度產品監測到的冰間湖差異也較為明顯(如NSIDCNT2-25km 和NSIDC-BT-25km, NSIDC-NT2-12.5km和UH-ASI-12.5km)。

對于NSIDC-NT2-25km 和NSIDC-BT-25km這兩種空間分辨率相同的產品, 其在相同閾值條件下的冰間湖監測結果存在較大的差異(圖5a)。閾值為15%時, NSIDC-NT2-25km 得到的冰間湖面積/范圍是2.6×104km2/2.7×104km2, 而NSIDC-BT-25km 得到的面積/范圍是1.7×104km2/1.8×104km2;閾值為70%時, NSIDC-NT2-25km 得到的面積/范圍是4.0×104km2/5.4×104km2, 而NSIDC-BT-25km得到的面積/范圍為4.9×104km2/7.9×104km2。冰間湖區域海冰密集度低、海冰厚度小, 且冰間湖區域常產生大量新冰, 而這兩種數據產品的反演算法在這種區域的表現存在較大差異。NT2 算法應用了極化比和頻率梯度比, 通過前向輻射傳輸模型來減小大氣對高頻通道的影響[38]。黃琳等[39]通過對比高分辨率雷達數據與海冰密集度遙感產品的監測結果發現, NT2 算法中的大氣校正方法存在不足, 將低海冰密集度區判別為高海冰密集度區從而導致海冰密集度出現高估的情況, 因此也就更不容易滿足本研究中閾值法判定為冰間湖的條件, 使得NSIDC-NT2-25km 監測到的冰間湖面積整體偏小(圖5a)。而BT 算法是根據19 GHz和37 GHz 垂直極化亮溫數據發展出來的算法, 其在海冰邊緣區、薄冰及融池區域反演精度較低[40]。Xiu 等[41]通過對比基于被動微波的海冰密集度產品與船基現場實測數據, 發現BT 算法在海冰密集度低于15%或浮冰尺寸小于20 m 的情況下無法對海冰進行有效識別。這就很好地解釋了NSIDC-BT-25km 海冰密集度產品(包括與之相近的NSIDC-NTBT-25km 和 EUMETSAT-BTBR-25km,圖5a)在閾值為 15%時監測到的冰間湖面積比NT2 算法的監測結果還要小(甚至無法監測到冰間湖的開放, 例如2016 年8 月5 日)。

而對于NSIDC-NT2-12.5km 和UH-ASI-12.5km這兩種均基于高頻算法反演且空間分辨率一致的海冰密集度產品, 其在同一天相同閾值條件下的冰間湖監測結果也存在較為明顯的差異(圖5b)。在閾值為15%時, NSIDC-NT2-12.5km 得到的冰間湖面積/范圍是2.6×104km2/2.7×104km2, 而UH-ASI-12.5km 得到的面積/范圍是2.8×104km2/2.8×104km2; 在閾值為70%時, NSIDC-NT2-12.5km得到的面積/范圍是4.1×104km2/5.5×104km2, 而UH-ASI-12.5km 得到的面積/范圍是6.0×104km2/9.6×104km2。ASI 算法利用近90 GHz 下海冰與海水極化差的巨大差異來反演海冰密集度, 但其容易受到大氣的影響而反演出虛假的海冰, 通常采用天氣濾波器去除誤反演的海冰[42-43]。然而,該濾波器會錯誤地去除海冰邊緣區較低密集度的海冰, 從而導致海冰密集度出現低估的情況[39,44],這使得基于ASI 算法的海冰密集度產品監測的冰間湖面積大于NT2 算法的監測結果。同時, 如前所述, NT2 算法傾向于高估海冰密集度, 因此從整體來看, NSIDC-NT2-12.5km 也比 UH-ASI-12.5km 監測到的冰間湖面積更小(圖5b)。

3.2.2 空間分辨率對監測結果的影響

在閾值和反演算法相同的條件下, 不同空間分辨率的海冰密集度產品監測到的冰間湖面積和范圍有著明顯的差異, 圖6 展示了2017 年9—10月冰間湖面積的時間序列對比。

根據圖6 可知, 閾值為15%時, 不同空間分辨率的海冰密集度產品監測的冰間湖面積差異最大, NT2、BTBR 和ASI 算法產品間的平均差異分別為0.1×104km2、1.1×104km2和1.4×104km2。而當閾值為40%～70%時, 各算法產品間的平均差異分別為0.01×104km2、0.8×104km2和0.7×104km2。這說明在低海冰密集度的情況下, 不同算法反演的海冰密集度產品更容易受到空間分辨率的影響,其中NT2 算法的影響最小, ASI 算法的影響最大。通過對比反演算法相同的海冰密集度產品NSIDCNT2-25km 和NSIDC-NT2-12.5km、EUMETSATBTBR-25km 和EUMETSAT-BTBR-10km 以及UH-ASI-12.5km 和UB-ASI-6.25km 的監測結果可以發現, 空間分辨率越高(NSIDC-NT2-12.5km、EUMETSAT-BTBR-10km 以及UB-ASI-6.25km),監測到的冰間湖面積也越大(圖6)。圖7 展示了閾值為60%時, 不同空間分辨率的海冰密集度產品在2017 年9 月25 日監測到的冰間湖空間分布情況。當使用較高空間分辨率的海冰密集度產品時,研究區范圍內出現了較多的細碎水體(文中展示的圖為細碎水體被形態學操作剔除后的結果)。較低空間分辨率的海冰密集度產品(NSIDC-NT2-25km、EUMETSAT-BTBR-25km 以及UH-ASI-12.5km)只能監測到少量屬于冰間湖的像元, 而較高空間分辨率的海冰密集度產品(NSIDC-NT2-12.5km、EUMETSAT-BTBR-10km 以及UB-ASI-6.25km)能監測到更多低海冰密集度的像元, 從而使得冰間湖的整體面積和范圍更大。這是因為低分辨率的數據所捕捉的海冰信息比較模糊、精度較低, 通常會低估一些小冰間湖的出現頻次;而高空間分辨率的數據可以區分較小的海冰現象、能夠更精細地刻畫海冰細節以及分辨出更多低海冰密集度的像元, 從而得到更大的冰間湖面積和范圍[45]。此外, 本文利用高分辨率產品進行重采樣以對比不同傳感器的影響, 得到與上述情況類似的結果, 即基于高分辨率傳感器數據反演的海冰密集度產品所監測的冰間湖面積和范圍更大。

圖7 不同空間分辨率的海冰密集度產品監測的冰間湖空間分布對比。a)NSIDC-NT2-25km; b)EUMETSAT-BTBR-25km;c)UH-ASI-12.5km; d)NSIDC-NT2-12.5km; e)EUMETSAT-BTBR-10km; f)UB-ASI-6.25kmFig.7. The spatial distributions of polynya detected by sea ice concentration products with different spatial resolutions.a) NSIDC-NT2-25km; b) EUMETSAT-BTBR-25km; c) UH-ASI-12.5km; d) NSIDC-NT2-12.5km; e) EUMETSATBTBR-10km; f) UB-ASI-6.25km

當冰間湖范圍內所有像元的海冰密集度連續多天低于設置的閾值時, 定義為1 個“冰間湖事件”。對于2016 年和2017 年出現的兩個“冰間湖事件”, 本研究在海冰密集度閾值為60%條件下,比較不同海冰密集度產品的監測結果(表3)。結果表明, 相較于NSIDC-NT2-25km、EUMETSATBTBR-25km 以及UH-ASI-12.5km, 更高空間分辨率的海冰密集度產品(NSIDC-NT2-12.5km、EUMETSAT-BTBR-10km 以及UB-ASI-6.25km)能更早地監測到冰間湖的開放, 且其監測到的冰間湖開放持續時間也更長, 其中UB-ASI-6.25km 監測到的2017 年“冰間湖事件”一直持續到融冰期結束, 這與錢江潮等[20]的結果有較好的一致性。

表3 2016 和2017 年的兩個“冰間湖事件”監測結果Table 3. The detected results of two “polynya events” in 2016 and 2017

3.3 形態學后處理操作對監測結果的影響分析

對于不同反演算法和不同空間分辨率的海冰密集度產品, 形態學后處理操作對監測到的冰間湖面積和范圍影響不同。本文以形態學操作前后冰間湖面積/范圍的變化率和變化量來分析形態學操作對監測結果帶來的影響。圖8 展示了不同海冰密集度產品監測的冰間湖面積在形態學操作前后的差異。

圖8 形態學操作前后不同海冰密集度產品監測到的冰間湖面積變化Fig.8. The detected polynya area changes due to the morphological operations on different sea ice concentration products

如圖8 所示, 形態學操作對高頻算法(ASI 和NT2)反演的海冰密集度產品影響更為顯著。其中UB-ASI-6.25km 和UH-ASI-12.5km 所監測的冰間湖在形態學操作前后的平均面積變化率/變化量分別為13.1%/2.1×103km2和5.7%/0.8×103km2;而NSIDC-NT2-12.5km 和NSIDC-NT2-25km 的監測結果在形態學操作前后的平均面積變化率/變化量分別為3.7%/0.5×103km2和3.3%/0.5×103km2。通過進一步的對比可以發現, 空間分辨率更高以及由ASI 算法反演的海冰密集度產品受形態學操作的影響更大。這是因為形態學操作的目的之一是剔除細碎水體對冰間湖面積和范圍計算結果的影響, 而高空間分辨率的產品相較于低空間分辨率產品能監測到更多低海冰密集度的像元, 導致其在形態學操作后的面積和范圍變化更大。如3.2.1 節中所述, ASI 算法所使用的基于閾值的天氣濾波器可能會錯誤地去除海冰邊緣區反演的海冰(將其置為海水), 即會產生更多海冰邊緣區的細碎水體, 因此基于ASI 算法反演的海冰密集度產品的監測結果在形態學操作前后變化較大。形態學后處理操作對BT 算法(以及與之相近的NTBT 和BTBR算法)反演的海冰密集度產品影響較為微弱, 其平均面積變化率/變化量均在2%/0.5×103km2以內。

需要說明的是, 形態學后處理操作對不同海冰密集度產品監測結果的影響要小于(甚至遠小于)反演算法和空間分辨率所帶來的影響。其中,形態學操作/反演算法在 NSIDC-NT2-25km 和NSIDC-BT-25km 兩種產品間造成的平均差異(即兩種產品的差)為 0.3×103km2/1.6×103km2, 在NSIDC-NT2-12.5km 和UH-ASI-12.5km 產品間造成的平均差異為0.3×103km2/2.1×103km2; 而形態學操作/空間分辨率在 NSIDC-NT2-25km 和NSIDC-NT2-12.5km 兩種產品間造成的平均差異為 0.05×103km2/0.3×103km2, 在 EUMETSATBTBR-25km 和EUMETSAT-BTBR-10km 產品間造成的平均差異為0.1×103km2/6.5×103km2, 在UH-ASI-12.5km 和UB-ASI-6.25km 產品間造成的平均差異為1.3×103km2/5.8×103km2。由此可知, 形態學后處理操作不足以改變反演算法和空間分辨率本身對監測結果帶來的影響, 即3.2.1 節與3.2.2 節中分析不同反演算法與空間分辨率對冰間湖面積/范圍監測結果的差異基本可以排除形態學操作的影響, 證明了前文結論的可靠性, 同時也說明了本研究采用該后處理流程的合理性。

4 結論

本文使用8 種海冰密集度產品監測2016 年和2017 年出現的南極威德爾冰間湖, 從冰間湖的面積、范圍和空間分布形狀等方面定量和定性地對比分析了不同閾值條件、不同海冰密集度反演算法和不同空間分辨率對于冰間湖監測結果的影響,同時還討論了形態學后處理操作對監測結果的影響, 具體結果如下(詳見表4)。

表4 8 種海冰密集度產品監測冰間湖的特點總結Table 4. Summary of characteristics of the eight sea ice concentration products for detecting the polynya

1. 海冰密集度閾值設置得越高, 監測的冰間湖面積和范圍越大。本文以冰間湖面積/范圍變化量與閾值變化量之比的平均值定量評價了不同海冰密集度產品對于閾值的敏感性。結果表明, NSIDCNTBT-25km 對閾值的敏感性最高, NSIDC-NT2-25km 和NSIDC-NT2-12.5km 的敏感性最低; UHASI-12.5km 和UB-ASI-6.25km 對閾值的敏感性較為相近, NSIDC-BT-25km、EUMETSAT-BTBR-25km和EUMETSAT-BTBR-10km 的敏感性較為一致。

2. 不同反演算法在低海冰密集度、薄冰、新冰區域的反演精度差異造成了冰間湖監測結果的差異。使用相同或相似算法反演的海冰密集度產品(NSIDC-BT-25km、NSIDC-NTBT-25km 和EUMETSAT-BTBR-25km)監測到的冰間湖形狀在空間分布上具有一定的相似性。NT2 算法存在高估海冰密集度的問題, 因此基于該算法的海冰密集度產品所監測到的冰間湖面積和范圍相較于BT 算法與ASI 算法產品的監測結果整體偏小。但由于BT 算法在海冰密集度低于15%時無法對海冰進行有效識別, 因此BT 算法產品在閾值為15%時監測的冰間湖面積/范圍要小于NT2 的監測結果。

3. 海冰密集度產品的空間分辨率對冰間湖的監測結果影響顯著, 分辨率越高, 監測到的冰間湖面積和范圍越大。較高空間分辨率的海冰密集度產品能更早地監測到冰間湖的開放, 且監測到的冰間湖開放持續時間更長。在低海冰密集度的條件下(15%閾值), 不同產品的監測結果更容易受到空間分辨率的影響, 其中NT2 算法產品影響最小, ASI 算法產品影響最大。

4. 本文在閾值法的基礎上, 利用形態學操作對監測結果進行優化。通過定量計算冰間湖的面積變化率和變化量發現, 高頻算法(ASI 和NT2)反演的海冰密集度產品受形態學操作的影響更顯著。進一步對比發現空間分辨率更高的產品以及ASI算法反演的產品的監測結果在形態學操作前后變化更大, 其中UB-ASI-6.25km 的平均面積變化率/變化量為13.1%/2.1×103km2。該后處理流程對低空間分辨率以及由其他算法(BT、NTBT 和BTBR)反演的海冰密集度產品影響較小, 其平均面積變化率/變化量均在2%/0.5×103km2以內。

本文對于利用海冰密集度產品監測冰間湖的具體操作具有重要意義。采用不同閾值時, 需要考慮不同產品監測結果對閾值的敏感性; 使用由不同算法反演的海冰密集度產品時, 需要注意不同海冰條件下算法的反演精度; 使用高空間分辨率的產品時, 需要注意細碎水體識別對最終監測結果的影響; 使用形態學后處理操作時, 需要考慮其對高空間分辨率及高頻算法產品的影響。此外, 本文對采用數值模式來研究冰間湖的形成機制也具有重要參考價值, 在考慮不同的外界強迫和初始條件時需要關注各參量的敏感性、精度及其獨立性, 從而更準確地刻畫冰間湖形成時海冰、海洋及大氣的熱力學與動力學過程。

本文僅以南極威德爾冰間湖為例進行分析,未來可考慮其他時間、其他區域出現的冰間湖,結合高分辨率遙感數據與現場實測數據, 對海冰密集度數據監測冰間湖的準確性進行更加全面的評估。