基于SAR 衛星觀測的北極冰渦時空分布特征*

房 超 汪 勝 劉桂紅 杜延磊 趙亞明 于 ? 楊曉峰

1（中國科學院空天信息創新研究院 遙感科學國家重點實驗室 北京 100101）

2（中國科學院大學 北京 100049）

3（澳門大學科技學院 澳門 999078）

4（北京市5111 信箱 北京 100094）

0 引言

北極地區常年被冰雪覆蓋，是地球大氣的主要冷源之一，其中北冰洋占據了其2/3 的面積。來自大西洋和太平洋的暖流造成了北冰洋復雜的海洋動力和熱力環境，導致大洋內部出現斜壓和正壓不穩定[1-6]，從而形成了海洋渦旋。邊緣冰區（Marginal Ice Zone,MIZ）上層浮冰在海洋渦旋的驅動下表現出顯著的螺旋特性和渦旋運動特點。本文將海表浮冰與海洋渦旋構成的冰水混合模式稱為冰渦。

一般情況下，冬季的冰層較厚且表面粗糙，抑制了近地表斜壓不穩定性的發展，從而阻斷了表層橫向混合的渦旋驅動機制。隨著夏季的到來，海冰變得薄且光滑，近地表層斜壓不穩定性逐漸增強，導致渦旋活動變得十分活躍[7]。渦旋的垂直熱量傳輸加速了極地海冰的消融，從而導致斜壓不穩定性持續增強，渦旋活動因此變得更加活躍。極地海冰和渦旋相互作用[8]，影響了邊緣冰區的演化，間接調節著全球氣候。此外，和大多數中低緯度海洋渦旋一樣，冰渦對于海洋的溫鹽、碳和生物化學物質運輸也有著重要的影響[9-14]。

冰渦數據的獲取主要依賴于現場觀測儀器和衛星傳感器。一般情況下，現場觀測數據具有高質量和高可靠性的優勢，目前的現場觀測手段包括系泊觀測[8,15-18]（mooring）、冰系剖面儀[19]（ice-tethered profilers）以及冰下滑翔機（under-ice gliders）。然而，受制于高昂的觀測成本和惡劣的天氣條件，現場觀測數據的數量和覆蓋范圍難以支撐實驗需求。衛星所搭載的傳感器，通過全球范圍的高空間分辨率和大幅寬觀測，理論上可以獲取大量數據以支持冰渦現象的檢測和特征分析任務。然而，由于海冰的存在，導致基于現有的北極衛星觀測資料難以推斷出海洋表面的特征，例如海面高度、溫度和鹽度[20]。此外，衛星測高顯示了海洋中分辨率為O （100 km）的中尺度渦旋場[21]，北極渦旋的尺寸相對于中低緯度渦旋要小數倍，因此即使在無冰覆蓋的地區，衛星測高也只能識別少數渦旋[20]。盡管可見光和紅外波段的中高分辨率衛星能夠直接獲得北冰洋渦旋場的空間信息，但是由于北冰洋常常被密集的云層覆蓋，所獲取的可用數據并不足以支撐大范圍的冰渦觀測。

相比之下，具有全天時、全天候觀測特點的高空間分辨率星載合成孔徑雷達（SAR）更適合觀測北極中尺度和亞中尺度上層海洋過程[20]。當海冰從鄰近的邊緣冰區被卷吸到渦旋場中時，上層浮冰可以完全模擬該區域的流場，由此形成了明顯的螺旋特征。此外，由于波流相互作用、漂流浮冰以及海洋鋒面上近地面風的變化對短尺度表面粗糙度模式的調制，使得渦旋特征在星載SAR 圖像中易于識別[22,23]。在這種情況下，較薄的冰（如新形成或融化的冰）在SAR 圖像中會被視為暗模式（低后向散射），而較厚的冰會被視為亮模式（高后向散射）[24]。

Kozlov 等[20]通過對北冰洋邊緣冰區的SAR 影像進行目視解譯，分析了北冰洋西部邊緣冰區的渦旋空間分布特征。這些渦旋的直徑范圍介于0.5～100 km 之間，多分布在大陸架和大陸斜坡地區，較少分布在加拿大海盆深處和楚科奇高原。此外，氣旋型渦旋的出現次數大約是反氣旋型渦旋的兩倍。Kozlov 和Atadzhanova[24]采用了目視解譯方法，對弗拉姆海峽和斯瓦爾巴群島邊緣冰區的渦旋進行了研究。研究結果表明，在該區域，中尺度和亞中尺度的渦旋占據主導地位，氣旋型渦旋的發生頻率約為反氣旋型渦旋的兩倍，這與之前的研究結論一致。這些渦旋的直徑范圍在1～68 km，其平均直徑在淺水和深水中分別為6 和12 km。在邊緣冰區內，渦旋的平均尺寸隨著海冰密集度的增加而增加，但是渦旋主要發生在邊緣冰區以及海冰濃度低于20%的地方。值得注意的是，氣旋型冰渦的海冰占比為53%，稍高于反氣旋型冰渦的48%。每個渦旋平均捕獲的海冰面積約為40 km2，而由渦旋引發的冰融化所導致的冰邊緣平均水平后退速率約為0.2～0.5 km·d-1，標準偏差為±0.02 km·d-1。

目前，在基于SAR 的冰渦檢測研究中，主要采用人工目視解譯方法。然而，在進行目視解譯之前，需要對海量的遙感影像進行篩選，以確定存在冰渦特征的影像。由于冰渦上層的堆積浮冰呈現不規則分布的特點，傳統的渦旋檢測算法并不適用，只能依賴人工篩選的方式。因此，盡管衛星數據幾乎覆蓋了整個北極地區，但由于冰渦的人工篩選工作量巨大，目前缺少對整個北極地區的冰渦時空分布的全面統計分析。

隨著深度學習算法的不斷發展，一系列目標檢測模型被廣泛應用于海洋現象檢測研究中。例如，Li等[25]充分考慮海洋遙感領域的數據特性，利用改進后的深度學習模型開展了一系列海洋現象檢測和分析，結果表明深度學習方法在海洋遙感領域具有顯著的應用潛力。

在各種目標檢測算法中，YOLO（You Only Look Once）模型憑借極快的訓練速度和較高的檢測識別精度被廣泛使用。相較于其他優秀的目標檢測模型-SSD 和Faster-RCNN，YOLO 模型具有以下優勢：首先，該模型采用更加輕量化的網絡結構，在保證準確率的前提下，實現了更快的檢測速度；其次，由于每個網絡預測目標窗口時使用的是全圖信息，很好地避免了背景錯誤，使得假陽性（False Positive）檢測結果的比例大幅降低；最后，YOLO 模型經過數代更迭已經十分成熟，能夠兼顧精度和速度優勢，其部署、訓練以及二次開發更為便捷。Bhavya 等[26]在2021 年的一項研究表明：如果在COCO 數據集上比較SSD 和YOLOv3，在輸入分辨率為320×320 的情況下實現幾乎相同（28%）的全類平均精度（mean Average Precision, mAP），YOLOv3 的運行速度大約是SSD 的3 倍。隨著YOLO 系列不斷更新，其精度和速度都得到了進一步改善。YOLOv7 于2022 年7 月發表，當時，在5 FPS 到160 FPS 的范圍內，其在速度和精度上優于所有已知的目標檢測器[27]。

YOLO 模型的在遙感領域中也得到了廣泛應用，Wang 等[28]針對高度計數據，采用增加注意力機制的YOLO 模型有效地學習了中尺度渦旋的特征，并對南海區域的渦旋進行檢測識別，結果表明YOLO 模型在單灰度海平面異常（SLA）數據上的表現要優于兩階段檢測技術Faster R-CNN。Cao 等[29]將改進的YOLO 模型應用于SLA 數據，對1993—2021 年南海的中尺度渦進行了探測和識別。與傳統的識別方法相比，該模型具有更好的識別效果（準確率達91%），不僅避免了主觀設定閾值所帶來的偏差，還在一定程度上提高了中尺度渦旋的探測和識別速度。此外，Khachatrian 等[30]收集了弗拉姆海峽區域的冰渦SAR 影像，微調預訓練的YOLOv5 模型，檢測結果表明了YOLOv5 模型在邊緣冰區渦旋檢測任務中的有效性和魯棒性。

本文基于歐洲航天局（European Space Agency，ESA）哨兵一號衛星的SAR 數據，對北極冰渦的檢測、識別與特征分析進行了研究。在數據構建階段，采用了歐洲航天局官方提供的2024 幅SAR 影像制作了樣本集；在冰渦檢測任務中，運用了YOLOv7 算法進行了模型訓練，并結合模型結果進行了目視解譯；在特征分析任務中，對2022 年北極邊緣冰區的冰渦時空分布信息進行了統計，并從冰渦直徑、冰渦類型（氣旋/反氣旋）、海冰占比三個方面對冰渦特征進行了統計分析。

1 數據與方法

1.1 數據

研究使用的哨兵一號A 星SAR 影像數據由歐洲航天局提供，該衛星于2014 年4 月3 日發射，其上搭載的C 波段合成孔徑雷達具有4 種觀測模式：干涉寬幅（IW），超寬幅（EW），波模式（WV）和條帶模式（SM），具體信息詳見表1。

表1 哨兵一號衛星成像模式及參數Table 1 Sentinel-1 imaging modalities and parameters

歐洲航天局在其官方網站** https://scihub.copernicus.eu/** https://usicecenter.gov/上提供了四種不同級別的數據，分別為Level-0 級原始數據、Level-1 級單視復數數據（Single Look Complex，SLC）、Level-1 級地距多視數據（Ground Range Detected，GRD）和Level-2 級數據。本文選用了EW 和IW 模式下的Level-1 級GRD 數據進行研究，并且使用了歐洲航天局發布的專業軟件SNAP 對GRD 數據進行了一系列處理，包括軌道校正、輻射定標、重采樣以及Refined-lee 濾波。為了后續制作樣本切片，這里暫時未進行地理編碼。

此外，為了最大程度地篩選出北極邊緣冰區的冰渦影像，本文還使用了美國國家冰中心*** https://scihub.copernicus.eu/** https://usicecenter.gov/提供的北極月度海冰變化趨勢圖來判斷邊緣冰區的位置，該趨勢圖顯示了整個北極地區的海冰消退和擴張。本文結合北極冰情圖目視收集了2024 幅含有潛在冰渦特征的北極邊緣冰區哨兵一號衛星SAR 數據，其時間分布和空間分布如表2 和圖1 所示。

圖1 北極邊緣冰區實驗數據分布Fig. 1 Distribution of experimental data in the Arctic marginal ice area

表2 北極冰渦檢測SAR 數據統計（哨兵一號衛星）Table 2 SAR data statistics for Arctic ice eddy detection （Sentinel-1）

1.2 YOLO 模型原理

YOLO[31]算法通過端到端的回歸來獲取監測目標的具體位置和分類信息，在保證精度損失最小的情況下大幅提高模型檢測速度。具體工作原理如圖2所示，將輸入圖像劃分為S×S個網格，每個網格要預測B個邊界框，每個邊界框的預測由五個值組成：Pc，Bx，By，Bh，Bw，其中Pc代表邊界框的置信度分數，反映了模型對方框內包含物體的置信度以及方框的精確程度。Bx和By表示方框相對于網格單元的中心位置，Bh和Bw為方框相對于整個圖像的高度和寬度。模型的輸出是一個大小為X的張量，可以選擇用非極大值抑制（NMS）來去除重復的檢測結果。其中

圖2 YOLO 目標檢測Fig. 2 YOLO target detection

SAR 影像中冰渦的特點是具有旋轉特征和強烈的明暗對比，與自然圖像相比更加簡單，特征更加明顯?；赮OLOv7 目標檢測模型和已構建的樣本數據集開展研究，在預訓練模型的基礎上進行訓練，學習冰渦特征。YOLOv7 使用了多個卷積層和池化層來逐步提取圖像的特征，在YOLOv4，YOLOv5，YOLOv6 基礎上進行了以下改進：首先，模型擴展了高效的聚合網絡，在不破壞原始梯度路徑的情況下增強網絡的學習；其次，YOLOv7 提出了一種新的基于串聯模型的縮放策略，其中塊的深度和寬度以相同的比例進行縮放，以保持模型的最佳結構；此外，該模型引入了卷積重參數化（RepConv）并進行了改進；最后，引入了輔助訓練模塊coarse-to-fine （由粗到細），用于引導標簽分配策略[32]。這些改進使得模型訓練速度和檢測精度有了顯著提升，與YOLOv4 相比，YOLOv7 實現了參數減少75%，計算量減少36%，同時平均精度（AP）提高了1.5%[27]。

1.3 冰渦特征計算

在YOLOv7 模型檢測的結果上進行切片處理，得到冰渦子圖像，并在此圖像的基礎上進行目視解譯，剔除非冰渦子圖。從冰渦直徑、冰渦類型（氣旋/反氣旋）和海冰占比三個方面計算冰渦特征。首先，計算冰渦的直徑，在先前冰渦目視解譯的研究中，將穿過冰渦中心的兩個準垂直截面的平均值作為冰渦直徑[20,33]。本文簡化了這一步驟，采用檢測框的邊長的均值作為冰渦直徑，提高了解譯效率。其次，基于堆積浮冰勾勒出渦旋邊界，通過目視解譯來確定旋轉方向（氣旋型/反氣旋型）。最后采用閾值法對冰渦影像進行預處理，并根據冰渦直徑擬合橢圓，將橢圓內海冰像素占比記為海冰占比。冰渦旋轉方向的確定和閾值法提取海冰占比的示例如圖3 所示。

圖3 冰渦類型判別和閾值法Fig. 3 Ice eddy type discrimination and threshold method

2 結果與分析

2.1 模型訓練與測試結果

選用2024 幅哨兵一號衛星SAR 影像制作數據集，其中2022 年的1701 幅影像用于模型訓練，余下的2014 年的323 幅影像用于模型精度測試。經過預處理后的SAR 影像被降采樣到100 m 分辨率，最大程度保留了冰渦細節特征。然而，在這一分辨率下的影像尺寸較大，將整幅影像作為輸入會導致顯存超標，也會降低樣本利用率，影響訓練效果。為了解決這一問題，本文將影像裁剪成2048×2048 大小的子圖像，并進行旋轉和鏡像翻轉處理，擴充樣本用于模型訓練。此外，考慮到圓形海冰和彎曲海岸線會在一定程度上導致模型誤判，所以在實驗中引入了一定比例的負樣本。最終，擴充后的訓練集樣本數量為26696 個，其中包含2000 個負樣本，測試集樣本數量為488 個。

調整模型的訓練參數，設置epochs 為200，batch size 為16，image size 為512，num worker 為4。經過25 h 的訓練后，對模型進行測試，通過精準度p和召回率r來評價實驗結果，具體計算方法如下：

其中，N表示樣本量； 下標TP（True Positive）表示真陽性，定義為樣本的真實類別是正例，并且模型預測的結果也是正例，預測正確；FP（False Positive）表示假陽性定義為樣本的真實類別是負例，但是模型將其預測成為正例，預測錯誤；FN（False Negative）表示假陰性，定義為樣本的真實類別是正例，但是模型將其預測成為負例，預測錯誤。在訓練階段，該模型精準度達到了87%，召回率為88%。應用于測試集，其精準度為67%，召回率為67%?？紤]到小尺度冰渦極其復雜的形態特征，模型在測試集上的表現尚可被接受。邊緣冰區圓形浮冰對于模型檢測依舊存在一定干擾，影響檢測精度。同時，由于冰渦形態復雜，其目視判別缺少系統標準，使得樣本集存在一定主觀差異，導致模型測試精度受限。然而，本文的研究重點在于冰渦特征分析，模型的改進以及精度的提升有待進一步研究。此外，訓練的模型旨在目標檢測初篩階段減少主觀因素介入，并非完全替代人工目視解譯。該模型對于較為明顯的冰渦特征識別較好，可以滿足初篩冰渦特征的需求，雖然會遺漏部分存在潛在冰渦特征的復雜小目標，但是這些目標占少數，并且即使通過目視解譯也存在一定爭議。

2.2 北極冰渦時空分布統計

結合YOLOv7 模型和目視解譯方法，對2022 年參與訓練的1701 幅影像數據進行檢測，統計分析了北極邊緣冰區的冰渦時空分布。經過目視解譯后，共計識別出5097 個冰渦，遍布在北極的不同區域。具體如圖4 所示，其中每個網格的大小為經度3°，緯度1°。在格陵蘭島東部沿岸和格陵蘭海中北部，冰渦分布最為密集，其中包括了氣旋型和反氣旋型冰渦的高值。此外，喀拉海、巴倫支海北部、巴芬島東西部沿岸以及維多利亞島附近也是常見的冰渦形成區域。時間分布如圖5（b）所示，北極冰渦全年都存在，其中10 月份呈現出峰值，整體而言，7—11 月是冰渦頻發的時段，2022 年冰渦的月平均數量為424.75 個。

圖4 冰渦空間分布。（a）氣旋型冰渦，（b）反氣旋型冰渦Fig. 4 Spatial distribution of ice eddies. （a） Cyclonic ice eddy, （b） anticyclonic ice eddy

圖5 冰渦分布統計直方圖。（a）冰渦直徑數量分布，（b）冰渦月度數量分布，（c）冰渦海冰占比數量分布Fig. 5 Histogram of ice eddy distribution statistics.（a） Ice eddy diameter number distribution, （b） ice eddy monthly number distribution, （c） ice eddy sea ice percentage number distribution

北極冰渦的形成是動力和熱力共同作用的結果[34]。從空間上看，冰渦高發的區域往往和北極洋流密不可分，東格陵蘭寒流沿格陵蘭島東岸流動，巴芬島周圍也伴隨著巴芬島寒流，北大西洋暖流穿過巴倫支海。從時間上看，隨著北極夏季極晝的出現，海溫升高，冰川融化引起邊緣冰區擴張，導致冰渦高發。而10 月份的冰渦高值則與冰圖反映的情況吻合，2022 年北極月度冰區趨勢圖顯示10 月初北極海冰覆蓋迅速減小到達最低值，隨后冰區開始迅速擴張，因此，10 月份北極的熱力學因素更為復雜，有利于冰渦形成。

2.3 冰渦形態特征分析

冰渦形態特征的分析始于對氣旋型和反氣旋型冰渦的探討。本文從這兩種類型的冰渦出發，對2022 年北極冰渦的直徑、海冰占比等數量特征進行統計分析。進一步探究不同月份冰渦直徑與海冰占比的特征，研究海冰占比與冰渦直徑之間的關系。

解譯結果顯示，在北極邊緣冰區共檢測出3615 個氣旋型冰渦和1482 個反氣旋型冰渦，其中氣旋型冰渦數量是反氣旋型的2.44 倍，占據主導地位，這與Kozlov 等[20,24]的研究結果基本一致。氣旋型冰渦數量更多，這可能與反氣旋型冰渦的產生機制和二者的相互作用有關，反氣旋水平切變在產生小型亞中尺度氣旋時比氣旋切變在產生小型反氣旋時更有效[35]。

根據圖5（a）的冰渦直徑分布，可以觀察到北極冰渦的尺寸主要集中在中尺度和亞中尺度區間，99%的冰渦直徑在60 km 以下，分布范圍介于3.85～114.9 km 之間，平均直徑為21.2 km。與之相比，反氣旋型冰渦的平均直徑為24.78 km，超過氣旋型冰渦的平均直徑19.73 km。需要特別注意的是，直徑超過60 km 的反氣旋型冰渦要多于氣旋型冰渦，其分布情況如圖6 所示。這些大型冰渦主要分布在格陵蘭島東側和巴芬海地區。在格陵蘭島東南側，出現了兩個直徑超過100 km 的氣旋型冰渦以及一個反氣旋型冰渦。另外，巴芬島北部沿岸也出現了一個直徑超過100 km 的反氣旋型冰渦。從圖5（c）的分析結果可以得知，97%冰渦的海冰覆蓋占比分布在20%～70%之間，平均海冰覆蓋占比約為41.76%。在具體的類型分析中，氣旋型冰渦的平均海冰覆蓋占比為42.32%，而反氣旋型冰渦則略低，為40.42%。

圖6 冰渦空間分布（直徑＞60 km）Fig. 6 Spatial distribution of ice eddies（diameter ＞ 60 km）

在過去的幾十年里，北極夏季邊緣冰區的寬度增加了約40%[36]。隨著邊緣冰區的擴大，浮冰也隨之增加，相關研究[37]指出，海冰主要被困在具有強烈匯合驅動的匯合表面流的氣旋型細絲內，以及摩擦?？寺卯a生匯合的氣旋型渦旋內。相反，反氣旋冰渦則排斥海冰。這使得兩者的尺寸和海冰占比出現差異，反氣旋型冰渦的排斥作用導致其邊緣區域存在浮冰積聚，而氣旋型冰渦則將邊緣冰卷入內部，從而在SAR 影像上整體顯示出反氣旋型冰渦較氣旋型更大的現象。同時，這也造成了氣旋型冰渦中海冰的比例更高。

進一步探討2022 年北極冰渦的發生月份、直徑以及海冰占比之間的關系，結果如圖7 所示。其中散點代表各個冰渦的半徑/海冰占比，折線則代表每個月份對應的冰渦最大半徑/最大海冰占比。圖7（a）給出了冰渦直徑在不同月份的分布趨勢，研究發現較大直徑的氣旋型冰渦主要出現在5—7 月份，而對應的反氣旋型冰渦則多出現在3 月和10 月?？傮w來看，2022 年整年，較大尺寸的反氣旋型冰渦占據了主導地位。圖7（b）則給出了冰渦海冰占比隨時間變化的情況。在大部分月份里，氣旋型冰渦的海冰占比略高于反氣旋型。氣旋型冰渦的海冰占比在3 月份達到高峰，而反氣旋型冰渦在4 月和5 月呈現明顯的低值。此外，本文還探究了冰渦直徑與海冰占比之間的關系，如圖7（c）所示。研究發現，較小直徑的冰渦對應的海冰占比波動范圍較大，隨著直徑的增加，海冰占比穩定在30%～70%的范圍內。

圖7 冰渦分布統計散點圖。（a）冰渦月度直徑分布，（b）冰渦月度海冰占比分布，（c）冰渦海冰占比與直徑分布Fig. 7 Scatterplot of ice eddy distribution. （a） Monthly diameter distribution of ice eddies, （b） distribution of monthly sea-ice share of ice eddies, （c） distribution of sea-ice share of ice eddies with diameter

3 結論與展望

基于哨兵一號衛星SAR 數據構建了一套北極冰渦遙感數據集，并在此基礎上開展YOLOv7 目標檢測訓練，得到冰渦識別預篩選模型。將該模型輔助于目視解譯，對2022 年北極邊緣冰區的SAR 影像進行統計分析，識別出5097 個冰渦。這些冰渦主要分布在7—11 月期間，且在空間上主要聚集在格陵蘭島東側沿岸以及格陵蘭海中北部。氣旋型冰渦的數量更多，海冰占比更高，而反氣旋型冰渦的直徑更大。

提出了深度學習YOLO 模型輔助目視解譯的冰渦檢測方案，該方案提高了冰渦目視解譯效率，為后續冰渦的自動化檢測提供了參考。此外，對2022 年北極邊緣冰區冰渦的時空統計和形態特征分析為極地冰渦研究提供了觀測數據支撐。

深度學習目標檢測模型應用于邊緣冰區冰渦檢測尚屬于初步研究階段，還需要進一步對比驗證更多的目標檢測模型的應用效果。另外，鑒于哨兵一號衛星SAR 數據的幅寬和重訪周期限制，其對北極地區的覆蓋范圍有限，無法充分反映冰渦的真實發生頻率。因此在未來的研究中計劃結合多源SAR 衛星數據，更全面地探究冰渦長時間序列的年際變化。最后，邊緣冰區冰渦的時空分布背后的成因以及其對全球氣候、洋流和物質循環的影響也將成為后續研究的重點。