研究表明，提出的基于机器学习的技术利用原位厚度测量和 Sentinel-1 反向散射数据可以检索海冰厚度的区域和时间变化，均方根误差 (RMSE) 约为 22 cm。预测结果表明，冰层较薄（小于 30 厘米）的情况下是不准确的，而最准确的预测是 8 月 1 日和 1 月 1 日期间的冰。本模型可用于绘制海洋地图- 北极上空所需日期的冰厚度，也可用于计算冰体积。此外，将该技术应用于一系列 Sentinel-1 图像可以帮助监测海洋的冰物候。这项研究说明了所开发的技术使用 Sentinel-1 数据进行海冰厚度监测的能力，具有合理的精度。然而，仍然需要开展工作来降低不准确性，例如从高压极化数据中消除残余热噪声，并包括海冰特征时间序列，例如温度、积雪和盐度，以产生大面积冰厚度变化的一致长期记录。
研究区域位于 Google 地球上的北冰洋波弗特海内。圆圈显示了 ULS 仪器的位置。
Sentinel-1 框架的轮廓，覆盖了 ULS A、B 和 D，在任何观察几何条件下分别由红色、蓝色和绿色矩形表示
从ULS数据中估算冰层厚度的测量和计算参数示意图
2003-2018年期间ULSs A、B和D的厚度的每日时间序列。较厚的曲线通过应用移动平均数（每月）来显示平滑的时间序列
2004-2017年期间ULSs A和B厚度的年际变化，通过移动平均线（月）平滑
对2017年6月12日（a-f）（被冰覆盖）和2017年9月16日（被水覆盖）采集的图像应用的归一化结果的两个例子。（a、d、g、j）表示归一化前的HH和HV图像，（c、f、i、l）表示归一化后的图像。图像轮廓见（b、e、h、k）
(a)2015年8月至2019年12月在HH和hv偏化获得的图像的线性斜率，(b)2017年在两次偏化获得的图像的斜率
在ULS B处，入射角归一化前后的(a) HH和(b) HV背向散射功率的时间序列
在所有三个系泊处，模态厚度值（蓝色）以及相应的后向散射系数（红色）(a)HV和(b) HH的时间变化。在应用一个运行平均过滤器后的相同时间序列，也被绘制在带有厚线的相同面板上。（c，d，e）2015年9月-2016年9月、2016年9月-2017年9月-2018年9月，(b)中描述的哨兵-1后向散射系数（HH-pol）。(f)radarsat-1（HH-pol）和ERS-1和2（VV-pol）SAR的后向散射系数的季节演变
(a)射频回归训练样本的真实厚度值和预测厚度值，训练时真实厚度与预测厚度的(b)散点图。（c、d）与（a、b）测试样品相同
组合训练和测试数据的散点图，颜色代表数据的体积
（a，c）训练数据的真实厚度的时间演化和测试数据的分类结果。冰和水的类别分别用深橙色和蓝色的点表示，（b，d）训练和测试的分类性能
系泊A周围区域的厚度图，从2018年1月17日至12月31日，每24天绘制一次
上图冰层厚度的直方图
2018年，本方法预测的厚度时间序列与PIOMAS模型和ULS A测量的厚度时间序列之间的比较
真实和预测的厚度时间序列仅使用(a)的一个特征（moy），(b)的后向散射系数（HH、HV）和(c)的三个特征（HH、HV和moy）
区域的厚度图，使用(a)HH和HV，(b)HH、HV和moy，(c)HH、HV和doy，（d-f）对应的直方图
