Py学习  »  机器学习算法

基于Google Earth Engine和Sentinel - 1 GRD数据,采用机器学习方法研究海冰厚度的时空分布

GEE遥感训练营 • 1 年前 • 417 次点击  


题目:Spatio-temporal distribution of sea-ice thickness using a machine learning approach with Google Earth Engine and Sentinel-1 GRD data

期刊:Remote Sensing of Environment

第一作者:Roghayeh Shamshiri

发表单位:挪威科技大学

发表日期:2022年




1. 摘要 

研究背景:了解冰层厚度及其分布对于规划冰区船舶和海上作业非常重要,也是气候变化的一个主要直接因素。然而,根据大多数科学界的观点,它是目前最不准确的海冰参数。星载合成孔径雷达(SAR)数据对于监测日常冰覆盖的海洋非常有价值。

拟解决的科学问题:该研究旨在利用机器学习方法结合Google Earth Engine平台和Sentinel-1 GRD数据,实现冰层厚度的时空分布研究。研究团队希望解决海冰厚度监测中的数据获取和分析难题,为海冰研究提供新的技术手段。

创新点:该研究的创新点在于利用机器学习方法结合Google Earth Engine平台和Sentinel-1 GRD数据,实现了对冰层厚度的时空分布研究。该方法克服了传统冰层监测方法中的数据获取和分析难题,为海冰研究提供了新的技术手段。此外,研究团队还通过大量的遥感数据分析和模型训练,实现了对冰层厚度的精确估计,为冰层监测和气候研究提供了重要的数据支持。

    



2. 研究方法 

开发了一种基于机器学习随机森林,对准备好的数据集进行回归和分类。前者用于推导厚度,后者用于区分冰和开放水。结合现场厚度测量和 Sentinel-1 的反向散射信息来检索水平第一年冰 (FYI) 厚度。Google Earth Engine (GEE) 中提供的 Sentinel-1 地面范围检测 (GRD) 数据集涵盖了波弗特海上空,时间跨度为 2015 年 4 月至 2018 年 9 月,检索到厚度高达 1.5 m,均方根误差 (RMSE) ) 的 22 厘米。

在本研究中实施的方法的流程图




3. 研究结果 

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

2018年,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

    



4. 结果与讨论 

研究结果表明,利用机器学习方法结合Google Earth Engine和Sentinel-1 GRD数据,可以实现对冰层厚度的时空分布研究。该研究为冰层监测提供了一种新的技术途径,为气候研究和环境监测提供了重要的数据支持。

    

参考文献 :Roghayeh S ,Egil E ,Vilhelm K H .Spatio-temporal distribution of sea-ice thickness using a machine learning approach with Google Earth Engine and Sentinel-1 GRD data[J].Remote Sensing of Environment,2022,270

- 往期回顾 -
1.GEE 去云专题与数据下载详解
2.Sentinel-1 GRD SAR数据中用于作物生长评估的双极化雷达指标
3.利用谷歌地球引擎云计算进行大尺度北极湿地制图


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/165654
 
417 次点击