基于HMRF-EM算法的湖冰分类方法研究及其应用.pdf

摘要 湖冰作为冰冻圈的组成部分，是地球表层关键水循环过程参量之一。其在时 间序列上的变化可以比较直观的反映湖冰所在地区的气候变化状况。因此，关于 湖冰的研究在区域气候变化研究中有着重要意义。 目前，国内外对湖冰分类的研究根据其数据源可以分为基于主动遥感数据的 湖冰分类和基于被动遥感数据的湖冰分类，其中基于主动遥感数据的湖冰分类可 以对不同类型的湖冰进行分类。隐马尔可夫随机场和期望最大（HMRF-EM ）算 法是一种可以对 SAR 影像进行有效分类的分类方法，但目前并没有基于该算法 的湖冰分类方法的相关研究，因此本研究依托地球大数据科学工程时空三极环境 项目，提出了基于HMRF-EM 算法的湖冰分类方法，并对勒拿河三角洲地区2018 年1 月至4 月的部分湖冰进行了分类。 由于地理条件等因素的限制，目前对于研究区的湖冰变化监测缺少实地观测 数据,因此本研究选用模拟数据替代真实数据对HMRF-EM 算法进行参数选取和 精度评价。其中参数选取部分包括湖冰分类中最优参数的选取和不同初始化方法 对分类结果精度的影响两个部分。 参数选取的结果表明，在势能参数β 为[0.1,2]区间时，使用K-Means 算法和 模糊C 均值聚类算法作为初始化方法的HMRF-EM 算法的分类结果与真实的分 类结果相接近，湖冰分类效果最好时 HMRF-EM 算法的初始化方法为 K-Means 算法，势能参数β 为0.1 ，其总体精度为99.76%，Kappa 系数为0.995 ，且湖冰分 类中不同的初始化方法会对HMRF-EM 算法的分类精度产生一定影响。 在分类精度评价中，分别选取阈值法，平行六面体法，迭代自组织数据分析 （ISODATA ）分类方法，K-Means 分类方法等方法与HMRF-EM 算法进行对比。 相比较于其它方法，HMRF-EM 算法总体分类精度提高了 1%-23% ，Kappa 系数 提高了0.03-0.53 ，这说明湖冰分类中HMRF-EM 算法要优于其它算法。 最后，本研究选取哨兵1 号卫星数据为主要数据源对湖冰进行分类，分浮冰 和接地冰，统计在时间序列上不同类型湖冰的变化。从结果中可以看出，随着时 间的变化，浮冰的面积逐渐减少，接地冰的面积逐渐增加，这与西伯利亚极区冬 季的气温状况相吻合，证明 HMRF-EM 算法可以有效地对不同类型的湖冰进行 分类。 关键词：HMRF-EM ，湖冰，勒拿河三角洲 Abstract Lake ice, as a component of the cryosphere, is one of the key water cycle parameters of the Earth's surface. Its change in time series can relatively intuitively reflect the climate change in the area where the lake ice is located. Therefore, the study of lake ice is of great significance in the study of regional climate change. At present, research on lake ice classification at home and abroad can be divided into lake ice classification based on active remote sensing data and lake ice classification based on passive remote sensing data. Lake ice classification based on active remote sensing data can classify different types of lake ice. The hidden Markov random field and expected maximum (HMRF-EM) algorithm is a classification method that c