基于深度学习的多尺度海冰图像识别方法研究.pdfVIP

基于深度学习的多尺度海冰图像识别方法研究

摘要

海冰是影响极地和寒冷海域航海、海洋结构物安全以及生态环境的关键因素，甚至

决定着海上作业的可行性和战略部署的有效性。因此，海冰监测与预测是极地科学研究、

气候变化评估和海洋环境保障的重要组成部分。人工智能的飞速发展给基于图像的海冰

分类研究带来了前所未有的机遇和挑战。海冰的多样性和分布的时空异质性导致其特性

表现出显著的变化性和复杂的非线性特征。目前图像分类算法层出不穷，但其分类精度

有待进一步提升，且在海冰图像分类研究上，多为宏观尺度或海冰表面的方法研究，鲜

有对微尺度或海冰内在特征进行分类提取的方法研究。鉴于此，本文提出了基于深度学

习的多尺度海冰图像识别与分类方法，针对在不同尺度下的海冰图像进行相关参数的提

取与分类。具体研究内容如下：

（1）宏观尺度下的海冰类型识别与分类研究。海冰类型一般可分为一年冰和多年

冰，是极地海冰的重要属性之一，多年冰的物理性质较于一年冰有着显著差异，因此准

确识别多年冰对极地船舶航行保障意义重大。以北极西北航道和东北航道为研究区域，

选取了18张Sentinel-1双极化SAR（SyntheticApertureRadar）图像，基于改进的Swin

Transformer网络模型作为海冰分类模型，将带有噪声的海冰切片图像输入模型进行训练

和验证，通过SNAP预处理和假彩色合成方法，来减小图像本身的噪声对海冰分类的影

响。研究结果表明，本文海冰分类的整体准确率和Kappa系数均在98%以上，分类结果

优于VisionTransformer和Resnet18模型。基于海冰分类结果，本文制作了分辨率为1.28

km的多年冰密集度图像，与德国不莱梅大学的AMSR2多年冰密集度图像相比，细节

刻画更清晰，二者的平均偏差小于10%。

（2）微观尺度下的海冰内部气泡识别与分类研究。海冰内部的气泡是决定其物理

特性的关键因素之一，含有气泡的海冰在微观特征和力学强度上具有独特的属性。本文

以实验室和渤海莱州湾现场采集的海冰钻孔图像为样本，通过OpenCV线性变换对图像

进行预处理，以增强气泡特征的可视性。研究显示，相较于Resnet18与SE-Resnet18，

改进的SwinTransformer具有更好的稳定性。在实验室内海水冻结时间不同（2天、5天

及10天）的情况下，平均精确率、召回率以及Kappa系数均超过了75%。即便在摄像

距离（5cm、7cm、10cm）和融化时间（30min、60min）变化的情况下，模型也能保

持较高精确率和召回率。实验室结果表明，海冰内部气泡的分布比例一般为1‰-33‰，

哈尔滨工程大学硕士学位论文

尺寸小于5mm，随着融化时间的增加，气泡数量及其面积显著减少。此外，通过测试

莱州湾沿岸的海冰，本文发现海冰内部气泡分布比例为13‰-32‰，直径小于1mm，并

且模型的精度参数介于70%至75%之间。

关键词：海冰图像分类；多年冰；气泡；Transformer；深度学习

基于深度学习的多尺度海冰图像识别方法研究

ABSTRACT

Seaiceisakeyfactorthataffectsnavigationinpolarandcoldwaters,thesafetyofmarine

structures,theecologicalenvironment,andevendeterminesthefeasibilityofoffshore

operationsandtheeffectivenessofstrategicdeployment.Therefore,seaicemonitoringand

forecastingareintegralcomponentsofpolarscientificresearch,climatechangeassessments,

andmilitarymarineenvironment