基于机器学习方法，利用AMSR-E亮度温度数据估算ICESat相当的北极冬季海冰厚度

《Remote Sensing Applications: Society and Environment》：Estimation of ICESat-Equivalent Arctic winter sea ice thickness From AMSR-E brightness temperature data based on machine learning approach

北极海冰厚度（SIT）每日估算方法研究基于AMSR-E亮度温度数据，采用弹性网络模型（ENM）融合光谱梯度比（GR）、极化比（PR）等特征，利用历史ICESAT SIT数据训练模型，验证显示RMSE分别为0.76m、0.65m和0.68m，模型有效捕捉季节变化。

　　

刘琳|何连|惠凤鸣|陈卓琪|程晓

中山大学地理空间工程与科学学院，南方海洋科学与工程广东实验室，珠海，519082，广东，中国

摘要

“冰、云和陆地高程卫星”（ICESat）是首个提供极地地区海冰厚度（SIT）估计的激光高度计任务。然而，由于仪器限制，ICESat每年仅运行2到3个月，因此在北极海洋的海冰厚度观测数据非常稀少。本研究旨在利用“地球观测系统先进微波扫描辐射计”（AMSR-E）观测到的亮温（TBs），结合基于ICESat海冰厚度估计值训练的弹性网络模型（ENM），来估算冬季整个北极地区的ICESat等效海冰厚度。从AMSR-E数据中提取了三种类型的特征，包括亮温（TBs）、光谱梯度比（GRs）和极化比（PRs），并全面研究了它们与ICESat海冰厚度估计值之间的关系。采用具有正则化和变量选择能力的ENM来建模海冰厚度与微波特征之间的关系。然后使用来自固定式向上观测声纳（ULS）和Operation IceBridge（OIB）的独立海冰厚度数据，以及ENVISAT雷达高度计2（RA-2）的海冰高度产品对海冰厚度估计值进行了验证。结果表明，所提出的算法能够达到可靠的精度，使用OIB数据的均方根误差（RMSE）约为0.76米，使用ULS数据的RMSE约为0.65米，使用ENVISAT RA-2数据的RMSE约为0.68米。更重要的是，该算法成功捕捉到了海冰厚度的季节性变化，从而可以每天研究北极海冰的时空变化。

引言

海冰厚度（SIT）是一个重要的地球物理参数，它控制着大气与海洋之间的热量和盐分交换，其空间和时间变化对极地气候和全球气候系统有着重大影响（Maykut, 1978; Tucker III et al., 1992; Anheuser et al., 2023）。最近的观测显示，过去几十年北极海冰显著变薄（Wang et al., 2022）。例如，现在北极中部的平均海冰厚度比20世纪70年代低约75厘米（Kwok, 2018）。北极海冰的变薄影响了全球天气模式，导致中纬度地区出现更极端的天气（Lenton, 2012），同时也为探索和开发北极航线提供了更多机会（Kim et al., 2022）。因此，准确的北极海冰厚度信息对于各种应用至关重要。

卫星遥感是获取大规模和长期海冰厚度信息的重要方法（Kwok, 2010），常用的遥感技术包括卫星高度计和被动微波（PMW）辐射计（Sandven et al., 2023）。Laxon等人（2003）首次提出了利用卫星高度计估算海冰厚度的方法。该方法首先测量海冰和海洋表面的高度，以得出海冰自由板高度，然后假设处于静力平衡状态，将高度计得到的自由板高度观测值转换为海冰厚度（Quartly et al., 2019）。随着配备雷达高度计的任务的推出，包括ENVISAT任务上的雷达高度计2（RA-2）、CryoSat-2卫星上的SAR/干涉雷达高度计（SIRAL）、搭载ARgos和ALtiKa的卫星上的Ka波段高度计（AltiKa）以及Sentinel-3A/B卫星上的合成孔径雷达高度计（SRAL），以及激光高度计（如冰、云和陆地高程卫星（ICESat）和冰、云和陆地高程卫星-2（ICESat-2），已经为两个半球生成了大量海冰厚度数据产品（Yi et al., 2011; Giles et al., 2008; Kwok et al., 2004）。然而，由于卫星高度计观测的覆盖范围有限，大多数基于高度计的海冰厚度产品的时间分辨率相对较低，通常为每周或每月一次。

PMW辐射计可以根据冰的发射率与海冰厚度的关系提供亮温（TB）观测数据，其优势在于几乎每天都能进行观测，并且在北极地区拥有长期连续的TB数据记录，数据来源丰富，包括“地球观测系统先进微波扫描辐射计”（AMSR-E，2002–2011）和“先进微波扫描辐射计2”（AMSR2，2012–至今）。此前，高频（如19 GHz、36 GHz和89 GHz）的PMW辐射计数据已被用于北极薄冰厚度估计（Martin et al., 2004; Martin et al., 2005; Cavalieri, 1994; Yoshizawa et al., 2018）。但由于微波的穿透能力有限，这些辐射计的最大可测海冰厚度约为10厘米至20厘米（Martin et al., 2004; Tamura et al., 2008）。随着2009年“土壤湿度和海洋盐度”（SMOS）任务的发射以及2015年“土壤湿度主动被动”（SMAP）卫星的投入使用，L波段（1.4 GHz）的TB观测数据可以实现高达1米的海冰厚度估计（Kaleschke et al., 2010; Kaleschke et al., 2012; Tian-Kunze et al., 2014; Huntemann et al., 2014; Gupta et al., 2019; He et al., 2024a; Hernández-Macià et al., 2024）。然而，PMW辐射计的数据仍然受其最大可测海冰厚度值的限制（约1米）。

人们尝试从PMW数据中提取各种特征，并将这些特征与高度计数据得到的海冰厚度关联起来，以进行每日海冰厚度估计，从而利用卫星高度计对厚冰的高灵敏度和PMW辐射计的广泛时空覆盖范围。Kim等人（2020）提出使用AMSR-E在10.65至18.7 GHz范围内垂直极化发射率差异（EVD）与ICESat或CryoSat-2的海冰厚度进行回归，以填补这两颗卫星之间的数据空白。Chi和Kim（2021）提出了一个集成深度学习（DL）模型，利用不同模式确定AMSR2观测到的亮温与CryoSat-2估计的海冰厚度之间的隐藏和未知关系，从而实现每日整个北极地区的海冰厚度反演。Lee等人（2021）通过分段线性拟合，将AMSR2估计的光学厚度与CryoSat-2得到的海冰自由板高度相关联。Kim等人（2022）利用AMSR2得到的光谱梯度比（GRs）和ICESat-2得到的海冰总自由板高度，基于多元线性回归模型训练了一个算法，用于北极盆地的每日总自由板高度估计。Soriot等人（2023）提出了一种基于多层感知器（MLP）模型的PMW观测海冰厚度反演算法，该模型使用了SMAP和AMSR-2的同步TB数据以及ICESat-2的海冰厚度数据进行了训练。

尽管已有许多研究提出使用不同算法从PMW辐射计数据推导每日整个北极地区的海冰厚度，但PMW辐射计特征与基于高度计的海冰厚度估计值之间的关系仍需进一步研究。同时，ICESat是首个在近极地轨道运行的激光高度计（Schutz et al., 2005），它提供了北极海洋的大规模海冰厚度测绘，并在2003年至2009年间运行。然而，由于采集计划的不规律，ICESat每年仅提供大约3个月的海冰厚度数据。是否可以利用时间覆盖有限的ICESat海冰厚度数据来训练可靠的机器学习（ML）模型进行海冰厚度估计，还需要深入研究。

此外，每日ICESat等效海冰厚度对于追踪海冰的快速季节变化、北极的安全航行以及在海冰模型和气候模型中纳入每日海冰厚度数据至关重要，这有助于更准确地理解和预测北极气候变化（Lavergne et al., 2022）。本研究选择了ICESat和AMSR-E的同步数据，首先研究了ICESat估计的海冰厚度与从AMSR-E数据中提取的各种特征（包括亮温、光谱梯度比和极化比）之间的关系。然后提出了一种基于弹性网络模型（ENM）的算法，用于在AMSR-E期间估算每日整个北极地区的海冰厚度，该模型能够有效缓解特征之间的多重共线性并自动选择特征。最终使用机载海冰厚度数据集、向上观测声纳（ULS）数据和其他海冰厚度产品对估计的ICESat等效海冰厚度进行了验证。

章节片段

AMSR-E数据

AMSR-E由日本宇宙航空研究开发机构（JAXA）开发，并于2002年5月4日搭载在NASA的Aqua卫星上发射。该传感器在2002年6月至2011年10月期间，以55°的入射角，在六个微波频率（6.925、10.65、18.7、23.8、36.5和89.0 GHz）下获取了水平和垂直（H和V）极化的TB测量数据（Imaoka et al., 2002）。它的优势在于能够每天覆盖整个北极海洋。在本研究中，

特征提取

从AMSR-E的亮温数据中提取了四种类型的特征用于海冰厚度估计。首先是四个频率（6.9、10.7、18.7和36.5 GHz）下H和V极化的亮温，包括TBV(6.9)、TBH(6.9)、TBV(10.7)、TBH(10.7)、TBV(18.7)、TBH(18.7)、TBV(36.5)和TBH(36.5)。第二种是光谱梯度比（GR），定义为两个频率下垂直或水平极化TB的标准化差异，计算公式为：${\mathrm{GR}}_p(f_1/f_2)=\frac{{\mathrm{TB}}_p^{\text{ice}}}{\left(f_2\right)}$

特征选择

为了研究提取的特征与海冰厚度之间的关系，生成了如图2所示的相关性热图。可以观察到提取的特征与海冰厚度之间存在较高的相关性，这支持使用线性回归模型（方程（3）进行海冰厚度估计。对于TB特征，18.7 GHz下的垂直极化TB（即TBV(18.7)）与海冰厚度的相关性最高，相关系数为0.65。通常，18.7 GHz下的TB显示出最高的相关性

讨论

训练好的机器学习模型的准确性和适用性通常取决于训练数据集。在本研究中，所提出的ENM是使用时间覆盖有限的间歇性ICESat海冰厚度产品作为参考数据训练的。这可能导致海冰厚度估计的潜在局限性，因为训练数据集可能无法代表整个冬季。尽管准确性验证结果确认所提出的ENM能够捕捉到

结论

本研究旨在利用AMSR-E观测到的亮温数据估算冬季整个北极地区的ICESat等效海冰厚度，以弥补ICESat由于仪器限制而导致的观测数据稀少的问题。从AMSR-E数据中提取了多种特征，并全面分析了它们与ICESat海冰厚度估计值之间的关系。采用ENM并使用ICESat海冰厚度估计值作为参考，对AMSR-E数据进行了海冰厚度估计。ICESat等效海冰厚度估计值

CRediT作者贡献声明

刘琳：撰写——初稿。何连：撰写——审阅与编辑。惠凤鸣：指导。陈卓琪：资源协调。程晓：资金获取。

伦理声明

我们将严格遵守数据使用的合法性和透明度原则，确保研究数据的正确使用和解释。我们将尽量避免数据误解和误用，仅将数据用于研究目的。本声明旨在保障研究项目的伦理合规性，并保护参与者的权利和隐私。如有任何进一步的问题或疑虑，请随时与我们联系。

资金

本研究部分得到了中国国家重点研发计划（项目编号2023YFC2809105）的支持，部分得到了国家自然科学基金（项目编号41925027）的支持，以及南方海洋科学与工程广东实验室（珠海）创新团队项目（项目编号311021008）的支持。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

作者感谢JAXA提供的AMSR-E TB数据，NSIDC提供的ICESat和OIB数据，Woods Hole海洋研究所提供的BGEP ULS海冰数据，以及ESA提供的ENVISAT RA-2海冰数据。同时，作者还要感谢匿名审稿人提供的非常详细且宝贵的意见，这些意见极大地改进了本文。