基于混合损失U-Net的SAR图像渤海海冰检测研究

作     者：徐欢 任沂斌 Xu Huan;Ren Yibin

作者机构：江苏海洋大学海洋技术与测绘学院江苏连云港222005 中国科学院海洋研究所海洋环流与波动重点实验室山东青岛266071 中国科学院海洋大科学研究中心山东青岛266071 

基　　金：中国博士后科学基金(2019M662452) 中国科学院战略先导专项(XDA19060101,XDA19090103) 山东省重大科技创新工程(2019JZZY010102) 

出 版 物：《海洋学报》 (Acta Oceanologica Sinica)

年 卷 期：2021年第43卷第6期

页      码：157-170页

摘      要：渤海是我国重要的经济区,海冰灾害严重威胁着人类生产活动。合成孔径雷达具有全天候成像能力,研究渤海区域的SAR图像海冰检测具有重要意义。传统海冰检测方法受限于特征提取方法和建模方式,检测精度有待提升。深度学习具有极强的特征自学习能力,适用于图像检测问题。本文基于深度学习框架U-Net,以Sentinel-1双极化(VV和VH)合成孔径雷达图像为输入信息,设计混合损失函数优化传统U-Net模型,形成了基于混合损失U-Net的渤海海冰检测模型。将本文模型与传统海冰检测方法[脉冲耦合神经网络(PCNN)、马尔科夫随机场(MRF)和分水岭算法]和基于深度卷积神经网络(CNN)的深度学习方法进行了对比。实验结果表明:本文基于混合损失U-Net的海冰检测模型在重叠度、F1分数、精确度和召回率4项度量指标上分别达到了97.567%、98.769%、98.767%和98.771%,检测效果明显优于对比方法;双极化信息输入的检测结果比VV单极化输入的检测结果在F1分数、精确度、召回率和重叠度上分别提高了0.375%、0.111%、0.639%和0.740%;混合损失函数的检测结果比非混合损失函数的检测结果在F1分数、精确度、召回率和重叠度上分别提高了1.129%、0.947%、1.794%和2.231%;模型能对冰水沿线、冰间水道、冰间隙等细节进行有效检测;可应用于渤海区域整幅SAR图像的海冰检测,为海冰监测、海冰变化分析、海冰预报提供技术支撑。

主 题 词：合成孔径雷达图像 海冰检测 深度学习 U-Net 混合损失函数 

学科分类：07[理学] 0707[理学-海洋科学类] 

核心收录：

D　O　I：10.12284/hyxb2021084

馆 藏 号：203104533...