摘要：北极多年冰在近几十年有明显的减少趋势,与北极海冰的厚度、体积和夏季最小海冰范围的减少密切相关。合成孔径雷达(synthetic aperture radar,SAR)具有全天时、全天候成像能力,基于SAR卫星影像的海冰分类对监测北极多年冰具有重要意义。基于深度学习U-Net模型,以SAR图像的双极化信息为模型输入,构建了像素级的海水、一年冰和多年冰多分类模型。与已有SAR图像海冰分类方法(支持向量机、随机森林和卷积神经网络)进行对比,基于双极化SAR图像的U-Net海冰分类模型的准确率、平均重叠度和Kappa系数,分别达到了90.73%、0.831和0.849,优于其他对比模型,分别提升了4.08%~19.04%,0.063~0.321和0.111~0.335。此外,针对SAR图像水平-垂直极化(horizontal-vertical polarization,HV)有明显的条状热噪声和水平-水平极化(horizontal-horizontal polarization,HH)受入射角效应而亮度不均匀的特点,设计敏感性实验,研究HV噪声、入射角和灰度共生矩阵(gray level co-occurrence matrix,GLCM)纹理信息对本文U-Net海冰分类模型的影响。结果表明,传统的机器学习方法对噪声更敏感,而深度学习模型有一定的抗噪声能力;使用入射角校正更适合分类一年冰和多年冰;单一GLCM纹理对U-Net模型的海冰分类效果无明显提高。综上,基于双极化SAR图像的U-Net能够实现高精度的海水、一年冰和多年冰分类。该模型具有一定的抗噪声能力,是更具鲁棒性的海冰分类方法。