GEE案例-利用Sentinel-1影像数据自动检测和跟踪中型冰山监测（阿蒙森海冰山）.pdf

监测南极冰山有助于我们了解南大洋海洋、大气和海冰之间的相互作用。虽然巨型冰山是许多遥感研究的对象，但南大洋中型冰山却很少受到监测或追踪。在本研究中，我们基于谷歌地球引擎（GEE），使用 Python 编程语言和哨兵-1（S1）图像，开发了一种冰山探测和跟踪工具，特别适用于中型和大型冰山（0.4-10 平方公里）。为了检测冰山，我们采用简单非迭代聚类（SNIC）和区域邻接图（RAG）合并法进行基于对象的图像分割，并使用 40 幅 S1 图像（2019-2021 年）中 6432 个标记的冰山或非冰山片段来训练/测试支持向量机（SVM）模型。这些片段的雷达反向散射特征和形态特征被用作 SVM 模型的输入。在不同日期的两个图像场景中检测到冰山后，我们通过比较其一维形状信号来跟踪检测到的冰山的位移。根据图像场景的日差，我们的模型检测冰山的准确率为 99%，跟踪冰山的准确率为 93-98%。使用我们的工具监测阿蒙森海的冰山时，我们发现 2021 年的冰山比例从 2% 到 8% 不等，大多数冰山以小于 0.2 公里/天的速度向西移动。 ———————————————— ### GEE案例—利用Sentinel-1影像数据自动检测与跟踪中型冰山监测（阿蒙森海冰山） #### 研究背景与意义 南极冰山的监测对于理解南大洋海洋、大气以及海冰之间的相互作用至关重要。尽管巨型冰山一直是遥感研究的重点，但对于南大洋中型冰山（面积介于0.4至10平方公里之间）的研究相对较少。这些中型冰山同样对环境具有重要影响，因此对其监测和跟踪显得尤为重要。 #### 技术框架与方法 本研究利用Google Earth Engine（GEE）平台和Python编程语言，结合Sentinel-1（S1）卫星数据，开发了一套专门针对中型和大型冰山的检测与跟踪工具。具体技术细节包括： 1. **图像预处理与加载**： - 通过GEE Python API环境加载Sentinel-1图像数据。 - 将图像数据转换为NumPy数组格式，以便后续处理。 2. **冰山检测算法**： - 使用简单非迭代聚类（SNIC）和区域邻接图（RAG）合并方法进行基于对象的图像分割。 - 通过支持向量机（SVM）模型对分割后的图像片段进行分类。该模型基于雷达反向散射特征和形态特征作为输入进行训练。 - 利用2019年至2021年间40幅S1图像中的6432个标记的冰山和非冰山片段进行训练和测试。 3. **冰山跟踪算法**： - 在不同日期的两个图像场景中检测到冰山后，通过比较它们的一维形状信号来跟踪冰山的位移。 - 该方法能够有效地跟踪冰山的位置变化。 #### 实验结果与评估 - **检测准确率**：该模型在检测冰山方面达到了99%的高准确率。 - **跟踪准确率**：冰山跟踪准确率在93%至98%之间，表明算法能够在较长时间内有效跟踪冰山的移动路径。 - **阿蒙森海冰山分析**：2021年，阿蒙森海的冰山比例从2%到8%不等，大多数冰山以小于0.2公里/天的速度向西移动。 #### 关键亮点与优势 - **高效的数据处理能力**：借助GEE平台的强大计算能力，可以处理大量的Sentinel-1合成孔径雷达图像，大大节省了时间和存储空间。 - **高度准确的检测与跟踪性能**：通过对大量样本的训练，模型能够以非常高的准确率检测并跟踪冰山。 - **深入的环境分析**：通过对阿蒙森海冰山分布和漂移模式的研究，为环境科学家提供了宝贵的数据支持。 #### 方法概述 - **整体流程**：整个检测与跟踪过程分为三个主要步骤：图像加载、冰山检测和冰山跟踪。 - **代码示例**：使用Python进行编程，涉及到的库包括Pandas、NumPy、Matplotlib等。此外，还使用了sklearn库中的SVM方法来进行分类任务。 - **算法实现**：通过SNIC和RAG进行图像分割，利用SVM进行分类，并通过一维形状信号进行冰山跟踪。 ### 结论 本研究提出了一种利用GEE和Sentinel-1卫星数据的高效、准确的方法来检测和跟踪中型冰山。这种方法不仅提高了冰山监测的效率，也为环境保护和气候变化研究提供了重要的技术支持。未来的研究可以进一步探索更高级的机器学习技术来提高检测精度和跟踪准确性，同时也可以扩展到其他类型的冰山和不同的地理区域。