《Remote Sensing of Environment》：Iceberg detection from global open ocean sentinel-1 wave mode SAR data with YOLO deep learning
編輯推薦：
本研究基于YOLOv11架構開發IB-YOLO深度學習模型，用于Sentinel-1 WV SAR數據中千米級冰山的檢測與定位。通過構建13,686個手動標注樣本的數據集，優化模型架構組合，最終實現高精度檢測。模型在2016-2018年數據集上成功識別80,245個冰山，揭示冰山分布與斷崖前緣的關聯性，季節性變化特征及冪律分布規律，為南極冰山監測提供新方法。
作者：謝濤、王晨、李曉明、李慧敏、范高靜、Alexis Mouche、Bertrand Chapron
單位：南京信息科學職業技術學院氣候系統預測與風險管理國家重點實驗室，中國南京 210044
摘要
Sentinel-1波模式（WV）合成孔徑雷達（SAR）定期在南大洋獲取高分辨率圖像，但其用于自動化和統計分析冰山研究的潛力尚未得到充分挖掘。本研究提出了IByolo模型，該模型基于YOLOv11架構開發，用于在開闊海域的WV SAR數據中檢測和定位千米級冰山。該模型基于包含13,686個冰山的標注數據集進行訓練，這些數據分布在2,062張圖像中。通過多種架構配置的敏感性測試，發現HGNetV2+C2PSA-CAA+P2組合具有最佳性能，準確率為0.41。IByolo能夠生成可靠的冰山邊界框，從而實現0.1-5平方公里范圍內冰山表面積的高效估算。將此模型應用于2016-2018年間在40°S以南獲取的19,025張圖像后，共檢測到80,245座冰山。大多數圖像中的冰山數量較少，總表面積低于5平方公里。冰山主要分布在威德爾海東北部、阿蒙森-羅斯海以及東南極洲沿岸的主要崩解區。其數量存在明顯的季節性變化，夏季達到峰值，冬季接近零。這一發現與基于高度計的千米級冰山分析結果一致，兩者結合有助于更深入地了解南極冰山的移動和變化規律。研究還發現冰山大小分布遵循冪律分布，指數為-1.42，這與先前的衛星觀測結果一致。這些結果表明，將WV SAR數據與先進的物體檢測框架結合使用，可以實現對冰山的有效監測。由此產生的數據集對于研究南極冰山動態、淡水通量及其對氣候的影響具有重要價值。
引言
冰山崩解是南極冰蓋質量損失的主要機制。隨著全球氣候變化導致海洋溫度上升，冰架的結構弱化與崩塌加速，進而增加了冰山崩解活動（Depoorter等人，2013；Paolo等人，2015）。冰山脫離后，會在盛行風和洋流的驅動下遠離南極邊緣，進入南大洋（Wagner等人，2017；Collares等人，2018）。這些漂浮的冰山影響著多種海洋過程，如環流動態、垂直分層、營養物質再分配和生物生產力（Arrigo等人，2002；Lucas等人，2025）。它們的淡水通量對氣候建模和生物過程預測也有重要影響（Mackie等人，2020；Boyd等人，2024）。因此，即使基于空間采樣觀測數據，準確監測冰山的位置、范圍和時間變化對于量化其在極地氣候系統中的作用至關重要。
早期的冰山觀測主要依賴船載調查。自1981年以來，挪威極地研究所為國際冰山數據庫提供了詳細的實地測量數據，建立了長期記錄，并得到了南極研究科學委員會的正式認可（Jacka和Giles，2007）。然而，這些實地數據僅限于航運路線和特定研究區域，限制了其在大范圍或全年監測中的應用。為彌補這一不足，衛星遙感技術得到了越來越多的應用。散射計能夠實現近乎連續的冰山追蹤，并被用于整合楊百翰大學的數據與美國國家冰中心的海冰數據庫（Budge和Long，2018）。盡管散射計覆蓋范圍廣泛，但其25公里的空間分辨率限制了小于6公里冰山的檢測能力。另一種方法是衛星高度計，它能夠識別千米級冰山，并用于生成1992-2014年的南大洋冰山分布圖（Tournadre等人，2016），此后數據不斷更新。但這種方法僅適用于開闊水域，且對波形假設敏感，難以驗證（Tournadre等人，2008，2012）。因此，仍需要高分辨率、可擴展的方法來實現南極地區的常規冰山檢測和尺寸估算。
與光學衛星相比（Fu等人，2018；Zhou等人，2025），合成孔徑雷達（SAR）系統因具有高空間分辨率和全天候、晝夜通用的能力而特別適合極地監測（Jackson等人，2004；Torres等人，2012）。SAR圖像的輻射特性和紋理特征使得利用計算機視覺和機器學習實現自動冰山檢測成為可能，早期研究主要依賴閾值分割和分割算法。例如，Wesche和Dierking（2012）應用K分布閾值技術從Envisat ASAR數據中檢測出小至0.02平方公里的冰山，但檢測效果受海況和海冰干擾影響。基于物體的分類方法也被提出，如Mazur等人（2017）的研究，在多種海表條件下表現出更好的魯棒性。深度學習的最新進展提高了SAR圖像中冰山檢測的準確性和泛化能力，包括基于網格圖的超級像素分類（Barbat等人，2019，2021）、狄利克雷過程混合模型分類器（Evans等人，2023）、非迭代聚類后的支持向量機分割（Koo等人，2023）、U-net深度學習方法（Braakmann-Folgmann等人，2023）、結合增量隨機森林的超級像素分割（Guan等人，2025）以及Inception-v3卷積神經網絡（Wang等人，2026）。這些方法共同證明了利用SAR數據建立長期冰山數據庫的可行性，以補充現有的觀測記錄。
Sentinel-1（S-1）憑借其穩定的數據采集策略和高輻射質量，已成為極地遙感應用的關鍵衛星平臺。現有的冰山檢測研究主要集中在南極海岸線附近的寬幅圖像上，這些區域經常觀察到大型平板冰山（Li等人，2018；Braakmann-Folgmann等人，2021，2022；Evans等人，2023；Chen等人，2026）。相比之下，S-1波模式（WV）圖像雖然以空間采樣方式獲取（見圖1(a)和(b)），但在南大洋冰山監測中的應用仍較少。盡管有一小部分WV數據覆蓋海冰區域，但絕大多數數據來自開闊水域。從統計上看，這些定期采集的高分辨率圖像構成了大量數據，具有系統性和空間代表性，有利于檢測漂浮的千米級冰山。這一獨特能力補充了基于沿海寬幅SAR和光學圖像的現有冰山研究。在之前關于S-1 WV圖像（無論是否包含冰山）的場景級分類研究基礎上（Wang等人，2019，2026），本研究引入了基于YOLOv11架構的IByolo模型，用于檢測每個開闊海域圖像中的冰山。雖然研究冰山在波冰區和密集海冰覆蓋下的情況也很有趣（如Guan等人，2025的冰山破碎研究和England等人，2020的冰山破裂建模），但這超出了本文的范圍，將在后續研究中進一步探討。
本文其余部分安排如下：首先編譯了一個包含13,686個手動標注邊界框的訓練數據集，覆蓋2,062張WV圖像。通過一系列控制實驗系統優化了模型架構和訓練配置。數據集構建和模型開發的詳細信息分別見于“數據集”和“IB模型的訓練與評估”部分。訓練好的IByolo模型被應用于2016-2018三年的WV數據，以量化南大洋冰山的發生和時空變化。第4節展示了研究結果，第5節進行了討論和總結。
Sentinel-1波模式
S-1是一顆極地軌道、太陽同步的SAR衛星，由歐洲航天局（ESA）在Copernicus計劃下運行（Torres等人，2012）。它旨在實現地球表面的長期、常態化監測。該衛星星座包括S-1A、S-1B和S-1C，分別于2014年、2016年和2024年發射。S-1C取代了因電源故障于2021年停止運行的S-1B。每顆S-1衛星的重復周期為12天。
IByolo模型的訓練與評估
本節描述了IByolo模型的開發過程，該模型基于YOLO架構，用于端到端檢測S-1 WV SAR圖像中的冰山。通過一系列實驗評估模型性能并優化其檢測能力。選擇YOLO框架是因為其在實時物體檢測任務中的有效性，能夠在單次網絡遍歷中同時完成分類和定位。
2016-2018年南極周圍S-1A WV開闊海域的冰山
將IByolo模型應用于2016-2018年間被分類為含有冰山的19,025張S-1A WV SAR圖像，共檢測到80,245座冰山。該SAR數據集有助于詳細分析南大洋千米級冰山的時空分布、變化特性和尺寸規律。盡管由于分辨率和對比度限制，部分冰山可能未被檢測到，但該數據集為相關研究提供了堅實的基礎。
討論與結論
本研究提出了基于深度學習的冰山檢測模型IByolo，該模型基于YOLOv11架構開發，優化用于開放海域S-1 WV SAR圖像中千米級冰山的物體級分析。為了訓練模型，我們編制了迄今為止最詳細的自定義數據集，包含超過13,000個冰山標注，分布在約2,000張圖像中。優化后的IByolo模型表現出優異的檢測性能（精確度：0.86，召回率：0.83）。
CRediT作者貢獻聲明
謝濤：負責撰寫初稿、方法論和正式分析。王晨：負責撰寫、審稿與編輯、方法論、資金爭取和概念構建。李曉明：負責撰寫、審稿與編輯、監督、資金爭取和概念構建。李慧敏：負責撰寫、審稿與編輯、可視化方法論。范高靜：負責撰寫、審稿與編輯、可視化。Alexis Mouche：負責撰寫、審稿與編輯。Bertrand Chapron：負責撰寫、審稿與編輯。
利益沖突聲明
作者聲明沒有已知的可能影響本文研究的財務利益或個人關系。
致謝
作者感謝ESA、IFREMER和不來梅大學提供S-1 WV SAR數據、Altiberg數據及海冰濃度數據，同時感謝匿名審稿人的寶貴意見，這些意見提升了論文質量。本研究得到了“國家杰出青年科學基金”（項目編號：42025605）的支持，部分資金還來自航空航天信息技術大學的高層次人才研究啟動項目以及歐洲航天局的支持。
