在北极海冰持续变薄及动力形变增强背景下，冰间水道作为海气热量交换的重要通道，对海冰动力过程与区域能量收支具有重要影响。合成孔径雷达（Synthetic Aperture Radar, SAR）具备全天时、全天候观测能力，是冬季北极水道监测的重要技术手段，Sentinel-1为泛北极水道连续观测提供了稳定数据来源。近年来，深度学习方法显著提高了水道自动识别能力，但在细窄水道连续提取、复杂冰情适应性及形态量化分析方面仍存在不足。针对上述问题，本文基于Sentinel-1 SAR影像构建融合极化与纹理特征的深度学习水道识别模型，形成泛北极高分辨率水道产品，并从区域与泛北极尺度开展时空分布与形态演变分析。主要结果如下：

1.提出了融合极化强度与纹理信息的LeadNet模型，实现复杂冰情下冰间水道的稳定识别。本文以U-Net为基础框架，构建双分支编码结构，一支提取HH极化强度特征，另一支提取经Jeffries-Matusita（JM）距离筛选的灰度共生矩阵（Gray-level co-occurrence matrix, GLCM）纹理特征，并在深层进行特征融合与多尺度表达，从而提升模型对水道与背景海冰的判别能力。通过引入Focal Loss缓解类别不平衡问题，并结合数据增强与独立测试集验证模型泛化性能。结果表明，LeadNet在准确率（Acc）、平均交并比（mIoU）与Kappa系数等指标上均优于RF、PSP-Net与EW-Net等方法，尤其在薄冰覆盖及粗糙海冰背景下仍保持较好的水道连续提取能力。消融实验进一步表明，双分支结构能够有效增强细窄水道的识别能力，提高复杂冰情条件下的像素级识别精度。

2.构建了覆盖完整结冰期的泛北极高分辨率水道产品，并揭示了水道活动的阶段性演变与区域差异特征。基于训练完成的LeadNet，对2019年10月至2020年4月北纬65°以北的Sentinel-1影像开展批量处理，生成80 m分辨率逐景像素级水道分布结果，并进一步计算月平均水道频率（Lead Frequency, LF）产品。基于LF产品分析表明，2019-2020年结冰期泛北极水道活动呈现“冻结初期增强—深冬抑制—早春回升”的阶段性变化。空间分布上，固定冰外缘形成沿岸高频水道带；岛屿及海峡附近水道活动增强；北水冰间湖在频率图上呈现“外缘高频轮廓—内部弥散纹理”的组合结构，反映了局地动力环境与热力过程共同作用下的区域差异特征。

3.在区域尺度上刻画了水道形态的年际差异，并揭示了泛北极尺度下的尺度效应。以波弗特海为典型区域，构建2019-2022年三个冬季高时空分辨率水道序列，并通过连通域分析、骨架提取与欧氏距离变换反演水道长度、宽度与面积等形态参数。结果显示，不同冬季水道总面积演变模式存在显著差异，且晚冬阶段细窄水道与短尺度水道占比明显上升，指示水道网络由长尺度结构向离散化破碎结构转化。对比泛北极尺度水道形态统计结果可见，虽然总面积随季节呈显著放缩，但宽度与长度分级比例整体相对稳定，说明不同海域演化不同步在空间平均后削弱了区域尺度上短水道比例增强等变化特征，体现出明显的尺度效应。

综上所述，本文构建了融合极化与纹理特征的LeadNet水道识别模型，形成覆盖完整结冰期的泛北极高分辨率水道产品体系，并从区域与泛北极尺度系统揭示了水道活动的时空演变与形态特征。研究实现了由像素级识别向形态量化与统计分析的拓展，为理解北极海冰动力过程与海气相互作用提供了高分辨率数据支撑与方法基础。

第1章 绪论... 1

1.1 研究背景与意义... 1

1.2 国内外研究现状... 2

1.2.1 SAR冰水识别原理与发展... 2

1.2.2 冰间水道识别方法的研究现状... 3

1.3 研究内容与技术路线... 5

1.3.1 研究主要内容与创新点... 5

1.3.2 技术路线... 6

1.3.3 章节安排... 7

1.4 本章小结... 8

第2章 研究区域与数据预处理... 9

2.1 研究区域... 9

2.1.1 泛北极冰间水道分布概述... 9

2.1.2 波弗特海动力背景与水道形态特征... 9

2.2 数据来源... 10

2.2.1 Sentinel-1 SAR数据... 10

2.2.2 海冰密集度辅助数据... 10

2.3 数据预处理与GLCM计算... 11

2.3.1 数据预处理... 11

2.3.2 GLCM特征计算... 12

2.4 样本标注与数据集构建... 13

2.4.1 训练与测试样本构建及空间分布... 13

2.4.2 泛北极冰间水道数据集... 16

2.4.3 波弗特海三年水道形态分析数据... 17

2.5 本章小结... 17

第3章 LeadNet模型构建与训练... 19

3.1 深度学习方法概述... 19

3.2 LeadNet模型设计... 20

3.2.1 输入特征设计... 20

3.2.2 双分支编码器... 21

3.2.3 解码器与跳跃连接输出层... 22

3.3 模型训练与评估指标... 22

3.3.1 模型训练... 22

3.3.2 评估指标... 23

3.4 本章小结... 24

第4章 LeadNet模型性能评估与泛北极冰间水道数据集构建... 27

4.1 消融实验... 27

4.1.1 纹理特征的有效性验证... 27

4.1.2 双分支结构的有效性验证... 28

4.1.3 不同纹理特征组合的最优性分析... 28

4.2 识别结果展示... 29

4.3 与现有方法对比... 30

4.3.1 与传统机器学习方法对比... 32

4.3.2 与深度学习方法对比... 32

4.4 泛北极水道数据集构建... 33

4.4.1 月尺度水道频率图... 33

4.4.2 像元级水道分类结果... 34

4.5 本章小结... 34

第5章 北极冰间水道时空分布与形态特征分析... 37

5.1 泛北极水道的时空分布特征... 37

5.1.1 泛北极水道频率分布季节变化... 37

5.1.2 典型区域水道分布特征... 40

5.2 水道形态特征分析... 44

5.2.1 水道形态参数提取方法... 44

5.2.2 2019-2022年波弗特海水道形态演变特征... 46

5.2.3 2019-2020年泛北极水道形态特征... 52

5.3 本章小结... 55

第6章 结论与展望... 57

6.1 研究结论... 57

6.2 不足与展望... 58

参考文献... 61

附录 英文缩写一览表... 67

致谢... 69

作者简历及攻读学位期间发表的学术论文与其他相关学术成果... 71