受全球气候变化影响，北极海冰在范围、厚度和年龄上都有明显的减少趋势，大量永久性多年冰（Multi-year ice, MYI）被季节性一年冰（First-year ice, FYI）取代。MYI不但与北极夏季最小海冰范围密切相关，同时也是威胁北极船只安全的重要因素。波弗特海是北极MYI减少最严重的区域之一，也是北极MYI的主要输出区域之一，还是北极西北航道的重要组成部分。因此研究波弗特海区域的高分辨率海冰分类模型，并进一步研究其MYI变化特征对MYI监测和北极航线规划具有重要意义。

合成孔径雷达（Synthetic Aperture Radar, SAR）有全天时、全天候监测能力，是常用的高分辨率海冰监测传感器。受益于人工智能的快速发展，基于SAR的海冰分类从传统阈值法发展到机器学习和深度学习方法，分类精度和效率有了显著提升。然而仍有几个问题等待解决:（1）现有深度学习方法多采用卷积神经网络（Convolutional Neural Network, CNN），其不是一个像素级的分类方法，且分类准确率有待提升；（2）现有深度学习模型侧重于采用SAR图像的极化信息作为分类依据，对SAR图像的纹理特征存在忽视，限制了分类精度的提高；（3）波弗特高压变化会影响波弗特海域MYI的漂移，近年来，波弗特高压异常事件时有发生，在此背景下，波弗特海MYI的变化呈现的特征变化，有待进一步揭示。为解决上述问题，本文以波弗特海为研究区域，Sentinel-1 SAR影像为数据源，构建了基于深度学习的海冰智能化分类模型。进一步利用分类模型获取2018-2022年波弗特海的MYI变化特征，分析了其影响因素。具体为以下三方面内容：

1. 搭建了基于U-Net的像素级SAR图像海冰分类模型。本文首先收集了24幅Sentinel-1在EW模式下获取的双极化SAR影像，利用目视解译、参考MYI产品和时序数据验证方法标注真值。利用16幅图像构建训练集，剩余8幅构建测试集。引入深度学习U-Net模型，搭建了像素级的海冰分类模型，分类SAR影像中的MYI、FYI和开放水域（Open Water, OW）。U-Net模型在测试集取得了较高的精度，在准确率（Acc）、平均重叠率（mIoU）和Kappa系数分别取得了90.2%、0.796和0.817。本文开展了模型对比和敏感性测试实验。实验结果表明，U-Net模型精度远高于现有的海冰分类模型，如：支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest, RF）和CNN。深度学习模型在HV去噪后的分类结果与去噪前相差较小，相较于传统的机器学习模型，深度学习模型具有一定的抗噪声能力。U-Net模型中，单一斜率校正HH图像对分类FYI和MYI有利。单支输入模式下，在双极化信息基础上加入单一灰度共生矩阵（Gray-level co-occurrence matrix, GLCM）纹理特征，能提升模型对OW的分类能力，但对FYI和MYI分类精度的提升不明显。以上研究表明深度学习模型U-Net在海冰分类较其他模型有明显优势。

2. 搭建了融合SAR图像极化信息和纹理特征的DBU-Net海冰分类模型。为进一步提高U-Net的海冰分类精度，本文利用双分支编码器和6种GLCM纹理特征改进U-Net模型，构建了双分支U-Net（DBU-Net）海冰分类模型。双分支编码器能更好地融合SAR图像的极化信息和纹理特征，使DBU-Net的海冰分类精度在Acc/MIoU/Kappa达到92.0%/0.846/0.851，比原始U-Net模型提高1.7%/5.0%/3.4%。本文对DBU-Net开展了模型对比和敏感性测试实验，并利用不来梅大学发布的MYI产品（Bremen MYI）验证DBU-Net分类结果。实验结果表明，在模型输入为极化信息和GLCM纹理特征时，DBU-Net模型精度远超SVM、RF和CNN。双分支结构和GLCM纹理特征的敏感性实验结果表明，两者对模型精度提升均有帮助，明显提高了模型对OW和FYI的分类能力。在与现有MYI产品的比较中，DBU-Net分类结果和Bremen MYI在波弗特海和弗拉姆海峡均表现出较小差异。以上研究验证了DBU-Net海冰分类的鲁棒性，为生成波弗特海海冰分类结果提供了技术支持。

3. 研究了2018-2022年波弗特海冬季多年冰变化特征。本文收集了415幅获取自波弗特海域2018年10月至2022年3月的Sentinel-1 SAR图像，利用训练完善的DBU-Net生成了60个基于SAR的海冰数据（SAR-based Sea Ice Data, SSID），获取波弗特海FYI和MYI的变化特征。并进一步利用海冰漂移数据和SLP数据分析两个典型的波弗特海MYI变化特征和影响因素。得到结论如下：（1）冬季波弗特海MYI的总体变化特征可分为三种。MYI总体输入，如：2019/20和2020/21冬季；MYI总体输出，如：2018/19冬季；和MYI总量几乎不变，如：2021/22冬季;（2）导致2018/19年冬季的MYI输出的因素是波弗特高压引起的海冰漂移异常，从通常的东北向西南漂移变为东南向西北漂移;（3）导致2020/21年冬季的MYI输入的因素是波弗特高压引起的强烈反气旋波弗特环流，带动了大量北向南的MYI输入；同时初始MYI较少，推迟了MYI漂移至西边界的时间，从而减少了西边界输出。

综上所述，本文设计并搭建了DBU-Net高分辨率海冰分类模型，精确分类SAR影像中的MYI、FYI和OW。进一步利用模型和SAR图像生成了60幅2018-2022年冬季波弗特海SSIDs，分析了两个典型的MYI变化特征和影响因素。研究结果为进一步开发整个北极的海冰分类模型和生成波弗特海MYI分布特征提供了技术支持。