冰川冻土, 2022, 44(1): 117-132 doi: 10.7522/j.issn.1000-0240.2022.0024

冰冻圈与全球变化

基于Sentinel-1卫星数据的北极西北航道通航适宜性分析

周雪飞,1, 徐嘉2, 张绪冰,1

1.中国地质大学(武汉) 地理与信息工程学院 国家地理信息系统工程技术研究中心, 湖北 武汉 430078

2.中国空间技术研究院 北京空间飞行器总体设计部, 北京 100094

Navigable suitability analysis of the Arctic Northwest Passage based on Sentinel-1 satellite data

ZHOU Xuefei,1, XU Jia2, ZHANG Xubing,1

1.National Engineering Research Center for Geographic Information System,School of Geography and Information Engineering,China University of Geosciences (Wuhan),Wuhan 430078,China

2.Beijing Institute of Spacecraft System Engineering,China Academy of Space Technology,Beijing 100094,China

通讯作者: 张绪冰,副教授,主要从事行星遥感、海洋遥感、机器视觉与深度学习研究. E-mail: zxubing@cug.edu.cn

收稿日期: 2021-06-17   修回日期: 2022-02-03  

基金资助: 中国空间技术研究院研究基金项目.  501-01-2018-0695

Received: 2021-06-17   Revised: 2022-02-03  

作者简介 About authors

周雪飞,硕士研究生,主要从事北极海冰、航道研究.E-mail:zxf1201910746@cug.edu.cn , E-mail:zxf1201910746@cug.edu.cn

摘要

北极西北航道对北极资源开发与世界贸易格局有重要影响。针对当前西北航道通航适宜性时空变化分析研究中时空分辨率低、时效性差等问题,利用2015—2019年每年9月及2019年8月1日至9月20日的Sentinel-1 SAR数据,基于k均值非监督分类方法反演了十米级高空间分辨率海冰密集度。通过长时序宏观跟踪和短时序精细分析西北航道全线通航窗口,并以70%的海冰密集度作为阈值,测算了西北航道经过重要海湾及海峡累计不可通航的次数。结果表明:西北航道的航情随冰情而变,通航能力尚不稳定。具体来说,西北航道的冰情呈现东轻西重、南轻北重的格局,不可通航节点个数东少西多、南少北多。2018年9月西北航道通航情况最差,高于可通航阈值的海冰覆盖面积占总航道面积的35.24%,共有10个不可通航节点。2016年和2019年9月的通航情况较好,阿蒙森湾—科罗内申湾—毛德皇后湾—维多利亚海峡—富兰克林海峡—皮尔海峡—巴罗海峡—兰开斯特海峡段航道(航道C)可实现全线通航。进一步通过小尺度时间窗口研究发现,西北航道的最佳通航窗口为8月下旬至9月上旬,期间共出现3条全线通航的航道;最佳通航路线为航道C,其连续通航时间长达30天。

关键词: 西北航道 ; 海冰密集度 ; 北极 ; Sentinel-1

Abstract

The Arctic Northwest Passage has an important impact on the development of Arctic resources and the pattern of world trade. To address the problems of low spatial and temporal resolution and poor timeliness in the current study of spatial and temporal variability analysis of navigable suitability of the Northwest Passage, this paper made the following research. High-resolution Sentinel-1 SAR data and k-means method are used to estimate the ten-meter high spatial resolution sea ice concentration (SIC). The navigable window of the Northwest Passage is determined through macro-tracking of long-term series and precision analysis of short-time series. Taking 70% SIC as the threshold, the cumulative number of times that the Northwest Passage failed to pass through important bays and straits was analyzed. The results show that navigation in the Northwest Passage varies with ice conditions, and its navigability is still unstable. Specifically, the ice situation in the Northwest Passage shows a pattern of light in the east and heavy in the west, light in the south and heavy in the north. The number of non-navigable nodes is less in the east and more in the west, less in the south and more in the north. Navigation of the Northwest Passage in September 2018 was the worst compared to other years during the study period. The area covered by sea ice above the navigable threshold accounts for 35.24% of the total channel area, with a total of 10 non-navigable nodes. In contrast, September 2016 and 2019 have better navigation. The A.G.—C.G.—Q.M.G.—V.S.—F.S.—P.S.—B.S.—L.S. section of the channel (Channel C) is fully navigable. Further studies through small-scale time windows revealed that the best navigable window for the Northwest Passage is late August to early September, during which a total of three fully navigable channels occur. Channel C is the best navigable route of the Northwest Passage, and its continuous navigable period is up to 30 days.

Keywords: Northwest Passage ; sea ice concentration ; Arctic ; Sentinel-1

PDF (11184KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

周雪飞, 徐嘉, 张绪冰. 基于Sentinel-1卫星数据的北极西北航道通航适宜性分析[J]. 冰川冻土, 2022, 44(1): 117-132 doi:10.7522/j.issn.1000-0240.2022.0024

ZHOU Xuefei, XU Jia, ZHANG Xubing. Navigable suitability analysis of the Arctic Northwest Passage based on Sentinel-1 satellite data[J]. Journal of Glaciology and Geocryology, 2022, 44(1): 117-132 doi:10.7522/j.issn.1000-0240.2022.0024

0 引言

北极西北航道是大西洋和太平洋之间最短的航道,其通航将对全球自然资源开发与利用、海运交通及国际贸易格局产生重要影响。西北航道通航具有季节差异性和区域差异性等时空变化特征1,海冰密集度是影响航道通航的主要限制因素2-3。通过遥感影像非监督分类实现对海冰密集度的时空变化监测,分析西北航道的通航适宜性,对于寻找适航通道,把握适航窗口,打造中国特色的“冰上丝绸之路”,促进北极地区航道规划与海洋资源开发具有重要的理论与实践意义。

通过遥感手段实现航道区域海冰密集度的时空变化监测具有重要价值4,已有研究的常用方法包括可见光近红外遥感5-8、被动微波遥感9-11和主动微波遥感12-14。Sentinel-1搭载的合成孔径雷达(SAR),相较于可见光近红外遥感更不易受大气和太阳辐射的影响;而相较于被动微波遥感,具有更高的空间分辨率,可在海冰边界表现出更多细节15-17;而且相比于其他SAR卫星具有开源、数据量大等特点。目前,SAR影像在海冰密集度方面的应用均是利用其高分辨率优势提高海冰密集度的估算精度,研究区域范围较小,在探究海冰密集度时空变化规律方面仍是空白。北极航道通航适宜性有关研究主要集中在东北航道18,现在西北航道通航适宜性研究中仅有基于千米级空间分辨率微波遥感数据的研究19-21,且时间多为2015年以前或冬季,仍少见到对北极西北航道大范围、高时空分辨率、具有时效性的通航时空特征分析。而且,对于仅在夏季通航的西北航道而言,其通航服务意义较弱,导致难以准确分析北极西北航道的通航时空变化特征及重要海湾和海峡的海冰密集度对通航的重要性。

鉴于此,本文从北极西北航道所经海域的海冰密集度时空变化特征出发,结合高分辨率Sentinel-1 SAR数据,采用k均值分类法反演得到2015—2019年每年9月的海冰密集度,分析北极西北航道海冰密集度的时空变化规律,为西北航道的开辟与选择提供数据支持;并进一步细化时间尺度,通过反演2019年8月1日—9月20日西北航道的海冰密集度,以70%的海冰密集度为通航阈值,分析西北航道夏季最佳通航窗口以及各分支航线的适航性,有助于规划船舶在北极西北航道航行过程中需重点关注的海湾、海峡和时间段。

1 数据与方法

1.1 研究区概况

北极西北航道西起波弗特海,经过加拿大北极群岛(Canadian Arctic Archipelago,CAA)到达戴维斯海峡和东部的巴芬湾,最终连接太平洋和大西洋。北极西北航道位于65°~75° N间,较苏伊士运河或巴拿马运河等传统航道而言缩短近一半的距离22。该地区气候恶劣,海水几乎终年被冰雪覆盖,一般情况下仅在8—9月的沿岸海域出现狭窄的无冰海域可用于通航,在有冰地区航行则需准确及时的海冰信息12。西北航道的分支航道众多,本文结合以往文献和北极航道指南23-24,对其较为常见的6条分支航道进行总结,如图1所示。其中,除了航道E以福克斯湾(F.B.)为终点,其余5条航道均西起波弗特海,东至巴芬湾。航道A、B经波弗特湾后,分别在班克斯岛两侧形成2条分支,在梅尔维尔子爵海峡(V.M.S.)汇合,后半段共用同一条路线;航道C、D、E、F中,前半段共用同一条沿岸海域路线,至维多利亚海峡(V.S.)后,分别在威尔士王子岛、萨默塞特岛和巴芬岛两侧形成4条分支,航道C、D、F在兰开斯特海峡(L.S.)汇合后进入巴芬湾,而航道E则向南经过布希亚湾(G.B.)、弗瑞赫克拉海峡(F.H.S.),进入福克斯湾(F.B.)。

图1

图1   西北航道示意图

Fig. 1   Map of the Northwest Passage


1.2 数据来源

目前,采用被动微波遥感的海冰密集度产品其空间分辨率大多为千米级,最高为3.25 km,难以细致地研究加拿大北极群岛间狭窄水道中的海冰分布变化特征,而光学传感器在极地海冰领域的应用有限。Sentinel-1在空间分辨率、重访周期、覆盖范围、及时性等方面的优势,使其能够满足本文相关应用的要求。研究区L1级地距探测影像(GRD)数据均来源于美国航空航天局(NASA)(https://search.earthdata.nasa.gov/),该级别影像已经过多视处理、消除热噪声,以提高图像质量。Sentinel-1作为一个双星系统包含Sentinel-1A和Sentinel-1B两颗卫星,单个卫星重访周期为12天,双星座重访周期缩短为6天。本文主要采用Sentinel-1A数据,辅以Sentinel-1B数据,用于填补固定轨道角度而造成的影像间的空隙。Sentinel-1共有四种成像模式,每种模式的参数如表1所示。本文采用C波段合成孔径雷达超宽幅(EW)模式下的双极化(HH/HV)数据,其幅宽为400 km,入射角范围为19°~47°,像素间距为40 m,分辨率为93 m×87 m。

表1   Sentinel-1四种成像模式的主要参数

Table 1  Main parameters of the four imaging modes of Sentinel-1

模式入射角范围/(°)分辨率(距离向×方位向)/(m×m)像素间距(距离向×方位向)/(m×m)幅宽/km极化方式
条带模式(SM)20~4584×8440×4080双极化(HH+HV,VH+VV)、单极化(HH,VV)
干涉宽幅模式(IW)29~4688×8740×40250
超宽幅模式(EW)19~4793×8740×40400
波浪模式(WV)22~35、35~3852×5125×2520×20单极化(HH,VV)

新窗口打开| 下载CSV


影响船舶航行和安全的主要因素是冰情25,而海冰密集度作为海冰的一个重要物理参量,对冰情影响较大,是确定船舶交通运输安全的关键因素26。因此,为了分析北极西北航道的适航性,本文选择海冰密集度作为评价通航标准的指标,从月和旬两个时间尺度分析其时空变化特征,分别选取2015—2019年每年9月11日—20日和2019年8月1日—9月20日两组数据进行海冰密集度反演,2015年共选取14景影像,2016年共18景,2017年共20景,2018年共21景,2019年8月共49景,2019年9月共35景。

1.3 方法

本文计算海冰密集的方法主要分为数据预处理、海冰分类和海冰密集度计算。首先,利用ENVI平台对原始数据进行辐射定标,根据如下公式将振幅数据转换为σ值。

Pd=PtGtA(θel,θaz)GrA(θel,θaz)λ3GrEGp(4π)3R3LsLaAσo+Pn

式中:Pd为传感器接收到的后向散射强度;Pt为传输功率;GtAGrA分别为透射和接收天线增益;θelθaz分别为天线仰角和天线方位角;λ为微波的波长;GrE为雷达接收器的电流增益;Gp为处理器常数;R为距离传播损耗;LaLs分别为大气和系统的损耗;A为散射面积;σo为后向散射系数;Pn为附加功率。其次,利用Refined Lee滤波去除SAR图像的斑点噪声27。再运用距离多普勒正射校正方法28,对雷达几何图像中的SAR场景进行地理编码,并转化为dB值输出。最后,将其投影方式设为WGS84/North Pole LAEA Canada,并将影像中包含陆地的区域进行掩膜。经预处理后的影像如图2所示。

图2

图2   原始影像和预处理后的影像

Fig. 2   Original (a) and preprocessed (b) images


1.3.1 基于k均值的海冰分类

在SAR影像中,像素的灰度值反映了地面目标的后向散射强度,灰度值代表了不同下垫面的后向散射系数。表面粗糙的厚海冰,引起的后向散射较大,在影像上较亮;而平静的海水介电常数很高,几乎所有的雷达波能量都会被水面反射29,返回的雷达波较少,在影像上几乎为纯黑,而薄冰的后向散射介于厚冰与平静的海水之间,在影像上呈现出较灰暗的粗颗粒。但由于北极复杂的气候环境,在部分区域则会出现冰、水混淆的情况。例如,冰上融池使得海冰的后向散射变低,导致其在影像上较暗。海风使海水表面更为粗糙,增强其后向散射,导致冰、水亮度较为接近。通过大量观察研究区域影像发现,在SAR影像中的HH波段更容易造成上述情况的混淆,而HV波段中海冰和海水的亮度差异十分显著,能较好地区分。且冰上融池一般出现在大片海冰的中央,呈圆形,根据周围海冰的位置可以很好地对其判断。不同海水和海冰类型如图3所示。

图3

图3   海水和海冰类型

Fig. 3   Sea water and sea ice types: thick ice (a), thin ice (b), melt pond (c), smooth sea (d) and rough sea (e)


为对北极海冰密集度进行长时序高频次的分析,基于海冰和海水在SAR影像上表现出的显著亮度差异,本文采用k均值非监督分类算法,在保证精度的前提下提取效率较高。k均值算法在所有聚类算法中应用较广泛30,且在海冰提取分类的相关研究中也得到了广泛应用31-33。该方法是基于样本间相似性度量的间接聚类方法,其聚类准则是使每一类中的各点至中心点距离的平方和最小。其具体步骤如下:

(1)选取k类初始中心Z1(1)Z2(1),…,Zk(1)

(2)在第n次的迭代中,对所有的i≠ji=1,2,…,k,以如下准则将某一样本X归于k类中的某一类别:若X-Zj(n)<X-Zi(n),则XSjn。其中,Sjn为以Zjn为中心的类。

(3)由步骤(2)可得到Sjn类的新中心Zj(n+1)=1NjXSj(n)X。其中,NjSjn类中的样本数。确定Zjn+1)时,以J最小为准则。J的表达式为J=j=1kXSj(n)X-Zj(n+1)2

(4)对于所有的i=1,2,…,k,若Zj(n)=Zj(n+1),则迭代结束;否则转到步骤(2)继续进行迭代,直至满足结束条件。

k均值的初始聚类中心具有随机性,表2为随机10次初始类中心得到的聚类结果,每次均分为5类(参考表3)、迭代50次,可以看出不同的初始聚类中心所得的聚类结果中心数值相同,仅不同类的中心有所交换,可通过目视解译进行重分类并确定海冰和海水最终指代的具体类别,因此在本文的研究中,随机选取聚类中心并不影响最终海水及海冰的分类结果。但聚类中心稳定时的迭代次数会随初始类中心的变化而改变,这将影响分类的效率34。在迭代过程中,每一类中的各点至聚类中心点的平均距离会随迭代次数而变化,如图4所示,平均距离随迭代次数的增加而下降,且大约在第21次迭代后收敛,表明各类别的像素点在第21次迭代时明显集中,且之后趋于平稳。因此本文将迭代次数设为21。

表2   随机10次初始类中心得到的聚类结果

Table 2  Clustering results by random 10 initial class centers

测试次数初始类中心聚类结果中心聚类中心稳定时的迭代次数
1{41,157,27,13,21}{97.09,138.76,43.99,11.71,25.97}15
2{31,20,26,9,97}{97.09,25.97,43.99,11.71,138.76}21
3{28,133,35,36,9}{25.97,138.76,43.99,97.09,11.71}16
4{22,116,20,14,26}{43.99,138.76,25.97,11.71,97.09}21
5{159,39,15,33,27}{138.76,97.09,11.71,43.99,25.97}14
6{24,27,14,34,22}{43.99,97.09,11.71,138.76,25.97}22
7{20,21,24,130,15}{25.97,43.99,97.09,138.76,11.71}21
8{119,84,31,29,11}{138.76,97.09,43.99,25.97,11.71}9
9{27,11,118,24,43}{43.99,11.71,138.76,25.97,97.09}17
10{26,10,33,8,111}{43.99,25.97,97.09,11.71,138.76}22

新窗口打开| 下载CSV


表3   不同k值海冰分类结果混淆矩阵

Table 3  Confusion matrix of sea ice classification results with different k values

k真实海冰分类用户精度
k=2合计
26102611.00
144952390.40
合计40595500
总体精度:0.71,Kappa系数:0.40
k=3合计
33423360.99
71931640.57
合计40595500
总体精度:0.86,Kappa系数:0.64
k=4合计
36153660.99
44901340.67
合计40595500
总体精度:0.90,Kappa系数:0.72
k=5合计
37763830.98
28891170.76
合计40595500
总体精度:0.93,Kappa系数:0.79
k=6合计
311163270.95
94791730.46
合计40595500
总体精度:0.78,Kappa系数:0.45

新窗口打开| 下载CSV


图4

图4   平均距离随迭代次数变化

Fig. 4   Average distance varies with number of iterations


k均值算法的分类数k值需要人工确定,一般来说k值为所需分类数的2~3倍35,为了达到最优分类精度,本文以影像局部范围为例,采用用户精度、总体精度和Kappa系数三个指标,研究k分别为2~6时海冰分类的精度,以此确定k的最优值。由于研究区地处北极,获得研究区真实海冰分布状况的难度较大,本文通过灰度直方图与目视解译,确定区分海冰和海水的阈值为51,将阈值分割后的海冰分布图作为真实海冰分布,如图5所示。k均值算法取不同k值时海冰分类结果的混淆矩阵如表3所示。

图5

图5   海冰阈值分割

Fig. 5   Sea ice threshold segmentation: sea ice and sea water grayscale histograms (a) and sea ice visual interpretation (b)


k=5时,海冰和海水的用户精度分别为0.98、0.76,总体精度为0.93,Kappa系数为0.79,分类结果在这5类中最好,因此将分类数k值确定为5。由于k值大于实际需分类数,在分类完成后,需要进行分类合并,并结合图5(b)中所示目视解译方法对图像中的误分类区域进行人工纠正。如图6所示,(a)为原始影像,(b)为k均值初分类结果,根据原始影像目视解译判断其中红色为海水,黄色、浅蓝色、深蓝色和绿色为海冰,(c)为最终重分类结果,其中红色为海水,浅蓝色为海冰。

图6

图6   海冰提取结果示例

Fig. 6   Example of sea ice extraction results: original image (a), k-means initial classification result (b) and reclassification result (c)


1.3.2 海冰密集度计算

海冰密集度是指研究区域内被冰覆盖的水面面积与整个研究区域水面面积的比值。通过小窗口滑动计算窗口区域内海冰像素的个数与窗口区域像素总数的比值,最终得到整个研究区域的海冰密集度。其公式为

C=AiAt×100%

式中:C为海冰密集度;Ai为研究区域内海冰像元数量;At为研究区域内的总像元数量。海冰密集度以百分比(0~100%)显示。窗口的大小对海冰密集度结果存在一定影响,若窗口过大,面积较小的冰间水道信息则会损失。为了能体现更多的海冰信息,本文选择10个像素×10个像素的窗口大小进行海冰密集度计算,最终海冰密集度结果图的空间分辨率为原始影像的10倍。图7为局部研究区海冰密集度结果示例。

图7

图7   海冰密集度计算结果示例

Fig. 7   Example of sea ice concentration calculation results


2 结果与分析

2.1 加拿大北极群岛海冰密集度时空变化

本文拟定9月为一年中最适宜通航的月份,分析2015—2019年每年9月海冰密集度的变化特征,如图8所示。总体来说,2015—2019年加拿大北极群岛内海冰密集度呈现先增高后降低的趋势,且2018年9月的海冰分布范围及海冰密集度在90%以上的占比面积在这5年中最大。

图8

图8   2015—2019年每年9月西北航道海冰密集度变化

Fig. 8   Variation of sea ice concentration in the Northwest Passage in September from 2015 to 2019: September 2015 (a), September 2016 (b), September 2017 (c), September 2018 (d) and September 2019 (e)


从地理位置而言,海冰密集度主要沿着海冰分布边界由低纬度向高纬度逐渐增高。在同一纬度上,海冰密集度仍存在较大差异。高纬度海域的海冰分布位置相对固定,且其密集度一直保持高密集度的状态,并不影响西北航道的通航。随着纬度的降低,海冰密集度及海冰分布范围存在不同程度的变化,变化较大的海域主要集中在加拿大北极群岛区域,主要有阿蒙森湾(A.G.)、麦克林托科海峡(M.C.C.)、麦克卢尔海峡(M.C.S.)和皮尔海峡(P.S.)等。阿蒙森湾的海冰密集度在2015—2017年趋近于0,2018年显著增高而到2019年降低。麦克林托科海峡2015年仅西侧沿岸的海冰密集度在90%以上,2016—2017年高密集度海冰由北部向南延伸,直至2018年覆盖整个海峡,而至2019年东部海冰密集度降低。麦克卢尔海峡2015年西侧海冰密集度较高,2016年直至波弗特海域海冰密集度均低于10%,2017年西侧海冰密集度再次增高,至2018年高密集度海冰覆盖整个海峡,2019年海冰密集度降低。2015年皮尔海峡南部的海冰密集度大致在40%~60%,2016年集中在海峡中部的海冰密集度大致在50%~90%,2017—2019年海冰密集度先由趋近于0,增长至90%以上,再降低至10%以下。2015—2018年,在科罗内申湾(C.G.)、布希亚湾(G.B.)和弗瑞赫克拉海峡(F.H.S.)等较低纬度的沿岸海域仍然存在小范围高密集度的海冰,而到2019年,较低纬度沿岸海域的海冰消融,为西北航道低纬度航线的通航打开窗口。由于9月海冰分布边缘地区正好位于加拿大北极群岛范围内,也正是西北航道所经之地,因此,海冰分布边缘地区的海冰密集度成为判断西北航道通航状况的重点和难点。

2.2 精度验证

本文选取2019年9月10日—20日西北航道中6条分支航道区域内的海冰密集度分别进行精度验证。验证数据为德国不莱梅大学发布的Merged MODIS-AMSR2 Daily 1 km SEA-ICE CONCENTRATION产品(下面简称MODIS-AMSR2 SIC产品),数据时间为2019年9月15日。提取MODIS-AMSR2 SIC产品在相同航道区域内的海冰密集度值,与本文反演的结果进行差值计算,差值(绝对值)空间分布图及各航道差值折线图如图9~10所示。

图9

图9   反演结果与验证数据差值空间分布

Fig. 9   Spatial distribution of differences between inversion results and validation data


图10

图10   各航道反演结果与验证数据差值折线图

Fig. 10   Line chart of the difference between inversion results of each channel and verification data: Channel A (a), Channel B (b), Channel C (c), Channel D (d), Channel E (e) and Channel F (f)


本文基于SAR影像反演结果的空间分辨率为100 m,是MODIS-AMSR2 SIC产品空间分辨率的10倍,更高的空间分辨率意味着单个像元所代表的海冰面积更精确,从而使得海冰边缘处位置精度更高,且海冰密集度分级更加细致,对于数十米宽的破冰船而言适配度更高。对比结果表明本实验反演结果和验证数据在各个重要海湾及海峡的海冰密集度的反演趋势基本一致。由于Sentinel-1高空间分辨率的特性,本文反演结果总体上比MODIS-AMSR2 SIC产品反演结果的海冰密集度高,仅在麦克卢尔海峡、梅尔维尔子爵海峡东部、科罗内申湾、利金特王子湾、福克斯湾和麦克林托科海峡南部这6处海峡中,比MODIS-AMSR2 SIC产品反演结果的海冰密集度低。在兰开斯特海峡、阿蒙森湾、科罗内申湾、毛德皇后湾、维多利亚海峡、富兰克林海峡、皮尔海峡、利金特王子湾、布希亚湾、弗瑞赫克拉海峡和福克斯湾这11处,其海冰密集度均在0~10%,二者反演结果差值较小,其中最大差值仅为3.21%,位于皮尔海峡,在利金特王子湾的最小差值达0.05%。而麦克卢尔海峡和梅尔维尔子爵海峡东部的海冰密集度在20%~30%和60%~70%区间,但其反演结果差值均低于2%,在梅尔维尔子爵海峡东部的差值仅为0.04%。其余海冰密集度在10%以上的海湾及海峡,二者反演结果存在不同程度的差异。由于冰水混合导致二者反演结果差异较无海冰处反演结果差异大,最大差值在麦克林托科海峡北部达到了20.09%。总体来说,无海冰区域二者反演结果差值较小,可以达到反演一致的结果;而在冰水混合区域,二者反演结果差值较无海冰区域反演结果差值大。由于划分能否通航的标准为70%的海冰密集度,二者在节点处的反演结果均大于70%或均小于70%时,存在一定的误差并不会影响能否通航的判断,因此本文认为该研究方法适用于对北极海冰密集度的反演及最佳通航窗口和航道的选择。

2.3 长时序宏观跟踪西北航道重要海湾及海峡的海冰密集度变化

海冰密集度的地域差异性和海冰分布边界的不规整性决定了西北航道在各海湾及海峡通航的不同步性。因此,本文选取了西北航道上各分支航线所经过的17个重要海湾及海峡作为通航节点,其基本情况如表4所示。其中,最宽处在毛德皇后湾,达280 km36,而最窄处在贝洛特海峡,仅0.77 km。综合17个海湾及海峡的宽度,建立直径为100 km的通航范围。中国“雪龙”号可以在海冰密集度小于60%的海域通航37,“雪龙2”号的通航能力更强,根据俄罗斯等其他国家拥有可以在海冰密集度大于70%的海域通航的破冰船数量,为适应国际、国内大多数破冰船的破冰能力,将70%的海冰密集度作为通航阈值,并以西北航道2015—2019年每年9月的海冰密集度值作为数据基础,得到西北航道2015—2019年每年9月的通航情况图,如图11所示。

表4   西北航道重要海湾及海峡的基本情况

Table 4  Basic information on important bays and straits of the Northwest Passage

编号重要海湾及海峡所属航线编号重要海湾及海峡所属航线
麦克卢尔海峡(M.C.S.)A皮尔海峡(P.S.)C
阿蒙森湾(A.G.)B、C、D、E、F利金特王子湾(P.R.I.)D
威尔士王子海峡(P.W.S.)B巴罗海峡(B.S.)A、B、C、F
梅尔维尔子爵海峡(V.M.S.)A、B兰开斯特海峡(L.S.)A、B、C、D、F
科罗内申湾(C.G.)C、D、E、F布希亚湾(G.B.)E
毛德皇后湾(Q.M.G.)C、D、E弗瑞赫克拉海峡(F.H.S.)E
维多利亚海峡(V.S.)C、D、E、F福克斯湾(F.B.)E
麦克林托科海峡(M.C.C.)F贝洛特海峡(B.T.S.)D、E
富兰克林海峡(F.S.)C、D、E

新窗口打开| 下载CSV


图11

图11   2015—2019年每年9月西北航道通航情况

Fig. 11   Navigation of the Northwest Passage in September from 2015 to 2019: September 2015 (a), September 2016 (b), September 2017 (c), September 2018 (d) and September 2019 (e)


表4图11可知,2018年9月整体通航情况最差,海冰密集度高于70%的覆盖面积在研究时段内最大,达302 916.34 km2,占总航道面积的35.24%,共计10个不可通航的节点,其中,航道B、C、E和F同时有4个不可通航的节点,且在航道A的麦克卢尔海峡和梅尔维尔子爵海峡形成了长达1 140.70 km的连续不可通航航段,且此处的海冰密集度常年在60%以上38,在航道B的阿蒙森湾、威尔士王子海峡和梅尔维尔子爵海峡分别形成了长达265.42 km和425.63 km的不可通航航段,在航道F的麦克林托科海峡也形成了长达361.94 km的不可通航航段;其次是2015年和2017年9月,均共计6个不可通航的节点,虽然2015年海冰密集度高于70%的覆盖面积在这5年中最小,仅48 180.30 km2,占总航道面积的5.61%,且在威尔士王子海峡、毛德皇后湾、皮尔海峡和巴罗海峡不可通航距离较短,均低于50 km。但在航道C同时出现5个不可通航的节点,不连续不可通航距离累计570.80 km。整体通航情况较好的是2016年和2019年9月,共计仅有4个不可通航的节点,只在高纬度航道A的麦克卢尔海峡和梅尔维尔子爵海峡同时出现2个不可通航的节点,并且在航道C均可实现全线通航。

航道A因其笔直而宽阔的水域是西北航道中最理想的航道,但其内部冰情复杂39,2015—2018年每年9月不可通航的节点由巴罗海峡和兰开斯特海峡转向麦克卢尔海峡和梅尔维尔子爵海峡,相比而言,航道A东部的通航适宜性比西部强。西部的兰开斯特海峡由于北大西洋暖流而有无冰趋势,巴罗海峡由于靠近来自东部的表面暖流而海冰较少40。由于航道B中梅尔维尔子爵海峡—兰开斯特海峡与航道A重叠,因此除了2015年、2017年和2018年9月在威尔士王子海峡和2018年9月在阿蒙森湾出现新的不可通航节点,其余通航情况与航道A一致,不可通航的节点主要集中在航道中段。航道C中,在2015年9月有5处不可通航的节点,分别是科罗内申湾、毛德皇后湾、皮尔海峡、巴罗海峡和兰开斯特海峡;到2016年9月,皮尔海峡分布有小范围密集度大于70%的海冰,但对通航影响不大,可以实现全线通航;到2017年9月向南转移至富兰克林海峡;2018年9月冰情返重,阿蒙森湾、科罗内申湾、皮尔海峡和巴罗海峡不可通航;直到2019年9月再次全线通航。航道D中阿蒙森湾—富兰克林海峡与航道C重合,2015年9月在科罗内申湾、毛德皇后湾和兰开斯特海峡不可通航;从2016年9月开始,贝洛特海峡由于两岸间距狭窄长期受海冰阻碍,最窄处仅770 m,通航条件困难。航道E以富兰克林海峡向西与航道D重合,通航情况与其一致,此外,2016年至2018年9月均在弗瑞赫克拉海峡不可通航。航道F2015年和2018年的9月通航情况最差,2015年9月不可通航的节点个数最多,共4个,而2018年9月连续不可通航距离最长,达1 140.70 km,其余年份不可通航的节点均只有1处。总体来说西北航道的海冰情况呈现东轻西重、南轻北重的格局,不可通航节点个数东少西多、南少北多。汪楚涯等38研究了2015—2018年西北航道通航情况,其研究同样证实了巴罗海峡、皮尔海峡、维多利亚海峡、科罗内申湾和毛德皇后湾等位于西北航道南部和东部的海湾及海峡通航情况更好,结果与本文结论一致。

统计2015—2019年每年9月各分支航道所经重要海湾及海峡的累计不可通航次数,如图12所示。其中,不可通航次数最多的为4次,包括麦克卢尔海峡和梅尔维尔子爵海峡,而维多利亚海峡、利金特王子湾、布希亚湾和福克斯湾研究时段内均可通航。总体来说,航道D和F所经重要海湾及海峡的累计不可通航次数最少,共9次。阿蒙森湾、兰开斯特海峡、科罗内申湾、毛德皇后湾、维多利亚海峡和巴罗海峡在西北航道中所经次数最多,对其通航贡献最大。阿蒙森湾—科罗内申湾处于西北航道的开端,直接影响船舶能否顺利进入加拿大北极群岛。毛德皇后湾—维多利亚海峡处于西北航道的中段,是诸多支线的分叉点,且常年有各海域的流冰淤积于此,因此此处的冰情直接影响分支航线的选择。巴罗海峡—兰开斯特海峡处于西北航道的末端,虽然该海域受西格陵兰暖流的影响,但所处纬度较高,仍会影响通航。

图12

图12   2015—2019年每年9月西北航道累计不可通航次数

Fig. 12   Accumulated number of non-navigable times of the Northwest Passage in September from 2015 to 2019


2.4 短时序精细分析西北航道重要海湾及海峡的海冰密集度变化

经上述分析,9月西北航道密集度大于70%的海冰分布范围仍然容易堵塞航道中的关键节点,仅在2016年和2019年的航道C各出现1条全线通航的航道,为了进一步缩小西北航道出现全线通航的窗口,本文反演得到2019年8月1日—9月20日的海冰密集度,以上述同样方法,每10天为一周期,得到西北航道2019年8月1日—9月20日5个周期的通航情况图,如图13所示。

图13

图13   西北航道2019年8月1日—9月20日的通航情况

Fig. 13   Navigation of the Northwest Passage from August 1 to September 20, 2019: August 1—10 (a), August 11—20 (b), August 21—31 (c), September 1—10 (d) and September 11—20 (e)


图13可知,自2019年8月下旬航道C、D、E开始出现全线通航的窗口,航道A、B、F仅1个不可通航节点,直到9月上旬仍然保持航道C、D、E3条全线通航的状态,航道A增加为2个不可通航节点,9月中旬受贝洛特海峡高密集度海冰的影响,减少为仅航道C全线通航,航道C可通航时间最久。而在8月上、中旬,密集度大于70%的海冰分布范围较广,分别达到了176 549.92 km2和132 299.58 km2,占总航道面积的20.54%和15.39%,没有出现可以全线通航的航道,不可通航的节点个数较多,尤其是8月上旬,共有9个不可通航节点,且在航道A的麦克卢尔海峡和梅尔维尔子爵海峡形成了长达1 206.08 km的连续不可通航航段,在航道B的梅尔维尔子爵海峡形成了567.15 km的不可通航航段,在航道C的富兰克林海峡和皮尔海峡形成了438.17 km的连续不可通航航段,在航道D的富兰克林海峡、贝洛特海峡和利金特王子湾形成了长达494.44 km的连续不可通航航段,在航道E的富兰克林海峡、贝洛特海峡和布希亚湾形成了长达597.74 km的连续不可通航航段,在航道F的麦克林托科海峡形成了640.34 km的不可通航航段。

航道A所经高纬度海域,受来自北冰洋的多年冰流的影响,高密集度海冰长期分布在麦克卢尔海峡和梅尔维尔子爵海峡41,即使在8月下旬梅尔维尔子爵海峡仍然分布51 440 km2密集度大于70%的海冰,且梅尔维尔子爵海峡受到来自麦克卢尔海峡多年冰的积累,其通航适宜性一直较麦克卢尔海峡差42。航道B中阿蒙森湾和威尔士王子海峡一直处于可以通航的状态,由于经过威尔士王子海峡北部与梅尔维尔子爵海峡相连,仍会存在一些浮冰阻碍通航24。航道C由8月上旬富兰克林海峡和皮尔海峡2个不可通航的节点,到8月中旬减少至富兰克林海峡1个不可通航的节点,证明皮尔海峡的海冰大多向富兰克林海峡漂移24,到8月下旬至9月中旬一直保持全线通航。航道D需经过狭窄的贝洛特海峡,此处由于岛屿间距仅770 m,水流湍急,最高可达8 000海里,且利金特王子湾的海冰常会淤积至此,从而阻碍通航,仅在8月下旬至9月上旬可以全线通航。航道E经贝洛特海峡后向南转入低纬度海域,除了8月上旬在富兰克林海峡、贝洛特海峡和布希亚湾形成的597.74 km的连续不可通航航段,其余周期基本没有高密集度海冰分布,其全线通航窗口在8月下旬至9月上旬。而航道F由于麦克林托科海峡一直存在大面积密集度大于70%的海冰,没有出现全线通航的窗口。仅在9月上旬,其高密集度海冰的分布范围缩小至70 113.25 km2,可以借助破冰船通航。从通航窗口期来看,8月下旬至9月上旬为北极西北航道的最佳通航时期,期间共出现3条全线通航的航道,Stephenson等43、Meng等44、Ng等45研究均表明,近年来西北航道的通航窗口主要集中在8月和9月。此外,Chen等22预测2021—2025年开放水域船舶可以在9月通航,破冰等级为PC6级的船舶可以在8月中旬进入西北航道。从航道选择来看,Liu等23研究表明航道D为2015年北极西北航道的最佳通航路线,航道E可以作为候选航道,而本文研究发现到2019年航道C成为北极西北航道的最佳通航路线,其连续通航时间最长,可连续通航3个周期。通过对比发现影响航道D、E成为2019年北极西北航道的最佳通航路线的关键在贝洛特海峡,其海峡过于狭窄,可通航期海水流速较快,高度流动的海冰对船舶的威胁较大,且到9月中旬岛屿边缘海冰便迅速连结,一般船舶更倾向选择较宽较深的海峡通航。本文研究与Liu等23研究对比,均认为位于高纬度的航道A通航适宜性最差。

3 结论

本文利用Sentinel-1卫星数据,选用k均值聚类算法提取北极西北航道的海冰并计算海冰密集度,并以70%为通航阈值,分析北极西北航道2015—2019年不同时间尺度的海冰密集度及通航时空变化格局,结论如下:

(1)研究时段9月加拿大北极群岛内海冰密集度呈现先增高后降低的趋势,并沿着海冰分布边界由低纬度向高纬度逐渐增高;在同一纬度上,海冰密集度分布仍存在较大差异。高纬度海域的海冰对西北航道的通航影响程度较小,较低纬度的沿岸海域在2019年相较往年海冰消融范围大,为西北航道低纬度航线的通航打开窗口。

(2)西北航道的通航情况取决于17个重要海湾或海峡的海冰密集度。统计2015—2019年每年9月各分支航道所经重要海湾及海峡的累计不可通航次数,阿蒙森湾、兰开斯特海峡、科罗内申湾、毛德皇后湾、维多利亚海峡和巴罗海峡的通航情况对西北航道通航的贡献较大。不可通航次数最多的为麦克卢尔海峡和梅尔维尔子爵海峡,达4次,次数最少的为维多利亚海峡、利金特王子湾、布希亚湾和福克斯湾,为0次。航道D和F所经重要海湾及海峡累计不可通航的次数最少,共9次。

(3)8月下旬至9月上旬为北极西北航道的最佳通航时期;航道C为北极西北航道的最佳通航路线。本文以70%的海冰密集度及全线通航作为通航标准,意在为破冰能力较弱的船舶寻找最佳通航窗口及路线,泛化北极西北航道对船舶性能的包容力。另外,西北航道的通航适宜性存在显著的年际变化,有待于后续从不同年份的微观时间尺度深入分析,以进一步探究通航窗口的年际变化规律。

参考文献

Shen XinyiZhang YuChen Changshenget al.

Long-term spatial and temporal variations of sea ice in the Northwest Passage of the Canadian Arctic Archipelago

[J]. Chinese Journal of Polar Research, 2021331): 71-87.

[本文引用: 1]

沈心仪张瑜陈长胜.

加拿大北极群岛区域西北航道海冰冰情长期时空变化特征研究

[J]. 极地研究, 2021331): 71-87.

[本文引用: 1]

Li ZhenfuLi YiYu Shengquan.

Analysis of the Arctic Route navigation environment factors

[J]. World Regional Studies, 20132): 11-17.

[本文引用: 1]

李振福李漪于胜泉.

基于解释结构模型的北极航线通航环境影响因素分析

[J]. 世界地理研究, 20132): 11-17.

[本文引用: 1]

Liu TongchaoLi ZhenfuLiang Shanshan.

Research on safety status of Arctic Route based on system dynamics model

[J]. Safety and Environmental Engineering, 2019263): 193-202.

[本文引用: 1]

刘同超李振福梁珊珊.

基于系统动力学模型的北极航线安全机制研究

[J]. 安全与环境工程, 2019263): 193-202.

[本文引用: 1]

Zhao JiechenZhou XiangSun Xiaoyuet al.

The inter comparison and assessment of satellite sea-ice concentration datasets from the Arctic

[J]. Journal of Remote Sensing, 2017213): 351-364.

[本文引用: 1]

赵杰臣周翔孙晓宇.

北极遥感海冰密集度数据的比较和评估

[J]. 遥感学报, 2017213): 351-364.

[本文引用: 1]

Posey P GSmedstad O MHebert D Aet al.

Improving Arctic sea ice edge forecasts by assimilating high resolution VIIRS sea ice concentration data into the U.S. Navy’s ice forecast system

[C/OL]// American Geophysical Union Fall Meeting 2017 [2022-01-25]. .

[本文引用: 1]

Baldwin DTschudi MPacifici Fet al.

Validation of Suomi-NPP VIIRS sea ice concentration with very high-resolution satellite and airborne camera imagery

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017130122-138.

Shi KaiqiZou BinShuguoet al.

Remote sensing inversion of sea ice concentration by a middle-resolution imaging spectrometer

[J]. Journal of Remote Sensing, 2021253): 753-764.

史凯琦邹斌陈树果.

中分辨率成像光谱仪的海冰密集度遥感反演

[J]. 遥感学报, 2021253): 753-764.

Cho KNagao RNaoki K.

Validation of ASMR2 sea ice concentration data using MODIS data

[C/OL]// The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciencesvol: XLII-2/W 13 [2022-01-25]. .

[本文引用: 1]

Tikhonov V VRaev M DSharkov E Aet al.

Satellite microwave radiometry of sea ice of polar regions: a review

[J]. Izvestiya, Atmospheric and Oceanic Physics, 2016529): 1012-1030.

[本文引用: 1]

Liu QuanhongZhang RenWang Yangjunet al.

Daily prediction of the Arctic sea ice concentration using reanalysis data based on a convolutional LSTM network

[J]. Journal of Marine Science and Engineering, 202193): 330.

Huang JixiaSun YuhanWang Liet al.

Analysis on the lag effect of temperature-sea ice concentration in key Arctic straits

[J]. Journal of Remote Sensing, 20202411): 1419-1432.

[本文引用: 1]

黄季夏孙宇晗王利.

北极重要海峡气温-海冰密集度影响滞后效应分析

[J]. 遥感学报, 20202411): 1419-1432.

[本文引用: 1]

Karvonen J.

Baltic sea ice concentration estimation using Sentinel-1 SAR and AMSR2 microwave radiometer data

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017555): 2871-2883.

[本文引用: 2]

Wang LeiScott K AXu Linlinet al.

Sea ice concentration estimation during melt from dual-pol SAR scenes using deep convolutional neural networks: a case study

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016548): 4524-4533.

Zheng YanglongLu PengLi Zhijunet al.

Comparisons of Arctic sea ice concentrations obtained by classification of Radarsat-2 synthetic aperture radar imagery and retrievals from HY-2 scanning microwave radiometer

[J]. Chinese Journal of Polar Research, 2016283): 413-423.

[本文引用: 1]

郑杨龙卢鹏李志军.

基于Radarsat-2 SAR图像分类与HY-2微波辐射计反演获取北极海冰密集度的比较研究

[J]. 极地研究, 2016283): 413-423.

[本文引用: 1]

Berg A.

SAR algorithm for sea ice concentration-evaluation for the Baltic Sea

[J]. IEEE Geoscience & Remote Sensing Letters, 201295): 938-942.

[本文引用: 1]

Gao FengWang XiaoGao Yunhaoet al.

Sea ice change detection in SAR images based on convolutional-wavelet neural networks

[J]. IEEE Geoscience and Remote Sensing Letters, 2019168): 1240-1244.

Wiebe HHeygster GMarkus T.

Comparison of the ASI ice concentration algorithm with Landsat-7 ETM+ and SAR imagery

[J]. IEEE Transactions on Geoscience & Remote Sensing, 2009479): 3008-3015.

[本文引用: 1]

Wang WulinGong JiaoWang Chengjin.

Progress and prospect of research on the Arctic Passage based on CiteSpace

[J]. Resources Science, 20204211): 2075-2091.

[本文引用: 1]

王武林龚姣王成金.

基于CiteSpace的北极航线研究进展与展望

[J]. 资源科学, 20204211): 2075-2091.

[本文引用: 1]

Li ChunhuaLi MingZhao Jiechenet al.

Navigable status analysis of Arctic Northeast and Northwest Passage in recent years

[J]. Acta Oceanologica Sinica, 201410): 33-47.

[本文引用: 1]

李春花李明赵杰臣.

近年北极东北和西北航道开通状况分析

[J]. 海洋学报, 201410): 33-47.

[本文引用: 1]

Fu Qiang.

Research on the variation of ice condition in the key areas of the Northwest Passage

[D]. Dalian, LiaoningDalian Maritime University2012.

付强.

北极西北航道通航关键海区海冰变化规律研究

[D]. 辽宁大连大连海事大学2012.

Zhu LixianHui FengmingZhang Zhilunet al.

Sea ice classification in Northwest Passage based on Sentinel-1A/B SAR data

[J]. Journal of Beijing Normal University (Natural Science), 2019551): 66-76.

[本文引用: 1]

朱立先惠凤鸣张智伦.

基于Sentinel-1A/B SAR数据的西北航道海冰分类研究

[J]. 北京师范大学学报(自然科学版), 2019551): 66-76.

[本文引用: 1]

Chen JinleiKang ShichangGuo Junminget al.

Variation of sea ice and perspectives of the Northwest Passage in the Arctic Ocean

[J]. Advances in Climate Change Research, 2021124): 447-455.

[本文引用: 2]

Liu XingheMa LongWang Jiayueet al.

Navigable windows of the Northwest Passage

[J]. Polar Science, 2017137): 91-99.

[本文引用: 3]

Maritime Safety Administration of the People’s Republic of China. Guidebook of Arctic navigation in the Northwest Route[M]. BeijingChina Communications Press2015.

[本文引用: 3]

中华人民共和国海事局. 北极航行指南(西北航道)[M]. 北京人民交通出版社2015.

[本文引用: 3]

Aksenov YPopova E EYool Aet al.

On the future navigability of Arctic sea routes: high-resolution projections of the Arctic ocean and sea ice

[J]. Marine Policy, 201675300-317.

[本文引用: 1]

Cao MeishengLi XinChen Xianzhang. Remote sensing of cryosphere[M]. BeijingScience Press2006.

[本文引用: 1]

曹梅盛李新陈贤章. 冰冻圈遥感[M]. 北京科学出版社2006.

[本文引用: 1]

Yommy A SLiu RongkeWu Shuang.

SAR image despeckling using Refined Lee Filter

[C/OL]// 7th International Conference on Intelligent Human-Machine Systems and Cybernetics [2022-01-25]. .

[本文引用: 1]

Clemente CSoraghan J J.

Range Doppler SAR processing using the Fractional Fourier Transform

[C/OL]// 11th International Radar Symposium [2022-01-25]. .

[本文引用: 1]

Shu Ning. Principles of microwave remote sensing[M]. 2nd ed. WuhanWuhan University Press2003.

[本文引用: 1]

舒宁. 微波遥感原理[M]. 2版. 武汉武汉大学出版社2003.

[本文引用: 1]

Wang HuixianJin HuijiaWang Jiaolonget al.

Optimization approach for multi-scale segmentation of remotely sensed imagery under k-means clustering guidance

[J]. Acta Geodaetica et Cartographica Sinica, 2015445): 526-532.

[本文引用: 1]

王慧贤靳惠佳王娇龙.

k均值聚类引导的遥感影像多尺度分割优化方法

[J]. 测绘学报, 2015445): 526-532.

[本文引用: 1]

Mundy C JBarber D G.

On the relationship between spatial patterns of sea-ice type and the mechanisms which create and maintain the North Water (NOW) polynya

[J]. Atmosphere-Ocean, 2001393): 327-341.

[本文引用: 1]

Zhang QinSkjetne RLoset Set al.

Digital image processing for sea ice observations in support to Arctic DP operations

[C/OL]// International Conference on Ocean, Offshore and Arctic Engineering [2022-01-25]. .

Remund Q PLong D GDrinkwater M R.

Polar sea-ice classification using enhanced resolution NSCAT data

[C/OL]// Geoscience and Remote Sensing Symposium Proceedings 1998 [2022-01-25]. .

[本文引用: 1]

Zhang WenjunGu XingfaChen Liangfuet al.

An algorithm for initializing of k-means clustering based on mean-standard deviation

[J]. Journal of Remote Sensing, 2006105): 715-721.

[本文引用: 1]

张文君顾行发陈良富.

基于均值-标准差的k均值初始聚类中心选取算法

[J]. 遥感学报, 2006105): 715-721.

[本文引用: 1]

Shen HuanfengZhong YanfeiWang Yi. Method of ENVI remote sensing image processing[M]. WuhanWuhan University Press2009.

[本文引用: 1]

沈焕锋钟燕飞王毅. ENVI遥感影像处理方法[M]. 武汉武汉大学出版社2009.

[本文引用: 1]

Johannessen O MShalina E VMiles M W.

Satellite evidence for an Arctic sea ice cover in transformation

[J]. Science, 19992865446): 1937-1939.

[本文引用: 1]

Jensen Ø.

The IMO guidelines for ship operating in Arctic ice-covered waters

[R]. Lysaker, NorwayFridtjof Nansen Institute2007.

[本文引用: 1]

Wang ChuyaYang YuandeZhang Jianet al.

Research on sea ice variability and navigation of the Arctic Northwest Passage from remote sensing data

[J]. Chinese Journal of Polar Research, 2020322): 236-249.

[本文引用: 2]

汪楚涯杨元德张建.

基于遥感数据的北极西北航道海冰变化以及通航情况研究

[J]. 极地研究, 2020322): 236-249.

[本文引用: 2]

Tivy AHowell SAlt Bet al.

Trends and variability in summer sea ice cover in the Canadian Arctic based on the Canadian Ice Service Digital Archive

19602008 and 19682008[J/OL]. Journal of Geophysical Research Oceans, 2011116(C6) [2022-01-24]. .

[本文引用: 1]

Prinsenberg S JHamilton J.

Monitoring the volume, freshwater and heat fluxes passing through Lancaster sound in the Canadian Arctic Archipelago

[J]. Atmosphere-Ocean, 2005431): 1-22.

[本文引用: 1]

Howell S E LTivy AYackel J Jet al.

Multi-year sea-ice conditions in the western Canadian Arctic Archipelago region of the Northwest Passage: 1968—2006

[J]. Atmosphere-Ocean, 2008462): 229-242.

[本文引用: 1]

Howell S E LYackel J J.

A vessel transit assessment of sea ice variability in the western Arctic, 1969—2002: implications for ship navigation

[J]. Canadian Journal of Remote Sensing, 2004302): 205-215.

[本文引用: 1]

Stephenson S RSmith L CBrigham L Wet al.

Projected 21st-century changes to Arctic marine access

[J]. Climatic Change, 20131183/4): 885-899.

[本文引用: 1]

Meng QiangZhang YiruXu Min.

Viability of transarctic shipping routes: a literature review from the navigational and commercial perspectives

[J]. Maritime Policy & Management, 2017441): 16-41.

[本文引用: 1]

Ng AAndrews JBabb Det al.

Implications of climate change for shipping: opening the Arctic seas

[J]. WIREs Climate Change, 201892): e507.

[本文引用: 1]

/