Assessing the Parameterization of RADARSAT-2 Dual-polarized ScanSAR Scenes on the Accuracy of a Convolutional Neural Network for Sea Ice Classification: Case Study over Coronation Gulf, Canada

Abstract

Arctic amplification has many impacts on sea-ice extent, thickness, and flux. It becomes critical to monitor sea-ice conditions at finer spatio-temporal resolution. We used a simple convolutional neural network (CNN) on the RADARSAT-2 dual-polarized ScanSAR wide archive available over Coronation Gulf, Canada, to assess which SAR parameter improves model performances to classify sea ice from water on a large volume of data covering 11 years of ice and surface water conditions. An overall accuracy of 90.1% was achieved on 989 scenes of 100% ice cover or ice-free conditions. An accuracy of 86.3% was achieved on the last year of data (134 scenes) which was kept out of the training process to test the model on an independent dataset. A better accuracy is obtained at lower incidence angles and the HH polarization provides the most information to classify ice from water. To achieve the best accuracy, the incidence angle and the noise equivalent sigma-nought had to be included as input to the model. A comparison done with the ASI passive microwave product shows similar errors in total sea ice concentration when using the Canadian Ice Service regional charts as reference. Nonetheless, errors from both datasets differ and the CNN outputs show greater potential to reduce masked areas, given the better spatial resolution, enabling data classification closer to land and identify features not captured by the ASI dataset.

RÉSUMÉ

L'amplification arctique a eu de nombreux impacts sur l‘étendue, l‘épaisseur et le flux de la glace de mer. Il devient critique de surveiller les conditions des glaces de mer à une résolution spatio-temporelle plus fine. Nous avons utilisé un simple réseau neuronal convolutif (CNN) sur l‘archive ScanSAR à double polarization RADARSAT-2 disponible sur le golfe du Couronnement, Canada, pour évaluer quels paramètres RSO amèliorent les performances du modèle pour séparer la glace de mer de l‘eau sur un grand volume de données couvrant 11 ans. Une précision globale de 90,1% a été obtenue sur 989 scènes de couverture de glace à 100% ou de conditions sans glace. Une précision de 86,3% a été obtenue sur la dernière année de données (134 scènes) qui a été tenue à l‘écart du processus d’entraînement pour tester le modèle sur un ensemble de données indépendant. Une meilleure précision est obtenue à des angles d‘incidence plus faibles et la polarisation HH fournit le plus d‘informations pour distinguer la glace de l‘eau. Pour obtenir la meilleure précision, l‘angle d‘incidence et l‘équivalent de bruit sigma-zéro ont dû être inclus comme intrants au modèle. Une comparaison avec le produit de concentration de glace de mer ASI dérivées des micro-ondes passives montre des erreurs similaires dans la concentration totale de glace de mer lors de l‘utilisation des cartes régionales du Service canadien des glaces comme référence. Néanmoins, les erreurs des deux ensembles de données diffèrent et les sorties CNN montrent un plus grand potentiel pour réduire les zones masquées, pour permettre une classification des glaces plus proche de la terre ferme et identifier des caractéristiques non prises en compte par les produits ASI.

Acknowledgments

The authors would like to thank Professors David A. Clausi and Mohammad Javad Shafiee from the University of Waterloo, Canada, for their advice on deep learning algorithm use in the early stages of this study which avoided some pitfalls. A special thanks to Dr. Jon Pasher and Robert Thompson at Environment and Climate Change Canada for helping acquire, build and setup the workstation used for this study and also help with the software/driver/libraries/dependencies setup to process the data and run the CNN. Analysis in this study uses Python open-source scientific computing packages including Pandas, NumPy, SciPy and Keras within TensorFlow. Codes and details on accessing the data used in this study are available at https://github.com/ECCCBen/SeaIceCNN.