Abstract The topic of satellite remote sensing of lake ice has gained considerable attention in recent years. Optical satellite data from the Moderate Resolution Imaging Spectroradiometer (MODIS) allow for the monitoring of lake ice cover (an Essential Climate Variable or ECV), and dates associated with ice phenology (freeze-up, break-up, and ice cover duration) over large areas in an era where ground-based observational networks have nearly vanished in many northern countries. Ice phenology dates as well as dates of maximum and minimum ice cover extent (for lakes that do not form a complete ice cover in winter or do not totally lose their ice cover in summer) are useful for assessing long-term trends and variability in climate, particularly due to their sensitivity to changes in near-surface air temperature. Existing knowledge-driven (threshold-based) retrieval algorithms for lake ice cover mapping that use top-of-atmosphere (TOA) reflectance products do not perform well under lower solar illumination conditions (i.e. large solar zenith angles), resulting in low TOA reflectance. This research assessed the capability of four machine learning classifiers (i.e. multinomial logistic regression, MLR; support vector machine, SVM; random forest, RF; gradient boosting trees, GBT) for mapping lake ice cover, water and cloud cover during both break-up and freeze-up periods using the MODIS/Terra L1B TOA (MOD02) product. The classifiers were trained and validated using samples collected from 17 large lakes across the Northern Hemisphere (Europe and North America); lakes that represent different characteristics with regards to area, latitude, freezing frequency, and ice duration. Following an accuracy assessment using random k-fold cross-validation (k = 100), all machine learning classifiers using a 7-band combination (visible, near-infrared and shortwave-infrared) were found to be able to produce overall classification accuracies above 94%. Both RF and GBT provided overall and class-specific accuracies above 98% and a more visually accurate depiction of lake ice, water and cloud cover. The two tree-based classifiers offered the most robust spatial transferability over the 17 lakes and performed consistently well across ice seasons. However, only RF was relatively insensitive to the choice of the hyperparameters compared to the other three classifiers. The results demonstrate the potential of RF for mapping lake ice cover globally from MODIS TOA reflectance data.

中文翻译：

---

从 MODIS TOA 反射率数据评估全球湖泊冰盖映射的机器学习分类器

摘要 近年来，湖冰卫星遥感研究备受关注。来自中分辨率成像光谱仪 (MODIS) 的光学卫星数据允许监测湖泊冰盖（基本气候变量或 ECV）以及与冰物候相关的日期（冻结、解体和冰盖持续时间）在许多北方国家地面观测网络几乎消失的时代，大片地区。冰物候日期以及最大和最小冰盖范围的日期（对于在冬季没有形成完整冰盖或在夏季没有完全失去冰盖的湖泊）对于评估气候的长期趋势和变化很有用，特别是由于它们对近地表气温变化的敏感性。现有的知识驱动（基于阈值）检索算法用于使用大气顶 (TOA) 反射率产品的湖泊冰盖测绘在较低的太阳光照条件下（即大太阳天顶角）表现不佳，导致 TOA 反射率较低. 本研究评估了四种机器学习分类器（即多项逻辑回归，MLR；支持向量机，SVM；随机森林，RF；梯度提升树，GBT）在两次解体期间绘制湖冰覆盖、水和云覆盖的能力和冻结期使用 MODIS/Terra L1B TOA (MOD02) 产品。分类器使用从北半球（欧洲和北美）的 17 个大型湖泊收集的样本进行训练和验证；在面积、纬度、结冰频率方面代表不同特征的湖泊，和冰期。在使用随机 k 折交叉验证 (k = 100) 进行准确度评估后，发现所有使用 7 波段组合（可见光、近红外和短波红外）的机器学习分类器都能够产生以上的总体分类准确度94%。RF 和 GBT 都提供了超过 98% 的整体和特定类别的准确度，以及对湖冰、水和云层的更直观的描述。这两个基于树的分类器在 17 个湖泊中提供了最强大的空间可转移性，并且在整个冰季都表现良好。然而，与其他三个分类器相比，只有 RF 对超参数的选择相对不敏感。结果证明了 RF 具有根据 MODIS TOA 反射率数据绘制全球湖泊冰盖的潜力。在使用随机 k 折交叉验证 (k = 100) 进行准确度评估后，发现所有使用 7 波段组合（可见光、近红外和短波红外）的机器学习分类器都能够产生以上的总体分类准确度94%。RF 和 GBT 都提供了超过 98% 的整体和特定类别的准确度，以及对湖冰、水和云层的更直观的描述。这两个基于树的分类器在 17 个湖泊中提供了最强大的空间可转移性，并且在整个冰季都表现良好。然而，与其他三个分类器相比，只有 RF 对超参数的选择相对不敏感。结果证明了 RF 在根据 MODIS TOA 反射率数据绘制全球湖冰覆盖图的潜力。在使用随机 k 折交叉验证 (k = 100) 进行精度评估后，发现所有使用 7 波段组合（可见光、近红外和短波红外）的机器学习分类器都能够产生上述的总体分类精度94%。RF 和 GBT 都提供了超过 98% 的整体和特定类别的准确度，并且对湖冰、水和云层的描述更加直观。这两个基于树的分类器在 17 个湖泊中提供了最强大的空间可转移性，并且在整个冰季都表现良好。然而，与其他三个分类器相比，只有 RF 对超参数的选择相对不敏感。结果证明了 RF 在根据 MODIS TOA 反射率数据绘制全球湖冰覆盖图的潜力。发现所有使用 7 波段组合（可见光、近红外和短波红外）的机器学习分类器能够产生超过 94% 的整体分类准确率。RF 和 GBT 都提供了超过 98% 的整体和特定类别的准确度，以及对湖冰、水和云层的更直观的描述。这两个基于树的分类器在 17 个湖泊中提供了最强大的空间可转移性，并且在整个冰季都表现良好。然而，与其他三个分类器相比，只有 RF 对超参数的选择相对不敏感。结果证明了 RF 具有根据 MODIS TOA 反射率数据绘制全球湖泊冰盖的潜力。发现所有使用 7 波段组合（可见光、近红外和短波红外）的机器学习分类器都能产生超过 94% 的整体分类准确率。RF 和 GBT 都提供了超过 98% 的整体和特定类别的准确度，以及对湖冰、水和云层的更直观的描述。这两个基于树的分类器在 17 个湖泊中提供了最强大的空间可转移性，并且在整个冰季都表现良好。然而，与其他三个分类器相比，只有 RF 对超参数的选择相对不敏感。结果证明了 RF 具有根据 MODIS TOA 反射率数据绘制全球湖泊冰盖的潜力。近红外和短波红外）被发现能够产生超过 94% 的整体分类精度。RF 和 GBT 都提供了超过 98% 的整体和特定类别的准确度，以及对湖冰、水和云层的更直观的描述。这两个基于树的分类器在 17 个湖泊中提供了最强大的空间可转移性，并且在整个冰季都表现良好。然而，与其他三个分类器相比，只有 RF 对超参数的选择相对不敏感。结果证明了 RF 具有根据 MODIS TOA 反射率数据绘制全球湖泊冰盖的潜力。近红外和短波红外）被发现能够产生超过 94% 的整体分类精度。RF 和 GBT 都提供了超过 98% 的整体和特定类别的准确度，以及对湖冰、水和云层的更直观的描述。这两个基于树的分类器在 17 个湖泊中提供了最强大的空间可转移性，并且在整个冰季都表现良好。然而，与其他三个分类器相比，只有 RF 对超参数的选择相对不敏感。结果证明了 RF 具有根据 MODIS TOA 反射率数据绘制全球湖泊冰盖的潜力。这两个基于树的分类器在 17 个湖泊中提供了最强大的空间可转移性，并且在整个冰季都表现良好。然而，与其他三个分类器相比，只有 RF 对超参数的选择相对不敏感。结果证明了 RF 具有根据 MODIS TOA 反射率数据绘制全球湖泊冰盖的潜力。这两个基于树的分类器在 17 个湖泊中提供了最强大的空间可转移性，并且在整个冰季中始终表现良好。然而，与其他三个分类器相比，只有 RF 对超参数的选择相对不敏感。结果证明了 RF 具有根据 MODIS TOA 反射率数据绘制全球湖泊冰盖的潜力。