Marginal Ice Zone Sparse Expert-Labeled Dataset

该数据集由英国南极调查局创建，是一个用于南极边缘冰区海冰分割的稀疏专家标注数据集。数据集包含2,088个像素级标注点（共7,046个专家分类），覆盖43个场景，来自Sentinel-1（SAR）和MODIS（可见光/热红外）多模态卫星影像，时间差限制在1小时以内。四位冰专家通过自定义界面在冰水边界区域精心标注高质量点，强调标注精度而非数量。该数据集旨在解决多模态卫星影像在动态环境下的时空错位问题，为训练密集海冰分割模型提供可靠的监督信号，弥补现有粗分辨率冰图标注的不足。This dataset was created by the British Antarctic Survey (BAS), and is a sparse expert-annotated dataset for sea ice segmentation in the Antarctic marginal ice zone (MIZ). It contains 2,088 pixel-level annotation points, with a total of 7,046 expert classifications, covering 43 scenes, and is sourced from multi-modal satellite imagery including Sentinel-1 (Synthetic Aperture Radar, SAR) and MODIS (Visible/thermal infrared). The temporal offset between paired images is restricted to within 1 hour. Four sea ice experts meticulously annotated high-quality points at the water-ice boundary via a custom-built interface, prioritizing annotation accuracy over quantity. This dataset aims to solve the spatial-temporal misalignment problem of multi-modal satellite imagery in dynamic environments, provide reliable supervision signals for training dense sea ice segmentation models, and make up for the deficiencies of existing coarse-resolution sea ice annotations.

原始信息汇总

Warping Earth Observations for better ice labelling in the Marginal Marginal Ice Zone 数据集

该数据集用于研究海冰特征重要性和模型比较，重点关注边缘边缘冰区（Marginal Marginal Ice Zone）中海冰标签的改进。

数据集内容

• 数据文件：以 .npy 格式存储的扭曲（warped）和未扭曲（unwarped）像素特征。
• 分类标签：以 .json 格式存储的分类结果。
• 统计信息：mean_std.json 文件包含数据集的均值和标准差统计信息。
• 数据加载器：dataset.py 提供了独立的数据集加载器，负责通道归一化并提供 load_data 函数。
• 评估脚本：evaluate.py 为演示评估脚本，可运行生成相关评估表格。

运行环境与依赖

需安装 numpy、pandas 和 scikit-learn，可通过 pip install numpy pandas scikit-learn 安装。

运行方式

运行 python evaluate.py 即可执行评估并复现以下表格结果：

• 基础特征重要性（Base Feature Importance）
• MODIS特征重要性（MODIS Feature Importance）
• 模型比较（Model Comparison）

搜集汇总

数据集介绍

构建方式

该数据集基于南极边缘冰区（MIZ）的动态环境构建，旨在解决多源卫星影像在快速变化区域中的时空错位问题。研究团队从Sentinel-1（S1）合成孔径雷达（SAR）和MODIS（中分辨率成像光谱仪）可见光及热红外传感器中采集影像，限定S1与MODIS获取时间差不超过1小时，以控制海冰漂移带来的位移。数据构建过程中，利用互信息（LMI）驱动的变形网络将低分辨率MODIS影像向高分辨率S1影像对齐，生成逐像素位移场，并融合物理约束（如不可压缩性、平滑性、位移上限）优化对齐效果。在此基础上，四位海冰专家通过定制界面，在高分辨率S1像素上标注了2,088个点状标签（共7,046个分类），分布于43个场景的冰水边界区域，形成稀疏但高精度的专家标注数据集。

特点

该数据集的核心特点在于其稀疏而精确的标注策略，聚焦于海冰边缘这一最具挑战性的动态区域。每个标注点均关联多模态特征向量，包括S1的HH、HV极化通道、MODIS的38个可见光及热红外通道、AMSR被动微波辅助通道及地形特征，共计56维特征。标注过程强调质量优先，四位专家意见高度一致，但客观存在一定分歧，因此数据集提供了‘神谕’（Oracle）基线以度量标注上限。此外，数据集按60/20/20比例划分训练、验证和测试集，并确保同一地理区域内的标注点不跨分区，以支持密集分割模型的训练。这一设计不仅捕捉了冰水边界的精细结构，还为多模态感知对齐研究提供了基准。

使用方法

该数据集适用于多模态海冰分割、分类及感知对齐相关任务。使用者可直接加载点级标注及其对应的多模态特征，用于训练像素级分类器（如线性SVM、梯度提升树）或深度学习分割模型（如UNet）。数据集鼓励采用论文提出的互信息变形架构，将MODIS影像与S1对齐后再进行训练和评估，以显式解决空间错位问题。评估时建议采用平衡精度（bAcc）作为主要指标，以应对类别不平衡。此外，该数据集还可用于验证多模态融合策略的有效性，或作为预训练模型的微调基准，尤其适用于动态环境下的地球观测图像分析场景。

背景与挑战

背景概述

该数据集由英国南极调查局的Tom Kelly和Martin S. J. Rogers于2026年创建，聚焦于南极边缘冰区这一动态变化剧烈的海域。核心研究问题在于，多源卫星影像（如Sentinel-1的雷达数据与MODIS的光学/热红外数据）在采集时间上存在差异，导致冰体在图像间发生位移，破坏像素级对应关系，从而阻碍多模态数据的有效融合与解译。为应对这一挑战，研究团队提出基于互信息扭曲的架构，实现对跨传感器影像的时空对齐，并构建了包含2,088个专家标注像素点（共7,046个分类）的稀疏标注数据集，分布于43个场景的冰水交界处。该数据集强调标注质量而非数量，由四位冰专家协同标注，为边缘冰区的高精度分割提供了稀缺的监督信息。其发布对推动多模态遥感影像在动态环境中的感知对齐研究具有重要意义，也为冰区密集制图提供了新思路。

当前挑战

该数据集面临的挑战体现在多个层面。首先，领域问题本身极具难度：南极边缘冰区海冰漂移速度可达每日50公里，即使影像获取时间间隔不足一小时，冰体也会发生显著位移，导致多模态影像在像素级上难以对应，传统模型往往假设静态场景而忽略这一动态特性；此外，SAR影像的后向散射信号在不同入射角和冰面状况下存在歧义，雷达与光学影像对冰水的响应差异大，使得基于强度匹配的配准算法失效。其次，构建过程面临多重困难：生成像素级标注需要专家对噪声影像进行耗时的人工解译，现有标签要么过于粗糙，要么仅覆盖非冰边缘，难以满足模型训练需求；同时，多模态影像的分辨率差异（S1为20-80米，MODIS为250-1000米）和采集时间偏差加剧了配准难度，迫使研究者开发基于局部互信息的扭曲网络，并设计物理约束（如不可压缩性、漂移速度上限）以保障位移场的合理性。这些挑战共同构成了数据集的核心价值与构建难点。

常用场景

经典使用场景

在极地遥感与海冰监测领域，该数据集作为多模态卫星影像融合与分割的基准，广泛应用于南极边缘冰区（MIZ）的海冰与海水判别任务。其经典使用场景包括：基于稀疏专家标注的像素级分类、多传感器（Sentinel-1与MODIS）影像的空间对齐评估，以及动态环境下多模态感知推理的验证。研究者利用该数据集训练和测试各种分类与分割模型，尤其是在高动态冰水边界区域，通过互信息扭曲（warping）技术提升跨模态配准精度，进而实现从稀疏点监督生成稠密海冰标签，为后续的冰情监测与气候研究提供可靠数据支撑。

实际应用

该数据集的实际应用聚焦于极地海冰的自动化监测与导航安全。在气候变暖导致南极海冰减少的背景下，准确的海冰分布信息对船舶航线规划、海洋生态保护及气候模型校准至关重要。利用该数据集，可训练出高精度的海冰分割模型，快速生成稠密的冰水边界图，服务于实时冰情预报系统。同时，其提出的多模态对齐方法可推广至其他动态自然现象监测，如洪水、野火和海洋表面过程，为灾害响应与资源管理提供技术支撑，体现了从科学研究到工程应用的转化价值。

衍生相关工作

该数据集衍生了若干经典工作，主要集中在多模态遥感影像的联合配准与分割架构创新。基于其互信息扭曲思想，后续研究发展了运动感知的多模态基础模型，将动态对应估计融入预训练阶段，提升模型在非刚性形变下的鲁棒性。此外，该数据集推动了稀疏监督学习在遥感领域的应用，涌现出利用点级标签训练稠密分割网络的多种方法，如结合视觉Transformer的上下文建模与自监督表征学习。这些工作不仅拓展了海冰监测的技术路径，也激发了将感知定位作为通用处理步骤的研究方向，影响深远。