【深度学习|冰川制图1】GlacierNet2：一种面向高山冰川制图的混合多模型学习架构

【深度学习|冰川制图1】GlacierNet2：一种面向高山冰川制图的混合多模型学习架构

【深度学习|冰川制图1】GlacierNet2：一种面向高山冰川制图的混合多模型学习架构

---

---

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/147776597

---

论文来源：https://doi.org/10.1016/j.jag.2022.102921

GlacierNet2：一种面向高山冰川制图的混合多模型学习架构

• 近几十年来，气候变化显著影响了冰川动力学，导致冰川质量损失，并显著增加了与冰川相关的灾害风险，如冰面湖（supraglacial lakes）与冰前湖（proglacial lakes）的形成，以及冰湖溃决洪水（Glacial Lake Outburst Floods, GLOFs）的发生概率。在冰川环境快速变化的背景下，亟需持续、精细化的气候–冰川动力过程观测与分析。关于冰川几何结构的专题性与定量信息，是理解气候强迫机制以及评估冰川对气候变化敏感性的重要基础。
• 然而，利用光谱信息与传统机器学习方法对覆盖冰碛物的冰川（Debris-Covered Glaciers, DCGs）进行高精度制图仍然是一项挑战性任务。为此，本研究在此前提出的基于深度学习的冰川分割模型 GlacierNet 的基础上进行了改进。GlacierNet 利用卷积神经网络（Convolutional Neural Networks, CNNs）进行语义分割，旨在实现区域尺度上冰川消融区的精准识别。
• 我们进一步提出了增强版的 GlacierNet2 架构，通过集成多个子模型、自动化后处理模块以及流域尺度水文流动模拟等方法，实现了对 DCGs 的全面制图，涵盖了冰川的消融区和积累区两个关键区域。
• 实验结果表明，GlacierNet2 在消融区分割精度方面取得了更优表现，其交并比（Intersection over Union, IoU）达到 0.8839，高于原始 GlacierNet 的 0.8599。此外，该方法在区域尺度上提供了完整的冰川边界提取（涵盖积累区与消融区），总体 IoU 达到 0.8619。
• 该研究提出的混合多模型架构标志着全自动冰川精细制图的关键一步，为后续的冰川物质平衡分析和过程驱动的冰川建模提供了可靠的数据支持与技术基础。

引言

• 近年来，人类活动引发的气候变化问题受到了广泛关注（Anderegg 和 Goldsmith, 2014；Immerzeel 等, 2010；Johns-Putra, 2016）。尤其是全球气温的持续上升（Houghton, 2005），导致了冰川质量显著损失以及冰川末端位置的波动（Azam 等, 2018；Bolch 等, 2012；Roe 等, 2017；Shrestha 和 Aryal, 2011；Vuille 等, 2008；Zemp 等, 2015）。可观测到的冰川变化包括冰川跃动（glacier surging）、末端推进与退缩（terminus advance and retreat），其中以冰川退缩（recession）为主导趋势。
• 由于山地冰川是众多河流系统的水源（Hannah 等, 2007；Immerzeel 等, 2010；Milner 等,
  2009），冰川消融将显著影响山地及下游生态系统，并对水资源供应、水力发电、农业、工业和旅游等人类活动产生深远影响（Huss 等, 2017）。此外，冰川快速消融还可能在高山地区形成冰川湖，进而对下游社区构成冰湖溃决洪水（Glacial Lake Outburst Floods, GLOFs）的灾害风险（Haritashya 等, 2018；Kääb 等, 2020；National Research Council, 2012；Sattar 等, 2021）。除了区域影响外，山地冰川的质量损失也在全球尺度上对海平面上升产生贡献（Chen 等, 2013；Gardner 等, 2013；Radić 和 Hock, 2011；Zemp 等, 2019）。因此，在合适的时空尺度上对高山冰川进行精确制图与动态监测具有重要意义。
• 目前，许多冰川研究聚焦于质量平衡（mass balance）、冰川体积（glacier volume）与冰川水文过程（glacier hydrology）等方向，而这些研究高度依赖冰川边界和面积的高精度提取作为基础输入（https://nsidc.org/data/highmountainasia/data-summaries）。传统上，冰川边界通常采用目视判读与屏幕数字化方式进行人工标注，哪怕由经验丰富的专家完成，也不可避免地带有主观性。这种基于人工解译的定性方法引入了较大的相对误差，因为冰川表面形态具有强烈的地形复杂性和空间异质性，不同操作者之间的判断差异也会影响制图一致性。
• 特别是在遥感影像中，冰碛物覆盖冰川（Debris-Covered Glaciers, DCGs）与周围沉积物及侧碛（lateral moraines）在光谱上高度相似，有时甚至在地形上也缺乏明显差异，使得其边界判定尤为困难。相比之下，裸露冰川（Clean-Ice Glaciers）与周围背景在光谱特征上存在明显差异，因此更易于识别和制图。
  
  喀喇昆仑山中部研究区域：红色和黄色方框分别勾勒出训练和验证数据区域。红色三角形标示出用于消融区评估的冰川。蓝色方框表示整体评估的冰川位置。插图中的绿色小方框标明了亚洲高山 DEM 中的研究区域。