【深度学习|冰川制图7】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7】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7】GlacierNet2:一种面向高山冰川制图的混合多模型学习架构


文章目录

  • 【深度学习|冰川制图7】GlacierNet2:一种面向高山冰川制图的混合多模型学习架构
    • 数据与方法
      • 2.3 GlacierNet2 架构
        • 2.3.4. 积雪覆盖汇积区(SCAZ)的估算


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

数据与方法

2.3 GlacierNet2 架构

2.3.4. 积雪覆盖汇积区(SCAZ)的估算
  • 前一模块中的冰川末端估算所得到的消融区,是估算积雪覆盖汇积区(SCAZ)的主要输入之一(见图8)。此前的卷积神经网络(CNN)处理模块融合了 DeepLabV3+ 和 GlacierNet 的判别结果以生成 D-2 数据。然而,两种网络在雪线位置判定上存在一定分歧,造成混淆,并略微低估了 D-2 的雪线高度
  • 我们观察到,这类分歧通常发生在消融区存在残留积雪像素的区域。因此,在后处理阶段,如果 D-1 的雪线对应的高程更高,则将 D-2 的雪线进行上调,采用 D-1 的雪线位置。

随后,SCAZ 的估算依赖于 TopoToolbox 平台,这是一个基于 MATLAB 的强大地形分析工具,具备空间与非空间数值分析功能(Schwanghart and Kuhn, 2010;Schwanghart and Scherler, 2014)。该工具在处理复杂地形数据时优化了计算效率,并为流域地貌学和水文分析提供了灵活易用的环境,支持数字高程模型(DEM)数据处理。例如,其流域单元(Drainage Basin, DB)分析模块可以计算流向与汇流。

在本研究中,我们将每一个冰川视作一个独立的流域单元(DB),这对于 SCAZ 的制图至关重要。TopoToolbox 可基于 DEM 数据估算 DB,无论是否提供特定的目标区域:

  • 若提供目标区域,则可识别所有流入该区域的像素;
  • 若未提供,则基于假设的流动网络识别所有可能的流域单元。

流域划分并非总是直接明确的,因为多个冰川的假设流动路径常常汇合,因此我们进一步利用消融区信息辅助划分与界定冰川独立流域单元

SCAZ 的估算算法除使用修正雪线后的 D-2 外,还需 DEM 和光学遥感数据作为输入(见图8),分析流程如下:
在这里插入图片描述

  1. 使用地表反射率雪指数(见公式2)识别场景内的所有积雪像素;
  2. 删除那些不与消融区邻接或重叠的积雪区域;
  3. 将剩余积雪区域与邻接/重叠的消融区进行合并;
  4. 对所有空洞进行填补,这些空洞代表非雪和非冰区域,有助于后续计算;
  5. 将各个消融区赋予不同的编码编号;
  6. 为每个目标消融区分配像素,生成中间输出 G-1,用于表示合并区域内的冰川流域单元(DB),每个流域单元继承其对应消融区的编号;
  7. 基于整个场景计算每个目标消融区的流域单元,仍继承原始编码编号;通过逻辑“与”(AND)操作去除超出合并区域的流域像素,得到中间结果 G-3;
  8. 计算中间结果 G-2,表示合并区域内部但未设定具体目标区域的 DB 片段;这些片段继承 G-3 中对应流域的编码,并另行编号以做区分;
  9. 计算 G-1 与 G-3 的差异区域;
  10. 若 G-2 中的片段既不邻接也不重叠G-1 中具有相同编号的 DB,则标记这些片段;
  11. 从 G-2 中剔除这些被标记的片段,对应于 G-3 中的位置;
  12. 再次计算 G-1 与更新后的 G-3 之间的差异区域;
  13. 针对上述差异区域,识别 G-2 中对应片段的连接边界线——即直接接触 G-1 中同编号 DB 的边界;若这些边界线的平均高程高于整个片段边界的平均高程,则保留这些片段;
  14. 将上述选中的 G-2 片段从 G-3 中再次剔除;
  15. 对步骤4中填补的空洞进行形态学闭运算(Morphological Closing)以实现融合,除保留少数小孔外,其余孔洞均恢复;
  16. 删除因孔洞恢复而产生的孤立 SCAZ 区域,这些区域为与主要冰川区域不相连的独立像素簇。

在上述区域中,G-1 对冰川面积略有低估,而 G-3 则存在高估现象,G-2 的总面积与 G-3 持平。实际上,G-1 对大多数冰川实现了较为准确的估算,但由于冰川表面存在显著的冰碛垄脊,导致部分区域出现低估。因此,引入 G-2 与 G-3 的结果对初步估算进行进一步细化。与此同时,合并区域被用于分离假设性冰流网络,并屏蔽那些间接流入消融区的 DB(Debris-covered)冰川段

你可能感兴趣的:(论文推荐,深度学习,学习,架构,人工智能)