【深度学习|冰川制图3】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3】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3】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

引言

• 除了已经广泛用于冰川制图的典型机器学习（ML）算法，近年来已有多项研究尝试引入深度学习（DL）方法（Lu等，2021；Nijhawan等，2019，2018；Xie等，2021，2020），这是一种以神经网络为基础、拥有更多隐藏层的进阶型机器学习架构。在众多深度学习算法中，卷积神经网络（Convolutional Neural Network, CNN）作为代表性模型，在遥感图像处理任务中展现出卓越的性能（Alom等，2019）。CNN通过局部感受野窗口内的连接方式，有效减少了可训练参数的数量；相比之下，传统神经网络通常采用全连接方式，导致图像尺寸增大时参数量急剧增长。因此，在冰川遥感制图中，深度学习分类器也采用类似的局部连接策略以避免参数维度爆炸，这种方式类似于人工制图专家依据区域特征调整制图判别标准的过程。
• 然而，局部连接策略的一个局限性在于缺乏对更大范围上下文信息的感知。CNN通过多层隐藏层叠加小感受野的方式，间接实现了对邻域信息的整合——这类似于人类专家能记住并判断不同区域冰川的典型表现形式。与人工处理相比，CNN具备显著的优势：更快的处理速度、更全面的特征感知能力以及更高的客观性（Janiesch等，2021；Javed等，2021；Krizhevsky等，2012；Mitchell,
  1997；Nathani和Singh, 2021；Sarker, 2021；Yasin和Musho, 2020）。
• CNN的图像分类最早可追溯至1990年代（LeCun等，1998），但由于计算资源限制，该技术直至2010年代图形处理器（GPU）支持大规模并行计算后才得到广泛应用（Krizhevsky等，2012）。除最初的图像分类任务外，CNN已广泛扩展至目标检测（Girshick, 2015；Ren等，2015）、目标追踪（Nam和Han, 2016）以及图像分割（Alom等，2018；Badrinarayanan等，2017；Chen等，2018；Hossain和Chen, 2019；Jégou等，2017；Ronneberger等，2015）等任务，其中图像分割即为像素级分类过程。
• 在本研究中，我们基于CNN构建了深度学习冰川分割模型 GlacierNet，用于中喀喇昆仑地区及尼泊尔喜马拉雅地区的Debris-Covered Glacier（DCG）消融区边界提取（Xie等，2020）。该模型在训练数据依赖区域总面积的条件下，可实现从雪线到冰川末端的消融区自动分割，但存在一定的过度估计（即包含部分非冰川像素）与低估（即遗漏部分真实冰川像素）的问题。为进一步优化模型性能，研究还对多个深度学习模型与GlacierNet进行比较评估，以挖掘提升冰川制图精度的关键特征（Xie等，2021）。然而，包括GlacierNet在内的多数全自动或半自动制图方法仍避开了积雪区的提取，主要原因在于积雪区与周围雪地的光谱特征难以区分（Bolch等，2007；Lu等，2021；Xie等，2021，2020）。因此，大多数涉及积雪区提取的研究仍然部分或全部依赖屏幕数字化的人工方式完成（Baraka等，2020；Kaushik等，2019；Loibl等，2014；Mölg等，2018；Paul等，2004，2009；Sakai, 2018；Smith等，2015；Stokes等，2007；Svoboda和Paul, 2009）。
• 本研究的目标包括：（1）提出新一代深度学习冰川制图方法 GlacierNet2，通过融合多个模型提高冰川末端边界提取精度；（2）首次实现雪盖积雪区（Snow-Covered Accumulation Zone, SCAZ）的自动识别，并将其与消融区提取结果结合，实现对完整DCG的边界线精确分割。

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。