【深度学习|冰川制图4】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4】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4】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

数据与方法

2.1 数据

• 我们在巴基斯坦北部喀喇昆仑中段区域的冰川上测试了本研究提出的新方法（见图1）。该区域部分冰川终点几十年来相对稳定（尽管存在冰体消融现象），也有部分冰川处于退缩或突进状态。该区域地形起伏剧烈，冰川碎屑覆盖模式多样，为测试自动化冰川制图方法提供了理想的实验环境。此前，原始的 GlacierNet 算法也在该区域进行了测试。
• 本研究提出的 GlacierNet2 模型沿用了 GlacierNet 的数据需求和预处理策略，这一点已由多源数据层的互相关分析实验验证（Xie et al., 2021, 2020）。所用遥感数据包括 Landsat 8 的全部11个波段（数据来源：https://glovis.usgs.gov）、ALOS 数字高程模型（DEM，30m分辨率），以及5个不同的地貌形态参数图层。用于本研究的两景 Landsat 8 数据分别获取于2016年9月24日（LC81480352016268LGN02）与2016年10月1日（LC81490352016275LGN01），具备较少的云量和积雪（积雪主要分布在积累区之外）。这两景影像经过拼接以覆盖完整研究区。
• 值得注意的是，9月和10月被认为是冰川消融季末期，在此时段进行制图最为适宜。地貌参数从 ALOS DEM 中提取，具体包括：非球度（unsphericity）、纵向曲率（profile curvature）、切向曲率（tangential curvature）、坡度角（slope angle），以及坡向-方位差异指数（slope-azimuth divergence index）等。
• 通过数据互相关实验可知，尽管所有17个输入通道（包括光谱、DEM和地貌参数）中没有哪个是“不可替代”的，但减少输入通道数量会显著降低 CNN 模型的判别精度（Xie et al., 2020）。实验还表明，所有数据通道在特征表达上具有互补性，有助于提升模型对 DCG（Debris-Covered Glacier）冰川消融区与周边背景环境的区分能力。
• 此外，为避免信息损失，并满足 CNN 模型的输入格式要求，所有输入图层均采用 最邻近插值法（Nearest-Neighbor Interpolation） 重采样至15米空间分辨率，以匹配 Landsat 8 全色波段的空间尺度。随后，为避免数值梯度消失问题，所有输入数据的像素强度根据其数值范围统一归一化至同一数量级。
• 本研究采用的深度学习分割方法是一种有监督分类技术，其模型训练依赖于参考标签数据（Ground Truth）。为了对比 GlacierNet2 与原始 GlacierNet 模型的性能，同时避免因使用不同训练数据而造成性能差异，本研究沿用了 GlacierNet 所使用的完全相同的训练标签数据对 GlacierNet2 进行训练。

这些训练标签来源于经调整的 全球陆地冰川空间测量数据库（GLIMS）矢量数据集（https://www.glims.org），其主要调整包括以下两点：

• 剔除积雪覆盖的积累区（Accumulation Zone），因为本研究与前一版本模型的关注重点均为碎屑覆盖冰川消融区（DCG Ablation Zone）；
• 重新标绘冰川末端边界（Terminus Boundary），前提是冰川存在明显的推进或退缩，导致 GLIMS 数据中的末端边界与本研究使用的遥感影像不符。换言之，GLIMS 中的边界是基于另一时相影像绘制的，而冰川自那以后发生了动态变化，导致边界发生漂移。

值得注意的是，在将 GLIMS 数据叠加至本研究所用遥感影像后，观察到部分冰川的侧缘边界（Lateral Boundary）存在一定程度的不匹配，这可能源于人工解译误差，或者冰川在影像获取期间发生了变薄（downwasting）或增厚（thickening）。尽管如此，这些侧缘边界并未进一步修正，而是“原样”用于模型训练，因为卷积神经网络（CNN）具备一定程度的容错能力，可以适应标签数据中的小幅偏差（Xie et al., 2021, 2020；Zlateski et al., 2018）。

此外，能够在输入标签边界质量有限的前提下仍能生成高质量冰川边界预测结果的冰川制图方法，对于实际应用具有重要价值。这种鲁棒性的模型能力也是当前解决“标签误差不可避免”这一现实问题的关键所在。

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。

• 在对 GlacierNet2 模型性能进行评估时，仍需依赖参考边界（Reference Boundary）。然而，参考边界（包括末端边界（Terminus）和侧缘边界（Lateral Boundary））中存在的任何误差都可能导致评估结果产生偏差。为确保评估的客观性和准确性，不建议使用模型自生成的边界作为评估参考。
• 考虑到 亚洲山区冰川水量估算项目（GAMDAM）数据库相较于 GLIMS 具有更高的整体制图质量（主要得益于所有边界由同一位专家解译，确保了误差在不同冰川之间的一致性），本研究采用仅经最小化修正的 GAMDAM 冰川边界作为冰川消融区（Ablation Zone）分割结果的评估标准（Sakai, 2018）。值得注意的是，这些边界与本研究中选取的碎屑覆盖冰川（DCGs）大多表现出较好的一致性。这可能与研究区内的喀喇昆仑中部冰川近年来退缩幅度相对较小有关。
• 由于 GAMDAM 数据倾向于低估季节性积雪区（SCAZ）的范围（Sakai, 2018），因此本研究中将 GLIMS 数据中定义的 SCAZ 区域与经过修正的 GAMDAM 消融区边界进行合并，作为模型整体评估的最终参考区域。
• 借鉴 GlacierNet 方法（Xie et al., 2020）的策略，我们使用研究区内约 15% 的区域进行模型训练，并划分了 五个较小的子区域用于模型验证（Validation）。值得强调的是，这些训练子区域涵盖了本研究所用的两景 Landsat 8 遥感数据，从而使模型能够学习并适应由大气误差所导致的地表反射率变化。
• 同时，为了简化模型输入并提高泛化能力，本研究特意保持输入数据的结构较为简洁。这是因为该模型的最终目标是实现面向全球尺度的冰川自动化遥感制图，而该目标需依赖对数百景遥感影像数据的直接处理能力，即在不进行复杂预处理的情况下高效完成冰川提取任务。