冰湖识别是了解冰湖对气候变化的响应和评估冰湖溃决洪水潜在危险的先决条件。虽然遥感技术使全球冰湖演变的持续监测和评估成为可能，但准确可靠地提取复杂高原地形区的冰湖仍然具有挑战性。本文提出了融合多源遥感数据和改进后MaskR-CNN深度学习模型的复杂高原地形区冰湖智能识别方法，在MaskR-CNN模型基础上，通过在骨干网络ResNet-50的高层特征（Conv4和Conv5）、FPN的每个特征图以及Mask Head 中引入注意力机制。利用Sentinel-2高分辨遥感影像、ALOS-DEM及NDWI数据组成多波段数据集，并在青藏高原东南部的林芝市进行测试，并进一步比较了改进后Mask R-CNN、U-Net、SegNet和DeepLab V3模型在冰湖识别中的性能。改进后的Mask R-CNN模型具有更高的准确率，模型的精确度、召回率和准确度值分别达到了91.25%、93.69%、92.89%。它有效地降低了山体阴影、湖水浊度和冻融湖水条件对冰湖识别的影响，并显著提高了小冰湖的识别效率。本研究为地形复杂高原地形区冰湖识别提供了可靠解决方案，为深度学习与多源遥感数据结合的智能化冰湖提取提供...
冰湖识别是了解冰湖对气候变化的响应和评估冰湖溃决洪水潜在危险的先决条件。虽然遥感技术使全球冰湖演变的持续监测和评估成为可能，但准确可靠地提取复杂高原地形区的冰湖仍然具有挑战性。本文提出了融合多源遥感数据和改进后MaskR-CNN深度学习模型的复杂高原地形区冰湖智能识别方法，在MaskR-CNN模型基础上，通过在骨干网络ResNet-50的高层特征（Conv4和Conv5）、FPN的每个特征图以及Mask Head 中引入注意力机制。利用Sentinel-2高分辨遥感影像、ALOS-DEM及NDWI数据组成多波段数据集，并在青藏高原东南部的林芝市进行测试，并进一步比较了改进后Mask R-CNN、U-Net、SegNet和DeepLab V3模型在冰湖识别中的性能。改进后的Mask R-CNN模型具有更高的准确率，模型的精确度、召回率和准确度值分别达到了91.25%、93.69%、92.89%。它有效地降低了山体阴影、湖水浊度和冻融湖水条件对冰湖识别的影响，并显著提高了小冰湖的识别效率。本研究为地形复杂高原地形区冰湖识别提供了可靠解决方案，为深度学习与多源遥感数据结合的智能化冰湖提取提供...
冰湖识别是了解冰湖对气候变化的响应和评估冰湖溃决洪水潜在危险的先决条件。虽然遥感技术使全球冰湖演变的持续监测和评估成为可能，但准确可靠地提取复杂高原地形区的冰湖仍然具有挑战性。本文提出了融合多源遥感数据和改进后MaskR-CNN深度学习模型的复杂高原地形区冰湖智能识别方法，在MaskR-CNN模型基础上，通过在骨干网络ResNet-50的高层特征（Conv4和Conv5）、FPN的每个特征图以及Mask Head 中引入注意力机制。利用Sentinel-2高分辨遥感影像、ALOS-DEM及NDWI数据组成多波段数据集，并在青藏高原东南部的林芝市进行测试，并进一步比较了改进后Mask R-CNN、U-Net、SegNet和DeepLab V3模型在冰湖识别中的性能。改进后的Mask R-CNN模型具有更高的准确率，模型的精确度、召回率和准确度值分别达到了91.25%、93.69%、92.89%。它有效地降低了山体阴影、湖水浊度和冻融湖水条件对冰湖识别的影响，并显著提高了小冰湖的识别效率。本研究为地形复杂高原地形区冰湖识别提供了可靠解决方案，为深度学习与多源遥感数据结合的智能化冰湖提取提供...
冰湖识别是了解冰湖对气候变化的响应和评估冰湖溃决洪水潜在危险的先决条件。虽然遥感技术使全球冰湖演变的持续监测和评估成为可能，但准确可靠地提取复杂高原地形区的冰湖仍然具有挑战性。本文提出了融合多源遥感数据和改进后MaskR-CNN深度学习模型的复杂高原地形区冰湖智能识别方法，在MaskR-CNN模型基础上，通过在骨干网络ResNet-50的高层特征（Conv4和Conv5）、FPN的每个特征图以及Mask Head 中引入注意力机制。利用Sentinel-2高分辨遥感影像、ALOS-DEM及NDWI数据组成多波段数据集，并在青藏高原东南部的林芝市进行测试，并进一步比较了改进后Mask R-CNN、U-Net、SegNet和DeepLab V3模型在冰湖识别中的性能。改进后的Mask R-CNN模型具有更高的准确率，模型的精确度、召回率和准确度值分别达到了91.25%、93.69%、92.89%。它有效地降低了山体阴影、湖水浊度和冻融湖水条件对冰湖识别的影响，并显著提高了小冰湖的识别效率。本研究为地形复杂高原地形区冰湖识别提供了可靠解决方案，为深度学习与多源遥感数据结合的智能化冰湖提取提供...
冰湖识别是了解冰湖对气候变化的响应和评估冰湖溃决洪水潜在危险的先决条件。虽然遥感技术使全球冰湖演变的持续监测和评估成为可能，但准确可靠地提取复杂高原地形区的冰湖仍然具有挑战性。本文提出了融合多源遥感数据和改进后MaskR-CNN深度学习模型的复杂高原地形区冰湖智能识别方法，在MaskR-CNN模型基础上，通过在骨干网络ResNet-50的高层特征（Conv4和Conv5）、FPN的每个特征图以及Mask Head 中引入注意力机制。利用Sentinel-2高分辨遥感影像、ALOS-DEM及NDWI数据组成多波段数据集，并在青藏高原东南部的林芝市进行测试，并进一步比较了改进后Mask R-CNN、U-Net、SegNet和DeepLab V3模型在冰湖识别中的性能。改进后的Mask R-CNN模型具有更高的准确率，模型的精确度、召回率和准确度值分别达到了91.25%、93.69%、92.89%。它有效地降低了山体阴影、湖水浊度和冻融湖水条件对冰湖识别的影响，并显著提高了小冰湖的识别效率。本研究为地形复杂高原地形区冰湖识别提供了可靠解决方案，为深度学习与多源遥感数据结合的智能化冰湖提取提供...
冰裂隙是极地冰盖重要的表面特征参数，是冰盖内应力的外在表现，对冰盖的稳定性具有重要的影响。近几十年来随着卫星遥感技术的快速发展，冰裂隙的探测方法和相关研究也不断进步，多种卫星技术的冰裂隙时空探测方法同时取得了进展。介绍极地冰盖冰裂隙特征探测方法的进展情况，归纳和总结国内外利用光学遥感数据、微波遥感数据、高度计数据等多源遥感技术探测极地冰盖冰裂隙水平和垂直特征的方法，并探讨极地冰盖冰裂隙遥感探测的研究重点和面临的挑战。
冰裂隙是极地冰盖重要的表面特征参数，是冰盖内应力的外在表现，对冰盖的稳定性具有重要的影响。近几十年来随着卫星遥感技术的快速发展，冰裂隙的探测方法和相关研究也不断进步，多种卫星技术的冰裂隙时空探测方法同时取得了进展。介绍极地冰盖冰裂隙特征探测方法的进展情况，归纳和总结国内外利用光学遥感数据、微波遥感数据、高度计数据等多源遥感技术探测极地冰盖冰裂隙水平和垂直特征的方法，并探讨极地冰盖冰裂隙遥感探测的研究重点和面临的挑战。
冰裂隙是极地冰盖重要的表面特征参数，是冰盖内应力的外在表现，对冰盖的稳定性具有重要的影响。近几十年来随着卫星遥感技术的快速发展，冰裂隙的探测方法和相关研究也不断进步，多种卫星技术的冰裂隙时空探测方法同时取得了进展。介绍极地冰盖冰裂隙特征探测方法的进展情况，归纳和总结国内外利用光学遥感数据、微波遥感数据、高度计数据等多源遥感技术探测极地冰盖冰裂隙水平和垂直特征的方法，并探讨极地冰盖冰裂隙遥感探测的研究重点和面临的挑战。
冰川物质平衡是反映气候变化的重要指标，对于区域生态环境评估和灾害防治具有重要意义。采用Landsat系列遥感影像，运用比值阈值法和目视解译法，获取1990—2020年珠峰自然保护区内的冰川边界，研究冰川面积分布与变化特征，同时基于差分干涉测量短基线时序分析（SBASInSAR）技术监测区域冰川形变特征，并分析冰川物质平衡过程。结果表明：（1）1990—2020年珠峰自然保护区冰川持续退缩，且近10 a退缩趋势更为显著。保护区内冰川总面积退缩247.16 km2，变化率为-18.92%。（2）保护区冰川主要分布在海拔5400～6200 m和坡度10°～15°范围内，其中5400～5600 m和10°～15°范围内冰川退缩最为显著。（3）2020年珠峰自然保护区冰川形变速率介于-129.069～140.252 mm·a-1之间，冰川表面形变在海拔4200～4400 m和40°～45°处沉降最为严重。（4）气温上升、降水减少可能是导致珠峰自然保护区冰川物质亏损的主要因素。同时，空间气候差异和地形等因素也可能是导致冰川物质平衡差异的重要因素。
冰川物质平衡是反映气候变化的重要指标，对于区域生态环境评估和灾害防治具有重要意义。采用Landsat系列遥感影像，运用比值阈值法和目视解译法，获取1990—2020年珠峰自然保护区内的冰川边界，研究冰川面积分布与变化特征，同时基于差分干涉测量短基线时序分析（SBASInSAR）技术监测区域冰川形变特征，并分析冰川物质平衡过程。结果表明：（1）1990—2020年珠峰自然保护区冰川持续退缩，且近10 a退缩趋势更为显著。保护区内冰川总面积退缩247.16 km2，变化率为-18.92%。（2）保护区冰川主要分布在海拔5400～6200 m和坡度10°～15°范围内，其中5400～5600 m和10°～15°范围内冰川退缩最为显著。（3）2020年珠峰自然保护区冰川形变速率介于-129.069～140.252 mm·a-1之间，冰川表面形变在海拔4200～4400 m和40°～45°处沉降最为严重。（4）气温上升、降水减少可能是导致珠峰自然保护区冰川物质亏损的主要因素。同时，空间气候差异和地形等因素也可能是导致冰川物质平衡差异的重要因素。