每年消融期，冰前河网在格陵兰北部发育并汇流大量冰面融水进入海洋，是连接冰盖与海洋的重要通道。然而，目前格陵兰北部冰前河网的空间分布与形态特征尚不明晰。研究综合10 m空间分辨率Sentinel-2卫星遥感影像和Copernicus DEM等数据，采用汇流过程约束的水体遥感信息提取方法，精细化提取了2020年消融期格陵兰北部（～100132 km2）冰前水体遥感信息，进一步顾及水体形态特征区分了冰前河网与孤立湖泊，再利用DEM排水网络连通冰前河网，生成了一套10 m空间分辨率的连通冰前河网与孤立湖泊CPRNs&ILs （Continuous Proglacial River Networks and Isolated Lakes）遥感数据集。随后，选择5个验证区对比分析了CPRNs&ILs与4种水体遥感数据集（Dynamic World V1,CALC-2020,Esri Land Cover和ESA WorldCover）的河网提取精度，最后量化分析了冰前河网的空间分布与形态特征。结果表明：（1）顾及水体形态特征的划分方法准确提取并划分了冰前河网与...

每年消融期，冰前河网在格陵兰北部发育并汇流大量冰面融水进入海洋，是连接冰盖与海洋的重要通道。然而，目前格陵兰北部冰前河网的空间分布与形态特征尚不明晰。研究综合10 m空间分辨率Sentinel-2卫星遥感影像和Copernicus DEM等数据，采用汇流过程约束的水体遥感信息提取方法，精细化提取了2020年消融期格陵兰北部（～100132 km2）冰前水体遥感信息，进一步顾及水体形态特征区分了冰前河网与孤立湖泊，再利用DEM排水网络连通冰前河网，生成了一套10 m空间分辨率的连通冰前河网与孤立湖泊CPRNs&ILs （Continuous Proglacial River Networks and Isolated Lakes）遥感数据集。随后，选择5个验证区对比分析了CPRNs&ILs与4种水体遥感数据集（Dynamic World V1,CALC-2020,Esri Land Cover和ESA WorldCover）的河网提取精度，最后量化分析了冰前河网的空间分布与形态特征。结果表明：（1）顾及水体形态特征的划分方法准确提取并划分了冰前河网与...

每年消融期，冰前河网在格陵兰北部发育并汇流大量冰面融水进入海洋，是连接冰盖与海洋的重要通道。然而，目前格陵兰北部冰前河网的空间分布与形态特征尚不明晰。研究综合10 m空间分辨率Sentinel-2卫星遥感影像和Copernicus DEM等数据，采用汇流过程约束的水体遥感信息提取方法，精细化提取了2020年消融期格陵兰北部（～100132 km2）冰前水体遥感信息，进一步顾及水体形态特征区分了冰前河网与孤立湖泊，再利用DEM排水网络连通冰前河网，生成了一套10 m空间分辨率的连通冰前河网与孤立湖泊CPRNs&ILs （Continuous Proglacial River Networks and Isolated Lakes）遥感数据集。随后，选择5个验证区对比分析了CPRNs&ILs与4种水体遥感数据集（Dynamic World V1,CALC-2020,Esri Land Cover和ESA WorldCover）的河网提取精度，最后量化分析了冰前河网的空间分布与形态特征。结果表明：（1）顾及水体形态特征的划分方法准确提取并划分了冰前河网与...

每年消融期，冰前河网在格陵兰北部发育并汇流大量冰面融水进入海洋，是连接冰盖与海洋的重要通道。然而，目前格陵兰北部冰前河网的空间分布与形态特征尚不明晰。研究综合10 m空间分辨率Sentinel-2卫星遥感影像和Copernicus DEM等数据，采用汇流过程约束的水体遥感信息提取方法，精细化提取了2020年消融期格陵兰北部（～100132 km2）冰前水体遥感信息，进一步顾及水体形态特征区分了冰前河网与孤立湖泊，再利用DEM排水网络连通冰前河网，生成了一套10 m空间分辨率的连通冰前河网与孤立湖泊CPRNs&ILs （Continuous Proglacial River Networks and Isolated Lakes）遥感数据集。随后，选择5个验证区对比分析了CPRNs&ILs与4种水体遥感数据集（Dynamic World V1,CALC-2020,Esri Land Cover和ESA WorldCover）的河网提取精度，最后量化分析了冰前河网的空间分布与形态特征。结果表明：（1）顾及水体形态特征的划分方法准确提取并划分了冰前河网与...

每年消融期，冰前河网在格陵兰北部发育并汇流大量冰面融水进入海洋，是连接冰盖与海洋的重要通道。然而，目前格陵兰北部冰前河网的空间分布与形态特征尚不明晰。研究综合10 m空间分辨率Sentinel-2卫星遥感影像和Copernicus DEM等数据，采用汇流过程约束的水体遥感信息提取方法，精细化提取了2020年消融期格陵兰北部（～100132 km2）冰前水体遥感信息，进一步顾及水体形态特征区分了冰前河网与孤立湖泊，再利用DEM排水网络连通冰前河网，生成了一套10 m空间分辨率的连通冰前河网与孤立湖泊CPRNs&ILs （Continuous Proglacial River Networks and Isolated Lakes）遥感数据集。随后，选择5个验证区对比分析了CPRNs&ILs与4种水体遥感数据集（Dynamic World V1,CALC-2020,Esri Land Cover和ESA WorldCover）的河网提取精度，最后量化分析了冰前河网的空间分布与形态特征。结果表明：（1）顾及水体形态特征的划分方法准确提取并划分了冰前河网与...

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...