鉴于像素级分类在光谱特征相近情况下难以准确识别冰川变化，特别是表碛覆盖区的光谱特征与周围山地、岩石相似度高，导致其提取精度较低。为此，本文以音苏盖提冰川和雅弄冰川为研究区，基于Google Earth Engine平台，结合光谱指数、微波纹理和地形特征，采用面向对象（OB）的机器学习算法进行冰川自动提取，并与基于像素（PB）分类方法进行对比。结果表明：（1）基于多特征融合的OB分类方法有助于提高冰川提取精度。其中，OB＿RF分类的总体精度、Kappa系数和F1分数分别为98.1%、0.97和98.67%，优于OB＿CART和OB＿GTB方法。与PB＿RF分类相比，总体精度、Kappa系数和F1分数分别提升了1.7%、0.024和5.57%。（2）2001—2022年音苏盖提冰川和雅弄冰川年平均退缩率分别为0.08%、0.13%。（3）音苏盖提冰川表碛区主要分布在海拔5000 m以下，而雅弄冰川表碛区主要分布在海拔4800 m以下，2001—2022年两条冰川表碛覆盖区均呈现向上扩张趋势。
鉴于像素级分类在光谱特征相近情况下难以准确识别冰川变化，特别是表碛覆盖区的光谱特征与周围山地、岩石相似度高，导致其提取精度较低。为此，本文以音苏盖提冰川和雅弄冰川为研究区，基于Google Earth Engine平台，结合光谱指数、微波纹理和地形特征，采用面向对象（OB）的机器学习算法进行冰川自动提取，并与基于像素（PB）分类方法进行对比。结果表明：（1）基于多特征融合的OB分类方法有助于提高冰川提取精度。其中，OB＿RF分类的总体精度、Kappa系数和F1分数分别为98.1%、0.97和98.67%，优于OB＿CART和OB＿GTB方法。与PB＿RF分类相比，总体精度、Kappa系数和F1分数分别提升了1.7%、0.024和5.57%。（2）2001—2022年音苏盖提冰川和雅弄冰川年平均退缩率分别为0.08%、0.13%。（3）音苏盖提冰川表碛区主要分布在海拔5000 m以下，而雅弄冰川表碛区主要分布在海拔4800 m以下，2001—2022年两条冰川表碛覆盖区均呈现向上扩张趋势。
鉴于像素级分类在光谱特征相近情况下难以准确识别冰川变化，特别是表碛覆盖区的光谱特征与周围山地、岩石相似度高，导致其提取精度较低。为此，本文以音苏盖提冰川和雅弄冰川为研究区，基于Google Earth Engine平台，结合光谱指数、微波纹理和地形特征，采用面向对象（OB）的机器学习算法进行冰川自动提取，并与基于像素（PB）分类方法进行对比。结果表明：（1）基于多特征融合的OB分类方法有助于提高冰川提取精度。其中，OB＿RF分类的总体精度、Kappa系数和F1分数分别为98.1%、0.97和98.67%，优于OB＿CART和OB＿GTB方法。与PB＿RF分类相比，总体精度、Kappa系数和F1分数分别提升了1.7%、0.024和5.57%。（2）2001—2022年音苏盖提冰川和雅弄冰川年平均退缩率分别为0.08%、0.13%。（3）音苏盖提冰川表碛区主要分布在海拔5000 m以下，而雅弄冰川表碛区主要分布在海拔4800 m以下，2001—2022年两条冰川表碛覆盖区均呈现向上扩张趋势。
鉴于像素级分类在光谱特征相近情况下难以准确识别冰川变化，特别是表碛覆盖区的光谱特征与周围山地、岩石相似度高，导致其提取精度较低。为此，本文以音苏盖提冰川和雅弄冰川为研究区，基于Google Earth Engine平台，结合光谱指数、微波纹理和地形特征，采用面向对象（OB）的机器学习算法进行冰川自动提取，并与基于像素（PB）分类方法进行对比。结果表明：（1）基于多特征融合的OB分类方法有助于提高冰川提取精度。其中，OB＿RF分类的总体精度、Kappa系数和F1分数分别为98.1%、0.97和98.67%，优于OB＿CART和OB＿GTB方法。与PB＿RF分类相比，总体精度、Kappa系数和F1分数分别提升了1.7%、0.024和5.57%。（2）2001—2022年音苏盖提冰川和雅弄冰川年平均退缩率分别为0.08%、0.13%。（3）音苏盖提冰川表碛区主要分布在海拔5000 m以下，而雅弄冰川表碛区主要分布在海拔4800 m以下，2001—2022年两条冰川表碛覆盖区均呈现向上扩张趋势。
鉴于像素级分类在光谱特征相近情况下难以准确识别冰川变化，特别是表碛覆盖区的光谱特征与周围山地、岩石相似度高，导致其提取精度较低。为此，本文以音苏盖提冰川和雅弄冰川为研究区，基于Google Earth Engine平台，结合光谱指数、微波纹理和地形特征，采用面向对象（OB）的机器学习算法进行冰川自动提取，并与基于像素（PB）分类方法进行对比。结果表明：（1）基于多特征融合的OB分类方法有助于提高冰川提取精度。其中，OB＿RF分类的总体精度、Kappa系数和F1分数分别为98.1%、0.97和98.67%，优于OB＿CART和OB＿GTB方法。与PB＿RF分类相比，总体精度、Kappa系数和F1分数分别提升了1.7%、0.024和5.57%。（2）2001—2022年音苏盖提冰川和雅弄冰川年平均退缩率分别为0.08%、0.13%。（3）音苏盖提冰川表碛区主要分布在海拔5000 m以下，而雅弄冰川表碛区主要分布在海拔4800 m以下，2001—2022年两条冰川表碛覆盖区均呈现向上扩张趋势。
热融湖塘是多年冻土退化所引起的热融灾害之一，其中准确地监测热融湖塘的分布和变化是评估这一灾害的前提。根据以往对热融湖塘的研究发现，小型热融湖塘较多，但由于热融湖塘分布在湿地、草地等不同区域，部分热融湖塘在影像上与周边环境出现同谱异物的现象，导致无法对小型热融湖塘进行准确统计。本文选取高分六号影像作为数据源，分别采用归一化差异水体指数（NDWI）阈值法、面向对象提取法、LBV变换法对研究区内热融湖塘进行提取。通过解译结果分析，LBV变换法提取精度最高；GF-6影像经过LBV变换之后，水体与其他地物之间的差异更加突出，对小型热融湖塘的提取有较好的适用性。
热融湖塘是多年冻土退化所引起的热融灾害之一，其中准确地监测热融湖塘的分布和变化是评估这一灾害的前提。根据以往对热融湖塘的研究发现，小型热融湖塘较多，但由于热融湖塘分布在湿地、草地等不同区域，部分热融湖塘在影像上与周边环境出现同谱异物的现象，导致无法对小型热融湖塘进行准确统计。本文选取高分六号影像作为数据源，分别采用归一化差异水体指数（NDWI）阈值法、面向对象提取法、LBV变换法对研究区内热融湖塘进行提取。通过解译结果分析，LBV变换法提取精度最高；GF-6影像经过LBV变换之后，水体与其他地物之间的差异更加突出，对小型热融湖塘的提取有较好的适用性。
热融湖塘是多年冻土退化所引起的热融灾害之一，其中准确地监测热融湖塘的分布和变化是评估这一灾害的前提。根据以往对热融湖塘的研究发现，小型热融湖塘较多，但由于热融湖塘分布在湿地、草地等不同区域，部分热融湖塘在影像上与周边环境出现同谱异物的现象，导致无法对小型热融湖塘进行准确统计。本文选取高分六号影像作为数据源，分别采用归一化差异水体指数（NDWI）阈值法、面向对象提取法、LBV变换法对研究区内热融湖塘进行提取。通过解译结果分析，LBV变换法提取精度最高；GF-6影像经过LBV变换之后，水体与其他地物之间的差异更加突出，对小型热融湖塘的提取有较好的适用性。
热融湖塘是多年冻土退化所引起的热融灾害之一，其中准确地监测热融湖塘的分布和变化是评估这一灾害的前提。根据以往对热融湖塘的研究发现，小型热融湖塘较多，但由于热融湖塘分布在湿地、草地等不同区域，部分热融湖塘在影像上与周边环境出现同谱异物的现象，导致无法对小型热融湖塘进行准确统计。本文选取高分六号影像作为数据源，分别采用归一化差异水体指数（NDWI）阈值法、面向对象提取法、LBV变换法对研究区内热融湖塘进行提取。通过解译结果分析，LBV变换法提取精度最高；GF-6影像经过LBV变换之后，水体与其他地物之间的差异更加突出，对小型热融湖塘的提取有较好的适用性。
热融湖塘是多年冻土退化所引起的热融灾害之一，其中准确地监测热融湖塘的分布和变化是评估这一灾害的前提。根据以往对热融湖塘的研究发现，小型热融湖塘较多，但由于热融湖塘分布在湿地、草地等不同区域，部分热融湖塘在影像上与周边环境出现同谱异物的现象，导致无法对小型热融湖塘进行准确统计。本文选取高分六号影像作为数据源，分别采用归一化差异水体指数（NDWI）阈值法、面向对象提取法、LBV变换法对研究区内热融湖塘进行提取。通过解译结果分析，LBV变换法提取精度最高；GF-6影像经过LBV变换之后，水体与其他地物之间的差异更加突出，对小型热融湖塘的提取有较好的适用性。