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...

【目的】干涉合成孔径雷达测量(InSAR)技术近年来被广泛用于反演活动层厚度（ALT），然而现有研究较少考虑冻融对地表形变和土壤孔隙水热变化的影响，因此，本文构建了考虑土壤水热变化的ALT反演模型。【方法】使用InSAR技术和CNNBiLSTM-AM模型得到地表参数，顾及冻融驱动下活动层的变形和土壤孔隙及水分的变化构建了活动层厚度反演模型。首先，通过SBAS-InSAR技术提取研究区垂直向地表形变。然后，构建CNN-BiLSTM-AM模型，使用卷积神经网络（Convolutional Neural Networks, CNN）对多源遥感数据特征提取，采用双向长短期记忆网络（Bi-directional Long Short-term Memory,BiLSTM）对提取特征进行预测，添加多头自注意力层（Attention Mechanism, AM）提高模型对关键信息的提取，得到多特征约束下的土壤含水量预测值。最后，以垂直向地表形变作为表征活动层的主要参数，构建基于土壤孔隙比和土壤含水量的活动层厚度反演模型，得到兰新高铁冻土区活动层厚度的时空分布。【结果】模型估计值与俄博岭实测数据验证的...

【目的】干涉合成孔径雷达测量(InSAR)技术近年来被广泛用于反演活动层厚度（ALT），然而现有研究较少考虑冻融对地表形变和土壤孔隙水热变化的影响，因此，本文构建了考虑土壤水热变化的ALT反演模型。【方法】使用InSAR技术和CNNBiLSTM-AM模型得到地表参数，顾及冻融驱动下活动层的变形和土壤孔隙及水分的变化构建了活动层厚度反演模型。首先，通过SBAS-InSAR技术提取研究区垂直向地表形变。然后，构建CNN-BiLSTM-AM模型，使用卷积神经网络（Convolutional Neural Networks, CNN）对多源遥感数据特征提取，采用双向长短期记忆网络（Bi-directional Long Short-term Memory,BiLSTM）对提取特征进行预测，添加多头自注意力层（Attention Mechanism, AM）提高模型对关键信息的提取，得到多特征约束下的土壤含水量预测值。最后，以垂直向地表形变作为表征活动层的主要参数，构建基于土壤孔隙比和土壤含水量的活动层厚度反演模型，得到兰新高铁冻土区活动层厚度的时空分布。【结果】模型估计值与俄博岭实测数据验证的...

【目的】干涉合成孔径雷达测量(InSAR)技术近年来被广泛用于反演活动层厚度（ALT），然而现有研究较少考虑冻融对地表形变和土壤孔隙水热变化的影响，因此，本文构建了考虑土壤水热变化的ALT反演模型。【方法】使用InSAR技术和CNNBiLSTM-AM模型得到地表参数，顾及冻融驱动下活动层的变形和土壤孔隙及水分的变化构建了活动层厚度反演模型。首先，通过SBAS-InSAR技术提取研究区垂直向地表形变。然后，构建CNN-BiLSTM-AM模型，使用卷积神经网络（Convolutional Neural Networks, CNN）对多源遥感数据特征提取，采用双向长短期记忆网络（Bi-directional Long Short-term Memory,BiLSTM）对提取特征进行预测，添加多头自注意力层（Attention Mechanism, AM）提高模型对关键信息的提取，得到多特征约束下的土壤含水量预测值。最后，以垂直向地表形变作为表征活动层的主要参数，构建基于土壤孔隙比和土壤含水量的活动层厚度反演模型，得到兰新高铁冻土区活动层厚度的时空分布。【结果】模型估计值与俄博岭实测数据验证的...

【目的】干涉合成孔径雷达测量(InSAR)技术近年来被广泛用于反演活动层厚度（ALT），然而现有研究较少考虑冻融对地表形变和土壤孔隙水热变化的影响，因此，本文构建了考虑土壤水热变化的ALT反演模型。【方法】使用InSAR技术和CNNBiLSTM-AM模型得到地表参数，顾及冻融驱动下活动层的变形和土壤孔隙及水分的变化构建了活动层厚度反演模型。首先，通过SBAS-InSAR技术提取研究区垂直向地表形变。然后，构建CNN-BiLSTM-AM模型，使用卷积神经网络（Convolutional Neural Networks, CNN）对多源遥感数据特征提取，采用双向长短期记忆网络（Bi-directional Long Short-term Memory,BiLSTM）对提取特征进行预测，添加多头自注意力层（Attention Mechanism, AM）提高模型对关键信息的提取，得到多特征约束下的土壤含水量预测值。最后，以垂直向地表形变作为表征活动层的主要参数，构建基于土壤孔隙比和土壤含水量的活动层厚度反演模型，得到兰新高铁冻土区活动层厚度的时空分布。【结果】模型估计值与俄博岭实测数据验证的...

【目的】干涉合成孔径雷达测量(InSAR)技术近年来被广泛用于反演活动层厚度（ALT），然而现有研究较少考虑冻融对地表形变和土壤孔隙水热变化的影响，因此，本文构建了考虑土壤水热变化的ALT反演模型。【方法】使用InSAR技术和CNNBiLSTM-AM模型得到地表参数，顾及冻融驱动下活动层的变形和土壤孔隙及水分的变化构建了活动层厚度反演模型。首先，通过SBAS-InSAR技术提取研究区垂直向地表形变。然后，构建CNN-BiLSTM-AM模型，使用卷积神经网络（Convolutional Neural Networks, CNN）对多源遥感数据特征提取，采用双向长短期记忆网络（Bi-directional Long Short-term Memory,BiLSTM）对提取特征进行预测，添加多头自注意力层（Attention Mechanism, AM）提高模型对关键信息的提取，得到多特征约束下的土壤含水量预测值。最后，以垂直向地表形变作为表征活动层的主要参数，构建基于土壤孔隙比和土壤含水量的活动层厚度反演模型，得到兰新高铁冻土区活动层厚度的时空分布。【结果】模型估计值与俄博岭实测数据验证的...