冰川是气候变化的敏感指示器，研究其动态变化对揭示全球气候变化具有重要意义。受全球气候变暖影响，天山北坡的冰川呈快速退缩趋势。在现有的冰川编目数据集中，天山北坡冰川边界解译数据源时间主要在2010年前后，数据的现势性很难满足实际需求。本数据集以1990年Landsat TM和2020年Landsat OLI、Sentinel-2A/2B MSI冰川消融期遥感影像为数据源，采用波段比值法（红光波段/短波红外波段, Red/SWIR）和人工交互方法以及Otus算法确定冰川矢量边界，并基于高分辨率遥感影像和冰川编目数据对冰川边界进行人工目视修订。本数据集包括2020年与1990年两期数据。结果显示，2020年天山北坡冰川数量和面积分别为3253条和1670.55 km2,1990年天山北坡冰川数量和面积分别为3270条和2003.19 km2。由遥感影像空间分辨率造成的1990年和2020年冰川面积误差分别为162.14 km2（8.09%）和71.55 km2（4.28%）。本数据集全面反映了1990–2...
冰川是气候变化的敏感指示器，研究其动态变化对揭示全球气候变化具有重要意义。受全球气候变暖影响，天山北坡的冰川呈快速退缩趋势。在现有的冰川编目数据集中，天山北坡冰川边界解译数据源时间主要在2010年前后，数据的现势性很难满足实际需求。本数据集以1990年Landsat TM和2020年Landsat OLI、Sentinel-2A/2B MSI冰川消融期遥感影像为数据源，采用波段比值法（红光波段/短波红外波段, Red/SWIR）和人工交互方法以及Otus算法确定冰川矢量边界，并基于高分辨率遥感影像和冰川编目数据对冰川边界进行人工目视修订。本数据集包括2020年与1990年两期数据。结果显示，2020年天山北坡冰川数量和面积分别为3253条和1670.55 km2,1990年天山北坡冰川数量和面积分别为3270条和2003.19 km2。由遥感影像空间分辨率造成的1990年和2020年冰川面积误差分别为162.14 km2（8.09%）和71.55 km2（4.28%）。本数据集全面反映了1990–2...
冰川是气候变化的敏感指示器，研究其动态变化对揭示全球气候变化具有重要意义。受全球气候变暖影响，天山北坡的冰川呈快速退缩趋势。在现有的冰川编目数据集中，天山北坡冰川边界解译数据源时间主要在2010年前后，数据的现势性很难满足实际需求。本数据集以1990年Landsat TM和2020年Landsat OLI、Sentinel-2A/2B MSI冰川消融期遥感影像为数据源，采用波段比值法（红光波段/短波红外波段, Red/SWIR）和人工交互方法以及Otus算法确定冰川矢量边界，并基于高分辨率遥感影像和冰川编目数据对冰川边界进行人工目视修订。本数据集包括2020年与1990年两期数据。结果显示，2020年天山北坡冰川数量和面积分别为3253条和1670.55 km2,1990年天山北坡冰川数量和面积分别为3270条和2003.19 km2。由遥感影像空间分辨率造成的1990年和2020年冰川面积误差分别为162.14 km2（8.09%）和71.55 km2（4.28%）。本数据集全面反映了1990–2...
冰川是气候变化的敏感指示器，研究其动态变化对揭示全球气候变化具有重要意义。受全球气候变暖影响，天山北坡的冰川呈快速退缩趋势。在现有的冰川编目数据集中，天山北坡冰川边界解译数据源时间主要在2010年前后，数据的现势性很难满足实际需求。本数据集以1990年Landsat TM和2020年Landsat OLI、Sentinel-2A/2B MSI冰川消融期遥感影像为数据源，采用波段比值法（红光波段/短波红外波段, Red/SWIR）和人工交互方法以及Otus算法确定冰川矢量边界，并基于高分辨率遥感影像和冰川编目数据对冰川边界进行人工目视修订。本数据集包括2020年与1990年两期数据。结果显示，2020年天山北坡冰川数量和面积分别为3253条和1670.55 km2,1990年天山北坡冰川数量和面积分别为3270条和2003.19 km2。由遥感影像空间分辨率造成的1990年和2020年冰川面积误差分别为162.14 km2（8.09%）和71.55 km2（4.28%）。本数据集全面反映了1990–2...
冰川是气候变化的敏感指示器，研究其动态变化对揭示全球气候变化具有重要意义。受全球气候变暖影响，天山北坡的冰川呈快速退缩趋势。在现有的冰川编目数据集中，天山北坡冰川边界解译数据源时间主要在2010年前后，数据的现势性很难满足实际需求。本数据集以1990年Landsat TM和2020年Landsat OLI、Sentinel-2A/2B MSI冰川消融期遥感影像为数据源，采用波段比值法（红光波段/短波红外波段, Red/SWIR）和人工交互方法以及Otus算法确定冰川矢量边界，并基于高分辨率遥感影像和冰川编目数据对冰川边界进行人工目视修订。本数据集包括2020年与1990年两期数据。结果显示，2020年天山北坡冰川数量和面积分别为3253条和1670.55 km2,1990年天山北坡冰川数量和面积分别为3270条和2003.19 km2。由遥感影像空间分辨率造成的1990年和2020年冰川面积误差分别为162.14 km2（8.09%）和71.55 km2（4.28%）。本数据集全面反映了1990–2...
中亚四国（哈萨克斯坦、吉尔吉斯斯坦、塔吉克斯坦和乌兹别克斯坦）地处内陆干旱区，水资源匮乏。发育在高山区的冰川是中亚地区重要的淡水资源。受全球气候变暖影响，该地区的冰川呈快速退缩趋势。在最新的Randolph Glacier Inventory (RGI) 7.0数据集中，中亚地区冰川解译数据源时间以2002年为主，数据的现势性很难满足实际研究需求。本研究基于2022–2023年Landsat OLI遥感影像，采用引入卷积神经网络的Transformer模型完成对中亚四国冰川边界的初步自动提取，再利用人工目视解译方法对冰川边界逐条进行检查与修订，并参考RGI冰川编目规范完善相关属性信息，最终形成本数据集。结果表明，中亚四国现存冰川共22662条，总面积12873.33 km2，面积误差为±612.97 km2，占该期冰川总面积的4.76%。本数据集可为中亚地区冰川变化以及冰川水资源科学利用等相关研究提供数据支撑。
中亚四国（哈萨克斯坦、吉尔吉斯斯坦、塔吉克斯坦和乌兹别克斯坦）地处内陆干旱区，水资源匮乏。发育在高山区的冰川是中亚地区重要的淡水资源。受全球气候变暖影响，该地区的冰川呈快速退缩趋势。在最新的Randolph Glacier Inventory (RGI) 7.0数据集中，中亚地区冰川解译数据源时间以2002年为主，数据的现势性很难满足实际研究需求。本研究基于2022–2023年Landsat OLI遥感影像，采用引入卷积神经网络的Transformer模型完成对中亚四国冰川边界的初步自动提取，再利用人工目视解译方法对冰川边界逐条进行检查与修订，并参考RGI冰川编目规范完善相关属性信息，最终形成本数据集。结果表明，中亚四国现存冰川共22662条，总面积12873.33 km2，面积误差为±612.97 km2，占该期冰川总面积的4.76%。本数据集可为中亚地区冰川变化以及冰川水资源科学利用等相关研究提供数据支撑。
中亚四国（哈萨克斯坦、吉尔吉斯斯坦、塔吉克斯坦和乌兹别克斯坦）地处内陆干旱区，水资源匮乏。发育在高山区的冰川是中亚地区重要的淡水资源。受全球气候变暖影响，该地区的冰川呈快速退缩趋势。在最新的Randolph Glacier Inventory (RGI) 7.0数据集中，中亚地区冰川解译数据源时间以2002年为主，数据的现势性很难满足实际研究需求。本研究基于2022–2023年Landsat OLI遥感影像，采用引入卷积神经网络的Transformer模型完成对中亚四国冰川边界的初步自动提取，再利用人工目视解译方法对冰川边界逐条进行检查与修订，并参考RGI冰川编目规范完善相关属性信息，最终形成本数据集。结果表明，中亚四国现存冰川共22662条，总面积12873.33 km2，面积误差为±612.97 km2，占该期冰川总面积的4.76%。本数据集可为中亚地区冰川变化以及冰川水资源科学利用等相关研究提供数据支撑。
中亚四国（哈萨克斯坦、吉尔吉斯斯坦、塔吉克斯坦和乌兹别克斯坦）地处内陆干旱区，水资源匮乏。发育在高山区的冰川是中亚地区重要的淡水资源。受全球气候变暖影响，该地区的冰川呈快速退缩趋势。在最新的Randolph Glacier Inventory (RGI) 7.0数据集中，中亚地区冰川解译数据源时间以2002年为主，数据的现势性很难满足实际研究需求。本研究基于2022–2023年Landsat OLI遥感影像，采用引入卷积神经网络的Transformer模型完成对中亚四国冰川边界的初步自动提取，再利用人工目视解译方法对冰川边界逐条进行检查与修订，并参考RGI冰川编目规范完善相关属性信息，最终形成本数据集。结果表明，中亚四国现存冰川共22662条，总面积12873.33 km2，面积误差为±612.97 km2，占该期冰川总面积的4.76%。本数据集可为中亚地区冰川变化以及冰川水资源科学利用等相关研究提供数据支撑。
中国第二次冰川编目的部分数据用第一次冰川编目替代，这些数据集中分布在藏东南地区。该地区地形陡峭、气候恶劣，常年多云层覆盖，无法获取有效的光学影像，缺乏系统性的冰川调查。针对传统阈值分割方法受噪声影响大、标准Unet计算量大导致运行缓慢等问题，对Unet模型进行压缩，通过修改样本尺寸、卷积核数量和优化器等模型参数，提升模型训练效率以及冰川提取精度。利用冰川的极化特性和地形特征，选用45景ENVISAT ASAR影像和NASA DEM，基于Unet及其压缩网络进行深度学习，参考光学影像和其它辅助数据对误分和漏分的冰川逐个进行人工目视判读，完成了未更新编目的冰川边界提取及修正，并对属性进行了更新。结果表明：基于SAR影像和地形特征的深度学习可以有效识别云层覆盖区域的冰川。在第二次冰川编目未完成的地区，共有冰川8 374条，总面积5 622.65±303.58 km2，误差占总冰川面积的5.4%，整体呈退缩状态，冰川碎片化现象居多。该数据集更新了中国第二次冰川编目中的替代数据，可为探讨藏东南冰川变化和物质平衡等相关研究提供可靠的数据支撑。