冰川是干旱区重要的淡水资源，表碛覆盖区冰川边界的精准识别对水资源评估至关重要。传统冰川编目数据因光谱混淆与地形复杂性，难以辨识活动冰体与石冰川的过渡区域，导致冰川范围难以准确定位，冰川水资源评估存在很大不确定性。以帕米尔高原西部昆吉尔苏冰川为研究区，采用融合合成孔径雷达（SAR）与光学遥感的识别方法，利用Sentinel-1A数据的偏移量追踪技术与TanDEM数据的大地测量法，获取冰川表面速度场和高程变化情况，结合Landsat-8光学影像目视解译冰川边界，并分析气候因素的影响。结果表明：昆吉尔苏冰川中段（距末端3.8～5.8 km区域）呈现持续活动性，冬季流速峰值达0.2 m·d?1，物质交换显著；2013—2020年距末端3.8～5.8 km区域呈消融状态，而2020年后，中段累积增厚7.06±6.05 m，验证其仍为活跃冰流区。据此校正兰道夫冰川编目数据（RGI），发现原编目低估昆吉尔苏冰川面积约2.8 km2。本文提出的多源遥感协同识别方法可为表碛覆盖冰川的活动性识别与边界更新提供理论依据，对干旱区冰川水资源动态评估及全球冰川数据库更新具有重要参考意义。
冰川是干旱区重要的淡水资源，表碛覆盖区冰川边界的精准识别对水资源评估至关重要。传统冰川编目数据因光谱混淆与地形复杂性，难以辨识活动冰体与石冰川的过渡区域，导致冰川范围难以准确定位，冰川水资源评估存在很大不确定性。以帕米尔高原西部昆吉尔苏冰川为研究区，采用融合合成孔径雷达（SAR）与光学遥感的识别方法，利用Sentinel-1A数据的偏移量追踪技术与TanDEM数据的大地测量法，获取冰川表面速度场和高程变化情况，结合Landsat-8光学影像目视解译冰川边界，并分析气候因素的影响。结果表明：昆吉尔苏冰川中段（距末端3.8～5.8 km区域）呈现持续活动性，冬季流速峰值达0.2 m·d?1，物质交换显著；2013—2020年距末端3.8～5.8 km区域呈消融状态，而2020年后，中段累积增厚7.06±6.05 m，验证其仍为活跃冰流区。据此校正兰道夫冰川编目数据（RGI），发现原编目低估昆吉尔苏冰川面积约2.8 km2。本文提出的多源遥感协同识别方法可为表碛覆盖冰川的活动性识别与边界更新提供理论依据，对干旱区冰川水资源动态评估及全球冰川数据库更新具有重要参考意义。
冰川是干旱区重要的淡水资源，表碛覆盖区冰川边界的精准识别对水资源评估至关重要。传统冰川编目数据因光谱混淆与地形复杂性，难以辨识活动冰体与石冰川的过渡区域，导致冰川范围难以准确定位，冰川水资源评估存在很大不确定性。以帕米尔高原西部昆吉尔苏冰川为研究区，采用融合合成孔径雷达（SAR）与光学遥感的识别方法，利用Sentinel-1A数据的偏移量追踪技术与TanDEM数据的大地测量法，获取冰川表面速度场和高程变化情况，结合Landsat-8光学影像目视解译冰川边界，并分析气候因素的影响。结果表明：昆吉尔苏冰川中段（距末端3.8～5.8 km区域）呈现持续活动性，冬季流速峰值达0.2 m·d?1，物质交换显著；2013—2020年距末端3.8～5.8 km区域呈消融状态，而2020年后，中段累积增厚7.06±6.05 m，验证其仍为活跃冰流区。据此校正兰道夫冰川编目数据（RGI），发现原编目低估昆吉尔苏冰川面积约2.8 km2。本文提出的多源遥感协同识别方法可为表碛覆盖冰川的活动性识别与边界更新提供理论依据，对干旱区冰川水资源动态评估及全球冰川数据库更新具有重要参考意义。
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。
冰川是最重要的淡水储存库之一,精确识别冰川和监测冰川的变化对于了解气候变化和水资源管理具有重要意义。基于Landsat 8影像,以喀喇昆仑区域为研究对象,利用单波段阈值法、雪盖指数法、非监督分类、监督分类和U-Net卷积神经网络提取冰川边界,并以交并比和混淆矩阵对冰川边界提取结果进行精度评定。结果表明,非监督分类和单波段阈值法对于表碛覆盖型冰川以及阴影中冰川存在严重的漏分现象,易将薄雪覆盖的山地错分为冰川,K-means的提取效果最差,交并比为57.69%,Kappa系数为0.57。监督分类方法对于表碛覆盖型冰川的提取效果有明显改善,但对于阴影中的冰川的提取效果不佳,提取结果的Kappa系数均为0.70以上。雪盖指数法可以有效提取阴影中的冰川,但易将大面积冰川中的非冰川区域错分为冰川,交并比为74.49%,Kappa系数为0.76。U-Net卷积神经网络能够较完整地提取冰川边界,精度要明显高于其他分类方法,重叠面积最接近地面真值面积,其交并比为88.57%,Kappa系数为0.90。U-Net卷积神经网络虽然表现较好,但是对于极小面积冰川仍存在漏分,后续研究可通过改进网络结构来提高精度...
冰川是最重要的淡水储存库之一,精确识别冰川和监测冰川的变化对于了解气候变化和水资源管理具有重要意义。基于Landsat 8影像,以喀喇昆仑区域为研究对象,利用单波段阈值法、雪盖指数法、非监督分类、监督分类和U-Net卷积神经网络提取冰川边界,并以交并比和混淆矩阵对冰川边界提取结果进行精度评定。结果表明,非监督分类和单波段阈值法对于表碛覆盖型冰川以及阴影中冰川存在严重的漏分现象,易将薄雪覆盖的山地错分为冰川,K-means的提取效果最差,交并比为57.69%,Kappa系数为0.57。监督分类方法对于表碛覆盖型冰川的提取效果有明显改善,但对于阴影中的冰川的提取效果不佳,提取结果的Kappa系数均为0.70以上。雪盖指数法可以有效提取阴影中的冰川,但易将大面积冰川中的非冰川区域错分为冰川,交并比为74.49%,Kappa系数为0.76。U-Net卷积神经网络能够较完整地提取冰川边界,精度要明显高于其他分类方法,重叠面积最接近地面真值面积,其交并比为88.57%,Kappa系数为0.90。U-Net卷积神经网络虽然表现较好,但是对于极小面积冰川仍存在漏分,后续研究可通过改进网络结构来提高精度...