南极数字高程模型(DEM)能够为南极科考活动提供关键地形数据的支撑，还可用于融水池体积估算等研究。但南极自然环境恶劣，传统地面定标方法实施困难，星载激光雷达能够直接获取高精度的地表高程数据，可以有效解决这一问题。ICESat-2作为新一代激光测高卫星，其激光足印间隔仅为0.7 m，其南极冰盖的高程数据产品精度可达厘米级。并且该南极冰盖的高程数据产品与南极洲参考高程模型REMA DEM生成的源数据具有较好的时间匹配度。该文首先利用2015年IceBridge计划的IDHDT4数据产品验证了ICESat-2陆冰高数据ATL06的高程精度。在此基础上，利用验证后的ATL06数据系统评估了REMA DEM 32 m分辨率产品的高程精度。研究表明REMA DEM在坡度小于5°的平坦地形上精度可达亚米级，接近激光测高精度，在坡度达到30°时高程误差的RMSE不超过3.5 m。此外，论文进一步分析了地面光斑轨迹方向与DEM坡向间的夹角和季节对REMA DEM高程精度评估的影响。该文精度验证的结果能够为后续利用该数据产品在平坦地区进行冰面湖水深反演等工作提供理论依据。

南极数字高程模型(DEM)能够为南极科考活动提供关键地形数据的支撑，还可用于融水池体积估算等研究。但南极自然环境恶劣，传统地面定标方法实施困难，星载激光雷达能够直接获取高精度的地表高程数据，可以有效解决这一问题。ICESat-2作为新一代激光测高卫星，其激光足印间隔仅为0.7 m，其南极冰盖的高程数据产品精度可达厘米级。并且该南极冰盖的高程数据产品与南极洲参考高程模型REMA DEM生成的源数据具有较好的时间匹配度。该文首先利用2015年IceBridge计划的IDHDT4数据产品验证了ICESat-2陆冰高数据ATL06的高程精度。在此基础上，利用验证后的ATL06数据系统评估了REMA DEM 32 m分辨率产品的高程精度。研究表明REMA DEM在坡度小于5°的平坦地形上精度可达亚米级，接近激光测高精度，在坡度达到30°时高程误差的RMSE不超过3.5 m。此外，论文进一步分析了地面光斑轨迹方向与DEM坡向间的夹角和季节对REMA DEM高程精度评估的影响。该文精度验证的结果能够为后续利用该数据产品在平坦地区进行冰面湖水深反演等工作提供理论依据。

南极数字高程模型(DEM)能够为南极科考活动提供关键地形数据的支撑，还可用于融水池体积估算等研究。但南极自然环境恶劣，传统地面定标方法实施困难，星载激光雷达能够直接获取高精度的地表高程数据，可以有效解决这一问题。ICESat-2作为新一代激光测高卫星，其激光足印间隔仅为0.7 m，其南极冰盖的高程数据产品精度可达厘米级。并且该南极冰盖的高程数据产品与南极洲参考高程模型REMA DEM生成的源数据具有较好的时间匹配度。该文首先利用2015年IceBridge计划的IDHDT4数据产品验证了ICESat-2陆冰高数据ATL06的高程精度。在此基础上，利用验证后的ATL06数据系统评估了REMA DEM 32 m分辨率产品的高程精度。研究表明REMA DEM在坡度小于5°的平坦地形上精度可达亚米级，接近激光测高精度，在坡度达到30°时高程误差的RMSE不超过3.5 m。此外，论文进一步分析了地面光斑轨迹方向与DEM坡向间的夹角和季节对REMA DEM高程精度评估的影响。该文精度验证的结果能够为后续利用该数据产品在平坦地区进行冰面湖水深反演等工作提供理论依据。

古冰川地貌是研究第四纪环境演变的重要依据,无人机Li DAR技术的高精度数据使得古冰川地貌研究具有更高的分辨率,可显著提升古冰川地貌分析、冰川地貌制图的精度。青藏高原东南部的稻城古冰帽保存了大量古冰川遗迹,是研究冰川地貌的理想区域。本研究应用无人机Li DAR技术,对稻城古冰帽南缘的库照日地区槽谷出口的冰碛垄进行航测,获得库照日冰碛垄的数字高程模型(DEM)、数字正射影像(DOM)和三维点云数据,并进一步对比12.5 m、30 m分辨率的DEM成像效果,分析库照日冰碛垄的地形特征、库照日槽谷出口冰碛垄围成谷地的形态参数等。结果表明:(1)无人机Li DAR技术能快速获得高质量、高分辨率的数据,适用于小区域、地貌较复杂的地区,结合三维模型可提高对冰碛垄地貌形态的认识;(2)对库照日冰碛垄的地形特征统计可知,最内侧的K-M1垄拥有第二高的坡度平均值,K-M6垄作为独立垄拥有最大的坡度平均值;(3)库照日槽谷出口冰碛垄围成谷地的幂函数指数b值范围为0.24至0.54,小于多数槽谷的b值;V指数结果范围为0.52～0.69。本研究为基于无人机Li DAR技术的冰川地貌定量分析提供了较好的研究案...

古冰川地貌是研究第四纪环境演变的重要依据,无人机Li DAR技术的高精度数据使得古冰川地貌研究具有更高的分辨率,可显著提升古冰川地貌分析、冰川地貌制图的精度。青藏高原东南部的稻城古冰帽保存了大量古冰川遗迹,是研究冰川地貌的理想区域。本研究应用无人机Li DAR技术,对稻城古冰帽南缘的库照日地区槽谷出口的冰碛垄进行航测,获得库照日冰碛垄的数字高程模型(DEM)、数字正射影像(DOM)和三维点云数据,并进一步对比12.5 m、30 m分辨率的DEM成像效果,分析库照日冰碛垄的地形特征、库照日槽谷出口冰碛垄围成谷地的形态参数等。结果表明:(1)无人机Li DAR技术能快速获得高质量、高分辨率的数据,适用于小区域、地貌较复杂的地区,结合三维模型可提高对冰碛垄地貌形态的认识;(2)对库照日冰碛垄的地形特征统计可知,最内侧的K-M1垄拥有第二高的坡度平均值,K-M6垄作为独立垄拥有最大的坡度平均值;(3)库照日槽谷出口冰碛垄围成谷地的幂函数指数b值范围为0.24至0.54,小于多数槽谷的b值;V指数结果范围为0.52～0.69。本研究为基于无人机Li DAR技术的冰川地貌定量分析提供了较好的研究案...

古冰川地貌是研究第四纪环境演变的重要依据,无人机Li DAR技术的高精度数据使得古冰川地貌研究具有更高的分辨率,可显著提升古冰川地貌分析、冰川地貌制图的精度。青藏高原东南部的稻城古冰帽保存了大量古冰川遗迹,是研究冰川地貌的理想区域。本研究应用无人机Li DAR技术,对稻城古冰帽南缘的库照日地区槽谷出口的冰碛垄进行航测,获得库照日冰碛垄的数字高程模型(DEM)、数字正射影像(DOM)和三维点云数据,并进一步对比12.5 m、30 m分辨率的DEM成像效果,分析库照日冰碛垄的地形特征、库照日槽谷出口冰碛垄围成谷地的形态参数等。结果表明:(1)无人机Li DAR技术能快速获得高质量、高分辨率的数据,适用于小区域、地貌较复杂的地区,结合三维模型可提高对冰碛垄地貌形态的认识;(2)对库照日冰碛垄的地形特征统计可知,最内侧的K-M1垄拥有第二高的坡度平均值,K-M6垄作为独立垄拥有最大的坡度平均值;(3)库照日槽谷出口冰碛垄围成谷地的幂函数指数b值范围为0.24至0.54,小于多数槽谷的b值;V指数结果范围为0.52～0.69。本研究为基于无人机Li DAR技术的冰川地貌定量分析提供了较好的研究案...

在冰湖编目工作中,从海量遥感数据快速准确获取冰湖边界具有重要意义,发展基于遥感数据的冰湖边界自动化提取方法是关键。本研究改进了基于YOLOv5-Seg网络的实例分割模型,并应用于山地冰湖自动化提取。结果显示,使用坐标注意力机制（Coordinate-Attention,CA）,提高网络对冰湖目标的关注程度;在原始3个检测层的基础上添加小目标检测层,增强网络对小面积冰湖检测能力;修改上采样方法为转置卷积,解决了最近邻上采样丢失特征问题。改进的YOLOv5-Seg网络比原始网络平均精度提升2.7%,达到75.1%,比目前其他主流算法精度高10%。利用改进的YOLOv5-Seg网络的实例分割模型和Sentinel-2卫星影像,发现2022年兴都库什—喀喇昆仑—喜马拉雅地区（HKH）,共有10 668个冰湖正例,共计768.3 km2。该研究通过深度卷积神经网络和多源遥感数据,为大地理区域的自动冰湖制图提供了技术支持。

在冰湖编目工作中,从海量遥感数据快速准确获取冰湖边界具有重要意义,发展基于遥感数据的冰湖边界自动化提取方法是关键。本研究改进了基于YOLOv5-Seg网络的实例分割模型,并应用于山地冰湖自动化提取。结果显示,使用坐标注意力机制（Coordinate-Attention,CA）,提高网络对冰湖目标的关注程度;在原始3个检测层的基础上添加小目标检测层,增强网络对小面积冰湖检测能力;修改上采样方法为转置卷积,解决了最近邻上采样丢失特征问题。改进的YOLOv5-Seg网络比原始网络平均精度提升2.7%,达到75.1%,比目前其他主流算法精度高10%。利用改进的YOLOv5-Seg网络的实例分割模型和Sentinel-2卫星影像,发现2022年兴都库什—喀喇昆仑—喜马拉雅地区（HKH）,共有10 668个冰湖正例,共计768.3 km2。该研究通过深度卷积神经网络和多源遥感数据,为大地理区域的自动冰湖制图提供了技术支持。

在光学卫星影像中，表碛覆盖型冰川的光谱和山地、岩石极为相近，导致冰川与周围地形难以有效区分，使得冰川的自动化分割变得困难。针对这一问题，提出一种基于光学卫星图像和数字高程模型(DEM)的双输入图像语义分割网络(DENet)。该网络采用双编码框架，结合多尺度特征提取和注意力机制，通过整合来自不同数据的特征信息，获取DEM地貌参数，以解决表碛覆盖型冰川中同谱异物导致的源头区域误分割问题。首先通过多尺度可分离卷积注意力模块和多核注意力池化模块对卫星图像和DEM分别进行特征提取，然后将获取到的2个特征图进行融合。多尺度特征提取模块可用于捕捉和融合冰川图像的多个尺度信息，以产生更丰富和全面的特征表示。同时，引入注意力机制可以对每个通道和空间位置分配不同的权重，关注不同尺度上的特定区域，使模型能够聚焦于更重要的信息，减少多余特征的影响。实验结果表明，该网络的平均交并比(IoU)达到94.6%,比U-Net、DeepLabv3+网络分别提高4.53和3.38百分点，其能提升山地冰川区域的分割准确率。

在光学卫星影像中，表碛覆盖型冰川的光谱和山地、岩石极为相近，导致冰川与周围地形难以有效区分，使得冰川的自动化分割变得困难。针对这一问题，提出一种基于光学卫星图像和数字高程模型(DEM)的双输入图像语义分割网络(DENet)。该网络采用双编码框架，结合多尺度特征提取和注意力机制，通过整合来自不同数据的特征信息，获取DEM地貌参数，以解决表碛覆盖型冰川中同谱异物导致的源头区域误分割问题。首先通过多尺度可分离卷积注意力模块和多核注意力池化模块对卫星图像和DEM分别进行特征提取，然后将获取到的2个特征图进行融合。多尺度特征提取模块可用于捕捉和融合冰川图像的多个尺度信息，以产生更丰富和全面的特征表示。同时，引入注意力机制可以对每个通道和空间位置分配不同的权重，关注不同尺度上的特定区域，使模型能够聚焦于更重要的信息，减少多余特征的影响。实验结果表明，该网络的平均交并比(IoU)达到94.6%,比U-Net、DeepLabv3+网络分别提高4.53和3.38百分点，其能提升山地冰川区域的分割准确率。