我国高速公路缺乏专业的路面状态检测设备，冬季难以针对冰雪路面进行实时监测和高效预警。对此，提出一种基于交通摄像头的高速公路积雪智能识别方法。利用摄像头采集高速公路视频图像，融合卷积神经网络和注意力机制建立图像分类模型，实现无积雪、应急车道积雪和行车道积雪三种路面状态的识别。实验结果表明，模型在白天场景测试集上识别准确率为98.3%,夜间场景测试集上识别率准确为85.9%。该方法能够充分利用现有交通视频监控设备，以较低成本实现冬季高速公路积雪状况的高密度、大范围监测。

我国高速公路缺乏专业的路面状态检测设备，冬季难以针对冰雪路面进行实时监测和高效预警。对此，提出一种基于交通摄像头的高速公路积雪智能识别方法。利用摄像头采集高速公路视频图像，融合卷积神经网络和注意力机制建立图像分类模型，实现无积雪、应急车道积雪和行车道积雪三种路面状态的识别。实验结果表明，模型在白天场景测试集上识别准确率为98.3%,夜间场景测试集上识别率准确为85.9%。该方法能够充分利用现有交通视频监控设备，以较低成本实现冬季高速公路积雪状况的高密度、大范围监测。

我国高速公路缺乏专业的路面状态检测设备，冬季难以针对冰雪路面进行实时监测和高效预警。对此，提出一种基于交通摄像头的高速公路积雪智能识别方法。利用摄像头采集高速公路视频图像，融合卷积神经网络和注意力机制建立图像分类模型，实现无积雪、应急车道积雪和行车道积雪三种路面状态的识别。实验结果表明，模型在白天场景测试集上识别准确率为98.3%,夜间场景测试集上识别率准确为85.9%。该方法能够充分利用现有交通视频监控设备，以较低成本实现冬季高速公路积雪状况的高密度、大范围监测。

冰川对气候变化极为敏感，冰川变化与区域生态、自然灾害、水资源等息息相关。高原冰川遥感信息提取及实时监测是监测冰川变化不可或缺的手段。为有效识别多尺度高分辨率遥感影像中的冰川，设计一种Glacier-Unet模型。(1)针对现有的基于Landsat卫星遥感影像高原冰川提取算法因缺乏应对复杂地物干扰影响的有效方法，导致反射目标信息丢失的问题。以青藏高原阿尼玛卿雪山为试验对象，选取基于Landsat-9遥感卫星高分辨率影像制作数据集。对高分辨率冰川遥感影像进行数据预处理，采取特征级融合和像素级融合制作多模态遥感数据影像，通过滑动切片、数据增强手段丰富语义分割数据集，保证模型训练准确性和鲁棒性；(2)针对零散、细小冰川识别能力不足的问题，设计门控多尺度过滤层(Gated Multi-scale Filter Layer, G-MsFL)滤除无用特征信息，使模型具备多尺度特征提取和特征融合能力，有效识别复杂地物环境中的冰川；(3)针对冰川轮廓模糊问题，设计并联双通道注意力模块(Paralleling Dual Attention Module, P-DAM)。将冰川边界丰富的上下文信息进行编码作...

冰川对气候变化极为敏感，冰川变化与区域生态、自然灾害、水资源等息息相关。高原冰川遥感信息提取及实时监测是监测冰川变化不可或缺的手段。为有效识别多尺度高分辨率遥感影像中的冰川，设计一种Glacier-Unet模型。(1)针对现有的基于Landsat卫星遥感影像高原冰川提取算法因缺乏应对复杂地物干扰影响的有效方法，导致反射目标信息丢失的问题。以青藏高原阿尼玛卿雪山为试验对象，选取基于Landsat-9遥感卫星高分辨率影像制作数据集。对高分辨率冰川遥感影像进行数据预处理，采取特征级融合和像素级融合制作多模态遥感数据影像，通过滑动切片、数据增强手段丰富语义分割数据集，保证模型训练准确性和鲁棒性；(2)针对零散、细小冰川识别能力不足的问题，设计门控多尺度过滤层(Gated Multi-scale Filter Layer, G-MsFL)滤除无用特征信息，使模型具备多尺度特征提取和特征融合能力，有效识别复杂地物环境中的冰川；(3)针对冰川轮廓模糊问题，设计并联双通道注意力模块(Paralleling Dual Attention Module, P-DAM)。将冰川边界丰富的上下文信息进行编码作...

冰湖溃决洪水是一种严重的山地自然灾害，威胁着中国高寒区的居民及铁路公路等重要基础设施，自动高效的冰湖遥感制图方法是冰湖灾害评估、监测预警的基础，然而现有自动制图方法在实际冰湖提取应用上难以达到传统人工和半自动冰湖提取方法上的精度，仍需进一步提高。文章在原生UNet模型基础上，在各桥连接部分融合极化自注意力机制，将输入影像特征分别在空间和通道层保持高分辨率，并通过非线性合成输出细腻的特征，构建了一种改进的U-Net冰湖遥感深度学习制图方法，并将其成功应用在高原铁路关键区。研究结果表明：1)与PSPNet、DeepLabV3+、原生U-Net三种经典模型相比，改进模型在冰湖预测数据集上的各项指标上都有提升，精确率、召回率、交并比和F1值分别达到了0.972 5、0.966 5、0.940 8和0.969 4，相较于原生U-Net网络，精确度、召回率、交并比和F1值分别提高了5.01%、6.05%、10.73%和5.53%;2)基于Landsat-8卫星遥感数据，应用改进模型完成了2013—2022年帕隆藏布和易贡藏布案例区冰湖信息自动高效提取，如...

冰湖溃决洪水是一种严重的山地自然灾害，威胁着中国高寒区的居民及铁路公路等重要基础设施，自动高效的冰湖遥感制图方法是冰湖灾害评估、监测预警的基础，然而现有自动制图方法在实际冰湖提取应用上难以达到传统人工和半自动冰湖提取方法上的精度，仍需进一步提高。文章在原生UNet模型基础上，在各桥连接部分融合极化自注意力机制，将输入影像特征分别在空间和通道层保持高分辨率，并通过非线性合成输出细腻的特征，构建了一种改进的U-Net冰湖遥感深度学习制图方法，并将其成功应用在高原铁路关键区。研究结果表明：1)与PSPNet、DeepLabV3+、原生U-Net三种经典模型相比，改进模型在冰湖预测数据集上的各项指标上都有提升，精确率、召回率、交并比和F1值分别达到了0.972 5、0.966 5、0.940 8和0.969 4，相较于原生U-Net网络，精确度、召回率、交并比和F1值分别提高了5.01%、6.05%、10.73%和5.53%;2)基于Landsat-8卫星遥感数据，应用改进模型完成了2013—2022年帕隆藏布和易贡藏布案例区冰湖信息自动高效提取，如...