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...

冰川是冰冻圈的重要部分,对局地乃至全球气候变化响应敏感。冰裂隙作为冰川表面上显著的特征,对于认识冰川的状态、稳定性以及内部应力有着重要的作用。针对冰川冰裂隙高精度快速识别提取问题,本文以玉龙雪山白水河1号冰川为研究对象,使用无人机航拍获取的0.12 m分辨率的正射影像,应用U-Net深度学习网络开展白水河1号冰川的冰裂隙的智能提取研究。使用U-Net网络提取冰裂隙的精度高于传统的Canny算子以及SVM算法,总体精度可高达93%,且U-Net网络泛化能力强。提取结果表明,白水河1号冰川冰裂隙主要为横向裂隙,伸展裂隙以及雁行裂隙,呈现随海拔降低,冰裂隙逐渐由横向裂隙变化为伸展裂隙的趋势,通过不同时期提取结果对比,发现冰裂隙数量和平均长度均有增加。基于无人机影像和深度学习方法的冰裂隙智能提取研究,可为监测冰川变化及其与气候变化的关系提供技术支撑。

Wildfires have caused natural environmental damage that has contributed to deforestation, consequently demonstrating a significant influence on atmospheric emissions. Wildfires occur frequently in South Korea, especially during the spring season. This study assessed post-wildfires areas in Gangneung, South Korea, on April 11, 2023, which were generated by implementing remote sensing technology and statistical analysis. Remote sensing and classification techniques, including PlanetScope, have been developed for identifying wildfire-damaged areas. The method for classifying post-wildfire mapping estimation includes the utilization of deep learning approaches, especially using the U-Net architecture. Therefore, the assessment of wildfire severity can be conducted using Sentinel-2 and Sentinel-5P imagery in addition to an analysis of the vegetation type and air pollutant within the affected region. In the present study, Sentinel-2 imagery was to generate spectral indices, including the differenced normalized burn ratio (dNBR), differenced normalized difference moisture index (dNDMI), differenced soil adjusted vegetation index (dSAVI), and differenced normalized vegetation index (dNDVI). Sentinel-5P imagery was utilized to produce carbon monoxide (CO) column number densities. The estimation of wildfire areas was conducted using a PlanetScope classified image with the U-Net classifier, which was evaluated based on the overall accuracy value of 95% and kappa accuracy of 0.901. The wildfire severity level was shown by dNBR, which was correlated with the parameters, including RBR, dNDMI, dSAVI, dNDVI, and CO. The statistical analysis demonstrated a significant and positive correlation between the wildfire severity and the parameters. Moreover, the average of vegetation indices (NDMI, SAVI, and NDVI) before and after a wildfire were found to decrease by vegetation type, including 17.55% in mixed barren land areas, 17.49% in other grasses, 24.71% in mixed forest land, 22.48% in coniferous land, 13.48% in fields, and 4.29% in paddy fields. On the basis of the results, these estimates can be employed to identify the level of damage caused by wildfires to vegetation and air quality.

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...

冰湖是气候变化的重要指示器，在全球变暖的背景下，冰湖的持续监测对区域水资源管理以及高山地区防灾减灾具有重要意义。受冰川消融和气候影响，冰湖边界会发生季节性和年际变化。已有冰湖制图的研究，往往要首先确定遥感影像上每个冰湖的位置，然后获取其精细边界。近年来，不同区域的冰湖编目数据日益增加，提供了大量的冰湖历史边界。对这些位置已知的冰湖进行监测只需提取其当前边界，而历史边界可以作为冰湖迭代边界的起点，从而加速冰湖编目数据的更新。本研究以喜马拉雅山脉成像条件较好的488个冰湖和受积雪、冰冻、云、山体阴影影响的80个冰湖作为研究对象，将前者按照面积大小分成3类，基于1990年冰湖编目数据提供的历史边界信息，对比了人工阈值法、OTSU阈值法、U-NET、双峰迭代法、OTSU迭代法和C-V迭代法在2014年后Landsat-8 OLI影像上的冰湖提取结果。结果表明：OTSU迭代法、C-V迭代法能有效利用冰湖缓冲区内的统计信息，取得的F1分数高达88.89%和89.30%，显著优于人工阈值法、OTSU阈值法和双峰迭代法，也能较完整地提取冰冻状态和云覆盖的冰湖；对于积雪覆盖下的冰湖，C-V迭代法的提取精...

冰川变化会对当地的气候环境、水资源环境产生重要影响，随着遥感技术的发展，通过遥感图像进行冰川提取成为相关研究的主要手段，相比于人工目视解释法会出现的耗时长、效率低、主观因素大等问题，深度学习有着一定的优势。该文基于传统U-Net语义分割网络进行冰川分割，但因受限于冰川训练集缺失，真彩色图像在冰川地区进行分割会有较大的干扰，无法凸显冰川的特征，冰川分割效率较低。因此，利用冰川的矢量数据，基于Landsat 8遥感卫星图像，建立成对的假彩色冰川分割训练集，充分利用遥感多波段图像的优势，强化冰川特征信息。同时，通过添加不同波段组合的假彩色图像，丰富冰川的分割信息，并利用Inception v1深度学习模块将两种特征信息进行融合，提升冰川分割的准确性。实验结果表明，所提方法可以有效分割出冰川范围，相比于其他深度学习方法，分割准确性有了一定的提高。

由于山体坡度、光照角度、传感器成像角度等因素，遥感图像中的山体阴影影响了冰川识别的精度.现有方法一般是先去除阴影再进行冰川识别，既繁琐又可能破坏图像的光谱信息.本文在U-Net框架中集成金字塔池化模块以增强多尺度特征提取能力，提出了一种U-PSP-Net结构的卷积神经网络，可以实现阴影区冰川识别.在自制的含阴影冰川数据集上进行验证，与PSP-Net、SegNet和U-Net的性能比较表明，提出的U-PSP-Net的平均像素精度为95.84%,平均交并比(IoU)为92.79%.与U-Net相比，分别提升了0.61%和0.92%;与PSP-Net和SegNet相比分别提高了1.41%、2.54%和2.85%、2.86%.以上结果证明了神经网络结构在含阴影遥感影像中识别冰川的可行性和有效性.