【深度学习|冰川制图2】GlacierNet2：一种面向高山冰川制图的混合多模型学习架构

【深度学习|冰川制图2】GlacierNet2：一种面向高山冰川制图的混合多模型学习架构

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/147776597

论文来源：https://doi.org/10.1016/j.jag.2022.102921

引言

• 其他冰川制图方法包括基于像元、对象或统计的方法（Bishop 等, 2001；Bonk, 2002；Loibl 等,
  2014；Rastner 等, 2013；Robson 等, 2015；Sahu 和 Gupta, 2018；Smith 等, 2015），这类方法通常依赖于卫星遥感影像和/或由数字高程模型（DEM）生成的地表参数（Land Surface Parameters, LSP，也称地形形态参数）。基于像元的方法最早在20世纪80年代被提出（Gratton 等, 1990；Howarth 和 Ommanney, 1986；Vohra, 1980），主要基于对可见光和近红外波段的统计或经验性利用，通过分析光谱特征将像元分类（Dobhal 等， 2013；Kayastha 等, 2000；Pratap 等, 2015）。然而，该方法难以准确区分碎石覆盖冰川（Debris-Covered Glacier, DCG）的边界（Alifu 等, 2015；Bhambri 和 Bolch, 2009；Bolch 和 Kamp, 2005）。
• 相比之下，基于对象的制图方法引入了空间信息（如DEM、LSP、纹理特征等），可一定程度解决诸如碎石和阴影覆盖冰川的提取难题，通常可获得略优于像元法的冰川边界精度（Rastner 等, 2013）。但这些方法的精度仍高度依赖于光谱特征与LSP对地表物质变化及地形特征的区分能力，并通常需要中度至大量的人工后处理。基于像元与对象的方法都采用光谱数据并结合特征信息处理（Alifu 等, 2015；Shukla 等, 2010a），例如冰川指数（Shukla 等, 2018）、地形形态参数（Quincey 等, 2014）及波段比值（Kargel 等, 2010）。这些光谱方法通常依赖主观阈值设定作为分类边界的基础（Rastner 等, 2013）。
• 虽然经验阈值法可在一定程度上降低人为主观性（从而在理想条件下使分析更为统一和精确），但阈值设定本身仍具有主观性，且对精度存在显著影响。此外，固定阈值难以全面适应复杂的冰川边界区，因其存在高度的地貌复杂性、植被与岩石风化状态的轻微差异、冰雪和岩屑含水量的细微变化、以及遥感图像间或同一图像不同区域内的照度差异。因此，虽然阈值法在某种程度上减少了人为主观差异，但其僵化的特性限制了精度提升。若无逐个冰川进行人工阈值微调或对象边界校正，甚至冰川湖泊也可能被误判为潮湿的灰色冰川，反之亦然。
• 基于对象的方法被认为是应对这些问题的更高级方法（Rastner 等, 2013），因其综合考虑了光谱同质性、地形结构与空间信息等传统光谱分析无法涵盖的特征。统计学方法同样通过参数选择来划定分类边界，但这些边界通常通过系统性的变量评估与测试确定。然而，目前这些统计方法仍处于发展阶段，依赖对数据特性和需求信息的经验理解，并需大量专家干预以实现有效的模式识别算法应用。虽然在专家严格监管与编辑下，结果可能较为理想（Chen 等, 2020），但整个流程劳动强度大、人力成本高，限制了可制图的区域范围及时间序列的长度。
• 随着高频次、高分辨率的全球卫星遥感影像的不断获取，当需要覆盖大尺度区域、高空间分辨率数据、或高时间分辨率（或三者兼具）时，高度依赖人工的传统方法已难以胜任其任务要求。相比之下，更加自动化的冰川制图方法则显得尤为必要，尽管这类方法仍需准确性与可靠性验证。理想状态下，我们的目标是实现最大限度自动化与最高精度的融合，以适应类型多样、分布广泛的冰川地貌特征。目标是开发出一种智能化自动制图系统，其精度可媲美具有专业知识的冰川专家在全面获取多光谱影像和地形信息前提下所进行的人工解译，同时还能避免人工主观偏差，并以高效的计算速度完成全球冰川在高空间–高时间分辨率下的快速绘制。
• 近年来，冰川遥感制图研究逐渐转向基于机器学习（Machine Learning, ML）的算法（Huang et al., 2014; Karimi et al., 2012; Khan et al., 2020; Zhang et al., 2019），代表方法包括人工神经网络（Artificial Neural Networks, ANN）、支持向量机（Support Vector Machines, SVM）和随机森林（Random Forest, RF）。与传统方法类似，这些机器学习模型同样依赖特征参数进行分类边界的构建，但与手动设定不同，ML方法通过对训练数据的持续迭代学习实现参数的自动获取与自适应调节。从某种程度上说，这种方法类似于专家级人工制图人员在不断优化判别标准以精准提取冰川边界，但不同之处在于：机器学习模型具有高维特征空间学习能力、计算高效，并且能够避免人工误差和工作强度。
• 与传统方法相比，这些ML方法在参数设定上更加客观、具有更强适应性，且漏判率更低（Janiesch et al., 2021; Javed et al., 2021; Khan et al., 2020; Xie et al., 2021, 2020; Mitchell, 1997）。虽然机器学习和传统方法使用的数据类型大致相同，但机器学习模型具有更强的数据特征处理能力，而传统方法往往依赖对数据的人工理解和规则建模，因而难以高效利用更多维度的数据。ML算法具备自动特征选择和高维数据建模能力，其性能受限于计算资源，但借助其自学习与泛化能力，能够有效处理和融合多源遥感数据，从而提升冰川边界与其周围复杂背景之间的可分性。

喀喇昆仑山中部研究区域：红色和黄色方框分别勾勒出训练和验证数据区域。红色三角形标示出用于消融区评估的冰川。蓝色方框表示整体评估的冰川位置。插图中的绿色小方框标明了亚洲高山 DEM 中的研究区域。