【论文推荐|深度学习，冰川测绘，遥感，青藏高原】SAU-Net: 基于多源遥感数据的冰川制图深度学习方法（二）

【论文推荐|深度学习，冰川测绘，遥感，青藏高原】SAU-Net: 基于多源遥感数据的冰川制图深度学习方法（二）

【论文推荐|深度学习，冰川测绘，遥感，青藏高原】SAU-Net: 基于多源遥感数据的冰川制图深度学习方法（二）

---

---

欢迎宝子们点赞、关注、收藏！欢迎宝子们批评指正！
祝所有的硕博生都能遇到好的导师！好的审稿人！好的同门！顺利毕业！

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/gaoxiaoxiao1209/article/details/146176985

---

SAU-Net: 基于多源遥感数据的冰川制图深度学习方法

2 研究区域

**本研究选取了亚洲高山冰川区的两个典型区域：喜马拉雅山脉和喀喇昆仑山脉（图 1）。**实验样区均匀分布于这两个区域，以确保数据的代表性。研究表明，喜马拉雅山脉东部和中部的冰川正在经历快速消融[24][25]，而其西部及喀喇昆仑地区的冰川质量损失相对较小，部分喀喇昆仑冰川甚至表现出“喀喇昆仑异常”（Karakoram Anomaly）的波动性变化特征[26]。实验区涵盖了高山冰川的多种环境与地表特征（如湿雪、干雪、冰湖及形态和厚度各异的冰川），因此，这两个实验区能够代表不同的极端冰川状态，为模型的全面评估提供坚实基础。

3 研究设计

• 本研究基于多源遥感数据，采用 SAU-Net 模型对冰川与非冰川区域进行像素级影像分割。整体网络结构保留了 U-Net 编码器-解码器（encoder-decoder）框架，并在此基础上构建基于 U 形残差结构（U-shaped residual structure）的嵌套 U 形网络[23]。
• 为了优化模型性能，进一步引入简单注意力模块（Simple Attention Module, SimAM）以增强特征提取能力，同时结合空洞卷积（dilated convolution）组，提高深层信息提取效率，并减少池化卷积计算后的局部空间信息损失。
• 最终，通过后处理（post-processing）对分割结果进行优化，提取高精度冰川边界（图 2）。
  

A. 数据集制备

• 深度学习（Deep Learning, DL）在遥感影像分类任务中通常需要高空间分辨率的数据集[27]，但获取满足该网络需求的数据集成本较高。

因此，本研究优先选用公开可获取的中等分辨率遥感数据（10m-30m），以构建理想的训练和测试数据集。目前，已有大量文献提供了丰富的遥感数据来源，可用于深度学习模型的实验[12]。多个研究已验证了多源遥感数据（光学、热红外、地形数据、合成孔径雷达 SAR）在冰川识别中的优势[14][28][29]。

• 本研究在现有公开数据集的基础上进行有针对性的补充，以构建新的多源遥感数据集用于模型训练[16]。

冰川制图受季节性积雪和云覆盖的影响较大，因此，本研究优先选择融雪季且云量较少的遥感影像。喜马拉雅山地区的融雪季节存在显著区域差异，其中，东喜马拉雅冰川属于夏季积累型冰川，其融雪高峰期出现在冬季[30]。这一现象主要受印度夏季风气候控制。相比之下，喜马拉雅西部及喀喇昆仑地区的冰川在 9 月至 10 月降水量最少[31]。因此，本研究根据不同区域的季节性变化特征，选择不同月份的遥感影像构建数据集（表 1）。

光学影像、SAR 及多源遥感数据的融合

• Landsat-8 和 Sentinel-2 的光学影像提供高分辨率的可见光和近红外数据，可用于冰川制图，能够丰富地表特征信息，对于识别冰川及其周围下垫面类型至关重要。
• 然而，在实际应用中，光学遥感数据易受大气扰动和云层覆盖的影响，限制了其有效性。
• 合成孔径雷达（Synthetic Aperture Radar, SAR）数据能够有效弥补这一不足，尤其是在不良气象条件下具有较强的穿透能力。
• 此外，热红外遥感数据与光学数据及 SAR 数据的融合进一步增强了模型对冰川动态变化的捕捉能力。

本研究还引入地形数据作为背景信息，以提升模型对冰川边界的识别精度。其中，来自 ALOS 卫星的数字高程模型（Digital Elevation Model, DEM）数据提供关键的地形信息，有助于区分冰川与周围地貌。

• 所有遥感影像在预处理阶段均进行了空间分辨率统一化处理，并重采样至 10m 分辨率。此外，预处理流程还包括几何校正和辐射校正，以确保冰川分割结果的准确性。

冰川标注数据来源于场景调整后的 Randolph 冰川数据库（Randolph Glacier Inventory, RGI V6.0）[32]。已有研究表明，在深度学习任务中，与其使用少量高质量标注数据，不如利用大规模的低质量标注数据更能提升模型性能[33]。因此，本研究的标注数据未对每条冰川边界进行严格质量检查。在实验过程中，最终构建的数据集包含 200 幅 500×500 像素的遥感影像，并用于训练模型（图 3）。

下节请参考：【论文推荐|深度学习，冰川测绘，遥感，青藏高原】SAU-Net: 基于多源遥感数据的冰川制图深度学习方法（三）