融合多源遥感数据和改进后Mask R-CNN深度学习模型的复杂高原地形区冰湖智能识别

摘要

冰湖识别是了解冰湖对气候变化的响应和评估冰湖溃决洪水潜在危险的先决条件.虽然遥感技术使全球冰湖演变的持续监测和评估成为可能，但准确可靠地提取复杂高原地形区的冰湖仍然具有挑战性.提出了融合多源遥感数据和改进后Mask R-CNN深度学习模型的复杂高原地形区冰湖智能识别方法，在Mask R-CNN模型基础上，通过在骨干网络ResNet-50的高层特征（Conv4和Conv5）、FPN的每个特征图以及Mask Head中引入注意力机制.利用Sentinel-2高分辨遥感影像、ALOS-DEM及NDWI数据组成多波段数据集，并在青藏高原东南部的林芝市进行测试，并进一步比较了改进后Mask R-CNN、U-Net、SegNet和DeepLab V3模型在冰湖识别中的性能.改进后的Mask R-CNN模型具有更高的准确率，模型的精确度、召回率和准确度值分别达到了91.25%、93.69%、92.89%.它有效地降低了山体阴影、湖水浊度和冻融湖水条件对冰湖识别的影响，并显著提高了小冰湖的识别效率.为地形复杂高原地形区冰湖识别提供了可靠解决方案，为深度学习与多源遥感数据结合的智能化冰湖提取提供了新的框架和可能性.

关键词

冰湖 / 复杂高原地形区 / 智能识别 / Mask R-CNN模型 / 多源遥感数据