基于深度学习的多模态遥感数据石冰川分类模型研究

摘要

石冰川可分为活动型、转换型与遗迹型，其在含水量、古气候信息保存能力及灾害风险等级等方面具有显著差异，系统开展石冰川分类对理解气候演变、评估高寒区水资源具有重要意义。目前，基于光学遥感的地貌特征可实现石冰川的类型区分，但缺乏量化依据；基于雷达遥感的运动特征虽能实现定量分类，却存在大量未定义类型。融合两类遥感数据，可同时弥补光学数据定量能力不足与雷达数据分类不全的局限。本研究联合Sentinel-2影像与LOS形变速率数据构建代表性样本集，结合深度学习与集成学习策略，建立了高精度石冰川三分类模型及强普适性的分类流程。模型在训练集、测试集与验证集上的F1-score均高于0.90,表现出良好的泛化性能。在青藏高原五个典型区域的分类验证中，模型显示出较强的实用性。特征重要性分析表明，该深度学习框架能有效融合雷达与光学信息，发挥二者在石冰川分类中的互补优势。本方法为青藏高原及其他高山地区石冰川的高精度分类提供了新的技术途径。

关键词

石冰川分类 / Sentinel-2影像 / LOS形变速率数据 / 深度学习 / 多模态遥感融合