极化合成孔径雷达（Polarimetric Synthetic Aperture Radar, PolSAR）因其成像不受环境、时间和气候影响的优势而备受冰川识别领域研究人员的关注。然而，现有的研究并不能充分挖掘双极化SAR影像中的冰川散射特征。针对这一问题，提出了一个基于双极化Sentinel-1 A数据的冰川分类网络S1-UNet，利用双极化SAR数据中的散射特性，实现了对冰川区域的自动提取。引入了注意力特征融合模块增强图像的低级特征与高级特征之间的关联性；采用了改进的空洞空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）模块获取图像不同尺度的散射特征信息；实验结果表明，与其他语义分割和冰川识别网络相比，S1-UNet模型的性能最好，交并比、精确率分别为94.57%、97.82%，召回率达到96.79%。

极化合成孔径雷达（Polarimetric Synthetic Aperture Radar, PolSAR）因其成像不受环境、时间和气候影响的优势而备受冰川识别领域研究人员的关注。然而，现有的研究并不能充分挖掘双极化SAR影像中的冰川散射特征。针对这一问题，提出了一个基于双极化Sentinel-1 A数据的冰川分类网络S1-UNet，利用双极化SAR数据中的散射特性，实现了对冰川区域的自动提取。引入了注意力特征融合模块增强图像的低级特征与高级特征之间的关联性；采用了改进的空洞空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）模块获取图像不同尺度的散射特征信息；实验结果表明，与其他语义分割和冰川识别网络相比，S1-UNet模型的性能最好，交并比、精确率分别为94.57%、97.82%，召回率达到96.79%。

极化合成孔径雷达（Polarimetric Synthetic Aperture Radar, PolSAR）因其成像不受环境、时间和气候影响的优势而备受冰川识别领域研究人员的关注。然而，现有的研究并不能充分挖掘双极化SAR影像中的冰川散射特征。针对这一问题，提出了一个基于双极化Sentinel-1 A数据的冰川分类网络S1-UNet，利用双极化SAR数据中的散射特性，实现了对冰川区域的自动提取。引入了注意力特征融合模块增强图像的低级特征与高级特征之间的关联性；采用了改进的空洞空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）模块获取图像不同尺度的散射特征信息；实验结果表明，与其他语义分割和冰川识别网络相比，S1-UNet模型的性能最好，交并比、精确率分别为94.57%、97.82%，召回率达到96.79%。

极化合成孔径雷达（Polarimetric Synthetic Aperture Radar, PolSAR）因其成像不受环境、时间和气候影响的优势而备受冰川识别领域研究人员的关注。然而，现有的研究并不能充分挖掘双极化SAR影像中的冰川散射特征。针对这一问题，提出了一个基于双极化Sentinel-1 A数据的冰川分类网络S1-UNet，利用双极化SAR数据中的散射特性，实现了对冰川区域的自动提取。引入了注意力特征融合模块增强图像的低级特征与高级特征之间的关联性；采用了改进的空洞空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）模块获取图像不同尺度的散射特征信息；实验结果表明，与其他语义分割和冰川识别网络相比，S1-UNet模型的性能最好，交并比、精确率分别为94.57%、97.82%，召回率达到96.79%。

极化合成孔径雷达（Polarimetric Synthetic Aperture Radar, PolSAR）因其成像不受环境、时间和气候影响的优势而备受冰川识别领域研究人员的关注。然而，现有的研究并不能充分挖掘双极化SAR影像中的冰川散射特征。针对这一问题，提出了一个基于双极化Sentinel-1 A数据的冰川分类网络S1-UNet，利用双极化SAR数据中的散射特性，实现了对冰川区域的自动提取。引入了注意力特征融合模块增强图像的低级特征与高级特征之间的关联性；采用了改进的空洞空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）模块获取图像不同尺度的散射特征信息；实验结果表明，与其他语义分割和冰川识别网络相比，S1-UNet模型的性能最好，交并比、精确率分别为94.57%、97.82%，召回率达到96.79%。

光学遥感影像具备丰富的纹理和光谱信息,已成为高价值的数据资源。然而,光学遥感影像的获取过程易受光照条件与气象因素影响,尤其在多云、多雾或强降水等复杂天气情况下,常出现数据缺失或影像质量下降等问题,在一定程度上限制了其在时空连续性监测和应用效果方面的表现。相比之下,合成孔径雷达（SAR）具备全天时、全天候成像能力,能够有效弥补光学遥感影像在恶劣环境下的获取不足,成为光学遥感的重要补充手段。为了增强遥感监测的连续性和完整性,在条件生成对抗网络（cGAN）框架的基础上,针对SAR影像中常见的散斑噪声问题,提出了一种SAR-光学影像翻译方法——S2OGAN方法。该方法引入去噪卷积神经网络（DnCNN）作为去噪模块,以有效滤除噪声并提高纹理保真度;同时,结合相位一致性直方图（HOPC）作为边缘损失,进一步强化边缘特征的表达,实现纹理和结构特征的高精度重建;此外,基于GEE平台构建了冰川观测实验数据集,以探讨S2OGAN方法在冰川场景中的应用效果。结果表明:在4个常用数据集上,S2OGAN方法相较于Pix2Pix、CycleGAN、CUT、Semi-I2I等4个经典影像翻译方法展现出更优的综合性能...

光学遥感影像具备丰富的纹理和光谱信息,已成为高价值的数据资源。然而,光学遥感影像的获取过程易受光照条件与气象因素影响,尤其在多云、多雾或强降水等复杂天气情况下,常出现数据缺失或影像质量下降等问题,在一定程度上限制了其在时空连续性监测和应用效果方面的表现。相比之下,合成孔径雷达（SAR）具备全天时、全天候成像能力,能够有效弥补光学遥感影像在恶劣环境下的获取不足,成为光学遥感的重要补充手段。为了增强遥感监测的连续性和完整性,在条件生成对抗网络（cGAN）框架的基础上,针对SAR影像中常见的散斑噪声问题,提出了一种SAR-光学影像翻译方法——S2OGAN方法。该方法引入去噪卷积神经网络（DnCNN）作为去噪模块,以有效滤除噪声并提高纹理保真度;同时,结合相位一致性直方图（HOPC）作为边缘损失,进一步强化边缘特征的表达,实现纹理和结构特征的高精度重建;此外,基于GEE平台构建了冰川观测实验数据集,以探讨S2OGAN方法在冰川场景中的应用效果。结果表明:在4个常用数据集上,S2OGAN方法相较于Pix2Pix、CycleGAN、CUT、Semi-I2I等4个经典影像翻译方法展现出更优的综合性能...

光学遥感影像具备丰富的纹理和光谱信息,已成为高价值的数据资源。然而,光学遥感影像的获取过程易受光照条件与气象因素影响,尤其在多云、多雾或强降水等复杂天气情况下,常出现数据缺失或影像质量下降等问题,在一定程度上限制了其在时空连续性监测和应用效果方面的表现。相比之下,合成孔径雷达（SAR）具备全天时、全天候成像能力,能够有效弥补光学遥感影像在恶劣环境下的获取不足,成为光学遥感的重要补充手段。为了增强遥感监测的连续性和完整性,在条件生成对抗网络（cGAN）框架的基础上,针对SAR影像中常见的散斑噪声问题,提出了一种SAR-光学影像翻译方法——S2OGAN方法。该方法引入去噪卷积神经网络（DnCNN）作为去噪模块,以有效滤除噪声并提高纹理保真度;同时,结合相位一致性直方图（HOPC）作为边缘损失,进一步强化边缘特征的表达,实现纹理和结构特征的高精度重建;此外,基于GEE平台构建了冰川观测实验数据集,以探讨S2OGAN方法在冰川场景中的应用效果。结果表明:在4个常用数据集上,S2OGAN方法相较于Pix2Pix、CycleGAN、CUT、Semi-I2I等4个经典影像翻译方法展现出更优的综合性能...

光学遥感影像具备丰富的纹理和光谱信息,已成为高价值的数据资源。然而,光学遥感影像的获取过程易受光照条件与气象因素影响,尤其在多云、多雾或强降水等复杂天气情况下,常出现数据缺失或影像质量下降等问题,在一定程度上限制了其在时空连续性监测和应用效果方面的表现。相比之下,合成孔径雷达（SAR）具备全天时、全天候成像能力,能够有效弥补光学遥感影像在恶劣环境下的获取不足,成为光学遥感的重要补充手段。为了增强遥感监测的连续性和完整性,在条件生成对抗网络（cGAN）框架的基础上,针对SAR影像中常见的散斑噪声问题,提出了一种SAR-光学影像翻译方法——S2OGAN方法。该方法引入去噪卷积神经网络（DnCNN）作为去噪模块,以有效滤除噪声并提高纹理保真度;同时,结合相位一致性直方图（HOPC）作为边缘损失,进一步强化边缘特征的表达,实现纹理和结构特征的高精度重建;此外,基于GEE平台构建了冰川观测实验数据集,以探讨S2OGAN方法在冰川场景中的应用效果。结果表明:在4个常用数据集上,S2OGAN方法相较于Pix2Pix、CycleGAN、CUT、Semi-I2I等4个经典影像翻译方法展现出更优的综合性能...

光学遥感影像具备丰富的纹理和光谱信息,已成为高价值的数据资源。然而,光学遥感影像的获取过程易受光照条件与气象因素影响,尤其在多云、多雾或强降水等复杂天气情况下,常出现数据缺失或影像质量下降等问题,在一定程度上限制了其在时空连续性监测和应用效果方面的表现。相比之下,合成孔径雷达（SAR）具备全天时、全天候成像能力,能够有效弥补光学遥感影像在恶劣环境下的获取不足,成为光学遥感的重要补充手段。为了增强遥感监测的连续性和完整性,在条件生成对抗网络（cGAN）框架的基础上,针对SAR影像中常见的散斑噪声问题,提出了一种SAR-光学影像翻译方法——S2OGAN方法。该方法引入去噪卷积神经网络（DnCNN）作为去噪模块,以有效滤除噪声并提高纹理保真度;同时,结合相位一致性直方图（HOPC）作为边缘损失,进一步强化边缘特征的表达,实现纹理和结构特征的高精度重建;此外,基于GEE平台构建了冰川观测实验数据集,以探讨S2OGAN方法在冰川场景中的应用效果。结果表明:在4个常用数据集上,S2OGAN方法相较于Pix2Pix、CycleGAN、CUT、Semi-I2I等4个经典影像翻译方法展现出更优的综合性能...