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...
冰川是干旱区重要的淡水资源，表碛覆盖区冰川边界的精准识别对水资源评估至关重要。传统冰川编目数据因光谱混淆与地形复杂性，难以辨识活动冰体与石冰川的过渡区域，导致冰川范围难以准确定位，冰川水资源评估存在很大不确定性。以帕米尔高原西部昆吉尔苏冰川为研究区，采用融合合成孔径雷达（SAR）与光学遥感的识别方法，利用Sentinel-1A数据的偏移量追踪技术与TanDEM数据的大地测量法，获取冰川表面速度场和高程变化情况，结合Landsat-8光学影像目视解译冰川边界，并分析气候因素的影响。结果表明：昆吉尔苏冰川中段（距末端3.8～5.8 km区域）呈现持续活动性，冬季流速峰值达0.2 m·d?1，物质交换显著；2013—2020年距末端3.8～5.8 km区域呈消融状态，而2020年后，中段累积增厚7.06±6.05 m，验证其仍为活跃冰流区。据此校正兰道夫冰川编目数据（RGI），发现原编目低估昆吉尔苏冰川面积约2.8 km2。本文提出的多源遥感协同识别方法可为表碛覆盖冰川的活动性识别与边界更新提供理论依据，对干旱区冰川水资源动态评估及全球冰川数据库更新具有重要参考意义。
冰川是干旱区重要的淡水资源，表碛覆盖区冰川边界的精准识别对水资源评估至关重要。传统冰川编目数据因光谱混淆与地形复杂性，难以辨识活动冰体与石冰川的过渡区域，导致冰川范围难以准确定位，冰川水资源评估存在很大不确定性。以帕米尔高原西部昆吉尔苏冰川为研究区，采用融合合成孔径雷达（SAR）与光学遥感的识别方法，利用Sentinel-1A数据的偏移量追踪技术与TanDEM数据的大地测量法，获取冰川表面速度场和高程变化情况，结合Landsat-8光学影像目视解译冰川边界，并分析气候因素的影响。结果表明：昆吉尔苏冰川中段（距末端3.8～5.8 km区域）呈现持续活动性，冬季流速峰值达0.2 m·d?1，物质交换显著；2013—2020年距末端3.8～5.8 km区域呈消融状态，而2020年后，中段累积增厚7.06±6.05 m，验证其仍为活跃冰流区。据此校正兰道夫冰川编目数据（RGI），发现原编目低估昆吉尔苏冰川面积约2.8 km2。本文提出的多源遥感协同识别方法可为表碛覆盖冰川的活动性识别与边界更新提供理论依据，对干旱区冰川水资源动态评估及全球冰川数据库更新具有重要参考意义。
冰川是干旱区重要的淡水资源，表碛覆盖区冰川边界的精准识别对水资源评估至关重要。传统冰川编目数据因光谱混淆与地形复杂性，难以辨识活动冰体与石冰川的过渡区域，导致冰川范围难以准确定位，冰川水资源评估存在很大不确定性。以帕米尔高原西部昆吉尔苏冰川为研究区，采用融合合成孔径雷达（SAR）与光学遥感的识别方法，利用Sentinel-1A数据的偏移量追踪技术与TanDEM数据的大地测量法，获取冰川表面速度场和高程变化情况，结合Landsat-8光学影像目视解译冰川边界，并分析气候因素的影响。结果表明：昆吉尔苏冰川中段（距末端3.8～5.8 km区域）呈现持续活动性，冬季流速峰值达0.2 m·d?1，物质交换显著；2013—2020年距末端3.8～5.8 km区域呈消融状态，而2020年后，中段累积增厚7.06±6.05 m，验证其仍为活跃冰流区。据此校正兰道夫冰川编目数据（RGI），发现原编目低估昆吉尔苏冰川面积约2.8 km2。本文提出的多源遥感协同识别方法可为表碛覆盖冰川的活动性识别与边界更新提供理论依据，对干旱区冰川水资源动态评估及全球冰川数据库更新具有重要参考意义。
针对地形对积雪堆积与合成孔径雷达（SAR）散射能量的影响，该文提出一种通过C波段Sentinel-1 SAR的HH与HV极化后向散射系数和入射角数据以及海拔、坡度和坡向等地形数据反演南北极雪密度的方法。以欧洲中期天气预报中心（ECMWF）提供的南北极雪密度数据作为地面真值，通过XGBoost模型反演雪密度。使用2019—2021年的数据训练反演模型，通过2022年数据验证模型的泛化性能，平均绝对误差（MAE）为25.889 kg/m3,均方根误差（RMSE）为36.497 kg/m3;以东南极洲比利时伊丽莎白公主站、加拿大北极群岛与北冰洋实测数据进一步验证模型性能，MAE为37.514 kg/m3,RMSE为43.287 kg/m3。结合地形信息后南北极雪密度反演精度得到大幅度改善，MAE降低24.219 kg/m3,RMSE降低28.25 kg/m3。所提方法具有大规模雪密度反演的潜力，有利于南北极雪水当量和表面物质平衡的评估。