周期性形成的克亚吉尔冰川阻塞湖突然排水导致的洪水灾害对下游构成严重威胁。在全球气候变暖背景下，开展克亚吉尔冰川阻塞湖的监测预警研究尤为必要。本文基于1990—2023年的多源光学遥感数据，分析了克亚吉尔冰川阻塞湖面积变化以及突然排水情况，利用面积-体积经验公式和历史洪水数据，以最小排水体积为临界值，推算出克亚吉尔冰川阻塞湖突发洪水的警戒湖面面积。同时，通过建立排水体积与净洪峰流量的关系，验证了警戒面积的合理性。结果表明：克亚吉尔冰川阻塞湖在过去的34 a间共发生了20次突然排水事件，其中17次形成突发洪水，1996—2009年和2015—2019年是反复蓄水和排水的两个不稳定期。冰湖警戒面积为1.046 km2，其突然排水产生的净洪峰流量为418 m3·s-1。尽管克亚吉尔冰川阻塞湖面积呈下降趋势，但其引发的洪水灾害风险并未降低，克亚吉尔冰川阻塞湖突发洪水与基本径流叠加仍可能对下游构成威胁。当冰湖面积接近警戒面积时，应密切监测冰湖的变化，同时结合水文站基本径流情况进行早期预警。本研究提出的警戒面积指标及其确定方法为克亚吉...
周期性形成的克亚吉尔冰川阻塞湖突然排水导致的洪水灾害对下游构成严重威胁。在全球气候变暖背景下，开展克亚吉尔冰川阻塞湖的监测预警研究尤为必要。本文基于1990—2023年的多源光学遥感数据，分析了克亚吉尔冰川阻塞湖面积变化以及突然排水情况，利用面积-体积经验公式和历史洪水数据，以最小排水体积为临界值，推算出克亚吉尔冰川阻塞湖突发洪水的警戒湖面面积。同时，通过建立排水体积与净洪峰流量的关系，验证了警戒面积的合理性。结果表明：克亚吉尔冰川阻塞湖在过去的34 a间共发生了20次突然排水事件，其中17次形成突发洪水，1996—2009年和2015—2019年是反复蓄水和排水的两个不稳定期。冰湖警戒面积为1.046 km2，其突然排水产生的净洪峰流量为418 m3·s-1。尽管克亚吉尔冰川阻塞湖面积呈下降趋势，但其引发的洪水灾害风险并未降低，克亚吉尔冰川阻塞湖突发洪水与基本径流叠加仍可能对下游构成威胁。当冰湖面积接近警戒面积时，应密切监测冰湖的变化，同时结合水文站基本径流情况进行早期预警。本研究提出的警戒面积指标及其确定方法为克亚吉...
周期性形成的克亚吉尔冰川阻塞湖突然排水导致的洪水灾害对下游构成严重威胁。在全球气候变暖背景下，开展克亚吉尔冰川阻塞湖的监测预警研究尤为必要。本文基于1990—2023年的多源光学遥感数据，分析了克亚吉尔冰川阻塞湖面积变化以及突然排水情况，利用面积-体积经验公式和历史洪水数据，以最小排水体积为临界值，推算出克亚吉尔冰川阻塞湖突发洪水的警戒湖面面积。同时，通过建立排水体积与净洪峰流量的关系，验证了警戒面积的合理性。结果表明：克亚吉尔冰川阻塞湖在过去的34 a间共发生了20次突然排水事件，其中17次形成突发洪水，1996—2009年和2015—2019年是反复蓄水和排水的两个不稳定期。冰湖警戒面积为1.046 km2，其突然排水产生的净洪峰流量为418 m3·s-1。尽管克亚吉尔冰川阻塞湖面积呈下降趋势，但其引发的洪水灾害风险并未降低，克亚吉尔冰川阻塞湖突发洪水与基本径流叠加仍可能对下游构成威胁。当冰湖面积接近警戒面积时，应密切监测冰湖的变化，同时结合水文站基本径流情况进行早期预警。本研究提出的警戒面积指标及其确定方法为克亚吉...
周期性形成的克亚吉尔冰川阻塞湖突然排水导致的洪水灾害对下游构成严重威胁。在全球气候变暖背景下，开展克亚吉尔冰川阻塞湖的监测预警研究尤为必要。本文基于1990—2023年的多源光学遥感数据，分析了克亚吉尔冰川阻塞湖面积变化以及突然排水情况，利用面积-体积经验公式和历史洪水数据，以最小排水体积为临界值，推算出克亚吉尔冰川阻塞湖突发洪水的警戒湖面面积。同时，通过建立排水体积与净洪峰流量的关系，验证了警戒面积的合理性。结果表明：克亚吉尔冰川阻塞湖在过去的34 a间共发生了20次突然排水事件，其中17次形成突发洪水，1996—2009年和2015—2019年是反复蓄水和排水的两个不稳定期。冰湖警戒面积为1.046 km2，其突然排水产生的净洪峰流量为418 m3·s-1。尽管克亚吉尔冰川阻塞湖面积呈下降趋势，但其引发的洪水灾害风险并未降低，克亚吉尔冰川阻塞湖突发洪水与基本径流叠加仍可能对下游构成威胁。当冰湖面积接近警戒面积时，应密切监测冰湖的变化，同时结合水文站基本径流情况进行早期预警。本研究提出的警戒面积指标及其确定方法为克亚吉...
周期性形成的克亚吉尔冰川阻塞湖突然排水导致的洪水灾害对下游构成严重威胁。在全球气候变暖背景下，开展克亚吉尔冰川阻塞湖的监测预警研究尤为必要。本文基于1990—2023年的多源光学遥感数据，分析了克亚吉尔冰川阻塞湖面积变化以及突然排水情况，利用面积-体积经验公式和历史洪水数据，以最小排水体积为临界值，推算出克亚吉尔冰川阻塞湖突发洪水的警戒湖面面积。同时，通过建立排水体积与净洪峰流量的关系，验证了警戒面积的合理性。结果表明：克亚吉尔冰川阻塞湖在过去的34 a间共发生了20次突然排水事件，其中17次形成突发洪水，1996—2009年和2015—2019年是反复蓄水和排水的两个不稳定期。冰湖警戒面积为1.046 km2，其突然排水产生的净洪峰流量为418 m3·s-1。尽管克亚吉尔冰川阻塞湖面积呈下降趋势，但其引发的洪水灾害风险并未降低，克亚吉尔冰川阻塞湖突发洪水与基本径流叠加仍可能对下游构成威胁。当冰湖面积接近警戒面积时，应密切监测冰湖的变化，同时结合水文站基本径流情况进行早期预警。本研究提出的警戒面积指标及其确定方法为克亚吉...
在冰湖编目工作中,从海量遥感数据快速准确获取冰湖边界具有重要意义,发展基于遥感数据的冰湖边界自动化提取方法是关键。本研究改进了基于YOLOv5-Seg网络的实例分割模型,并应用于山地冰湖自动化提取。结果显示,使用坐标注意力机制（Coordinate-Attention,CA）,提高网络对冰湖目标的关注程度;在原始3个检测层的基础上添加小目标检测层,增强网络对小面积冰湖检测能力;修改上采样方法为转置卷积,解决了最近邻上采样丢失特征问题。改进的YOLOv5-Seg网络比原始网络平均精度提升2.7%,达到75.1%,比目前其他主流算法精度高10%。利用改进的YOLOv5-Seg网络的实例分割模型和Sentinel-2卫星影像,发现2022年兴都库什—喀喇昆仑—喜马拉雅地区（HKH）,共有10 668个冰湖正例,共计768.3 km2。该研究通过深度卷积神经网络和多源遥感数据,为大地理区域的自动冰湖制图提供了技术支持。
在冰湖编目工作中,从海量遥感数据快速准确获取冰湖边界具有重要意义,发展基于遥感数据的冰湖边界自动化提取方法是关键。本研究改进了基于YOLOv5-Seg网络的实例分割模型,并应用于山地冰湖自动化提取。结果显示,使用坐标注意力机制（Coordinate-Attention,CA）,提高网络对冰湖目标的关注程度;在原始3个检测层的基础上添加小目标检测层,增强网络对小面积冰湖检测能力;修改上采样方法为转置卷积,解决了最近邻上采样丢失特征问题。改进的YOLOv5-Seg网络比原始网络平均精度提升2.7%,达到75.1%,比目前其他主流算法精度高10%。利用改进的YOLOv5-Seg网络的实例分割模型和Sentinel-2卫星影像,发现2022年兴都库什—喀喇昆仑—喜马拉雅地区（HKH）,共有10 668个冰湖正例,共计768.3 km2。该研究通过深度卷积神经网络和多源遥感数据,为大地理区域的自动冰湖制图提供了技术支持。
在冰湖编目工作中,从海量遥感数据快速准确获取冰湖边界具有重要意义,发展基于遥感数据的冰湖边界自动化提取方法是关键。本研究改进了基于YOLOv5-Seg网络的实例分割模型,并应用于山地冰湖自动化提取。结果显示,使用坐标注意力机制（Coordinate-Attention,CA）,提高网络对冰湖目标的关注程度;在原始3个检测层的基础上添加小目标检测层,增强网络对小面积冰湖检测能力;修改上采样方法为转置卷积,解决了最近邻上采样丢失特征问题。改进的YOLOv5-Seg网络比原始网络平均精度提升2.7%,达到75.1%,比目前其他主流算法精度高10%。利用改进的YOLOv5-Seg网络的实例分割模型和Sentinel-2卫星影像,发现2022年兴都库什—喀喇昆仑—喜马拉雅地区（HKH）,共有10 668个冰湖正例,共计768.3 km2。该研究通过深度卷积神经网络和多源遥感数据,为大地理区域的自动冰湖制图提供了技术支持。
冰川是最重要的淡水储存库之一,精确识别冰川和监测冰川的变化对于了解气候变化和水资源管理具有重要意义。基于Landsat 8影像,以喀喇昆仑区域为研究对象,利用单波段阈值法、雪盖指数法、非监督分类、监督分类和U-Net卷积神经网络提取冰川边界,并以交并比和混淆矩阵对冰川边界提取结果进行精度评定。结果表明,非监督分类和单波段阈值法对于表碛覆盖型冰川以及阴影中冰川存在严重的漏分现象,易将薄雪覆盖的山地错分为冰川,K-means的提取效果最差,交并比为57.69%,Kappa系数为0.57。监督分类方法对于表碛覆盖型冰川的提取效果有明显改善,但对于阴影中的冰川的提取效果不佳,提取结果的Kappa系数均为0.70以上。雪盖指数法可以有效提取阴影中的冰川,但易将大面积冰川中的非冰川区域错分为冰川,交并比为74.49%,Kappa系数为0.76。U-Net卷积神经网络能够较完整地提取冰川边界,精度要明显高于其他分类方法,重叠面积最接近地面真值面积,其交并比为88.57%,Kappa系数为0.90。U-Net卷积神经网络虽然表现较好,但是对于极小面积冰川仍存在漏分,后续研究可通过改进网络结构来提高精度...
冰川是最重要的淡水储存库之一,精确识别冰川和监测冰川的变化对于了解气候变化和水资源管理具有重要意义。基于Landsat 8影像,以喀喇昆仑区域为研究对象,利用单波段阈值法、雪盖指数法、非监督分类、监督分类和U-Net卷积神经网络提取冰川边界,并以交并比和混淆矩阵对冰川边界提取结果进行精度评定。结果表明,非监督分类和单波段阈值法对于表碛覆盖型冰川以及阴影中冰川存在严重的漏分现象,易将薄雪覆盖的山地错分为冰川,K-means的提取效果最差,交并比为57.69%,Kappa系数为0.57。监督分类方法对于表碛覆盖型冰川的提取效果有明显改善,但对于阴影中的冰川的提取效果不佳,提取结果的Kappa系数均为0.70以上。雪盖指数法可以有效提取阴影中的冰川,但易将大面积冰川中的非冰川区域错分为冰川,交并比为74.49%,Kappa系数为0.76。U-Net卷积神经网络能够较完整地提取冰川边界,精度要明显高于其他分类方法,重叠面积最接近地面真值面积,其交并比为88.57%,Kappa系数为0.90。U-Net卷积神经网络虽然表现较好,但是对于极小面积冰川仍存在漏分,后续研究可通过改进网络结构来提高精度...