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。本文提出了融合多源遥感数据和改进后MaskR-CNN深度学习模型的复杂高原地形区冰湖智能识别方法，在MaskR-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。本研究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...

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。本文提出了融合多源遥感数据和改进后MaskR-CNN深度学习模型的复杂高原地形区冰湖智能识别方法，在MaskR-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。本研究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...

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。本文提出了融合多源遥感数据和改进后MaskR-CNN深度学习模型的复杂高原地形区冰湖智能识别方法，在MaskR-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。本研究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...

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。本文提出了融合多源遥感数据和改进后MaskR-CNN深度学习模型的复杂高原地形区冰湖智能识别方法，在MaskR-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。本研究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...

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。本文提出了融合多源遥感数据和改进后MaskR-CNN深度学习模型的复杂高原地形区冰湖智能识别方法，在MaskR-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。本研究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...

使用数字高程模型和中国MODIS逐日无云500m积雪数据，研究了新疆高寒山区的叶尔羌河流域.根据泥石流灾害点的分布特征，该区域被划分为泥石流发育区(极高/高易发区)和非发育区(低/极低易发区),并分析了各分区的地质条件和积雪演变特征.研究结果表明：(1)泥石流发育区主要的地质条件：海拔为4 000～5 000m、坡度为8°～20°、阴坡坡向(占发育区3.10%).灾害点多集中在海拔小于3 000m、坡度为8°～20°、半阴坡的区域.(2)极高易发区的积雪覆盖百分比(SCP)在所有区域中最小(平均SCP为10.26%),年际变化最大(标准差条带面积最大).高易发区绝大部分时间SCP最高(平均为40.52%),年际变化较小.(3)泥石流发育区的积雪天数(SCD)为110.6d,长于非发育区(86.86d),积雪开始时间(SCOD)和融雪开始时间(SCMD)也较早(SCOD:339.46/342.70DOY;SCMD:97.59/102.46DOY).两个区域的SCD和SCMD均呈现减少趋势，SCOD呈增加趋势，但发育区的变化趋势较为显著，使其SCD更长.对叶尔羌河流域泥石流发育地形和积雪演...

使用数字高程模型和中国MODIS逐日无云500m积雪数据，研究了新疆高寒山区的叶尔羌河流域.根据泥石流灾害点的分布特征，该区域被划分为泥石流发育区(极高/高易发区)和非发育区(低/极低易发区),并分析了各分区的地质条件和积雪演变特征.研究结果表明：(1)泥石流发育区主要的地质条件：海拔为4 000～5 000m、坡度为8°～20°、阴坡坡向(占发育区3.10%).灾害点多集中在海拔小于3 000m、坡度为8°～20°、半阴坡的区域.(2)极高易发区的积雪覆盖百分比(SCP)在所有区域中最小(平均SCP为10.26%),年际变化最大(标准差条带面积最大).高易发区绝大部分时间SCP最高(平均为40.52%),年际变化较小.(3)泥石流发育区的积雪天数(SCD)为110.6d,长于非发育区(86.86d),积雪开始时间(SCOD)和融雪开始时间(SCMD)也较早(SCOD:339.46/342.70DOY;SCMD:97.59/102.46DOY).两个区域的SCD和SCMD均呈现减少趋势，SCOD呈增加趋势，但发育区的变化趋势较为显著，使其SCD更长.对叶尔羌河流域泥石流发育地形和积雪演...

使用数字高程模型和中国MODIS逐日无云500m积雪数据，研究了新疆高寒山区的叶尔羌河流域.根据泥石流灾害点的分布特征，该区域被划分为泥石流发育区(极高/高易发区)和非发育区(低/极低易发区),并分析了各分区的地质条件和积雪演变特征.研究结果表明：(1)泥石流发育区主要的地质条件：海拔为4 000～5 000m、坡度为8°～20°、阴坡坡向(占发育区3.10%).灾害点多集中在海拔小于3 000m、坡度为8°～20°、半阴坡的区域.(2)极高易发区的积雪覆盖百分比(SCP)在所有区域中最小(平均SCP为10.26%),年际变化最大(标准差条带面积最大).高易发区绝大部分时间SCP最高(平均为40.52%),年际变化较小.(3)泥石流发育区的积雪天数(SCD)为110.6d,长于非发育区(86.86d),积雪开始时间(SCOD)和融雪开始时间(SCMD)也较早(SCOD:339.46/342.70DOY;SCMD:97.59/102.46DOY).两个区域的SCD和SCMD均呈现减少趋势，SCOD呈增加趋势，但发育区的变化趋势较为显著，使其SCD更长.对叶尔羌河流域泥石流发育地形和积雪演...

使用数字高程模型和中国MODIS逐日无云500m积雪数据，研究了新疆高寒山区的叶尔羌河流域.根据泥石流灾害点的分布特征，该区域被划分为泥石流发育区(极高/高易发区)和非发育区(低/极低易发区),并分析了各分区的地质条件和积雪演变特征.研究结果表明：(1)泥石流发育区主要的地质条件：海拔为4 000～5 000m、坡度为8°～20°、阴坡坡向(占发育区3.10%).灾害点多集中在海拔小于3 000m、坡度为8°～20°、半阴坡的区域.(2)极高易发区的积雪覆盖百分比(SCP)在所有区域中最小(平均SCP为10.26%),年际变化最大(标准差条带面积最大).高易发区绝大部分时间SCP最高(平均为40.52%),年际变化较小.(3)泥石流发育区的积雪天数(SCD)为110.6d,长于非发育区(86.86d),积雪开始时间(SCOD)和融雪开始时间(SCMD)也较早(SCOD:339.46/342.70DOY;SCMD:97.59/102.46DOY).两个区域的SCD和SCMD均呈现减少趋势，SCOD呈增加趋势，但发育区的变化趋势较为显著，使其SCD更长.对叶尔羌河流域泥石流发育地形和积雪演...

冰川厚度和地形数据是开展冰川动力学模拟研究的基础，分析冰川厚度分布和地形特征对于认识冰川运动速度、应力和冰川变化特征具有重要意义。2021年9月开展了祁连山宁缠河3号冰川探地雷达测厚工作，并运用普通克里金插值法对所测冰厚和冰面高程数据做空间插值处理，根据数据结果分析了冰川剖面和整体厚度分布及地形特征，还进一步研究了冰川近年来的变化。结果表明：宁缠河3号冰川冰体较厚的部位主要分布在底床地形较为平坦的区域内，冰川厚度大致上呈现由中部向边缘递减的趋势，随海拔高度上升则表现出“先增大、后减小”的特点；冰床地形的起伏变化相较于冰面更加强烈，并且冰床横剖面上存在斜坡、复式槽谷和V形谷等多种地形形态；2021年宁缠河3号冰川面积约为1.08 km2，最大厚度为60 m，平均厚度为24.1 m，冰储量为0.026 km3;2009—2021年冰川面积、平均厚度和冰储量分别减少0.123 km2、3.3 m和0.007 km3，年均变化率分别为-1.03×10-2 km2·...