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%。

积雪作为冰冻圈重要组成部分，与全球气候变化和生态系统密切相关，精准识别积雪分布信息具有重要意义。合成孔径雷达(Synthetic Aperture Radar, SAR)数据的极化和散射特征在积雪识别中具有极大的应用潜力。以新疆玛纳斯河流域为研究区，提取全极化Radarsat-2数据后向散射特征和目标极化分解特征；为探索极化特征和散射特征对积雪识别的贡献，将获取的特征进行组合，得到3种特征集；采用随机森林算法对研究区积雪进行识别提取。结果显示，基于随机森林的Radarsat-2极化特征结合散射特征识别结果的总体精度和调和平均值(F1)达到最高，分别为83.00%和0.82,仅基于极化特征识别结果总体精度和F1分别为77.5%和0.76。研究结果表明，与单一极化特征相比，结合散射特征和极化特征能有效提高积雪识别精度，对山区大范围积雪识别具有极大的潜力。

积雪作为冰冻圈重要组成部分，与全球气候变化和生态系统密切相关，精准识别积雪分布信息具有重要意义。合成孔径雷达(Synthetic Aperture Radar, SAR)数据的极化和散射特征在积雪识别中具有极大的应用潜力。以新疆玛纳斯河流域为研究区，提取全极化Radarsat-2数据后向散射特征和目标极化分解特征；为探索极化特征和散射特征对积雪识别的贡献，将获取的特征进行组合，得到3种特征集；采用随机森林算法对研究区积雪进行识别提取。结果显示，基于随机森林的Radarsat-2极化特征结合散射特征识别结果的总体精度和调和平均值(F1)达到最高，分别为83.00%和0.82,仅基于极化特征识别结果总体精度和F1分别为77.5%和0.76。研究结果表明，与单一极化特征相比，结合散射特征和极化特征能有效提高积雪识别精度，对山区大范围积雪识别具有极大的潜力。