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...
目前工业界采用人工识别的方法，对整条管线的惯性检测单元(IMU)应变检测数据进行逐段识别的做法存在耗时多、识别效率不高以及判断标准不一致等问题。鉴于此，通过建立机器学习模型，提出了弯曲变形危险管段智能识别方法，实现了对冻土区融沉变形管段的智能识别。首先统计了漠大一线冻土区管线中弯曲应变值超过0.125%的管段，包括弯头段、凹陷段和融沉导致的弯曲变形段等，使用1阶数字低通滤波法降低IMU应变检测数据中的噪声干扰，然后结合几何/漏磁检测数据截取IMU应变检测数据中不同管段类型的样本数据，从中提取了11种典型数据特征值，利用主成分分析法对11种特征值进行降维处理，最后建立决策树和随机森林模型进行识别分类。研究结果表明，不同管段类型的长度特征是影响模型分类效果的重要因素，在测试集中决策树模型出现了过拟合，识别准确率大幅下降，随机森林模型识别准确率达到了90%以上。该识别方法为管线完整性评价提供了技术基础。
目前工业界采用人工识别的方法，对整条管线的惯性检测单元(IMU)应变检测数据进行逐段识别的做法存在耗时多、识别效率不高以及判断标准不一致等问题。鉴于此，通过建立机器学习模型，提出了弯曲变形危险管段智能识别方法，实现了对冻土区融沉变形管段的智能识别。首先统计了漠大一线冻土区管线中弯曲应变值超过0.125%的管段，包括弯头段、凹陷段和融沉导致的弯曲变形段等，使用1阶数字低通滤波法降低IMU应变检测数据中的噪声干扰，然后结合几何/漏磁检测数据截取IMU应变检测数据中不同管段类型的样本数据，从中提取了11种典型数据特征值，利用主成分分析法对11种特征值进行降维处理，最后建立决策树和随机森林模型进行识别分类。研究结果表明，不同管段类型的长度特征是影响模型分类效果的重要因素，在测试集中决策树模型出现了过拟合，识别准确率大幅下降，随机森林模型识别准确率达到了90%以上。该识别方法为管线完整性评价提供了技术基础。
目前工业界采用人工识别的方法，对整条管线的惯性检测单元(IMU)应变检测数据进行逐段识别的做法存在耗时多、识别效率不高以及判断标准不一致等问题。鉴于此，通过建立机器学习模型，提出了弯曲变形危险管段智能识别方法，实现了对冻土区融沉变形管段的智能识别。首先统计了漠大一线冻土区管线中弯曲应变值超过0.125%的管段，包括弯头段、凹陷段和融沉导致的弯曲变形段等，使用1阶数字低通滤波法降低IMU应变检测数据中的噪声干扰，然后结合几何/漏磁检测数据截取IMU应变检测数据中不同管段类型的样本数据，从中提取了11种典型数据特征值，利用主成分分析法对11种特征值进行降维处理，最后建立决策树和随机森林模型进行识别分类。研究结果表明，不同管段类型的长度特征是影响模型分类效果的重要因素，在测试集中决策树模型出现了过拟合，识别准确率大幅下降，随机森林模型识别准确率达到了90%以上。该识别方法为管线完整性评价提供了技术基础。