受全球气候变暖影响，青藏高原冻土退化和地表失稳问题不断加剧，对基础设施的建设维护和区域社会经济发展造成阻碍。近年来，SBAS-InSAR技术已在冻土地表形变监测中得到广泛应用，但由于青藏高原部分地区存在较为严重的失相干现象，导致形变监测结果出现空间不连续性，进而无法获得全面且精细的监测结果。针对上述问题，本文提出了一种联合机器学习与SBAS-InSAR的冻土形变监测方法，选取西藏阿里门士乡为研究区域，使用2020年1月7日至2021年6月6日共43景Sentinel-1A降轨影像数据提取地表形变信息；综合多类环境因子数据生成训练集后，引入机器学习模型拟合SBAS-InSAR监测结果与环境因子之间的内在关系，从而获取研究区连续形变速率图。结果表明，联合随机森林模型与SBAS-InSAR的方法效果最优，通过该方法对冻土形变缺失区域进行插值能极大提高原有SBAS-InSAR方法的监测覆盖率，其插值结果平均误差和均方根误差分别为0.459和0.739 mm/a。
受全球气候变暖影响，青藏高原冻土退化和地表失稳问题不断加剧，对基础设施的建设维护和区域社会经济发展造成阻碍。近年来，SBAS-InSAR技术已在冻土地表形变监测中得到广泛应用，但由于青藏高原部分地区存在较为严重的失相干现象，导致形变监测结果出现空间不连续性，进而无法获得全面且精细的监测结果。针对上述问题，本文提出了一种联合机器学习与SBAS-InSAR的冻土形变监测方法，选取西藏阿里门士乡为研究区域，使用2020年1月7日至2021年6月6日共43景Sentinel-1A降轨影像数据提取地表形变信息；综合多类环境因子数据生成训练集后，引入机器学习模型拟合SBAS-InSAR监测结果与环境因子之间的内在关系，从而获取研究区连续形变速率图。结果表明，联合随机森林模型与SBAS-InSAR的方法效果最优，通过该方法对冻土形变缺失区域进行插值能极大提高原有SBAS-InSAR方法的监测覆盖率，其插值结果平均误差和均方根误差分别为0.459和0.739 mm/a。
受全球气候变暖影响，青藏高原冻土退化和地表失稳问题不断加剧，对基础设施的建设维护和区域社会经济发展造成阻碍。近年来，SBAS-InSAR技术已在冻土地表形变监测中得到广泛应用，但由于青藏高原部分地区存在较为严重的失相干现象，导致形变监测结果出现空间不连续性，进而无法获得全面且精细的监测结果。针对上述问题，本文提出了一种联合机器学习与SBAS-InSAR的冻土形变监测方法，选取西藏阿里门士乡为研究区域，使用2020年1月7日至2021年6月6日共43景Sentinel-1A降轨影像数据提取地表形变信息；综合多类环境因子数据生成训练集后，引入机器学习模型拟合SBAS-InSAR监测结果与环境因子之间的内在关系，从而获取研究区连续形变速率图。结果表明，联合随机森林模型与SBAS-InSAR的方法效果最优，通过该方法对冻土形变缺失区域进行插值能极大提高原有SBAS-InSAR方法的监测覆盖率，其插值结果平均误差和均方根误差分别为0.459和0.739 mm/a。
受全球气候变暖影响，青藏高原冻土退化和地表失稳问题不断加剧，对基础设施的建设维护和区域社会经济发展造成阻碍。近年来，SBAS-InSAR技术已在冻土地表形变监测中得到广泛应用，但由于青藏高原部分地区存在较为严重的失相干现象，导致形变监测结果出现空间不连续性，进而无法获得全面且精细的监测结果。针对上述问题，本文提出了一种联合机器学习与SBAS-InSAR的冻土形变监测方法，选取西藏阿里门士乡为研究区域，使用2020年1月7日至2021年6月6日共43景Sentinel-1A降轨影像数据提取地表形变信息；综合多类环境因子数据生成训练集后，引入机器学习模型拟合SBAS-InSAR监测结果与环境因子之间的内在关系，从而获取研究区连续形变速率图。结果表明，联合随机森林模型与SBAS-InSAR的方法效果最优，通过该方法对冻土形变缺失区域进行插值能极大提高原有SBAS-InSAR方法的监测覆盖率，其插值结果平均误差和均方根误差分别为0.459和0.739 mm/a。
表面融水深刻影响着南极冰盖物质平衡和全球海平面上升。受地理环境和气候条件影响,南极冰盖表面融水的年际变化差异较大,对环南极表面融水的动态监测方法与技术提出了诸多挑战。本文旨在对南极冰盖表面融水遥感识别方法的相关研究进行综述:(1)简介冰盖表面融水影响南极冰盖物质平衡的主要途径;(2)阐述用于南极表面融水提取任务的遥感卫星产品,包括多光谱图像和合成孔径雷达图像;(3)突出介绍目前实现南极表面融水提取的主要技术,包括阈值法、机器学习和深度学习等;(4)比较上述各种方法的优缺点,重点展望深度学习在南极冰盖表面融水的应用前景。
表面融水深刻影响着南极冰盖物质平衡和全球海平面上升。受地理环境和气候条件影响,南极冰盖表面融水的年际变化差异较大,对环南极表面融水的动态监测方法与技术提出了诸多挑战。本文旨在对南极冰盖表面融水遥感识别方法的相关研究进行综述:(1)简介冰盖表面融水影响南极冰盖物质平衡的主要途径;(2)阐述用于南极表面融水提取任务的遥感卫星产品,包括多光谱图像和合成孔径雷达图像;(3)突出介绍目前实现南极表面融水提取的主要技术,包括阈值法、机器学习和深度学习等;(4)比较上述各种方法的优缺点,重点展望深度学习在南极冰盖表面融水的应用前景。
表面融水深刻影响着南极冰盖物质平衡和全球海平面上升。受地理环境和气候条件影响,南极冰盖表面融水的年际变化差异较大,对环南极表面融水的动态监测方法与技术提出了诸多挑战。本文旨在对南极冰盖表面融水遥感识别方法的相关研究进行综述:(1)简介冰盖表面融水影响南极冰盖物质平衡的主要途径;(2)阐述用于南极表面融水提取任务的遥感卫星产品,包括多光谱图像和合成孔径雷达图像;(3)突出介绍目前实现南极表面融水提取的主要技术,包括阈值法、机器学习和深度学习等;(4)比较上述各种方法的优缺点,重点展望深度学习在南极冰盖表面融水的应用前景。
表面融水深刻影响着南极冰盖物质平衡和全球海平面上升。受地理环境和气候条件影响,南极冰盖表面融水的年际变化差异较大,对环南极表面融水的动态监测方法与技术提出了诸多挑战。本文旨在对南极冰盖表面融水遥感识别方法的相关研究进行综述:(1)简介冰盖表面融水影响南极冰盖物质平衡的主要途径;(2)阐述用于南极表面融水提取任务的遥感卫星产品,包括多光谱图像和合成孔径雷达图像;(3)突出介绍目前实现南极表面融水提取的主要技术,包括阈值法、机器学习和深度学习等;(4)比较上述各种方法的优缺点,重点展望深度学习在南极冰盖表面融水的应用前景。
鉴于像素级分类在光谱特征相近情况下难以准确识别冰川变化，特别是表碛覆盖区的光谱特征与周围山地、岩石相似度高，导致其提取精度较低。为此，本文以音苏盖提冰川和雅弄冰川为研究区，基于Google Earth Engine平台，结合光谱指数、微波纹理和地形特征，采用面向对象（OB）的机器学习算法进行冰川自动提取，并与基于像素（PB）分类方法进行对比。结果表明：（1）基于多特征融合的OB分类方法有助于提高冰川提取精度。其中，OB＿RF分类的总体精度、Kappa系数和F1分数分别为98.1%、0.97和98.67%，优于OB＿CART和OB＿GTB方法。与PB＿RF分类相比，总体精度、Kappa系数和F1分数分别提升了1.7%、0.024和5.57%。（2）2001—2022年音苏盖提冰川和雅弄冰川年平均退缩率分别为0.08%、0.13%。（3）音苏盖提冰川表碛区主要分布在海拔5000 m以下，而雅弄冰川表碛区主要分布在海拔4800 m以下，2001—2022年两条冰川表碛覆盖区均呈现向上扩张趋势。
鉴于像素级分类在光谱特征相近情况下难以准确识别冰川变化，特别是表碛覆盖区的光谱特征与周围山地、岩石相似度高，导致其提取精度较低。为此，本文以音苏盖提冰川和雅弄冰川为研究区，基于Google Earth Engine平台，结合光谱指数、微波纹理和地形特征，采用面向对象（OB）的机器学习算法进行冰川自动提取，并与基于像素（PB）分类方法进行对比。结果表明：（1）基于多特征融合的OB分类方法有助于提高冰川提取精度。其中，OB＿RF分类的总体精度、Kappa系数和F1分数分别为98.1%、0.97和98.67%，优于OB＿CART和OB＿GTB方法。与PB＿RF分类相比，总体精度、Kappa系数和F1分数分别提升了1.7%、0.024和5.57%。（2）2001—2022年音苏盖提冰川和雅弄冰川年平均退缩率分别为0.08%、0.13%。（3）音苏盖提冰川表碛区主要分布在海拔5000 m以下，而雅弄冰川表碛区主要分布在海拔4800 m以下，2001—2022年两条冰川表碛覆盖区均呈现向上扩张趋势。