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%。
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%。
随着全球气温升高，冰川不断消融，冰湖溃决现象频发，尤其在西藏地区发生频率较高，给当地人民造成巨大生命财产损失。另外，冰湖作为内陆水系统的主要组成部分之一，其面积变化与气候变化和人类活动密切相关，关注冰湖演化对保护周边地区的人类安全和监测地区生态变化有理论和实践意义。本文提出基于SAR极化增强与形态学运算的水陆边界提取方法对冰湖进行高精度自动识别，以青藏高原娘约错冰湖为研究区，对2018—2021年冰湖进行动态变化提取，并结合气候和地形等因素进行联合分析。结果表明，娘约错冰湖附近没有典型的冰川融水，其主要补给源为地表径流和大气降水，属于稳定性湖泊。其面积增长趋势缓慢，地形因素是其稳定的主要原因，对于下游的鲁朗镇和川藏铁路没有冰湖溃决的危险。
随着全球气温升高，冰川不断消融，冰湖溃决现象频发，尤其在西藏地区发生频率较高，给当地人民造成巨大生命财产损失。另外，冰湖作为内陆水系统的主要组成部分之一，其面积变化与气候变化和人类活动密切相关，关注冰湖演化对保护周边地区的人类安全和监测地区生态变化有理论和实践意义。本文提出基于SAR极化增强与形态学运算的水陆边界提取方法对冰湖进行高精度自动识别，以青藏高原娘约错冰湖为研究区，对2018—2021年冰湖进行动态变化提取，并结合气候和地形等因素进行联合分析。结果表明，娘约错冰湖附近没有典型的冰川融水，其主要补给源为地表径流和大气降水，属于稳定性湖泊。其面积增长趋势缓慢，地形因素是其稳定的主要原因，对于下游的鲁朗镇和川藏铁路没有冰湖溃决的危险。
随着全球气温升高，冰川不断消融，冰湖溃决现象频发，尤其在西藏地区发生频率较高，给当地人民造成巨大生命财产损失。另外，冰湖作为内陆水系统的主要组成部分之一，其面积变化与气候变化和人类活动密切相关，关注冰湖演化对保护周边地区的人类安全和监测地区生态变化有理论和实践意义。本文提出基于SAR极化增强与形态学运算的水陆边界提取方法对冰湖进行高精度自动识别，以青藏高原娘约错冰湖为研究区，对2018—2021年冰湖进行动态变化提取，并结合气候和地形等因素进行联合分析。结果表明，娘约错冰湖附近没有典型的冰川融水，其主要补给源为地表径流和大气降水，属于稳定性湖泊。其面积增长趋势缓慢，地形因素是其稳定的主要原因，对于下游的鲁朗镇和川藏铁路没有冰湖溃决的危险。
随着全球气温升高，冰川不断消融，冰湖溃决现象频发，尤其在西藏地区发生频率较高，给当地人民造成巨大生命财产损失。另外，冰湖作为内陆水系统的主要组成部分之一，其面积变化与气候变化和人类活动密切相关，关注冰湖演化对保护周边地区的人类安全和监测地区生态变化有理论和实践意义。本文提出基于SAR极化增强与形态学运算的水陆边界提取方法对冰湖进行高精度自动识别，以青藏高原娘约错冰湖为研究区，对2018—2021年冰湖进行动态变化提取，并结合气候和地形等因素进行联合分析。结果表明，娘约错冰湖附近没有典型的冰川融水，其主要补给源为地表径流和大气降水，属于稳定性湖泊。其面积增长趋势缓慢，地形因素是其稳定的主要原因，对于下游的鲁朗镇和川藏铁路没有冰湖溃决的危险。