石冰川空间分布制图对于研究寒旱区水文地质和气候变化具有重要意义。除野外实地调查和目视解译等传统手段外，深度学习与高分辨率自然彩色影像（RGB）相结合被应用于青藏高原的石冰川编目（TPRoGI）。然而，由于经典深度学习网络只接受三波段影像作为输入，拥有锐利的边界信息和丰富的光谱信息的近红外波段（NIR）尚未被应用于石冰川识别。因此，本次研究通过改进DeeplabV3+（IDNet），使其具备同时从RGB和NIR中提取和融合特征的能力。基于祁连山地区的Sentinel-2影像和TPRoGI训练IDNet，模型的准确率、精准度、召回率、特异度和mIoU（mean Inter over Union）分别为0.7830、0.7830、0.7840、0.7835和0.6916，各项指标均衡且稳定性高。IDNet模型在祁连山地区识别出459个被TPRoGI遗漏的石冰川，证明了基于IDNet和Sentinel-2 RGB-NIR影像识别石冰川可行，并能有效提升石冰川编目工作的效率和精度。
石冰川空间分布制图对于研究寒旱区水文地质和气候变化具有重要意义。除野外实地调查和目视解译等传统手段外，深度学习与高分辨率自然彩色影像（RGB）相结合被应用于青藏高原的石冰川编目（TPRoGI）。然而，由于经典深度学习网络只接受三波段影像作为输入，拥有锐利的边界信息和丰富的光谱信息的近红外波段（NIR）尚未被应用于石冰川识别。因此，本次研究通过改进DeeplabV3+（IDNet），使其具备同时从RGB和NIR中提取和融合特征的能力。基于祁连山地区的Sentinel-2影像和TPRoGI训练IDNet，模型的准确率、精准度、召回率、特异度和mIoU（mean Inter over Union）分别为0.7830、0.7830、0.7840、0.7835和0.6916，各项指标均衡且稳定性高。IDNet模型在祁连山地区识别出459个被TPRoGI遗漏的石冰川，证明了基于IDNet和Sentinel-2 RGB-NIR影像识别石冰川可行，并能有效提升石冰川编目工作的效率和精度。