中国第二次冰川编目的部分数据用第一次冰川编目替代，这些数据集中分布在藏东南地区。该地区地形陡峭、气候恶劣，常年多云层覆盖，无法获取有效的光学影像，缺乏系统性的冰川调查。针对传统阈值分割方法受噪声影响大、标准Unet计算量大导致运行缓慢等问题，对Unet模型进行压缩，通过修改样本尺寸、卷积核数量和优化器等模型参数，提升模型训练效率以及冰川提取精度。利用冰川的极化特性和地形特征，选用45景ENVISAT ASAR影像和NASA DEM，基于Unet及其压缩网络进行深度学习，参考光学影像和其它辅助数据对误分和漏分的冰川逐个进行人工目视判读，完成了未更新编目的冰川边界提取及修正，并对属性进行了更新。结果表明：基于SAR影像和地形特征的深度学习可以有效识别云层覆盖区域的冰川。在第二次冰川编目未完成的地区，共有冰川8 374条，总面积5 622.65±303.58 km2，误差占总冰川面积的5.4%，整体呈退缩状态，冰川碎片化现象居多。该数据集更新了中国第二次冰川编目中的替代数据，可为探讨藏东南冰川变化和物质平衡等相关研究提供可靠的数据支撑。

中国第二次冰川编目的部分数据用第一次冰川编目替代，这些数据集中分布在藏东南地区。该地区地形陡峭、气候恶劣，常年多云层覆盖，无法获取有效的光学影像，缺乏系统性的冰川调查。针对传统阈值分割方法受噪声影响大、标准Unet计算量大导致运行缓慢等问题，对Unet模型进行压缩，通过修改样本尺寸、卷积核数量和优化器等模型参数，提升模型训练效率以及冰川提取精度。利用冰川的极化特性和地形特征，选用45景ENVISAT ASAR影像和NASA DEM，基于Unet及其压缩网络进行深度学习，参考光学影像和其它辅助数据对误分和漏分的冰川逐个进行人工目视判读，完成了未更新编目的冰川边界提取及修正，并对属性进行了更新。结果表明：基于SAR影像和地形特征的深度学习可以有效识别云层覆盖区域的冰川。在第二次冰川编目未完成的地区，共有冰川8 374条，总面积5 622.65±303.58 km2，误差占总冰川面积的5.4%，整体呈退缩状态，冰川碎片化现象居多。该数据集更新了中国第二次冰川编目中的替代数据，可为探讨藏东南冰川变化和物质平衡等相关研究提供可靠的数据支撑。

青藏高原地区的湖泊对当地环境、生态、人文的影响巨大，从遥感高分影像上准确、迅速提取大型湖泊是开展相关研究的重要基础。遥感影像的湖泊提取方法已从传统人工目视解译向自动化发展，但NDWI等常用水体提取技术在应用于不同地域对象时精度不一，特别在提取高原大型湖泊时精度仍有待提高。针对这一问题，设计了一种Res-Unet相结合的水体提取深度学习神经网络，选取青藏高原地区的Landsat高分影像作为训练数据，利用训练所得模型对青藏高原的色林错湖进行提取并分析其20年内的面积变化情况。结果表明：1)基于Res-Unet的神经网络提取湖泊面积的mIoU为0.927 9,Kappa系数为0.925 2,远高于NDWI的提取精度，适用于色林错湖面积提取；2)2000—2020年，该湖泊总面积增长了468.70 km2,与青藏高原北部的各拉丹东冰川消融带来的径流补给增加存在联系。

青藏高原地区的湖泊对当地环境、生态、人文的影响巨大，从遥感高分影像上准确、迅速提取大型湖泊是开展相关研究的重要基础。遥感影像的湖泊提取方法已从传统人工目视解译向自动化发展，但NDWI等常用水体提取技术在应用于不同地域对象时精度不一，特别在提取高原大型湖泊时精度仍有待提高。针对这一问题，设计了一种Res-Unet相结合的水体提取深度学习神经网络，选取青藏高原地区的Landsat高分影像作为训练数据，利用训练所得模型对青藏高原的色林错湖进行提取并分析其20年内的面积变化情况。结果表明：1)基于Res-Unet的神经网络提取湖泊面积的mIoU为0.927 9,Kappa系数为0.925 2,远高于NDWI的提取精度，适用于色林错湖面积提取；2)2000—2020年，该湖泊总面积增长了468.70 km2,与青藏高原北部的各拉丹东冰川消融带来的径流补给增加存在联系。