冰裂隙是冰川动态变化的重要特征,通过研究冰裂隙,可以有效监测冰川的变化情况。然而,传统的冰裂隙遥感监测方法往往存在人工干预多、效率低下或对复杂冰川环境适应性不足等问题。为解决以上问题,以GeoScene Pro 3.1软件为平台,利用高...冰裂隙是冰川动态变化的重要特征,通过研究冰裂隙,可以有效监测冰川的变化情况。然而,传统的冰裂隙遥感监测方法往往存在人工干预多、效率低下或对复杂冰川环境适应性不足等问题。为解决以上问题,以GeoScene Pro 3.1软件为平台,利用高分辨率遥感影像,选择长江源各拉丹冬冰川区为试验区,结合深度学习技术,探讨了U-Net像素分类模型、HED边缘检测器和BDCN边缘检测器在冰裂隙检测与提取中的应用。首先,通过调整不同的训练样本集组合与训练参数,对以上3种模型分别进行了5次模型训练和冰裂隙检测分析。检测结果表明,U-Net像素分类模型和HED边缘检测器都存在检测效果不佳的问题,而BDCN边缘检测器能够有效抑制检测噪声干扰,并能准确地检测并识别出冰裂隙的分布位置和宽度。其次,利用BDCN边缘检测器对各拉丹冬4条冰川进行冰裂隙检测,冰裂隙检测率分别达到90%、92%、89%、93%,模型检测宽度与人工采样宽度的最小差值仅为0.3 m,充分证明了该模型在不同冰川区域应用时具备良好的鲁棒性和泛化能力。研究表明BDCN边缘检测器更适合冰裂隙的检测识别,可为各拉丹冬冰川及类似区域的冰裂隙周期性监测提供快速有效的技术支持。展开更多
文摘冰裂隙是冰川动态变化的重要特征,通过研究冰裂隙,可以有效监测冰川的变化情况。然而,传统的冰裂隙遥感监测方法往往存在人工干预多、效率低下或对复杂冰川环境适应性不足等问题。为解决以上问题,以GeoScene Pro 3.1软件为平台,利用高分辨率遥感影像,选择长江源各拉丹冬冰川区为试验区,结合深度学习技术,探讨了U-Net像素分类模型、HED边缘检测器和BDCN边缘检测器在冰裂隙检测与提取中的应用。首先,通过调整不同的训练样本集组合与训练参数,对以上3种模型分别进行了5次模型训练和冰裂隙检测分析。检测结果表明,U-Net像素分类模型和HED边缘检测器都存在检测效果不佳的问题,而BDCN边缘检测器能够有效抑制检测噪声干扰,并能准确地检测并识别出冰裂隙的分布位置和宽度。其次,利用BDCN边缘检测器对各拉丹冬4条冰川进行冰裂隙检测,冰裂隙检测率分别达到90%、92%、89%、93%,模型检测宽度与人工采样宽度的最小差值仅为0.3 m,充分证明了该模型在不同冰川区域应用时具备良好的鲁棒性和泛化能力。研究表明BDCN边缘检测器更适合冰裂隙的检测识别,可为各拉丹冬冰川及类似区域的冰裂隙周期性监测提供快速有效的技术支持。
