冰川流速是冰川物质平衡估算、冰架稳定性监测以及海平面上升预估研究中的重要参数.计算机视觉领域的光流法能够获取密集的冰川流速场,但在复杂场景下稳健性较差.本文结合光流法与深度学习算法,将RAFT(Recurrent All-Pairs Field Transf...冰川流速是冰川物质平衡估算、冰架稳定性监测以及海平面上升预估研究中的重要参数.计算机视觉领域的光流法能够获取密集的冰川流速场,但在复杂场景下稳健性较差.本文结合光流法与深度学习算法,将RAFT(Recurrent All-Pairs Field Transforms)深度光流网络应用于Sentinel-1 SAR影像,估算格陵兰岛东北部冰川流速,评估了RAFT网络的参数敏感性和空间泛化性能,并与传统光流法(TV-L1法和DeepFlow法)进行了对比分析.结果表明,RAFT网络对训练集比例和批处理大小的敏感性较高,对学习率、权重衰减值的敏感性较低;以格陵兰冰盖监测计划(Programme for Monitoring of the Greenland Ice Sheet,PROMICE)流速产品为参考流速值,RAFT网络在流速估算中表现优异,均方根误差均值为0.31 m·d^(−1),远低于TV-L1方法的0.98 m·d^(−1)和DeepFlow方法的0.63 m·d^(−1),精度分别提高了74%和50%左右.此外,在RAFT网络的空间泛化测试实验中,测试区域的预测结果与参考流速场的相关系数在0.783到0.838之间,表明本方法在空间上具有较强的泛化能力.本文为大范围冰川流速的智能化遥感估算提供了新思路.展开更多
文摘冰川流速是冰川物质平衡估算、冰架稳定性监测以及海平面上升预估研究中的重要参数.计算机视觉领域的光流法能够获取密集的冰川流速场,但在复杂场景下稳健性较差.本文结合光流法与深度学习算法,将RAFT(Recurrent All-Pairs Field Transforms)深度光流网络应用于Sentinel-1 SAR影像,估算格陵兰岛东北部冰川流速,评估了RAFT网络的参数敏感性和空间泛化性能,并与传统光流法(TV-L1法和DeepFlow法)进行了对比分析.结果表明,RAFT网络对训练集比例和批处理大小的敏感性较高,对学习率、权重衰减值的敏感性较低;以格陵兰冰盖监测计划(Programme for Monitoring of the Greenland Ice Sheet,PROMICE)流速产品为参考流速值,RAFT网络在流速估算中表现优异,均方根误差均值为0.31 m·d^(−1),远低于TV-L1方法的0.98 m·d^(−1)和DeepFlow方法的0.63 m·d^(−1),精度分别提高了74%和50%左右.此外,在RAFT网络的空间泛化测试实验中,测试区域的预测结果与参考流速场的相关系数在0.783到0.838之间,表明本方法在空间上具有较强的泛化能力.本文为大范围冰川流速的智能化遥感估算提供了新思路.
