基于深度学习的中国第二次冰川编目半自动化更新

doi:10.11873/j.issn.1004-0323.2023.6.1264

基于深度学习的中国第二次冰川编目半自动化更新

王世豪^,¹, 柯长青^,¹, 陈军²

1.南京大学地理与海洋科学学院，江苏南京 210023

2.安徽建筑大学环境与能源工程学院，安徽合肥 230601

Semi-automatic Update of the Second Chinese Glacier Inventory based on Deep Learning

WANG Shihao^,¹, KE Changqing^,¹, CHEN Jun²

1.School of Geography and Ocean Science，Nanjing University，Nanjing 210023，China

2.School of Environment and Energy Engineering，Anhui University of Architecture，Hefei 230601，China

通讯作者: 柯长青(1969-),男,陕西丹凤人,教授,博士生导师,主要从事冰雪水文遥感研究。E⁃mail：kecq@nju.edu.cn

收稿日期: 2022-05-11 修回日期: 2023-08-01

基金资助:

国家自然科学基金重点项目. 41830105
青年科学基金项目. 41901129

Received: 2022-05-11 Revised: 2023-08-01

作者简介 About authors

王世豪(1999-),男,山西运城人,硕士研究生,主要从事遥感研究E⁃mail：mg21270087@smail.nju.edu.cn , E-mail：mg21270087@smail.nju.edu.cn

摘要

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。

关键词： 深度学习 ; Unet ; ENVISAT ASAR ; 冰川识别 ; 第二次冰川编目更新

Abstract

Some of the data of the second Chinese glacier inventory（CGI2.0） are replaced by the first Chinese glacier inventory， and these data are concentrated in southeastern Tibetan Plateau. Where the terrain is steep， the climate is harsh， and it is covered by clouds all the year round. There is no systematic glacier survey due to the inability to obtain effective optical images. Aiming at the problems that the traditional threshold segmentation method is influenced by noise， and the standard Unet has a large amount of computation， which leads to slow operation， compressedUnet model is designed to improve model training efficiency and glacier extraction accuracy by modifying model parameters such as sample size， number of convolution kernel and optimizer. Using the polarization characteristics and topographic features of glaciers， 45-scene ENVISAT ASAR images and NASA DEM are selected to carry out deep learning based on Unet and compressed Unet. By referring to optical images and other auxiliary data， the misclassified and missed glaciers are visually interpreted one by one. Finally， the extraction and correction of the glacier boundaries without update are completed， and their attributes are updated. The results show that deep learning based on SAR images and topographic features can effectively identify glaciers in cloud-covered areas. In the areas where the CGI2.0 is not completed， there are 8 374 glaciers with a total area of 5 622.65±303.58 km²， and the error accounts for 5.4% of the total glacier area， most glaciers are retreating and fragmenting. The dataset updates the alternative data in CGI2.0， and provides reliable data support for related studies of glacier changes and mass balance in southeastern Tibetan Plateau.

Keywords： Deep learning ; Unet ; ENVISAT ASAR ; Glacier identification ; Second Chinese glacier inventory update

PDF (6454KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

王世豪, 柯长青, 陈军. 基于深度学习的中国第二次冰川编目半自动化更新. 遥感技术与应用[J], 2023, 38(6): 1264-1273 doi:10.11873/j.issn.1004-0323.2023.6.1264

WANG Shihao, KE Changqing, CHEN Jun. Semi-automatic Update of the Second Chinese Glacier Inventory based on Deep Learning. Remote Sensing Technology and Application[J], 2023, 38(6): 1264-1273 doi:10.11873/j.issn.1004-0323.2023.6.1264

1 引言

中国冰川编目数据对冰冻圈研究有重要意义，它是分析中国及全球冰川消融、水资源变化和气候响应的基础数据。1978年始，在施雅风院士带领下，相关团队利用航空像片与大比例尺地形图，参考国际冰川编目准则，通过手工量算完成了中国第一次冰川编目^［1］。结果统计，20世纪60~80年代我国冰川有46 377条，面积为59 425 km²。2002年之后，我国科研人员开展了第二次冰川编目^［2］，以Landsat TM/ETM+与ASTER光学影像作为主要数据源，经人工交互、野外考察等技术环节，2013年完成了我国大部分地区（85.5%）的冰川编目，共解译出冰川42 370条，面积43 012.58 km²。

早期的中国冰川编目制作依赖于野外实地测量，但由于山地冰川分布于地形陡峭、气候恶劣、人迹罕至的区域，测量成本过高，无法实现大范围的冰川监测^［3］。遥感技术的发展使得大尺度、长时间序列的冰川监测成为可能。基于光学影像提取冰川边界被证明是一种高效、快速的方式，已被广泛应用于冰川编目的制作^{［2，4-5］}，但在云雾覆盖严重的区域，光学影像质量差，无法有效识别冰川边界。合成孔径雷达（SAR）因其具有全天时、全天候、穿透云雾监测的能力，打破了光学遥感受云雨天气影响的阻碍，可以弥补光学遥感的缺陷。

目前，已有一些基于SAR影像的冰川识别方法。冰雪融化、运动导致冰川难以保持相干性，可以基于SAR影像的干涉与极化特征来识别冰川边界。周建民等^［6］采用2景PALSAR影像根据相干系数取阈值的方法提取出冬克玛底冰川的边界信息，精度达到89%，但无法有效提取冰川末端区域。Huang等^［7］利用PALSAR与RADARSAT-2影像的散射特性有效提取冰川表碛区域，但对裸冰的识别精度较低。范宇宾等^［8］利用两景Sentinel-1A SAR影像，计算相干系数图并提取出7种纹理特征，基于SVM分类对比不同纹理特征组合下的冰川识别结果，其最高精度达到91%，识别结果优于相干系数法，但在冰川末端存在较大的误分类。传统提取方法采用有限的SAR影像特征，有极大的局限性，且对噪声敏感，使得分类结果轮廓不完整，阈值规则不易确定，难以应用于大范围冰川监测。

近年来，深度学习得到迅速发展，神经网络也被证明可应用在冰川识别领域。Zhang等^［9］使用多时序TerraSAR-X影像与Unet模型监测格陵兰冰川的长期变化。刘金洲^［10］利用TerraSAR-X和Sentinel-1 SAR影像，设计多尺度联合卷积神经网络提取美国塔库冰川，识别精度高达98%，冰川边界的识别结果与真实边界几乎一致。Kaushik等^［11］使用多源遥感数据，设计一种DNN网络模型识别喜马拉雅山脉的部分表碛覆盖型冰川，识别准确率高达96%，表明基于多特征组合的深度学习可以有效识别冰川。

研究使用2009年的ENVISAT ASAR数据，结合NASA DEM，提取相应的SAR与地形特征，基于深度学习方法，识别中国第二次冰川编目中的未更新冰川，并与光学影像的提取效果进行对比，分析该方法的精度和有效性，并对未更新冰川编目进行数据更新。

2 研究区与数据

2.1　研究区概况

中国第二次冰川编目（Chinese Glacier Inventory2.0， CGI2.0）中的未更新冰川集中分布在青藏高原东南部，地理位置介于27°32′~31°40′N，90°49′~102°06′E之间，由于藏东南的横断山和念青唐古拉山等地受南亚季风影响，常年多云层覆盖，光学遥感影像质量差，无法有效获取这些地区的冰川数据^［12］，所以这些区域仍利用第一次冰川编目替代（图1），共涉及冰川6 201条，总面积为8 753.26 km²。其中念青唐古拉山（含唐古拉山）冰川数量最多，面积达到6 575.01 km²，喜马拉雅山次之，面积为1 818.51 km²，横断山冰川数量最少，且分布离散，面积为359.74 km²。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 CGI2.0中未更新冰川的地理位置

Fig.1 Geographical location of glaciers without update in CGI2.0

2.2　数据

2.2.1　SAR数据

ENVISAT卫星是欧空局研发的对地观测卫星（http：∥esar-ds.eo.esa.int/），于2002年3月1日发射升空，所载最大设备是先进的合成孔径雷达（Advanced Synthetic Aperture Radar， ASAR），可提供极地冰川的高质量影像，ASAR工作在C波段，有5种工作模式^［13］：成像模式（Image Mode， IM）、交替极化模式（Alternating Polarization Mode， AP）、宽幅模式（Wide Swath Mode， WS）、全球监测模式（Global Monitoring Mode， GM）、波谱模式（Wave Mode， WV），该卫星于2012年4月与地球失去联系。

中国第二次冰川编目所参考的Landsat影像大部分集中在2009年^［2］，为保证时间一致性，选择2009年的ENVISAT ASAR影像。为了降低积雪对冰川边界提取精度的影响，尽可能地选择夏秋季节（6~11月）的ASAR数据，且时间跨度尽可能小，以确保识别出近乎同时期的冰川边界。使用了IM成像模式的IMP（Image Mode Precision）数据，由于IMP影像无法完全覆盖研究区域，在无影像覆盖的区域选用WS宽幅模式的WSM（Wide Swath Mode medium-resolution）数据。基于以上原则，最终选取42景IMP影像、3景WSM影像，相关信息见表1。

表1 用于第二次冰川编目更新的ENVISAT数据

Table 1 ENVISAT data for the CGI2.0 update

影像产品	空间分辨率 /m	成像日期	影像数量 /个	绝对轨道号	相对轨道号
IMP	30	2009.04.09	5	37 168	40
IMP	30	2009.06.24	4	38 256	126
IMP	30	2009.07.07	5	38 442	312
IMP	30	2009.08.08	4	38 900	269
IMP	30	2009.08.17	4	39 029	398
IMP	30	2009.08.21	3	39 086	455
IMP	30	2009.08.24	4	39 129	498
IMP	30	2009.09.18	5	39 487	355
IMP	30	2009.09.30	4	39 659	26
IMP	30	2009.11.14	4	40 303	169
WSM	150	2009.05.17	1	37 712	83
WSM	150	2009.08.04	1	38 843	212
WSM	150	2009.08.05	1	38 857	226

注：两种影像产品均为升轨、VV极化方式。

新窗口打开| 下载CSV

2.2.2　冰川编目数据

冰川编目数据使用的是中国第二次冰川编目数据（http：∥westdc.westgis.ac.cn）和全球陆地冰川空间监测计划^［14］（Global Land Ice Measurements from Space， GLMS）发布的RGI6.0版冰川边界数据（http：∥www.glims.org/RGI/）。CGI2.0用于选取深度学习的训练样本，并将其冰川边界作为分冰岭参考；在CGI2.0未更新区域，编目时间久远，集中在20世纪70年代，不具备可靠性，同区域RGI6.0的编目时间在2005年左右，故用RGI6.0选取深度学习的测试样本，对本文的识别结果进行精度评价。

2.2.3　其他辅助数据

Landsat 5是美国陆地卫星计划的第五颗卫星，其TM影像有7个波段，仅波段6的空间分辨率为120 m，其余波段的空间分辨率为30 m^［15］。2009年未更新编目区域的云雪覆盖较多，光学影像质量较差，所以2009年的Landsat-5 TM数据仅被用于冰川识别、目视解译的辅助和参考，共选出15景TM影像（表2），可覆盖所有未更新编目的冰川。

表2 本研究使用的TM影像信息

Table 2 Information of Landsat TM images used in this study

Landsat TM影像名称

获取时间

云量/%

LT51310392009049BJC00

LT51320392009120BKT00

LT51320402009344BKT01

LT51320412009328BKT01

LT51330402009303BKT00

LT51350392009013BJC00

LT51350402009269KHC00

LT51360382009308BKT00

LT51360392009036BJC00

LT51360402009308BKT01

LT51360412009308KHC00

LT51370382009171BKT00

LT51370392009315BKT00

LT51370402009315KHC00

LT51370412009347KHC00

2009.02.18

2009.04.30

2009.12.10

2009.11.24

2009.10.30

2009.01.13

2009.09.26

2009.11.04

2009.02.05

2009.11.04

2009.06.20

2009.11.11

2009.12.13

8.72

12.29

0.72

14.53

10.64

3.58

19.56

12.02

17.37

14.21

5.48

13.16

0.18

0.14

15.40

新窗口打开| 下载CSV

SRTM（Shuttle Radar Topography Mission）由美国航空航天局（National Aeronautics and Space Administration， NASA）和国防部国家测绘局（NIMA）联合测量。2020年2月13日，NASA的LP DAAC（Land Processes Distributed Active Archive Center）发布NASA DEM^［16］，在原有的SRTM DEM基础上进行改进，综合多源DEM数据，填补了数据空隙，数据精度得到有效提高，主要用来计算高程、坡度、坡向和山脊线，使用的30 m分辨率的NASA DEM数据下载于LP DAAC官网（https：∥lpdaac.usgs.gov/）。

2.3　数据预处理

ENVISAT ASAR原始影像需要进行预处理操作^［17］（轨道校正、辐射定标、平滑滤波、地形校正），整个预处理过程通过欧空局SNAP软件实现，最终得到后向散射系数和局部入射角，两组数据可基于冰川的散射特性与极化特征提取冰川边界。

利用NASA DEM数据衍生出相应的坡度数据，高程和坡度均可反应山地冰川独特的地形特征。最终得到深度学习所需的四组特征，即后向散射系数、局部入射角、高程、坡度。

Landsat TM影像由于冰雪在可见光强反射而短波红外低反射的光谱特性，可以利用归一化积雪指数法（Normalized Difference Snow Index， NDSI）来提取冰雪区域^［18］；Bolch^［19］利用冰川在近红外与短波红外的光谱特性，通过波段比值法提取冰川。实验采用NDSI与TM4/TM5两种光学特征辅助识别冰川边界，与深度学习结果进行对比，两种光学特征的阈值界限分别设置为0.5、3^［20］。

3 方法

3.1　样本制作

通过数据预处理，共获得四类特征，即高程、坡度、后向散射系数、局部入射角，这4类特征的数值范围相差较大，为提升模型的收敛速度和精度，防止梯度爆炸，需要对特征数据进行标准化处理，使数据呈现无量纲状态。标准化方式是Min-max标准化，通过线性变换，将4类特征的原始值映射到［0，1］之间。

对标准化后的4类特征进行组合，形成四通道数据，做模型训练。为保证模型识别精度，训练与测试样本的环境应近乎相似，故训练样本应尽可能选择测试样本周边的大型冰川。如图2所示，选取未更新冰川编目的区域做测试集（图中红色框线），选取测试集附近的区域作为训练集（蓝色框线）。测试集标签依据RGI6.0制作，训练集标签依据CGI2.0制作。部分未更新冰川面积过小，分布离散，未被选择为测试集，利用光学影像人工目视解译。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 冰川识别过程中深度学习的样本选取

Fig.2 Sample selection for deep learning in glacier identification

为避免训练过程中可能出现的过拟合现象，提高模型泛化能力，需要足够的数据量。数据增强通常用于增加训练集样本的数量。将训练集（图2蓝色框线）裁剪至256×256像素，采用几何变换对训练图像做数据增强，包括水平翻转、垂直翻转、对角镜像，共得到5 420张样本，并以4∶1划分出训练、验证集，得到4 336个训练样本、1 084个验证样本。将测试集裁剪至256×256像素后得到1 828个测试样本，3类样本的比例接近4∶1∶2。

3.2　U-Net网络

Unet模型^［21］在深度学习遥感领域应用广泛，它是使用全卷积网络进行图像语义级别分割的算法之一，采用典型的编码—解码框架，分为图像输入、编码、解码、图像输出4个部分。标准Unet最初于2015年提出，实验研究目标为大场景冰川，数据量大，为减少模型参数，提升识别效率，对原始Unet网络进行压缩：①通道数由1增加到4，数据量增加4倍，故将输入样本尺寸缩小，即从572×572像素调整到256×256像素；对编解码卷积块进行降维，例如，将第一个编码卷积块的卷积核数量由64降到32，依次按照两倍数量减少，则最后一个编码卷积块的卷积核数量由1 024降到512。②利用自适应学习率优化算法替代随机梯度下降法，提高模型收敛速度。

网络结构如图3所示，首先将多通道数据输入该模型中；编码过程中，通过两个3×3卷积计算后得到32通道的特征图，并利用2×2卷积进行最大池化，将图像降采样到原来的一半，通过重复以上过程4次，输入通道被卷积成64、128、256、512个特征图，进而获取图像的深层次特征；在解码过程中，通过反卷积和特征融合完成多通道数据的上采样，重复此过程4次，还原物体细节特征；最后，完成解码操作，二分类默认损失函数Binary_crossentropy，激活函数Sigmoid。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 压缩Unet模型结构

Fig.3 CompressedUnet model structure

Unet深度学习模型参数较多，其中较为重要的几类参数为批大小（Batch size）、迭代次数（Epochs）、初始学习率（Learning rate）、优化器（Optimizer）、样本划分比例等。在模型训练过程中，尝试了标准的SGD优化器以及Adagrad、Adadelta、Rmsprop、Adam^［22］共4种自适应学习率算法，绘制了不同优化器在训练集上的损失函数值变化曲线（图4）。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 不同优化器的训练损失曲线

Fig.4 Loss curves of training set under different optimizers

由图4可知，Adam优化器相较于其他优化器损失函数值下降速度最快，loss值最小，更适用于本网络。通过多次调参训练，实验将批大小设置为32，迭代次数为100次，初始学习率为0.000 1，选择Adam优化器提升训练效率。

3.3　精度评价指标

采用语义分割中常用的二分类精度评价指标——精确率（Precision，P）、平均交并比（Mean Intersection over Union， MIoU）和频权交并比（Frequency Weight Intersection over Union，FWIoU）来分析影像分类结果。其中，精确率表示预测冰川中真实冰川的比例，用于评估模型预测冰川的能力；平均交并比和频权交并比用于评估模型的综合识别性能。计算方法如下：

\{\begin{matrix} P = \frac{T P}{T P + F P} \\ M I o U = \frac{\sum_{i = 0}^{k} \frac{p_{i i}}{\sum_{j = 0}^{k} p_{i j} + \sum_{j = 0}^{k} p_{j i} - p_{i i}}}{k + 1} \\ F W I o U = \frac{\sum_{i = 0}^{k} \frac{\sum_{j = 0}^{k} p_{i j} p_{i i}}{\sum_{j = 0}^{k} p_{i j} + \sum_{j = 0}^{k} p_{j i} - p_{i i}}}{\sum_{i = 0}^{k} \sum_{j = 0}^{k} p_{i j}} \end{matrix}

（1）

其中： $T P$ 表示正类预测为正类的数量； $F P$ 表示负类预测为正类的数量； $p_{i j}$ 为 $i$ 类别像素被错分成 $j$ 的数量， $p_{i i}$ 为 $i$ 类别像素预测正确的数量，本研究为二分类，故 $k = 1$ 。

3.4　冰川边界提取

深度学习的识别结果包含连片的冰川复合边界，需要使用山脊线将冰川复合体分割成符合地形分布的子冰川群。依据格网DEM数据提取山脊线的主要方法是基于坡面曲率或水文分析提取地形特征线^［23］。实验基于坡向变率（Slope of Aspect， SOA）的方法提取山脊线^［24］，设立SOA的合理阈值为55。利用山脊线和CGI2.0的冰川边界，对冰川识别结果进行分割，得到最终的冰川边界。

4 结果与分析

4.1　识别结果及修正

实验基于Keras环境，采用NVIDIA GeForce RTX 2080Ti显卡进行模型训练。

在相同环境下，设置两组对比实验场景，比较两种Unet网络模型的性能，采用训练时间和参数数量对模型性能进行评估，选用精确率、平均交并比和频权交并比对识别结果做精度评价（表3）。

表3 模型改进前后主要指标对比

Table 3 Comparison of main indicators based on model before and after improvement

模型	训练时间/m	参数数量/个	P/%	MIOU/%	FWIOU/%
Unet	207.52	31 033 416	0.73	0.74	0.93
压缩Unet	98.50	7 760 936	0.83	0.71	0.92

注：加粗字体表示各列最优结果

新窗口打开| 下载CSV

选取测试集中的部分区域，来具体对比不同方式下的冰川识别结果。如图5所示，共有5行数据，图5（1）~图5（2）为云层覆盖的冰川区，GLMS编码为G092746E28168N和G093228E28861N，图5（3）~图5（5）是无云覆盖的冰川区，即G095025E30598N、G094248E30532N、G094245E30569N；共有7列数据（图5（b）~图5（g）中白色区域为预测的冰川），图5（a）~图5（c）是TM影像及其光学特征，图5（d）为标签数据，图5（e）和图5（f）为深度学习识别结果，图5（g）为修正结果。从图5（a）可以看出光学影像存在大量云层覆盖，人工解译困难，利用传统方法提取出的光学特征（图5（b）与图5（c））既无法识别云层覆盖的冰川，也难以提取表碛。以RGI6.0做测试标签（图5（d）），两种Unet网络的冰川识别精度（图5（e）与图5（f））达到73%、83%，说明基于SAR与地形特征的深度学习方法可以有效提取云层覆盖的冰川。对比图5（e）和图5（f）两组数据，Unet识别出的冰川错分较多，压缩Unet提取的冰川存在一定的漏分，但模型训练效率与冰川识别精度均有所提升。利用两种Unet网络的识别结果，结合光学影像和RGI6.0，通过目视解译对冰川识别结果进行人工修正（图6），得到冰川复合体边界（图5（g））。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 局部区域的预测结果对比

Fig.5 Comparison of prediction results in local areas

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 人工目视解译流程

Fig.6 The process of manual visual correction

图6展示了目视解译过程中存在的4类冰川，以Landsat TM影像作为底图，结合深度学习结果和RGI 6.0边界完成人工修正。

图6（a）~图6（d）分别代表云覆盖冰川（G099509 E30571N）、雪覆盖冰川（G094849E30548N）、纯净冰川（G092433E27865N，G092442E27882N）和表碛覆盖型冰川（G098659E28451N，G098615E28496N）。针对云雪覆盖严重的冰川区域图6（a）和图6（b），无法依据光学影像提取冰川边界，以RGI6.0边界为主要参考，结合深度学习结果进行人工修正。对于无云雪覆盖的纯净冰川图6（c），则以光学影像为主、深度学习结果和RGI6.0为辅进行人工修正。表碛覆盖型冰川如图6（d）通常无云层覆盖，存在一些特殊的地形和水文特征，例如洼地、冰川表面湖等，可依据光学影像和深度学习结果进行修正。基于修正后得到的冰川复合体边界，利用山脊线和CGI2.0的冰川边界对冰川复合体进行分割，将连片的冰川切割成独立的冰川群，以0.01 km²作为本数据集的最小冰川面积^［2］，得到分割结果。分割流程见图7。最后，基于ArcGIS软件对每条冰川做拓扑检查，通过交互检查对每条冰川进行人工修正，得到最终的矢量结果。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 冰川复合体的分割流程

Fig.7 Segmentation process of the glacier complex

4.2　冰川数据集描述

未更新冰川编目地区共解译出冰川8 374条，总面积为5 622.65 km²（如表4）。自第一次冰川编目以来，藏东南未更新区域冰川数量增加2 173条，面积减少3 130.61 km²，平均面积变化速率约为-0.89%/a，冰川整体呈退缩状态。依据山系划分冰川区域，发现所有山系的冰川变化均呈现：冰川数量增加、冰川面积减少，其中冰川消融最严重的区域是喜马拉雅山，冰川面积变化率为-37.07%，念青唐古拉山-36.51%，横断山-15.54%。

表4 依据山系统计更新前后的冰川变化信息

Table 4 Updated glacier change information based on mountain statistics

山系名称	未更新编目		更新后编目		冰川面积变化率/%
山系名称	冰川数量/条	冰川面积/km²	冰川数量/条	冰川面积/km²	冰川面积变化率/%
横断山	410	359.74	716	303.83	-15.54
喜马拉雅山	1 656	1 818.51	1 694	1 144.42	-37.07
念青唐古拉山	4 135	6 575.01	5 964	4 174.40	-36.51
总计	6 201	8 753.26	8 374	5 622.65	-35.77

注：加粗列为本数据集冰川信息

新窗口打开| 下载CSV

在编目过程中，CGI2.0存在漏编、分裂、退缩、消失的冰川，如图8（a）的冰川（G091252E27959N、G091249E27944N、G091259E27952N等）漏编，图8（b）冰川（G098108E28696N、G098122E28690N）分裂成不同规模的小冰川，图8（c）的冰川（G097792 E28496N、G097800E28493N、G097804E28496N等）呈退缩状态，图8（d）的冰川（G093475E28989N、G093482E28990N、G093487E28988N）完全消失。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 CGI2.0中的漏编冰川、分裂冰川、退缩冰川及消失冰川

Fig.8 Missing， splitting， retreating and disappeared glaciers in CGI2.0

4.3　数据属性表

参考中国第一次与第二次冰川编目^［1，25］以及中国西部冰川编目数据^{［12，26］}，将地理坐标系和投影坐标系统分别设置为GCS_WGS_1984和Asia_North_Albers_Equal_Area_Conic，CGI2.0未更新冰川编目共设置了20个字段属性（表5），可反映冰川的几何、地形、时间等信息，字段的属性赋值方式与第二次冰川编目一致。

表5 本数据集的字段属性及描述

Table 5 Field properties and descriptions of this dataset

编号	字段名称	数据类型	字段描述	编号	字段名称	数据类型	字段描述
1	FID	Object ID	标识码	11	Slo_mean	Double	冰川平均坡度
2	Shape	Geometry	几何类型	12	Alti_min	Double	冰川最小高程
3	Perimeter	Double	冰川周长	13	Alti_max	Double	冰川最大高程
4	Area	Double	冰川面积	14	Alti_mean	Double	冰川平均高程
5	Volume	Double	冰川体积	15	Asp_mean	Double	冰川平均坡向
6	GLMS_ID	Text	冰川编码	16	Drng_01	Text	冰川所在流域
7	Lon_GLC	Double	冰川质心经度	17	Mtn_name	Text	冰川所在山系
8	Lat_GLC	Double	冰川质心纬度	18	Pref_name	Text	冰川所在行政区划
9	Image	Text	主要遥感影像	19	Time	Text	冰川具体时间
10	Image_2	Text	辅助遥感影像	20	Error	Double	相对面积误差

注：Drng_01为冰川编目所在一级流域编码

新窗口打开| 下载CSV

在人工交互修正的过程中存在不可避免的误差，需对数据质量进行评估，Hanshaw等^［27］研究指出，理论上冰川面积的测量误差呈正态或高斯分布，可以采用下式计算冰川面积误差：

\{\begin{matrix} E r r o r (1 σ) = (\frac{P_{i}}{G}) ∙ 0.6872 ∙ \frac{G^{2}}{2} \\ y_{i} = \frac{E r r o r (1 σ)}{x_{i}} \end{matrix}

（2）

其中： $P$ 是单条冰川的周长； $G$ 是修正影像的空间分辨率，即用到的Landsat TM影像空间分辨率（30 m）；0.687 2指的是随机误差项，即一倍标准偏差（1 $σ$ ），则 $E r r o r (1 σ)$ 为单条冰川的面积误差； $x$ 为冰川的面积； $y$ 为冰川的相对面积误差。

经计算得，研究区内的冰川面积误差为±303.58 km²，占总冰川面积的±5.4%。如图9所示，本数据集各冰川面积 $x$ 与其相对面积误差 $y$ 成幂指数关系。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 本数据集的冰川面积相对误差

Fig.9 Relative error of glacier area in this dataset

5 结论

针对CGI2.0中未更新的冰川，选择ENVISAT ASAR影像和NASA DEM作为主要数据源，利用Unet及其压缩网络模型，通过深度学习方法识别冰川，对CGI2.0中的替代冰川进行更新。采用RGI6.0对预测结果进行评估，两种Unet模型提取冰川的精确率分别为73%、83%，表明在云层覆盖区域，利用SAR与地形特征数据基于深度学习方法提取冰川的方式是有效的。

中国第二次冰川编目未更新地区的冰川共有8 374条，总面积为5 622.65±303.58 km²，冰川面积误差为±303.58 km²，占总冰川面积的±5.4%。与CGI2.0相比，未更新编目区域的冰川面积共减少了3 130.61 km²，冰川数量增加了2 173条。冰川整体变化趋势为表碛回退、冰川碎片化。

深度学习的识别结果与样本标签有很大关系，本文训练、测试集标签分别参考CGI2.0、RGI6.0制作，其中RGI6.0测试标签日期集中在2005年，SAR影像获取日期为2009年，两期的冰川边界存在一定差异。此外，深度学习在基于遥感手段的冰川识别领域有较大的潜力，在今后的研究当中可以利用多种深度学习模型来提取冰川边界，如VGG、Deeplab、Transoformer等，将多种模型的提取结果进行集成，以提高模型训练效率和冰川识别精度。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

LIU

Chaohai

， SHI

Yafeng

， WANG

Zongtai

， et al.

Chinese glacier resources and their distribution characteristics——Compilation of Chinese glacier inventory completed

［J］. Journal of Glaciology and Geocryology，2000，22（2）：106-122.

[本文引用: 2]

刘潮海，施雅风，王宗太，等.

中国冰川资源及其分布特征——中国冰川目录编制完成

［J］. 冰川冻土，2000，22（2）：106-112.

[本文引用: 2]

[2]

GUO

W Q

， LIU

S Y

， XU

， et al.

The second Chinese glacier inventory： Data， methods and results

［J］. Journal of Glaciology， 2015， 61（226）： 357-372. DOI： 10.3189/2015JoG14J209

[本文引用: 4]

[3]

SHI

Yafeng

， WANG

Zongtai

， LIU

Chaohai

Progress and problems of glacier inventory in China

［J］. Journal of Glaciology and Geocryology，1982，4（2）：27-33.