基于深度学习的冰川湖自动监测框架及其在兴都库什-喀喇昆仑-喜马拉雅区域的应用研究

《Journal of Hydro-environment Research》：An advanced deep learning framework for mapping glacial lakes and its application in the Hindu Kush-Karakoram-Himalaya region

本文提出了一种融合U-Net深度学习模型与多源掩膜技术（云、阴影、积雪）的自动化冰川湖制图框架，在HKH区域的实证研究表明该方法能生成高质量冰川湖数据集（最小制图单元0.02?km2），精准揭示2000-2022年间冰川湖数量增加325个、面积扩张72.58±6.20?km2的时空异质性，为冰川湖溃决洪水（GLOF）风险评估提供了关键技术支撑。

　　

研究亮点

本研究开发的先进深度学习框架，就像给卫星影像装上了"智能眼镜"，能精准识别兴都库什-喜马拉雅区域（HKH）的冰川湖。通过训练有素的U-Net模型配合云层、阴影、积雪和地形遮蔽等多重掩膜技术，我们成功构建了高质量冰川湖数据集，最小能捕捉到0.02?km²的湖泊，相当于3个标准足球场的大小！

模型表现

在模型比拼中，采用6波段影像输入的U-Net模型表现最亮眼，其精确度（0.88）、召回率（0.96）、F1分数（0.92）和交并比（0.84）全面领先，就像一位拥有"火眼金睛"的检测专家，能有效区分冰川湖与易混淆的积雪、阴影区域。

2022年冰川湖数据集与既往公共数据集对比

我们的2022年冰川湖数据集（GLD 2022）与三大经典数据集（Wang等、Shugar等、Chen等）的"同台竞技"显示：与Wang数据集的一致性高达88.49%，而Shugar数据集仅为35.66%。这种差异就像不同倍率的显微镜观察结果，主要源于冰川湖定义标准（如缓冲区设置）和冰川范围判定的不同。

结论

本研究的深度学习框架如同给HKH区域装上了"时空监测仪"，揭示出22年间冰川湖数量增长5.11%的规律。值得注意的是，冰缘接触型湖泊面积扩张最为显著，这直接响应了冰川退缩的进程。这套方法论为理解气候变化对高山地貌的影响提供了新的"解码器"，将显著推动冰川湖溃决洪水（GLOF）风险评估的精准化进程。