基于Swin Transformer与U-Net融合的冰川无碎屑覆盖区自动提取模型及其在亚洲高山区冰川变化监测中的应用

为解决传统冰川边界提取方法受季节性积雪、云影及冰湖干扰的问题，中国科学院研究人员开发了GlacierSTR-UNet模型，通过集成Swin Transformer编码器和ResNet解码器提升NDCAG（非碎屑覆盖冰川区）提取精度。该模型在Google Earth Engine平台实现多时相遥感数据高效处理，最终NDCAG数据集（2015/2016-2022/2023）显示亚洲高山区冰川面积减少4,185.12±7,870.96 km2，总体精度达0.8817，为冰川水资源评估提供新范式。

　　

在全球变暖背景下，冰川作为"地球水塔"正加速消融，亚洲高山区（HMA）的冰川变化直接影响下游数亿人口的供水安全。然而，传统冰川边界提取依赖人工解译，存在效率低、主观性强等问题，且易受季节性积雪、云影和冰湖干扰。例如，日本团队对同一时期HMA冰川面积的两次解译结果相差10.3%，凸显人工方法的局限性。更棘手的是，现有自动提取模型如U-Net和DeepLab V3+因卷积操作的局部性限制，难以捕捉冰川全局特征，导致提取结果碎片化。

为突破这些技术瓶颈，中国科学院的研究团队创新性地开发了GlacierSTR-UNet模型。该研究通过融合Swin Transformer（ST）的全局建模能力和U-Net的局部特征提取优势，结合Google Earth Engine（GEE）云平台的计算能力，实现了亚洲高山区非碎屑覆盖冰川区（NDCAG）的高精度自动化提取。相关成果发表在《International Journal of Applied Earth Observation and Geoinformation》上，为冰川变化监测提供了新范式。

研究团队采用多源遥感数据协同分析的策略，主要技术方法包括：1）基于Landsat系列卫星构建包含光谱波段、NDSI指数、地表温度（LST）等16维特征的数据集；2）开发GlacierSTR-UNet模型，其编码器采用分层Swin Transformer捕捉全局上下文，解码器引入ResNet块优化梯度流动；3）在GEE平台部署模型并设计像素级合成算法，聚合多时相提取结果消除单幅影像的干扰因素；4）采用缓冲区法评估边界不确定性，通过7个独立测试区验证模型泛化能力。

模型构建与性能验证
GlacierSTR-UNet在8个对比模型中表现最优，IOU达0.7399，较传统U-Net提升12.4%。其创新性在于：ST编码器通过4×4非重叠块嵌入将图像转换为256维特征，配合窗口移位机制增强全局建模；而ResNet解码器通过跳跃连接缓解梯度消失。实验显示，加入NDSI和地形特征后模型精度提升显著，其中SNTDC（光谱+指数+温度+地形+纹理）组合使OA（总体精度）达0.908。

多时相合成算法
针对单幅影像易受干扰的问题，研究提出"三次否决"原则：若某像素在≥3幅影像中被判为非冰川，则在合成结果中修正。在普若岗日冰原的验证表明，该方法使自动与人工解译结果差异<1.3%，且耗时仅为传统方法的1/5。

冰川变化监测应用
2015/2016至2022/2023年间，HMA的NDCAG面积缩减4,185.12±7,870.96 km²，其中藏东南岗日嘎布山区退缩最显著（>10%）。值得注意的是，模型成功识别出西帕米尔地区少数前进冰川，证实其捕捉异质性变化的能力。

讨论与展望
该研究的突破在于：首次将视觉Transformer引入冰川提取领域，通过ST-UNet架构实现局部与全局特征的协同优化；提出的像素级合成算法有效克服了单时相数据的局限性。不过，研究也存在三方面局限：1）未涉及碎屑覆盖冰川区，因其光谱与基岩相似；2）模型在持续云覆盖区性能下降；3）30米分辨率限制了对冰川边缘微小变化的捕捉。

这些发现具有重要应用价值：建立的2015-2023年HMA冰川数据集，为评估"亚洲水塔"变化提供了基准数据；开发的GEE自动化流程，使大区域冰川年度监测成为可能。未来研究将融合Sentinel-1 SAR数据提升云下监测能力，并开发轻量化模型以适配全球尺度应用。这项技术不仅适用于冰川研究，其多时相特征融合思路也可拓展至湿地、森林等动态生态系统监测领域。