论文部分内容阅读
作为世界上重要的淡水资源,冰川对于地球环境的研究,特别是全球气候变化的研究有着至关重要的作用。首先,冰川对于全球气候的变化十分敏感,冰川面积的变化受到由于气候改变促使的地表质量平衡变化的影响。其次,在过去的一个世纪中,冰川消融是全球海平面上升的主要原因。此外,冰川与人类生产生活有着密切的联系,对于蓄水以及调节径流有着十分重要的作用。卫星监测技术尤其是多光谱卫星为地面目标的监测提供了丰富的光谱信息,对于冰川监测方面具有巨大的优势。其中欧空局发射的Sentinel-2卫星具有高空间分辨率、较短重访周期以及免费的用户访问等特点,受到国内外学者的关注。为了研究Sentinel-2影像对于冰川监测的潜力,本文进行了以下研究:(1)针对Sentinel-2影像具有丰富波谱信息以及地物之间具有空间相关性的特点,本文提出了一种空间光谱模块,能够通过抑制或者突出影像中的空间和光谱信息,来建立波段或者空间的相关性,使得更有效的利用Sentinel-2影像的信息对冰川进行提取并减小环境的影响。(2)为了能够实现更快更准确的实现冰川提取,本文针对UNet神经网络结构做出调整优化,讨论空间光谱模块在UNet神经网络的最佳位置以提高分类精度,为了证明提出模型的优越性,与传统的冰川分类方法以及经典神经网络进行对比。(3)为了研究模型的泛化能力,本文针对改进的UNet神经网络随着时间变化的稳定性进行评估,采用不同的时间间隔的训练集和测试集对模型的时间相关性进行量化并评定其测试精度。此外,本文针对冰川对于气候变化的响应进行了实验分析。本文利用Sentinel-2影像对冰川提取算法进行分析,提出一种基于深度神经网络的冰川提取算法,并与经典冰川提取方法进行实验对比。结果表明,本文所提出的神经网络对于冰川提取具有更高的准确性以及稳定性,这为快速准确的在复杂环境下进行冰川提取提供了技术支持。