RS DL
论文介绍
题目：Globally scalable glacier mapping by deep learning matches expert delineation accuracy
期刊：Nature Communications
论文：https://www.nature.com/articles/s41467-024-54956-x
代码：https://github.com/konstantin-a-maslov/scalable_glacier_mapping
数据：
https://archive.sigma2.no/pages/public/datasetDetail.jsf?id=10.11582/2024.00168
创新点
提出 GlaViTU 模型，全球首个结合 CNN 和 Transformer 的冰川制图深度学习框架，能够同时捕捉局部细节和全球特征，提高冰川制图精度和适应性。 实现全球自动化冰川制图，通过深度学习替代人工描绘，使大规模、多时相的冰川边界提取更加高效和稳定，减少人为误差。 构建全球最大冰川制图数据集，整合 Sentinel-2、Landsat、SAR 和 DEM 数据，覆盖全球 9% 冰川区域，并支持多时相分析（1988-2020）。 优化模型的泛化能力，提出五种训练策略，包括区域微调、坐标编码和区域偏差优化，使模型能够适应不同冰川环境和时空变化。 引入 SAR 数据提升制图精度，通过合成孔径雷达后向散射和干涉相干性数据，提高碎屑覆盖冰川、阴影区域和云遮挡情况下的分类准确性。
数据
数据来源 主要使用开源卫星数据，包括 Sentinel-2、Landsat 5/7/8、合成孔径雷达（SAR）数据（Sentinel-1） 和 数字高程模型（DEM），以提高冰川制图的准确性。 数据覆盖范围 构建了一个全球冰川数据集（约 400GB），涵盖全球 9% 的冰川区域，包括不同气候、地形和冰川类型，增强模型的泛化能力。 数据特点 包含多时相数据，数据集跨越 1988 年至 2020 年，支持长期冰川变化分析，并利用不同时间的影像进行模型训练和验证。 多模态数据融合，结合光学影像（可见光、近红外、短波红外）、SAR 数据（后向散射、干涉相干性）、DEM（地形信息），以提供更全面的冰川特征信息。 光学影像（Sentinel-2, Landsat 5/7/8） → 主要用于清冰和碎屑覆盖冰川的区分。
合成孔径雷达（SAR，Sentinel-1） → 通过后向散射和干涉相干性信息，提高阴影区域、碎屑冰川和多云天气下的识别能力。
数字高程模型（DEM） → 提供冰川的地形信息，辅助区分冰川和非冰川区域，特别是高山地区。 数据预处理 标准化，所有影像被处理为10×10 km² 标准化瓦片，确保模型输入一致性，并采用数据增强技术提高模型的鲁棒性。 数据标签来源 使用 Randolph Glacier Inventory（RGI）、Global Land Ice Measurements from Space（GLIMS） 以及专家手动描绘数据作为训练标签，以保证制图精度。
方法
深度学习模型：GlaViTU
模型架构：GlaViTU 结合 卷积神经网络（CNN）和视觉 Transformer（ViT），既能提取局部纹理特征，又能建模大尺度空间信息。 输入数据：输入为 多通道卫星数据（光学、SAR、DEM），并通过融合不同数据类型的信息来提高冰川分类能力。 输出结果：模型预测每个像素的冰川类别，生成高精度的冰川边界图，最终用于自动化制图。
五种制图优化策略
全球策略
训练单一模型，适用于全球所有冰川区域。 适用于数据分布均匀的情况，但在区域特异性较强的地方可能表现不佳。
区域策略
针对不同的地理区域（如阿尔卑斯山、喜马拉雅、南极等），分别训练独立模型。 适用于区域差异较大的冰川，但模型泛化能力较弱，难以推广到新区域。
微调策略
先训练一个全球模型，再对每个区域进行局部微调，调整模型参数以适应区域特征。 结合全球模型的泛化能力和区域模型的精细化优势，取得更好的制图效果。
区域编码策略
在模型输入中加入区域位置编码（如 one-hot 编码），让模型知道输入数据的地理位置，并针对不同区域调整预测偏差。 能够在不增加训练复杂度的情况下提高跨区域制图精度。
坐标编码策略
直接使用影像的经纬度信息作为输入特征，使模型能够理解空间分布模式，增强对不同区域的适应能力。 适用于跨大陆冰川制图，提高模型对未见数据的泛化能力。
结果与分析
可视化
不同制图策略的对比
全球策略：泛化能力强，但在某些特定区域（如高山冰川）精度较低。
区域策略：对本地冰川精度高，但难以推广到新区域。
微调策略：结合全球模型的泛化能力和区域模型的局部适应性，表现最佳。
区域编码策略：轻量化方式提升模型在不同区域的适应性，提升 2%-3% 的 IoU。
坐标编码策略：进一步提升泛化能力，尤其在数据分布不均的区域表现更稳定。
数据输入对比实验
光学（Sentinel-2/Landsat）: 适用于清冰和大多数冰川，但在碎屑覆盖和阴影区域存在局限。
光学 + DEM: 显著提升高山地区的精度，但对碎屑冰川影响有限。
SAR（Sentinel-1）: 有效改善碎屑冰川识别，但易受地表散射变化影响。
光学 + SAR : 综合表现最佳，特别是在云层遮挡和碎屑冰川区域提升明显。
光学 + SAR + DEM : 提升精度的同时，提高模型的时空泛化能力，减少跨区域误差。
传统光学阈值法（Red/SWIR 1.6μm 阈值）： 易误分类水体，对碎屑冰川检测不佳。 基于专家标注的 GLIMS/RGI : 精度高，但受人工误差和数据更新频率影响，部分区域数据过时。 GlaViTU : 整体精度更高（IoU 提高 10-15%），特别是在碎屑覆盖冰川、云层遮挡区域表现更稳定。
更多图表分析可见原文
公众号欢迎优秀作者投稿！投稿说明请查看：投稿说明
2024-08-11
2024-07-20
2024-06-26
2024-06-10
欢迎关注
分享遥感与深度学习领域的技术、论文、书籍、新鲜事。
欢迎加入遥感与深度学习交流群(点此加入)。
