1. 研究背景
冰川对全球温度和降水的变化高度敏感，使其成为气候变化的重要指标，并被全球气候观测系统（GCOS）计划认定为一项重要的气候变量。
在过去的几十年里，全球绝大多数冰川的规模都在缩小，并预计将继续退缩。无论温室气体排放情景如何，到2100年，可能有大约49%的冰川将消失。这种冰川质量的损失显著地推动了海平面的上升，自1961年以来，冰川融化贡献了约25%至30%的观测海平面上升，其中阿拉斯加、加拿大北极、格陵兰外围、南安第斯山脉、俄罗斯北极以及斯瓦尔巴德等地区占有最大的份额。从冰川导致的海平面上升的预测来看，到本世纪末，预计数百万家庭将处于高潮线以下，这对这些地区构成了严重威胁。
此外，冰川径流可以弥补低流量季节的水资源不足，并在干旱期间缓解水资源短缺。冰川退缩影响水力发电、饮用水质量、农业生产力、生态系统和生物多样性，并与冰湖溃决洪水相关，这可能带来灾难性后果，尽管其严重程度往往会随着时间的推移而减弱。
2.创新之处
本研究对全球冰川制图领域作出了多项贡献。我们引入了一种convolutional-Transformer深度学习模型，并发布了一套综合的多模态数据集（约400 GB），利用开放的光学和SAR卫星数据在单一语义分割框架中的潜力。该数据集涵盖了多样化的冰川环境，包含了全球9%的冰川。我们探讨了五种基于深度学习的模型策略，旨在实现跨区域、卫星传感器和时间的高模型泛化能力。
3. 关键图表
图1 使用具有区域编码和偏差优化的GlaViTU对独立采集测试数据进行语义分割的结果
图2 通过蒙特卡洛dropout推导置信度的可靠性图
4. 主要结论
准确的全球冰川制图对于理解气候变化的影响至关重要。尽管其重要性已经显而易见，但全球范围内的自动化冰川制图仍然很少被探索。在此，我们针对这一空白提出了Glacier-VisionTransformer-U-Net（GlaViTU），一种convolutional-Transformer深度学习模型，以及五种利用开放卫星影像进行多时相全球冰川制图的策略。通过评估空间、时间和跨传感器的泛化能力，我们的最佳模型策略在大多数情况下对先前未观测图像的intersection over union（交并比，注：通过网络获取此单词含义）达到>0.85，而在高山亚洲等富含碎屑的区域下降至>0.75，在以洁净冰为主的区域则提高至>0.90。与人类专家在面积和距离偏差方面的不确定性进行对比验证，进一步证明了GlaViTU模型的性能，接近或达到专家级划分水平。加入合成孔径雷达数据提高了所有可用制图区域的精度。我们还给出了冰川识别范围的校准置信度，使预测更加可靠和可解释。此外，我们发布了一个覆盖全球9%冰川的基准数据集。
5. 发表信息
Maslov, K.A., Persello, C., Schellenberger, T. et al. Globally scalable glacier mapping by deep learning matches expert delineation accuracy. Nat Commun 16, 43 (2025). https://doi.org/10.1038/s41467-024-54956-x
6．声明
（1）小编水平有限，文章分析和理解均是个人见解，强烈推荐通过合理渠道获取原文，直接进行阅读。
（2）文稿涉及的材料仅为交流学习，如涉及版权和其他问题，请联系删除，小编对此表示歉意，邮箱：xu_xibo@126.com。
