CryoNet：用于多模态碎屑覆积冰巡图测绘的深度学习框架。以中印度洲波意克盆地为案例研究
图像与视频处理
2026-05-22 v1 计算机视觉与模式识别
机器学习
摘要
冰川作为淡水资源和气候变化指示器发挥着关键作用，但由于光谱与周边地形相似，冰川的自动描绘（尤其是碎屑覆积冰川）仍具有挑战性。本研究引入CryoNet，一种深度学习框架，利用融合了哨兵-2光学遥感影像、DEM派生的地形变量、光谱指数、主成分分析（PCA）、InSAR相干性和相位、套扭带特征以及GLCM纹理等丰富多模态数据集，以判别干净冰川、碎屑覆积冰川和冰川湖。CryoNet是一种基于ResNet101编码器的编码器-解码器CNN，采用嵌套跳跃连接和空间-通道Squeeze-and-Excitation（scSE）注意力机制，以捕获层次化上下文和空间特征。该研究在中印度洲波意克盆地进行，评估通过将训练好的模型应用于阿尔卑斯山蒙布朗克量体的可迁移性。我们还分析了每一数据层在提高冰川图测性能中的重要性。该模型在整体IoU达到90.52%，平均召回率为98.08%，平均精确率为92.26%。针对碎屑覆积冰川，CryoNet获得IoU为90.46%，召回率为95.79%，精确率为94.21%。在所有指标上，CryoNet均优于DeepLabV3+、SegFormer和U-Net等当前最先进（SOTA）参考模型，证明其在复杂高山环境中实现稳健冰川图测的有效性。
引用
@article{arxiv.2605.21527,
title = {CryoNet: A Deep Learning Framework for Multi-Modal Debris-Covered Glacier Mapping. A Case Study of the Poiqu Basin, Central Himalaya},
author = {Farzaneh Barzegar and Tobias Bolch and Norbert Kuehtreiber and Silvia L. Ullo},
journal= {arXiv preprint arXiv:2605.21527},
year = {2026}
}
备注
15 pages, 10 figures, 5 tables. Preprint submitted to IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing (JSTARS); currently under review