GlacierNet2：用于高山冰川制图的混合多模型学习架构
图像与视频处理
2022-08-02 v2 机器学习
摘要
近几十年来，气候变化显著影响了冰川动力学，导致物质损失以及包括冰面湖和冰前湖发育、以及灾难性溃决洪水在内的冰川相关灾害风险增加。快速变化的条件要求对气候-冰川动力学进行连续而细致的观测与分析。关于冰川几何形状的专题与定量信息，是理解气候强迫及冰川对气候变化敏感性的基础，然而，基于光谱信息和常规机器学习技术准确制图含冰碛覆盖冰川（DCGs）是众所周知的困难。本研究旨在改进早前提出的基于深度学习的方法GlacierNet，其开发用于利用卷积神经网络分割模型精确勾绘区域DCG消融区。具体而言，我们开发了增强的GlacierNet2架构，它融合多个模型、自动后处理以及流域级水文流动技术，以改进DCG制图，使其同时包含消融区与积累区。实验评估表明，GlacierNet2改进了消融区估算，并达到高水准的交并比（IOU: 0.8839）分数。所提架构在区域尺度上提供完整冰川（含积累与消融区）轮廓，总体IOU分数为0.8619。这是实现完整冰川制图自动化的关键第一步，可用于精确的冰川建模或物质平衡分析。
引用
@article{arxiv.2204.05818,
title = {GlacierNet2: A Hybrid Multi-Model Learning Architecture for Alpine Glacier Mapping},
author = {Zhiyuan Xie and Umesh K. Haritashya and Vijayan K. Asari and Michael P. Bishop and Jeffrey S. Kargel and Theus H. Aspiras},
journal= {arXiv preprint arXiv:2204.05818},
year = {2022}
}