基于深度学习的全球可扩展冰川制图达到专家级勾绘精度

准确的全球冰川制图对于理解气候变化影响至关重要。尽管其重要性不言而喻，但全球尺度的自动化冰川制图在很大程度上仍未得到探索。在此，我们填补了这一空白，提出了Glacier-VisionTransformer-U-Net（GlaViTU），一种卷积-Transformer深度学习模型，以及利用开放卫星影像进行多时相全球尺度冰川制图的五种策略。对空间、时间和跨传感器泛化能力的评估表明，在大多数情况下，我们的最佳策略在先前未见的图像上实现了大于0.85的交并比，在碎片丰富的区域（如高亚洲山区）该指标降至大于0.75，而在以纯净冰为主的区域则增至大于0.90。通过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，突显了GlaViTU的性能，其接近或达到了专家级的勾绘水平。添加合成孔径雷达数据，即后向散射和干涉相干性，提高了所有可用区域的精度。报告了冰川范围的校准置信度，使得预测更加可靠和可解释。我们还发布了一个覆盖全球9%冰川的基准数据集。我们的结果支持了实现自动化多时相全球冰川制图的努力。