IceWatch：利用多模态深度学习预测冰川湖溃决洪水
机器学习
2026-01-21 v1 人工智能
摘要
冰川湖溃决洪水（GLOFs）对高山地区构成严重威胁，危及下游社区、基础设施和生态系统。GLOF 检测与预测的经典方法迄今主要依赖水文建模、基于阈值的湖泊监测和人工卫星图像分析。这些方法存在若干缺点：更新缓慢、依赖人工，以及在云层干扰和/或缺乏现场数据时精度下降。为应对这些挑战，我们提出 IceWatch：一种融合空间和时间视角的新型 GLOF 预测深度学习框架。IceWatch 的视觉组件 RiskFlow 使用基于 CNN 的分类器处理 Sentinel-2 多光谱卫星图像，并根据雪、冰和融水的空间模式预测 GLOF 事件。其表格数据对应组件通过考虑物理动力学来确认此预测。TerraFlow 根据 NASA ITS_LIVE 时间序列对冰川速度进行建模，而 TempFlow 根据 MODIS LST 记录预测近地表温度；两者均在长期观测档案上训练，并通过协调的预处理和同步进行集成，以实现多模态、物理信息驱动的 GLOF 预测。两者共同提供交叉验证，这将提高 GLOF 检测的可靠性和可解释性。该系统确保了强大的预测性能、适用于实时使用的快速数据处理能力，以及对噪声和缺失信息的鲁棒性。IceWatch 为自动化、可扩展的 GLOF 预警系统铺平了道路，并具有集成多样化传感器输入和全球冰川监测活动的潜力。
引用
@article{arxiv.2601.12330,
title = {IceWatch: Forecasting Glacial Lake Outburst Floods (GLOFs) using Multimodal Deep Learning},
author = {Zuha Fatima and Muhammad Anser Sohaib and Muhammad Talha and Ayesha Kanwal and Sidra Sultana and Nazia Perwaiz},
journal= {arXiv preprint arXiv:2601.12330},
year = {2026}
}