HA.247 [冰川湖制图与深度学习]基于深度迁移学习和标注冰川湖数据集的冰川湖制图

Ma D, Li J, Jiang L. Efficient glacial lake mapping by leveraging deep transfer learning and a new annotated glacial lake dataset[J]. Journal of Hydrology, 2025: 133072. 

https://doi.org/10.1016/j.jhydrol.2025.133072

冰川湖制图；机器学习；深度迁移学习；标注数据集

冰川湖作为冰冻圈的重要组成部分，被广泛视为气候变化的重要指示器。尽管卫星影像为监测其动态变化提供了一种便捷的手段，但传统方法往往依赖人工解读，存在主观性强、效率低下等问题。近年来，深度学习技术展现出广阔的应用前景，然而其发展受到标注冰川湖数据集稀缺的限制。

    针对这一问题，我们构建并发布了首个公开可用的冰川湖图像数据集（Glacial Lake Image Dataset, GLID）。该数据集包含18,367对样本，来源于包括WorldView-2、Sentinel-2、Landsat-8和高分二号在内的36景遥感图像，覆盖整个喜马拉雅地区。基于GLID数据集，我们提出了一种可迁移的深度学习网络用于冰川湖提取，并在多个不同区域（如北美、南美、格陵兰和高山亚洲）中均展现出良好的迁移能力。

    本研究创建了覆盖整个喜马拉雅地区的标注冰湖数据集GLID（图1），冰湖根据其相对于母冰川的位置关系或根据其形成机制分为四种类型。如图2所示，冰前湖通常与冰舌直接相连，而冰上湖则形成于冰川表面；非相连冰湖不与冰川直接接触，而冰缘湖则分布在冰川边缘。 GLID采用的影像源包括WorldView-2、Sentinel-2、Landsat-8和Gaofen-2等。与现有的冰湖数据集不同，GLID既包括标注后的冰湖，也包括对应的影像。

图1. GLID 数据集中标注的冰川湖位置

图2. GLID 数据集中四种冰川湖的影像及其对应的标签

数据集：

https://zenodo.org/records/14838695