يُعد التعرف على الأنهار الجليدية ذا أهمية كبيرة لمراقبة الموارد المائية والتغيرات المناخية في المناطق المحيطة. تحتوي صور SAR المستقطبة الكاملة على ميزات غنية مثل تشتت سطح الأرض، التشتت الزوجي، التشتت الحجمي، والخصائص الإحصائية، بينما يمكن للتعلم العميق استغلال معلومات الصور بشكل كامل، لذلك فإن استخدام صور SAR المستقطبة الكاملة مع التعلم العميق يمكن أن يوفر نتائج دقيقة في التعرف على الأنهار الجليدية. تستند هذه الدراسة إلى صور ALOS2-PALSAR المستقطبة الكاملة من الطرف الغربي لسلسلة جبال الهيمالايا، حيث تم التعرف على الأنهار الجليدية باستخدام شبكة استخراج الميزات VGG16 مع نموذج الشبكة العصبية التفافية الكاملة U-net المدمجة في VGG16-unet. تشمل الميزات المستخدمة عناصر قطر مصفوفة التماسك المستقطب، وفريمان-دوردن، H/A/α، باولي، فانزيل، ياماجوشي، وهذه 5 معلمات تحلل استقطاب بمجموع 19 ميزة. لاستغلال معلومات الصور بالكامل، تم تحليل وتركيب هذه الميزات ومقارنة دقة التعرف على الأنهار الجليدية بينها لاختيار أفضل ميزة. ونظرًا لاختلاف تضاريس الأنهار الجليدية وغير الأنهار الجليدية بشكل واضح، فقد تم دمج بيانات DEM، الانحدار، وزاوية السقوط المحلية كميزات مساعدة مع ميزات الاستقطاب. من خلال مقارنة دقة تصنيف ميزات الاستقطاب المختلفة، تبين أن ميزات باولي، فريمان-دوردن، فانزيل، ياماجوشي ذات الخصائص الفيزيائية تحقق دقة تصنيف عالية، وكانت دقة تصنيف ميزات باولي هي الأعلى حيث بلغت الدقة العامة (OA) 92.54% ومتوسط مقياس التداخل للمستخدم (mIoU) 78.78%. بعد إضافة بيانات التضاريس، ارتفعت الدقة العامة (OA) إلى 94.34% ومتوسط مقياس التداخل للمستخدم (mIoU) إلى 82.35%. ولزيادة دقة التعرف على الأنهار الجليدية أكثر، تم اقتراح طريقة دمج متقاطع لميزات SDV (انتشار السطح، التشتت الزوجي، التشتت الحجمي) التي تم اختيارها بناءً على الدقة العامة (OA) ومعدل الاستدعاء (Recall) للميزات أحادية النطاق، وأظهرت النتائج أن هذا الدمج وصل إلى دقة عامة (OA) بلغت 94.98% ومقياس تداخل للمستخدم (mIoU) بلغ 85.67%، أي أعلى بنسبة 0.64% و3.32% على التوالي مقارنة بدقة تصنيف ميزات باولي. تشير النتائج المذكورة إلى أن اختيار أفضل تركيبة من الميزات ودمجها مع التعلم العميق يلعب دورًا مهمًا في تحسين دقة التعرف على الأنهار الجليدية.

الاستشعار عن بعد; الأنهار الجليدية; ALOS2-PALSAR; تحليل الاستقطاب; تقسيم الصور; التعلم العميق; الهيمالايا