Die Gletscherekennung ist von großer Bedeutung für die Überwachung von Wasserressourcen und Klimaveränderungen in den umliegenden Gebieten. Vollpolarisierte SAR-Bilder enthalten reichhaltige Merkmale wie Oberflächenstreuung, doppelte Streuung, Volumenstreuung und statistische Eigenschaften, während Deep Learning die Bildinformationen vollständig nutzen kann. Daher kann durch die Verwendung vollpolarisierter SAR-Bilder in Kombination mit Deep Learning eine präzise Gletscherekennung erzielt werden. Diese Arbeit basiert auf vollpolarisierten ALOS2-PALSAR-Bildern vom westlichen Rand des Himalaya und verwendet das VGG16-Merkmalsextraktionsnetzwerk in Kombination mit dem vollständig konvolutionalen neuronalen Netzwerkmodell U-net, dem sogenannten VGG16-unet, zur Gletscherekennung. Die verwendeten Merkmale umfassen diagonale Elemente der polarimetrischen Kohärenzmatrix, Freeman-Durden, H/A/α, Pauli, VanZyl und Yamaguchi — insgesamt 19 polarisationszerlegungsspezifische Merkmale. Um die Bildinformationen vollständig zu nutzen, wurden diese Merkmale analysiert, kombiniert und ihre Gletscherekennung genauigkeit verglichen, um die besten Merkmale auszuwählen. Da die Topographie von Gletschern und Nicht-Gletschern deutlich unterschiedlich ist, wurden DEM, Hangneigung und lokaler Einfallswinkel als ergänzende Merkmale mit polarisationsbasierten Merkmalen kombiniert. Der Vergleich der Klassifikationsgenauigkeit verschiedener polarisationsbasierter Merkmale zeigte, dass die auf physikalischen Eigenschaften basierenden Pauli-, Freeman-Durden-, VanZyl- und Yamaguchi-Merkmale eine hohe Klassifikationsgenauigkeit aufweisen, wobei das Pauli-Merkmal die höchste Genauigkeit erreicht: die Gesamtgenauigkeit (OA) beträgt 92,54 % und der durchschnittliche Intersection over Union-Wert (mIoU) 78,78 %. Nach der Integration von Geländedaten stieg die Gesamtgenauigkeit (OA) auf 94,34 % und der durchschnittliche mIoU auf 82,35 %. Zur weiteren Verbesserung der Gletscherekennung wurde eine Methode der Kreuzkombination von SDV-Merkmalen (Oberflächenstreuung, doppelte Streuung, Volumenstreuung) vorgeschlagen, die anhand der Gesamtgenauigkeit (OA) und der Recall-Rate für Einbandmerkmale ausgewählt wurden. Die Ergebnisse zeigen, dass diese Kombination eine Gesamtgenauigkeit (OA) von 94,98 % und einen mIoU von 85,67 % erreicht, was 0,64 % bzw. 3,32 % höher ist als die Klassifikationsgenauigkeit des Pauli-Merkmals. Die genannten Ergebnisse zeigen, dass die Wahl der besten Merkmalskombination in Verbindung mit Deep Learning eine wichtige Rolle bei der Verbesserung der Gletscherekennung spielt.

Fernerkundung; Gletscher; ALOS2-PALSAR; Polarisationszerlegung; Bildsegmentierung; Deep Learning; Himalaya