La reconnaissance des glaciers est d’une importance capitale pour la surveillance des ressources en eau et des changements climatiques dans les régions environnantes. Les images SAR entièrement polarisées contiennent des caractéristiques riches telles que la diffusion de surface, la diffusion double, la diffusion volumique et les propriétés statistiques, tandis que l’apprentissage profond est capable d’exploiter pleinement l’information d’image. Par conséquent, l’utilisation des images SAR entièrement polarisées combinées à l’apprentissage profond permet d’obtenir une reconnaissance précise des glaciers. Cet article est basé sur des images ALOS2-PALSAR entièrement polarisées à l’extrémité ouest de la chaîne de l’Himalaya, utilisant le réseau d’extraction de caractéristiques VGG16 et le réseau de neurones convolutionnel entièrement convolutif U-net combinés dans VGG16-unet pour identifier les glaciers. Les caractéristiques utilisées comprennent les éléments diagonaux de la matrice de cohérence de polarisation, Freeman-Durden, H/A/α, Pauli, VanZyl, Yamaguchi, soit un total de 19 paramètres de décomposition de polarisation. Afin d’exploiter pleinement les informations d’image, ces caractéristiques ont été analysées et combinées, et leur précision de reconnaissance des glaciers a été comparée afin de sélectionner la meilleure caractéristique. Étant donné les différences significatives entre la topographie des glaciers et des zones non glaciaires, le DEM, la pente et l’angle d’incidence local ont été utilisés comme caractéristiques auxiliaires combinées aux caractéristiques de polarisation. La comparaison de la précision de classification des différentes caractéristiques de polarisation a montré que les caractéristiques Pauli, Freeman-Durden, VanZyl, Yamaguchi basées sur les propriétés physiques présentaient une excellente précision, avec la caractéristique Pauli obtenant la meilleure précision, la précision globale (OA) atteignant 92,54% et l’indice moyen d’intersection sur union (mIoU) atteignant 78,78%. Après l’ajout des données topographiques, la précision globale (OA) a augmenté à 94,34%, et l’indice moyen d’intersection sur union (mIoU) a augmenté à 82,35%. Afin d’améliorer davantage la précision de reconnaissance des glaciers, une méthode de combinaison croisée des caractéristiques SDV (diffusion de surface, double diffusion, diffusion volumique) sélectionnées en fonction de la précision globale (OA) et du taux de rappel (Recall) pour les caractéristiques à bande unique a été proposée. Les résultats montrent que cette combinaison atteint une précision globale (OA) de 94,98% et un indice d’intersection sur union (mIoU) de 85,67%, soit respectivement 0,64% et 3,32% supérieurs à ceux de la classification par la caractéristique Pauli. Ces résultats démontrent que le choix de la meilleure combinaison de caractéristiques combinée à l’apprentissage profond joue un rôle important dans l’amélioration de la précision de reconnaissance des glaciers.

télédétection; glacier; ALOS2-PALSAR; décomposition de polarisation; segmentation d’image; apprentissage profond; Himalaya