O reconhecimento de geleiras é de grande importância para o monitoramento dos recursos hídricos e das mudanças climáticas nas áreas circundantes. Imagens SAR totalmente polarizadas contêm características ricas, como espalhamento da superfície, espalhamento duplo, espalhamento volumétrico e propriedades estatísticas, enquanto o aprendizado profundo pode explorar totalmente as informações da imagem. Portanto, o uso de imagens SAR totalmente polarizadas combinadas com aprendizado profundo pode obter resultados precisos no reconhecimento de geleiras. Este artigo é baseado nas imagens totalmente polarizadas ALOS2-PALSAR da extremidade oeste da cordilheira do Himalaia, utilizando a rede de extração de características VGG16 e o modelo de rede neural convolucional totalmente convolucional U-net combinados no VGG16-unet para o reconhecimento de geleiras. As características utilizadas incluem os elementos diagonais da matriz de coerência de polarização, Freeman-Durden, H/A/α, Pauli, VanZyl, Yamaguchi, totalizando 19 características de decomposição de polarização. Para aproveitar ao máximo as informações de imagem, essas características foram analisadas e combinadas, comparando sua precisão no reconhecimento de geleiras para selecionar as melhores características. Devido às diferenças significativas na topografia entre geleiras e áreas não glaciais, DEM, declividade e ângulo de incidência local foram usados como características auxiliares combinadas com as características de polarização. A comparação da precisão de classificação das diferentes características de polarização mostrou que as características Pauli, Freeman-Durden, VanZyl e Yamaguchi baseadas nas propriedades físicas apresentaram alta precisão, sendo a precisão da classificação das características Pauli a mais alta, com precisão geral (OA) de 92,54% e índice médio de interseção sobre união do usuário (mIoU) de 78,78%. Após adicionar dados topográficos, a precisão geral (OA) aumentou para 94,34% e o mIoU médio para 82,35%. Para melhorar ainda mais a precisão do reconhecimento de geleiras, foi proposta uma forma de combinação cruzada das características SDV (espalhamento superficial, espalhamento duplo, espalhamento volumétrico) selecionadas com base na precisão geral (OA) e na taxa de recall para características de banda única, e os resultados mostraram que essa combinação alcançou precisão geral (OA) de 94,98% e mIoU de 85,67%, que são 0,64% e 3,32% superiores respectivamente à precisão da classificação das características Pauli. Os resultados acima indicam que a escolha da melhor combinação de características em conjunto com o aprendizado profundo desempenha um papel importante na melhoria da precisão do reconhecimento de geleiras.

sensoriamento remoto; geleira; ALOS2-PALSAR; decomposição de polarização; segmentação de imagem; aprendizado profundo; Himalaia