Идентификация ледников имеет важное значение для мониторинга водных ресурсов и изменений климата в прилегающих районах. Поляриметрические SAR-изображения содержат богатые характеристики, такие как рассеяние по поверхности объектов, двойное рассеяние, объемное рассеяние и статистические особенности, а глубокое обучение может полноценно использовать информацию из изображений. Поэтому использование поляриметрических SAR-изображений в сочетании с глубоким обучением позволяет получить точные результаты в идентификации ледников. В данной работе на основе поляриметрических изображений ALOS2-PALSAR с западного края Гималаев применена модель VGG16-unet, сочетающая сеть извлечения признаков VGG16 и полносверточную нейронную сеть U-net, для распознавания ледников. Используемые признаки включают диагональные элементы поляризационной когерентной матрицы, параметры поляризационного разложения Freeman-Durden, H/A/α, Pauli, VanZyl, Yamaguchi — всего 19 признаков. Для полного использования информации изображения выполнен анализ и комбинация этих признаков и сравнение точности распознавания ледников, чтобы выбрать оптимальные признаки. Поскольку рельеф ледников и не ледников существенно различается, DEM, уклон и локальный угол падения использовались как вспомогательные признаки вместе с поляризационными характеристиками. Сравнение точности классификации по разным поляризационным признакам показало, что признаки Pauli, Freeman-Durden, VanZyl и Yamaguchi, основанные на физических свойствах, имеют высокую точность; среди них признак Pauli дал наивысшую точность — общая точность (OA) составила 92,54%, средний коэффициент пересечения при объединении (mIoU) — 78,78%. После добавления данных о рельефе общая точность (OA) повысилась до 94,34%, средний mIoU — до 82,35%. Для дальнейшего повышения точности распознавания ледников предложен метод перекрестного комбинирования признаков SDV (поверхностное рассеяние, двойное рассеяние, объемное рассеяние), отобранных по общей точности (OA) и полноте (Recall) для одноволновых признаков. Результаты показали, что такая комбинация достигает общей точности (OA) 94,98% и mIoU 85,67%, что на 0,64% и 3,32% выше по сравнению с точностью классификации признаков Pauli. Вышеуказанные результаты показывают, что выбор оптимальной комбинации признаков и их сочетание с глубоким обучением играет важную роль в повышении точности распознавания ледников.

дистанционное зондирование; ледник; ALOS2-PALSAR; поляризационное разложение; сегментация изображений; глубокое обучение; Гималаи