El reconocimiento de glaciares es de gran importancia para la vigilancia de los recursos hídricos y el cambio climático en las regiones circundantes. Las imágenes SAR de polarización completa contienen características ricas como dispersión de superficie, dispersión de doble orden, dispersión volumétrica y propiedades estadísticas, mientras que el aprendizaje profundo puede explotar completamente la información de la imagen. Por lo tanto, el uso de imágenes SAR de polarización completa combinado con aprendizaje profundo puede obtener resultados precisos en el reconocimiento de glaciares. Este artículo se basa en imágenes ALOS2-PALSAR de polarización completa del extremo occidental de la cordillera del Himalaya, utilizando una red de extracción de características VGG16 y un modelo de red neuronal convolucional totalmente convolucional, U-net, combinados en VGG16-unet para reconocer glaciares. Las características utilizadas incluyen elementos diagonales de la matriz de coherencia de polarización, Freeman-Durden, H/A/α, Pauli, VanZyl, Yamaguchi, sumando un total de 19 características de descomposición de polarización. Para aprovechar completamente la información de la imagen, estas características fueron analizadas y combinadas, y se comparó su precisión en el reconocimiento de glaciares para seleccionar la mejor característica. Debido a las diferencias significativas en la topografía entre glaciares y no glaciares, se utilizaron DEM, pendiente y ángulo de incidencia local como características auxiliares combinadas con las características de polarización. La comparación de la precisión de clasificación de diferentes características de polarización mostró que las características Pauli, Freeman-Durden, VanZyl y Yamaguchi basadas en propiedades físicas tienen una alta precisión, siendo la precisión de clasificación de la característica Pauli la más alta, con una precisión global (OA) de 92.54% y un índice de intersección sobre unión promedio (mIoU) de 78.78%. Después de añadir datos topográficos, la precisión global (OA) aumentó a 94.34% y el mIoU medio aumentó a 82.35%. Para mejorar aún más la precisión del reconocimiento de glaciares, se propuso un método de combinación cruzada de características SDV (dispersión superficial, dispersión doble, dispersión volumétrica) seleccionadas en función de la precisión global (OA) y la tasa de recuerdo (Recall) de características de banda única, mostrando resultados que indican que esta combinación alcanza una precisión global (OA) de 94.98% y un mIoU de 85.67%, superior en un 0.64% y 3.32% respectivamente a la precisión de clasificación de la característica Pauli. Los resultados anteriores indican que la selección de la mejor combinación de características junto con el aprendizaje profundo desempeña un papel importante en la mejora de la precisión del reconocimiento de glaciares.

teledetección; glaciar; ALOS2-PALSAR; descomposición de polarización; segmentación de imágenes; aprendizaje profundo; Himalaya