极地研究

作者：朱婷婷,,李加程,,崔祥斌,,束禅方,,张宇

单位：1南京工业大学测绘科学与技术学院, 江苏 南京 211816;2中国极地研究中心(中国极地研究所), 上海 200136;3武汉大学中国南极测绘研究中心, 湖北 武汉 43007

关键词：多源异质遥感,ICESat-2,Sentinel-2,卷积神经网络(CNN),水深

基金：国家自然科学基金、“高分”国家重大科技专项项目、自然资源部极地科学重点实验室开放基金和江苏省科技项目

由于降水和冰雪消融在南极冰盖表面及裸岩区形成的湖泊, 其时空分布和水储量的变化影响着南极冰盖边缘冰川和冰架的稳定性, 是全球气候变化的重要指标。本文结合ICESat-2激光测高、Sentinel-2多光谱影像和航空影像等多源遥感数据, 提出多源异质遥感影像融合反演水深框架。利用ICESat-2激光测高数据提取沿测线水深, 并结合光学数据线性经验模型和卷积神经网络(convolutional neural network, CNN)深度学习方法建立湖泊光谱信息与湖泊水深反演模型, 估算拉斯曼丘陵小型湖泊水深, 最后利用中国第39次南极考察获取的高分辨率航空遥感影像数据和俄罗斯第63次南极夏季考察的实测原位水深数据对反演结果进行精度验证。结果表明, 拉斯曼丘陵Reid湖采用经验模型得到的水深与原位水深的均方根误差(Root Mean Square Error, ERMSE)为0.58 m、平均绝对误差(Mean Absolute Error, EMAE)为0.49 m、平均偏差(Average Bias, BA)为−0.36 m、偏差标准差(Bias Standard Deviation, DBSD)为0.46 m、相关系数(R2)为0.51; CNN深度学习算法得到的水深与实测水深的ERMSE为0.37 m、EMAE为0.32 m、BA为−0.19 m、DBSD为0.32 m、R2为0.75, 从4个指标上均体现出基于深度学习算法能够显著提升水深反演精度。结果表明, 采用ICESat-2激光测高和多光谱影像等多源异质遥感影像融合可以实现高精度水深反演, 其中, 基于CNN模型反演的南极小型湖泊深度比线性经验模型误差更小、精度更高。

来源：2025年第3期

《极地研究》期刊编辑部

查看极地研究杂志2025年第3期