基于DEDNet和高分辨率多光谱遥感影像的石冰川识别

查明石冰川的分布为研究和认识冰缘环境的状态和变化提供了关键信息。深度学习算法和高分辨率遥感影像的红绿蓝(RGB)波段相结合的方法已经被广泛应用于石冰川的绘制。然而，近红外波段中包含丰富的光谱信息和显著的边缘特征，能为语义分割任务提供帮助，但是却很少用于搭建石冰川的识别模型，因为传统的深度学习框架，例如DeeplabV3+，只接受三波段的输入影像。本次研究设计了一个DEDNet(dual-encoder DeeplabV3+network)，旨在通过从RGB和NIR波段分别提取和融合空间和光谱特征，弥补CDNet(classical DeeplabV3+network)在利用高分辨率多光谱影像进行石冰川识别时的不足。使用祁连山手动标记的石冰川样本对DEDNet进行了训练，建立了一个准确度、精度、召回率、特异度和mIoU(平均交并比)分别为 0.9131、0.9130、0.9270、0.9195 和 0.8601 的模型。将该模型用于识别测试区域中的新石冰川，实现了 93.68%的制图者精度和 94.18%的用户精度。DEDNet提供了一种创新的解决方案，可以从多光谱遥感图像和非常规数据(包括地形、岩性和运动学数据)中提取和融合特征，有助于开展大范围石冰川的识别。