鐘鼎杰，楊存建**

(1. 四川師范大學(xué) 西南土地資源評(píng)價(jià)與監(jiān)測(cè)教育部重點(diǎn)實(shí)驗(yàn)室，四川 成都 610068；2. 四川師范大學(xué) 地理與資源科學(xué)學(xué)院，四川 成都 610068)

冰川不僅存貯了大量的水資源，同時(shí)也是全球氣候變化的指示器[1]. 在全球氣候變暖的背景下對(duì)于冰川變化的研究迫在眉睫，在信息化時(shí)代如何運(yùn)用高效、便捷、精準(zhǔn)的方法對(duì)冰川變化做出監(jiān)測(cè)與預(yù)測(cè)是目前的研究熱點(diǎn). 相比大陸型冰川，海洋型冰川作用能大、運(yùn)動(dòng)速度快，對(duì)于氣候變化的響應(yīng)也更為迅速；海洋型冰川在大量降水與劇烈消融的作用下會(huì)產(chǎn)生破壞性的泥石流與雪崩，所以對(duì)于海洋型冰川變化的研究具有重要的意義[2]. 在冰川信息提取的方法上，近年來(lái)遙感技術(shù)、地理信息系統(tǒng)技術(shù)的不斷發(fā)展和集成應(yīng)用，可利用遙感影像和DEM 等數(shù)據(jù)快速高效地提取冰川信息并監(jiān)測(cè)冰川面積、高程和冰川末端變化. 1999 年國(guó)際全球陸地冰 空 間 監(jiān) 測(cè) 計(jì) 劃（Global Land Ice Measurements from Space Project，GLIMS）運(yùn) 用 了 衛(wèi) 星 傳 感 器ASTER 數(shù)據(jù)和Landsat 數(shù)據(jù)對(duì)世界范圍內(nèi)的冰川進(jìn)行動(dòng)態(tài)監(jiān)測(cè)[3]. Sidjak 等[4]利用了監(jiān)督分類法、TM 影像的4、5 波段比值以及歸一化積雪指數(shù)（Normalized Difference Snow Index，NDSI）等方法對(duì)加拿大冰川國(guó)家公園進(jìn)行了冰川信息提取.Kumar 等[5]采用干涉合成孔徑雷達(dá)（Interfermetric Synthetic Aperture Radar，InSAR）技術(shù)對(duì)喜馬拉雅地區(qū)冰川表面速度進(jìn)行了估算. Robson 等[6]利用基于面向?qū)ο蟮膱D像分析（Object-based Image Analysis，OBIA）技術(shù)，結(jié)合Landsat 8 影像、DEM數(shù)據(jù)和ALOS-PALSAR 影像對(duì)喜馬拉雅山脈馬納斯魯峰進(jìn)行了冰川信息的自動(dòng)提取. 張世強(qiáng)等[7]利用TM 圖像并采用閾值法、譜間關(guān)系法、監(jiān)督分類和非監(jiān)督分類提取青藏高原喀喇昆侖山地區(qū)冰川信息，證明利用比值圖像取閾值是提取冰川信息最有效的手段. 懷保娟等[8]利用Landsat TM/ETM+遙感影像和DEM 數(shù)據(jù)，并運(yùn)用了面向?qū)ο蟮膱D像信息自動(dòng)提取方法，對(duì)黑河流域近50 年來(lái)的冰川變化進(jìn)行了分析. 聶勇等[9]利用多光譜遙感數(shù)據(jù)，采用面向?qū)ο蟮慕庾g方法，結(jié)合專家知識(shí)分類規(guī)則自動(dòng)提取1976、1988 年和2006 年3 個(gè)時(shí)期珠穆朗瑪峰地區(qū)的冰川信息. 李宗省等[10]對(duì)1900—2007 年橫斷山區(qū)部分海洋型冰川變化進(jìn)行了研究，并提出各冰川的變化幅度因冰川規(guī)模、緯度位置等因素而存在明顯差異. 李霞等[11]對(duì)貢嘎山地區(qū)近40 年來(lái)的冰川變化進(jìn)行了遙感監(jiān)測(cè)研究，并從不同的角度研究分析了冰川變化的特征.

雖然冰川信息提取方法有多種，但因冰川類型的不同和地域性差異，并沒有通適性較高的方法，冰川監(jiān)測(cè)仍以目視解譯為主. 因此，研究分類精度較高、通適性強(qiáng)且高效的冰川信息的計(jì)算機(jī)解譯方法意義重大. 本文在已有的計(jì)算機(jī)自動(dòng)解譯冰川信息方法研究上，納入了神經(jīng)網(wǎng)絡(luò)分類方法，通過(guò)對(duì)比分析監(jiān)督分類、分監(jiān)督分類、比值閾值法、雪蓋指數(shù)法（NDSI）、基于多尺度分割的面向?qū)ο蠓ǎ∣BIA）和基于神經(jīng)網(wǎng)絡(luò)的冰川識(shí)別方法的信息提取結(jié)果，探討每種方法的優(yōu)缺點(diǎn)及適用情況，并將梅里雪山地區(qū)冰川信息的目視解譯作為地面真實(shí)數(shù)據(jù)，對(duì)6 種方法的提取結(jié)果進(jìn)行精度驗(yàn)證，發(fā)現(xiàn)了神經(jīng)網(wǎng)絡(luò)分類法提取的冰川信息精度最高. 在此研究基礎(chǔ)上，基于ENVI 深度學(xué)習(xí)模塊，利用神經(jīng)網(wǎng)分類法解譯了1989、1998、2009 年和2019 年的梅里雪山地區(qū)冰川信息. 最終，結(jié)合Google Earth數(shù)據(jù)及DEM 數(shù)據(jù)對(duì)梅里雪山地區(qū)冰川信息進(jìn)行目視修正，并通過(guò)DEM 數(shù)據(jù)分析獲取梅里雪山地區(qū)山脊線，將提取的結(jié)果分割為55 條獨(dú)立的冰川，得到了1989—2019 年梅里雪山地區(qū)較為精確的4期冰川信息的提取成果，并在此基礎(chǔ)上分析統(tǒng)計(jì)其冰川面積的變化量與變化速率. 結(jié)果表明，基于神經(jīng)網(wǎng)絡(luò)的冰川識(shí)別方法分類精度、解譯效果明顯優(yōu)于傳統(tǒng)冰川信息計(jì)算機(jī)解譯方法，且相較于目視解譯該方法效率更高. 在全球氣候變暖背景下，本文基于神經(jīng)網(wǎng)絡(luò)的冰川識(shí)別方法可為全球冰川時(shí)空演化的長(zhǎng)時(shí)序監(jiān)測(cè)提供有效的技術(shù)支撐.

1 研究區(qū)概況

橫斷山地處青藏高原東緣，是中國(guó)地勢(shì)一、二階梯的過(guò)渡地帶，區(qū)域大致包括了藏東南、云南西北部和四川的阿壩、涼山及甘孜地區(qū)，總面積約為5×105km2. 橫斷山區(qū)南北走向的高山和深谷相間排列，是本區(qū)域最為顯著的地貌特征. 梅里雪山位于橫斷山東南緣，也是橫斷山地區(qū)集中低緯度海洋性/暖性冰川最多的山段[12]（圖1）. 梅里雪山高度大于6 000 m 的山峰有13 座，最高峰卡瓦格博海拔6 740 m，是云南省第一高峰，山腳瀾滄江海拔2 020 m，相對(duì)高差4 720 m.

圖1 研究區(qū)位置與冰川積雪分布圖Fig. 1 Location of study area and distribution map of glacier and snow cover

據(jù)中國(guó)第二次冰川編目數(shù)據(jù)集（V1.0）[13-16]，梅里雪山地區(qū)共有冰川55 條. 梅里雪山地區(qū)的冰川受來(lái)自印度洋西南季風(fēng)帶來(lái)的暖濕氣流影響，隨著暖濕氣流的不斷深入，給梅里雪山提供了充沛的降水，為冰川提供了豐富的物質(zhì)來(lái)源.

2 數(shù)據(jù)獲取與處理

2.1 數(shù)據(jù)來(lái)源本文選用的遙感數(shù)據(jù)均為通過(guò)美國(guó)地質(zhì)勘探局（https://earthexplorer.usgs.gov）獲取的Landsat Level 2 產(chǎn) 品. 數(shù) 據(jù) 為L(zhǎng)andsat 5 搭 載 的TM 傳感器、Landsat 8 搭載的陸地成像儀（Operational Land Imager，OLI）傳感器所獲取的影像（表1）.在實(shí)際的數(shù)據(jù)選擇過(guò)程中，需要特別注意研究區(qū)的積雪覆蓋是否會(huì)影響冰川解譯精度以及云層是否覆蓋了研究區(qū).

表1 梅里雪山遙感影像數(shù)據(jù)信息Tab. 1 Remote sensing image data information in Meili Snow Mountain

DEM 數(shù)據(jù)來(lái)源于美國(guó)地質(zhì)勘探局的ASTER GDEM V2 版數(shù)據(jù)，其空間分辨率為30 m. 高分辨率可見光影像主要來(lái)自于Google Earth，用于輔助目視解譯. 地圖的底圖來(lái)源于國(guó)家科技資源共享服務(wù)平臺(tái)的國(guó)家青藏高原科學(xué)數(shù)據(jù)中心（http://data.tpdc.ac.cn/zh-hans/）.

2.2 傳統(tǒng)分類方法提取冰川信息

2.2.1 非監(jiān)督分類 是指在沒有先驗(yàn)類別樣本的情況下，根據(jù)像元間地物光譜相似度統(tǒng)計(jì)分布規(guī)律將其自動(dòng)分類. 常用的非監(jiān)督分類方法有ISODATA 和K-Means 兩種，K-means 算法 初始隨機(jī)選取數(shù)據(jù)集中K個(gè)點(diǎn)作為聚類中心，以所有樣本到聚類中心距離平方和最小的為分類結(jié)果. 在Kmeans 中，K值需要預(yù)先人為確定，并且在整個(gè)算法過(guò)程中無(wú)法更改；ISODATA 算法針對(duì)這個(gè)問(wèn)題進(jìn)行了改進(jìn)，并增加了“合并”和“分裂”操作. 本文選用ISODATA 算法，對(duì)梅里雪山地區(qū)冰川信息進(jìn)行提取. ISODATA 算法思想為輸入N個(gè)樣本，預(yù)選Nc個(gè)初始聚類中心和各參數(shù)指標(biāo)K、θN、θS、θc、L和I（表2）. 若 θc小于閥值則歸為一類，否則為不同類；若 θN小于閥值，則將其取消[17].

表2 初始聚類中心和參數(shù)指標(biāo)Tab. 2 Initial cluster center and parameter index

2.2.2 監(jiān)督分類 是在已知類別的訓(xùn)練場(chǎng)地上提取不同種類的訓(xùn)練樣本，通過(guò)選擇特征變量、確定判別函數(shù)或判別規(guī)則，從而把圖像中的各個(gè)像元點(diǎn)劃歸到各個(gè)給定類的分類方法[18]. 本文選用最大似然法對(duì)梅里雪山地區(qū)進(jìn)行監(jiān)督分類，在訓(xùn)練樣本時(shí)將訓(xùn)練區(qū)內(nèi)的地物分為裸地、植被和冰川. 最大似然法算法思想是通過(guò)遙感影像的統(tǒng)計(jì)特征，假設(shè)各類的分布函數(shù)為正態(tài)分布，在多變量空間中形成橢圓（球）分布，按正態(tài)分布規(guī)律用最大似然判別規(guī)則進(jìn)行判決，得到較準(zhǔn)確的分類結(jié)果.

2.2.3 比值閾值法 是將兩個(gè)具有一定差異的光譜波段反射率相除，比值增強(qiáng)波譜特征的微小差異，該算法對(duì)不同波段反射率差異大的地物效果明顯. 對(duì)于冰川提取，通常使用的是對(duì)于冰川反射率較高的可見光波段以及對(duì)于冰川反射率較低的波段，一般是近紅外波段[19]. 其公式表示為

2.2.4 雪蓋指數(shù)法 受到植被指數(shù)法的啟發(fā)，Dozier[20]提出了雪蓋指數(shù)法（NDSI）作為冰川信息提取的方式，主要原理基于冰川表面在可見光波段具有強(qiáng)反射的特性，以及在近紅外波段具有的強(qiáng)吸收特性. 將兩個(gè)波段反射率進(jìn)行歸一化處理，以突出冰、雪的信息特性. 其公式表示為

常用的Landsat TM 影像波段有TM2 和TM5，Landsat OLI 影像波段選用Band 3 和Band 6. NDSI的閾值一般根據(jù)具體的情況結(jié)合經(jīng)驗(yàn)值確定，本文根據(jù)前人經(jīng)驗(yàn)及多次試驗(yàn)結(jié)果，選取的二值化分類閾值為0.6[21].

2.3 基于多尺度分割的面向?qū)ο蠓ǎ∣BIA）提取冰川信息基于多尺度分割的面向?qū)ο蠓ǎ∣BIA）提取冰川信息是選用多尺度分割算法并結(jié)合遙感影像的光譜特征進(jìn)行. 當(dāng)全部待分割對(duì)象的綜合加權(quán)值大于某一特定閾值時(shí)分割完成；若小于閾值，則重復(fù)進(jìn)行迭代運(yùn)算，直至條件成立. 本文使用Edge 分割算法和Fast Lambda 合并算法對(duì)遙感影像進(jìn)行處理. 圖像分割完成后，對(duì)各波段的光譜、紋理特征等參照直方圖探尋相關(guān)信息的閾值，綜合梅里雪山冰川與其它地物差異性較明顯的冰川信息指數(shù)分別進(jìn)行閾值設(shè)置并建立提取知識(shí)規(guī)則[22]，即①比值閾值TM3/TM5，以閾值2.4 提取冰川信息；②冰雪指數(shù)NDSI，設(shè)置閾值為0.6.

2.4 基于神經(jīng)網(wǎng)絡(luò)的冰川識(shí)別方法近些年來(lái)，深度學(xué)習(xí)發(fā)展迅速，在圖像分類方面的應(yīng)用表現(xiàn)優(yōu)異[23-27]. 它通過(guò)學(xué)習(xí)大量樣本，提取樣本中的特征值，形成分類模型，進(jìn)而對(duì)遙感影像進(jìn)行分類. 在冰川信息提取方面，可以提高冰川識(shí)別的精度，并對(duì)有冰磧覆蓋物的冰舌部分提取效果較好. 本文通過(guò)ENVI 深度學(xué)習(xí)模塊對(duì)梅里雪山地區(qū)冰川信息進(jìn)行提取研究，該模塊基于TensorFlow 框架，利用ENVI Net5 網(wǎng)絡(luò)構(gòu)建深度學(xué)習(xí)模型. ENVI Net5 是一種U-Net 架構(gòu)，它是基于掩碼（mask-based）、編碼器-解碼器（encoder-decoder）的體系結(jié)構(gòu)，用于對(duì)圖像中每個(gè)像素進(jìn)行分類. 具體的分類步驟如圖2所示.

圖2 基于ENVI 深度學(xué)習(xí)模塊的圖像信息提取步驟Fig. 2 Image information extraction steps based on ENVI deep learning module

影像分類完成后會(huì)得到一個(gè)CAM 類激活灰度圖，灰度圖中每個(gè)像元大致表示屬于目標(biāo)類別的概率，值閾范圍為0～1. 通過(guò)密度分割，將類激活灰度圖（圖3）按不同顏色顯示，紅色部分表示深度學(xué)習(xí)識(shí)別為冰川的概率較高.

圖3 密度分割后梅里雪山地區(qū)冰川神經(jīng)網(wǎng)絡(luò)分類結(jié)果Fig. 3 Neural network classification results of glaciers in Meili Snow Mountain after density segmentation

3 比較與討論

3.1 分類結(jié)果對(duì)比為驗(yàn)證本文所用方法的有效性，基于目視解釋法梅里雪山地區(qū)冰川信息，以目視解譯結(jié)果作為地面真實(shí)數(shù)據(jù)，對(duì)計(jì)算機(jī)解譯結(jié)果進(jìn)行精度驗(yàn)證（表3）. 精度評(píng)價(jià)指標(biāo)為冰川總面積、面積誤差、重疊部分面積、冰川精度[28-29].

表3 梅里雪山地區(qū)冰川分類精度Tab. 3 Accuracy of glacier classification in Meili Snow Mountain

圖4 至圖9 分別為不同分類方法提取的冰川信息結(jié)果. 其中，黃色為基于目視判讀方法手動(dòng)提取梅里雪山地區(qū)冰川信息，紅色為對(duì)應(yīng)的每種分類方法所提取的冰川信息. 如圖4 所示，非監(jiān)督分類提取冰川信息結(jié)果中，裸地被錯(cuò)分為冰川的情況較多（如圖4（d）、4（f）），有冰磧覆蓋物的冰川被漏分（如圖4（a）、4（c）），山體陰影區(qū)中的冰川未被識(shí)別出（如圖4（b）、4（e））. 如圖5 所示，監(jiān)督分類提取冰川信息結(jié)果中，水體被錯(cuò)分為冰川（如圖5（d）），山體陰影區(qū)中的冰川未被全部識(shí)別出（如圖5（b）、5（e）），有冰磧物覆蓋物的冰川被漏分（如圖5（a）、5（c））. 由圖6 可見，比值閾值法消除了山體陰影的影響，但提取結(jié)果中“椒鹽”現(xiàn)象也較嚴(yán)重（如圖6（b）、6（e）），同時(shí)也造成了大量陰影被錯(cuò)分為冰川（如圖6（a）、6（c）），水體被錯(cuò)分（如圖6（d））、冰磧覆蓋區(qū)的冰川被漏分（如圖6（a）、6（c））的情況仍未得到有效解決. 如圖7 所示，利用NDSI 法提取的冰川信息結(jié)果與比值閾值法差異不大，陰影和水體被錯(cuò)分為冰川（如圖7（a）、7（c）、7（d）），冰磧覆蓋區(qū)的冰川被漏分（如圖7（a）、7（c））. 由圖8 可見，在尺度選取合適時(shí)，面向?qū)ο蠓诸惙椒ǎ∣BIA）提取冰川信息的效果較好，可以區(qū)分水體與冰川（如圖8（d））. 面向?qū)ο蠓诸惙椒ㄔ诮⑿畔⒁?guī)則時(shí)，有效地結(jié)合了比值閾值法及NDSI，部分有冰磧覆蓋物的冰川被識(shí)別，但未完全正確劃分（如圖8（d））.如圖9 所示，神經(jīng)網(wǎng)絡(luò)分類的整體提取冰川信息的效果好，有效地消除了山體陰影的影響，可以區(qū)分陰影、水體與冰川，且有冰磧覆蓋物的冰川被正確劃分，但整體分類精度仍待提高.

圖4 非監(jiān)督分類提取梅里雪山地區(qū)冰川信息結(jié)果Fig. 4 Glacier information extraction of Meili Snow Mountain based on unsupervised classification

圖5 監(jiān)督分類提取梅里雪山地區(qū)冰川信息結(jié)果Fig. 5 Glacier information extraction of Meili Snow Mountain based on supervised classification

圖6 比值閾值法提取梅里雪山地區(qū)冰川信息結(jié)果Fig. 6 Glacier information extraction of Meili Snow Mountain based on ratio threshold method

圖7 NDSI 法提取梅里雪山地區(qū)冰川信息結(jié)果Fig. 7 Glacier information extraction of Meili Snow Mountain based on NDSI

圖8 面向?qū)ο蠓诸愄崛∶防镅┥降貐^(qū)冰川信息結(jié)果Fig. 8 Glacier information extraction of Meili Snow Mountain based on object oriented classification

圖9 神經(jīng)網(wǎng)絡(luò)分類提取梅里雪山地區(qū)冰川信息結(jié)果Fig. 9 Glacier information extraction of Meili Snow Mountain based on neural network classification

基于遙感影像的山岳冰川信息計(jì)算機(jī)解譯方法從不同的原理角度出發(fā)提取冰川信息，不同方法提取的結(jié)果各異，但每種方法都有各自的優(yōu)缺點(diǎn).表4 結(jié)合已有研究成果與本文試驗(yàn)結(jié)果，綜合比較了6 種分類方法優(yōu)缺點(diǎn). 非監(jiān)督分類法不需要人為干涉，提取冰川信息的效率最高，但是整體提取效果較差、精度較低，裸地錯(cuò)分嚴(yán)重，山體陰影區(qū)及冰磧覆蓋區(qū)中的冰川未被有效識(shí)別. 監(jiān)督分類法非冰川錯(cuò)分的概率較低，并解決了裸地錯(cuò)分的問(wèn)題，但冰川信息提取效果受樣本質(zhì)量影響，主要問(wèn)題是水體被錯(cuò)分為冰川、山體陰影區(qū)中的冰川未被全部識(shí)別出、有冰磧覆蓋物的冰川被漏分. 比值閾值法、雪蓋指數(shù)法（NDSI）均有效地消除了山體陰影的影響，但無(wú)法區(qū)分水體與冰川，且有冰磧覆蓋物的冰川被漏分的問(wèn)題仍未得到有效地解決. 面向?qū)ο蠓诸惙ǎ∣BIA）可以有效地區(qū)分水體與冰川，精度相對(duì)較高，但操作相對(duì)復(fù)雜，精度依賴于知識(shí)規(guī)則的建立. 本文選取的6 種提取方法中，神經(jīng)網(wǎng)絡(luò)分類法是精度最高的一種方法，但是由于樣本數(shù)量較少、訓(xùn)練深度學(xué)習(xí)模型的迭代次數(shù)較少，整體的冰川精度未達(dá)到理想水平. 如何有效地結(jié)合傳統(tǒng)的計(jì)算機(jī)自動(dòng)解譯方法，提高深度學(xué)習(xí)冰川信息提取精度，利用有效的標(biāo)簽對(duì)大量數(shù)據(jù)進(jìn)行深度挖掘分析且減輕神經(jīng)網(wǎng)絡(luò)對(duì)于數(shù)據(jù)的依賴程度，需要進(jìn)一步的研究.

表4 梅里雪山地區(qū)冰川分類方法比較Tab. 4 Comparison of glacier classification methods in Meili Snow Mountain

3.2 目視修正為了得到更精準(zhǔn)的梅里雪山地區(qū)冰川信息，本文結(jié)合Google Earth 數(shù)據(jù)和DEM 數(shù)據(jù)，在神經(jīng)網(wǎng)絡(luò)分類法提取冰川信息的基礎(chǔ)上，對(duì)其進(jìn)行了二次目視解譯，最終得到梅里雪山地區(qū)1989—2019 年較為精確的4 期冰川信息提取成果.利用DEM 數(shù)據(jù)，通過(guò)水文分析得到梅里雪山地區(qū)的山脊線對(duì)冰川進(jìn)行分割，得到了55 條獨(dú)立的冰川，并通過(guò)冰川制圖得到梅里雪山1989 年—2019年冰川邊界變化圖（圖10）. 通過(guò)分析得出，1989 年梅里雪山地區(qū)冰川面積達(dá)139.58 km2，2019 年冰川面積退縮至115.81 km2. 近30 年來(lái)，梅里雪山地區(qū)冰川面積共退縮23.77 km2，年均退縮0.79 km2，面積相對(duì)退縮率為17.03%，年均相對(duì)退縮率為0.57%（表5）. 計(jì)算公式如下：

圖10 1989—2019 年梅里雪山地區(qū)冰川邊界變化Fig. 10 Glacier boundary changes in Meili Snow Mountain from 1989 to 2019

表5 梅里雪山冰川面積變化統(tǒng)計(jì)Tab. 5 Statistics of glacier area change in Meili Snow Mountain

其中，RS代表面積絕對(duì)變化速率，S代表面積變化量，t代表時(shí)段年長(zhǎng)；RS′代表面積相對(duì)變化率，A代表時(shí)段起始年份冰川面積.

4 結(jié)論

本文利用TM、OLI 影像，通過(guò)非監(jiān)督分類法、監(jiān)督分類法、比值閾值法、雪蓋指數(shù)法（NDSI）及基于多尺度分割的面向?qū)ο蠓ǎ∣BIA）及基于神經(jīng)網(wǎng)絡(luò)的冰川識(shí)別方法對(duì)梅里雪山地區(qū)冰川信息進(jìn)行提取，綜合比較6 種方法的分類效果. 在此基礎(chǔ)上，對(duì)梅里雪山地區(qū)1989、1998、2009 年和2019年的冰川信息進(jìn)行了提取，得出了以下結(jié)論：

（1）計(jì)算機(jī)自動(dòng)解譯方法中，基于神經(jīng)網(wǎng)絡(luò)的冰川識(shí)別方法不僅消除了山體陰影的影響，而且可以正確區(qū)分陰影、水體及冰川，有冰磧覆蓋物的冰川信息也能被有效地提取，冰川信息提取精度最高. 但由于樣本數(shù)量較少、訓(xùn)練深度學(xué)習(xí)模型的迭代次數(shù)較少，整體的冰川信息提取精度仍待提高.

（2）非監(jiān)督分類法提取冰川信息效果最差、精度較低，裸地錯(cuò)分嚴(yán)重，山體陰影區(qū)、冰磧覆蓋區(qū)中的冰川未被有效識(shí)別. 監(jiān)督分類法解決了裸地錯(cuò)分的問(wèn)題，但未提取出山體陰影區(qū)、冰磧覆蓋區(qū)中的冰川，冰川信息提取效果受樣本質(zhì)量影響較大.比值閾值法和雪蓋指數(shù)法（NDSI）均有效消除了山體陰影的影響，但無(wú)法區(qū)分水體與冰川，且有冰磧覆蓋物的冰川被漏分的問(wèn)題仍未得到有效地解決.面向?qū)ο蠓诸惙梢詤^(qū)分水體與冰川，精度相對(duì)較高，但操作相對(duì)復(fù)雜，精度依賴于知識(shí)規(guī)則的建立.

（3）目前基于遙感的冰川信息提取的過(guò)程中，目視解譯仍然是精度最高的方法，并且是冰磧覆蓋部分冰川信息解譯效果最好的方法，在計(jì)算機(jī)自動(dòng)解譯后進(jìn)行二次目視修正，仍是冰川信息解譯中最重要的部分.

（4）1989—2019 年梅里雪山地區(qū)冰川面積退縮了23.77 km2，年均退縮0.79 km2，面積相對(duì)退縮率為17.03%，年均相對(duì)退縮率為0.57%.

本文在解譯冰川信息的過(guò)程中發(fā)現(xiàn)，目前傳統(tǒng)的計(jì)算機(jī)自動(dòng)解譯方法提取的冰川信息效果較差.而目視解譯的效率較低，并且受解譯人員的經(jīng)驗(yàn)和主觀因素的影響，不同人員的解譯會(huì)有一定的偏差. 在深度學(xué)習(xí)迅速發(fā)展的背景下，如何有效結(jié)合傳統(tǒng)的計(jì)算機(jī)自動(dòng)解譯方法，提高深度學(xué)習(xí)冰川信息提取精度，利用有效的標(biāo)簽對(duì)大量數(shù)據(jù)進(jìn)行深度挖掘分析且減輕神經(jīng)網(wǎng)絡(luò)對(duì)于數(shù)據(jù)的依賴程度是未來(lái)研究的方向.