整合多源数据和机器学习来检测超冰川湖:对高山地区的环境管理和可持续发展目标的影响

科学领域:

• 冰川学和遥感技术的发展
• 机器学习在环境科学中的应用

背景情况:

• 超冰川湖是高山地区冰川动态和气候变化影响的关键指标.
• 准确的监测对于环境管理和可持续发展目标至关重要.

研究的目的:

• 开发和验证一种使用集成多源数据和机器学习检测超冰川湖泊的新方法.
• 分析2016年至2022年巴基斯坦洪扎盆地帕苏巴图拉冰川的冰川湖动态.

主要方法:

• 集成 Sentinel-1 (雷达反向散射),Sentinel-2 (像NDWI这样的光谱指数) 和地形数据 (斜率,侧面,高度).
• 机器学习模型的应用和比较:人工神经网络 (ANN),支持矢量机器 (SVM),物流回归 (LR),随机森林 (RF) 和K-最近邻居 (KNN).
• 使用ROC曲线,混矩阵和手动对Sentinel-2和Google Earth Pro图像进行数字化验证.

主要成果:

• 人工神经网络 (ANN) 模型以95%的准确性和0.99 AUC.表现出卓越的性能.
• NDWI_green,Sigma0_VH和高度被确定为超冰川湖检测最重要的预测因素.
• 该研究成功地绘制了包括小湖在内的超冰川湖泊,并在六年内分析了它们的动态.

结论:

• 拟议的多源数据和ANN方法提供了一个非常准确的方法来检测和监测超冰川湖.
• 这些发现有助于了解气候变化下的冰川湖的行为,并为高山冰层地区的未来研究和监测策略提供信息.