亚洲高山区冰川对气候变化响应的敏感性在边缘山区较中腹地区更为敏感,特别是自20世纪全球气候的波动变暖以来,亚洲高山区冰川以更快的速度融化,使得冰川末端出现全面、加速退缩的趋势。由此,冰川表面（主要是末端区域）大部分可能被表碛沉积物覆盖,由于表碛和相邻基岩之间的光谱相似性,山脉和云层所投射的阴影以及季节性积雪,高山地区表碛覆盖等原因,使得亚洲高山区冰川的制图仍然具有挑战性,成为冰川遥感分类领域的热门研究课题。当前机器学习或者深度学习在冰川分类领域应用还较少,并且冰川分类算法较为单一,不能有效地提高冰川自动分类精度。本研究围绕遥感影像冰川分类,参考遥感影像分析处理等理论,利用集成学习与深度学习结合的技术,采用Landsat 8、Sentinel-1、Sentinel-2、DEM等数据源,选择青藏高原典型冰川区域,提出了基于机器学习的方法自动提取冰川的分布范围,实现对裸冰区与表碛区信息提取,同时提高冰川的分类精度。主要研究内容如下:（1）针对西风带典型区域帕米尔高原,面向表碛发育程度高的冰川,发展多源多时相冰川边界自动提取方法,该算法由基于规则的图像分割算法和随机森林（RF）分类器组成,利用Landsat8 OLI/TIRS数据提取表碛覆盖型冰川的光谱,纹理和温度特征信息,利用数字高程模型（DEM）获取高程和地形特征信息,以及利用ITSLIVE数据获取运动特征信息,并进行精度评估以确定最佳的特征组合提取表碛覆盖型冰川。同时通过融合多期影像结果,减小云和季节性积雪对分类结果的影响。（2）针对季风作用的典型区域念青唐古拉山,面向云雾复杂环境,发展融合光学与SAR数据的冰川边界提取方法,利用决策融合的随机森林（RF）分类器,基于Sentinel-1 SAR数据获取的干涉特征信息、Sentinel-2（MSI）数据获取的光谱和纹理特征信息、Landsat 8 TIRS数据获取的温度特征信息和数字高程模型（DEM）获取的高程和地形特征信息,实现了念青唐古拉山西段裸冰型冰川和表碛覆盖型冰川的自动提取。基于规则随机森林的冰川自动化提取方法克服了传统冰川制图的困难,随机森林分类器模型的较高精度代表其在识别表碛覆盖型冰川方面的成功。（3）充分发挥随机森林（RF）和卷积神经网络（CNN）模型优势,通过决策融合策略搭建适用于冰川地区的RF-CNN复合分类模型,利用Landsat 8 OLI/TIRS数据提取有关表碛覆盖型冰川的光谱、纹理、温度和运动速度特征信息和ASTER GDEM数据获取高程和地形特征信息,以东帕米尔高原和念青唐古拉山西端为研究区,比较随机森林（RF）和卷积神经网络（CNN）分类器的分类结果,以此优化RF-CNN分类器构建策略,得到多个具有一定差异的单分类器输出。通过对不同分类器（RF、CNN、RF-CNN）输出结果进行优化处理,得到表碛覆盖型冰川的精细分布范围。本研究整合各种分类模型,探索适合冰川精细分类的最佳模型,完善冰川分类方法体系。本研究的冰川自动提取方法充分利用多源卫星遥感数据,提供了快速纠正冰川制图错误的可能性,可以提高冰川边缘提取精细程度,为冰川快速编目提供技术支撑。图[36]表[13]参[134]