冰面湖监测的重要性与挑战
冰面湖是格陵兰冰盖水文系统的重要组成，影响冰盖物质平衡与稳定性
传统方法存在局限：水体指数需人工调整阈值，机器学习样本需求大，泛化能力弱
大范围、长时序冰面湖监测的自动化能力差
三类传统方法的局限
水体指数阈值
• NDWI、MNDWI等指数
• 阈值依赖场景
• 需要人工调整
• 难以大范围应用
机器学习
• 随机森林（RF）
• 依赖人工特征设计
• 时空扩展能力有限
• 难以跨区域迁移
深度学习
• UNet、DeeplabV3+等
• 依赖大规模标注样本
• 泛化能力有限
• 需要后处理
核心创新：微调SAM大模型
Segment Anything Model (SAM)
采用微调的视觉基础大模型SAM，利用小样本（200）进行训练，构建冰面湖自动化时序提取大模型
SAM优势
✓ 零样本分割能力强
✓ 对复杂目标泛化理解力强
✓ 无需人工提示
✓ 自动化程度高
微调特点
• 仅需200个样本
• 样本需求量极低
• 无需后处理
• 时空泛化能力强
研究区域与数据来源
Isunnguata-Russell冰川流域
• 位于格陵兰西南部（SW）
• 地表融化最强烈区域
• 年均融化期：90~110天
• 冰面湖密集且持续出现
多源遥感数据
• 242景Sentinel-2和Landsat 8/9
• 时间跨度：2019-2023年5-9月
• 云量低于30%
• 平均时间分辨率：3.3~13.8天
三步技术框架
多源时序数据预处理
将Landsat 8/9从30m重采样至10m分辨率
• 采用三次卷积插值方法
• 统一至Sentinel-2分辨率
• 确保数据一致性
基于微调SAM的自动化提取
采用基于锚点的提示器替换人工提示
• 区域建议网络（RPN）自动生成锚点
• 多尺度特征增强器强化特征表达
• 非极大值抑制（NMS）筛选候选框
• 无需人工干预
时空演变分析
结合高程与气温数据，揭示年际/季节性变化规律
• 生成年度冰面湖最大范围
• 分析海拔分布特征
• 探讨对正度日（PDD）的响应