GLOFNet

GLOFNet是一个针对冰川湖溃坝洪水（GLOFs）监测和预测的多模态数据集，重点关注喜马拉雅山脉的Shisper冰川。该数据集整合了三个互补的数据源：Sentinel-2多光谱图像用于空间监测、NASA ITS_LIVE冰川速度产品用于冰川动力学，以及跨越二十多年的MODIS地表温度记录。数据集经过预处理，包括云掩膜、质量过滤、归一化、时间插值、增强和循环编码，并在模态之间进行协调。该数据集旨在解决GLOFs预测中的数据碎片化和单模态问题，并为未来研究提供支持。

GLOFNet is a multimodal dataset for glacial lake outburst flood (GLOFs) monitoring and prediction, with a focus on the Shisper Glacier in the Himalayas. This dataset integrates three complementary data sources: Sentinel-2 multispectral images for spatial monitoring, NASA ITS_LIVE glacier velocity products for glacial dynamics, and MODIS land surface temperature records spanning over two decades. The dataset has undergone preprocessing including cloud masking, quality filtering, normalization, temporal interpolation, augmentation, and circular encoding, with coordination across modalities. This dataset aims to address the issues of data fragmentation and unimodality in GLOFs prediction, and provides support for future research.

搜集汇总

数据集介绍

构建方式

在冰川灾害监测领域，GLOFNet数据集通过融合多源遥感数据构建而成。该数据集整合了Sentinel-2多光谱影像、NASA ITS_LIVE冰川流速产品以及MODIS地表温度记录，覆盖卡拉昆仑山脉希斯珀冰川区域。构建过程包含云掩膜处理、质量标志过滤、时空插值、数据归一化及循环编码等预处理步骤，最终通过空间裁剪与时间同步实现多模态数据的无缝融合。

特点

作为首个面向冰湖溃决洪水预测的多模态数据集，GLOFNet具备独特的跨尺度特征。其空间维度包含10米分辨率的Sentinel-2影像斑块，动态维度集成32天滑动窗口的冰川流速序列，热力学维度则提供30天周期的温度异常监测。数据集有效捕捉到冰川运动的季节性周期（0.05-2米/日流速波动）及长期增温趋势（每十年约0.8K），并通过数据增强技术缓解了罕见灾害事件导致的类别不平衡问题。

使用方法

该数据集适用于多模态深度学习框架的构建与验证。研究者可通过时空对齐的三维数据立方体，同步获取特定日期的影像斑块、流速序列与温度序列。典型应用场景包括结合卷积神经网络提取空间特征，利用循环神经网络建模时序动态，以及通过多模态融合架构实现灾害预警。数据集已公开提供预处理后的标准化数据，支持端到端的冰川灾害预测模型开发。

背景与挑战

背景概述

冰川湖溃决洪水（GLOFs）作为高山区罕见却极具破坏性的自然灾害，其预测研究长期受限于数据碎片化与单模态局限。GLOFNet数据集由巴基斯坦国立科学技术大学研究团队于2024年创建，聚焦喀喇昆仑山脉希斯珀冰川区域，通过融合哨兵2号多光谱影像、NASA ITS_LIVE冰川流速数据与MODIS地表温度记录，构建了首个面向GLOF预测的多模态基准数据集。该数据集跨越二十余年的观测周期，不仅填补了冰川灾害预测领域多源数据协同分析的空白，更为深度学习模型提供了融合空间形态、运动学特征与热力学指标的统一框架，显著推进了冰川灾害早期预警系统的研究进程。

当前挑战

在冰川湖溃决洪水预测领域，核心挑战源于灾害事件的极端稀缺性导致的类别不平衡问题，以及遥感数据中普遍存在的云层干扰、分辨率异构性。GLOFNet构建过程中需攻克多源数据对齐难题：哨兵2号影像需通过云掩膜保留35%有效数据，ITS_LIVE流速产品需过滤80%噪声并重构时空连续性，MODIS温度数据因云覆盖损失约60%观测值。此外，跨模态融合需协调10米光学影像、120米流速栅格与1公里温度数据的分辨率差异，同时解决特征追踪伪影与时空插值偏差，最终通过数据增强与循环编码技术构建出物理意义明晰的多模态预测基准。

常用场景

经典使用场景

在冰川灾害监测领域，GLOFNet数据集通过融合Sentinel-2多光谱影像、ITS_LIVE冰川运动速度与MODIS地表温度三模态数据，为冰川湖溃决洪水预测研究提供了标准化基准。其典型应用场景包括构建多模态深度学习模型，通过分析冰川表面速度的季节性周期、热力学异常信号与湖泊空间扩展特征的协同演化，实现对希斯帕尔冰川溃决事件的动态预警。

衍生相关工作

基于该数据集衍生的经典研究包括多模态神经网络架构的开发，如融合卷积神经网络与长短期记忆网络的混合模型，实现了对冰川动态的端到端预测。后续工作进一步扩展了SAR影像与光学数据的跨模态融合，推动了冰川灾害预测从静态评估向动态过程模拟的范式转变。

数据集最近研究

最新研究方向

在冰川灾害监测领域，GLOFNet数据集正推动多模态深度学习的前沿探索。通过融合Sentinel-2多光谱影像、ITS_LIVE冰川运动速度与MODIS地表温度数据，该数据集突破了传统单模态研究的局限，为冰川湖溃决洪水预测提供了时空协同分析框架。当前研究聚焦于利用时序卷积网络与长短期记忆模型，捕捉冰川速度周期波动与热力学异常间的耦合关系，同时通过对抗生成网络解决极端类别不平衡问题。随着全球气候变暖加剧，该数据集已成为开发早期预警系统的重要基准，其多源遥感数据融合范式正被拓展至喜马拉雅、安第斯等冰川密集区，为应对极端水文灾害提供关键科学支撑。

相关研究论文

• 通过

  巴基斯坦国立科技大学电子与计算机科学学院（School of Electrical Engineering and Computer Science, National University of Sciences and Technology, Islamabad, Pakistan） · 2025年