La Antártida juega un papel clave en el ciclo hidrológico del sistema climático de la Tierra, con una capa de hielo que es el bloque de hielo más grande que reserva el 90% del volumen total de hielo de la Tierra y el 70% del agua dulce. Además, la sostenibilidad de la región es una preocupación importante debido a los desafíos que plantean los glaciares en melting que preservan el equilibrio térmico de la Tierra al interactuar con el Océano Austral. Por lo tanto, el monitoreo de glaciares basado en enfoques avanzados de aprendizaje profundo ofrece resultados vitales que son de gran importancia para revelar los efectos del calentamiento global. En este estudio, se investigaron enfoques recientes de aprendizaje profundo en términos de su precisión para la segmentación de formas de terreno glaciares en la Península Antártica. Para este propósito, se generaron ortofotos de alta resolución basadas en fotogrametría UAV durante la Sexta Expedición Turca a la Antártida en 2022. Los métodos de aprendizaje profundo Segformer, DeepLabv3+ y K-Net fueron analizados comparativamente en términos de su precisión. Los resultados mostraron que K-Net proporcionó resultados eficientes con una precisión del 99.62%, una intersección sobre unión del 99.58%, una precisión del 99.82%, un recall del 99.76% y un F1-score del 99.79%. Las inspecciones visuales también revelaron que K-Net fue capaz de preservar los finos detalles alrededor de los bordes de los glaciares. Nuestro método propuesto basado en aprendizaje profundo proporciona una solución precisa y sostenible para la segmentación y monitoreo automático de glaciares.