EN中文

干旱区地理 >

2025 , Vol. 48 >Issue 11: 1961 - 1970

DOI: https://doi.org/10.12118/j.issn.1000-6060.2024.643

水文与水资源

表碛覆盖区冰川活动与边界多源遥感识别研究

  • 闫晋堋 , 1 ,
  • 蒋宗立 , 1 ,
  • 刘时银 2 ,
  • 张勇 3 ,
  • 魏俊锋 1 ,
  • 王欣 1 ,
  • 申宇峰 1
展开
  • 1.湖南科技大学地球科学与空间信息工程学院，湖南 湘潭 411201
  • 2.云南大学国际河流与生态安全研究院，云南 昆明 650500
  • 3.湖南科技大学资源环境与安全工程学院，湖南 湘潭 411201
蒋宗立（1975-），男，教授，主要从事冰川变化遥感监测研究. E-mail:

闫晋堋（1999-），男，硕士研究生，主要从事冰川变化遥感监测研究. E-mail:

收稿日期: 2024-10-23

  修回日期: 2025-04-16

  网络出版日期: 2026-03-11

基金资助

国家自然科学基金项目(42471154)

国家自然科学基金项目(42171134)

湖南省自然科学基金(2023JJ30237)

湖南省自然科学基金(2022JJ30243)

收起

Identification of debris-covered glacier activity and boundary by multi-source remote sensing

  • Jinpeng YAN , 1 ,
  • Zongli JIANG , 1 ,
  • Shiyin LIU 2 ,
  • Yong ZHANG 3 ,
  • Junfeng WEI 1 ,
  • Xin WANG 1 ,
  • Yufeng SHEN 1
Expand
  • 1. School of Earth Sciences and Spatial Information Engineering, Hunan University of Science and Technology, Xiangtan 411201, Hunan, China
  • 2. Institute of International Rivers and Eco-Security, Yunnan University, Kunming 650500, Yunnan, China
  • 3. School of Resources, Environment and Safety Engineering, Hunan University of Science and Technology, Xiangtan 411201, Hunan, China

Received date: 2024-10-23

  Revised date: 2025-04-16

  Online published: 2026-03-11

Fold

摘要

冰川是干旱区重要的淡水资源，表碛覆盖区冰川边界的精准识别对水资源评估至关重要。传统冰川编目数据因光谱混淆与地形复杂性，难以辨识活动冰体与石冰川的过渡区域，导致冰川范围难以准确定位，冰川水资源评估存在很大不确定性。以帕米尔高原西部昆吉尔苏冰川为研究区，采用融合合成孔径雷达（SAR）与光学遥感的识别方法，利用Sentinel-1A数据的偏移量追踪技术与TanDEM数据的大地测量法，获取冰川表面速度场和高程变化情况，结合Landsat-8光学影像目视解译冰川边界，并分析气候因素的影响。结果表明：昆吉尔苏冰川中段（距末端3.8~5.8 km区域）呈现持续活动性，冬季表面流速峰值达0.2 m·d-1，物质交换显著；2013—2020年距末端3.8~5.8 km区域呈消融状态，而2020年后，中段累积增厚7.06±6.05 m，验证其仍为活跃冰流区。据此校正兰道夫冰川编目数据，发现原编目低估昆吉尔苏冰川面积约2.8 km2。该研究提出的多源遥感协同识别方法可为表碛覆盖冰川的活动性识别与边界更新提供理论依据，对干旱区冰川水资源动态评估及全球冰川数据库更新具有重要参考意义。

关键词： 帕米尔高原; 冰川边界; 表碛覆盖型冰川; 合成孔径雷达

本文引用格式

闫晋堋 , 蒋宗立 , 刘时银 , 张勇 , 魏俊锋 , 王欣 , 申宇峰 . 表碛覆盖区冰川活动与边界多源遥感识别研究[J]. 干旱区地理, 2025 , 48(11) : 1961 -1970 . DOI: 10.12118/j.issn.1000-6060.2024.643

Abstract

Glaciers are essential freshwater resources in arid regions, and accurately delineating the boundaries of debris-covered glaciers is critical in assessing water resources. Traditional glacier inventory data often struggle to differentiate the transitional zones between active ice and rock glaciers due to spectral confusion and topographic complexity. This leads to uncertainties in determining glacier extents and evaluating water resources. This study focuses on the Kunjiersu glacier in the western Pamir Plateau, employing a multi-source remote sensing approach that integrates synthetic aperture radar and optical techniques. Utilizing Sentinel-1A offset­tracking technology and TanDEM geodetic methods, we derive glacier surface velocity fields and elevation changes, complemented by visual interpretation of Landsat-8 optical imagery for boundary delineation while analyzing climatic influences. Key findings reveal the following. The central glacier section (3.8-5.8 km from the terminus) consistently shows activity, with peak winter velocities reaching 0.2 m·d-1 and significant mass exchange; from 2013 to 2020, this section experienced ablation, but post-2020 data indicate cumulative thickening of 7.06±6.05 m, confirming ongoing active ice flow. Revised Randolph glacier inventory data suggest a 2.8 km2 underestimation of the original area of the Kunjiersu glacier. This proposed multi-source collaborative methodology offers theoretical support for identifying glacier activity and updating boundaries of debris-covered glaciers, providing critical insights for dynamic water resource assessment in arid regions and for maintaining global glacier databases.

Key words： Pamir Plateau; glacier boundary; debris-covered glacier; synthetic aperture radar

亚洲高山区是除了南北极之外最大的山地冰川发育区，冰川面积约占全球冰川面积的1/6，具有南北极之外的最大冰储量，有“亚洲水塔”之称[1-2]。帕米尔高原因其海拔极高而发育着众多规模较大的冰川，是下游地区重要的水资源区域[3-5]。其中，许多冰川的冰川表面为表碛覆盖，冰川表碛一部分是冰川在运动过程中侵蚀底部和周边基岩，产生的大量岩屑碎石经冰川搬运、挟带后形成的冰碛物，在堆积作用下形成冰碛沉积物；另一部分是由于冰川消融、运动导致内碛暴露，又或岩石风化、崩落形成碎屑物覆于冰川表面。其中，许多表碛覆盖区域可能已经演化为石冰川（埋藏死冰）。石冰川是由松散的岩石碎屑和冰的混合物组成的叶状或舌状地貌，是高山地貌系统的重要组成部分[6]。
表碛覆盖型冰川与石冰川形态相似且都包含着大量岩石与沉积物[7-8]，表碛覆盖冰川表面地形复杂，冰川表面不稳定、不连续，表面的冰经常暴露可见；相比之下，石冰川表面特征是空间上连贯的流状地形，表面冰暴露很少[9]。新发育的石冰川和表碛覆盖冰川形态是完全连续的，表明裸冰和石冰川之间存在连续体，碎屑覆盖冰川被认为是二者形成的中间阶段[10]。山地冰川是周边区域淡水的主要来源[11-12]。根据野外观测发现，冰川储冰量（冰体体积占比）呈现显著变化：表碛半覆盖型冰川储冰量最高，储冰量超过85%；随着覆盖程度增加，完全覆盖型冰川储冰量降至65%~85%；当冰川被表碛完全埋藏时，储冰量进一步减少至45%~65%[13]。表碛覆盖冰川与石冰川的储冰量存在较大差异[14-15]，区分二者对于冰川水资源评估有重要意义。
在过去几十年中，光学遥感卫星在表碛覆盖冰川边界研究中有广泛的应用。基于光学影像的方法大多数是通过计算多光谱数据之间的波段比值，增强冰川和周围地面的光谱特性，实现冰川边界的提取。数据通常使用消融季节结束时获取的光学影像，以避免积雪的影响。由于冰上表碛与邻近地面之间的光谱相似性，描绘表碛覆盖的冰川轮廓仍具有挑战性[16]。Bolch等[17]发现利用可见光、近红外和短波红外区域的不同带宽组合进行冰川制图可能不适用于有阴影的区域，结果通常将表碛覆盖冰川排除在外。使用光学、热红外和地形数据的半自动方法依赖于分析人员的经验进行校正，具有较高的主观性[18]。Xie等[19]提出一种自动识别表碛覆盖的算法，使用归一化植被指数和机器学习算法，优化基于波段的比值和机器学习算法的阈值，提取了巴基斯坦罕萨河谷冰川上的表碛覆盖区域。在山地冰川区域，云、雪覆盖影响了光学影像数据的质量，表碛覆盖的存在也增加了冰川边界的提取难度。Atwood等[20]首次使用合成孔径雷达（SAR）图像进行表碛范围界定，突破了光学卫星的局限性。蒋宗立等[21]采用二轨法差分干涉估计相干性，并借助光学遥感数据判断公格尔山冰5Y663D0009的边界，并使用特征匹配方法获取冰川表面流速进行验证，表明相干性是有效的判断依据。Zhang等[16]利用卫星合成孔径雷达振幅和干涉相干性来提取山地冰川边界，并将结果与人工使用高分辨率无云卫星光学图像绘制的冰川边界进行比较，发现结果的错误分类率和差异率分别为2.6%和4.2%。近年来，随着人工智能的发展，极化SAR与人工智能的结合被应用到表碛覆盖冰川边界识别中，极化SAR在冰川区分类和制图方面表现出很好的能力。Huang等[22]通过分析C波段和L波段极化SAR图像上表碛的散射特征，提取表碛覆盖范围，通过结合更多的极化特征和支持向量机，表碛识别的准确率大于95%。识别表碛覆盖型冰川是冰川变化研究和水资源评估的重要组成部分。多源数据融合也是识别表碛覆盖冰川的有效手段。Lu等[23]通过使用Sentinel-1、Sentinel-2、Landsat-8等多源数据集，提出基于随机森林分类器模型的表碛覆盖冰川自动识别算法，克服了单一数据识别表碛覆盖冰川的困难。
全球升温背景下，冰川物质平衡呈现区域性响应特征，当冰川系统处于持续性负物质平衡时，表碛覆盖下冰体因消融隔离效应减弱可能逐渐退化为埋藏死冰（即石冰川）；反之，若区域性气候调节（如固态降水增加或冷储效应）驱动正物质平衡态时，表碛覆盖区仍可维持活动状态。帕米尔高原多达37%的山谷冰川末端发育连续表碛覆盖体，其活动性区域判识模糊导致现有冰川编目边界划定存疑，直接影响区域水储量评估精度。本文以帕米尔高原西缘典型表碛覆盖型冰川——昆吉尔苏冰川作为研究区，创新性融合多源遥感技术：基于Sentinel-1A（2020—2023年）与TerraSAR­X/TanDEM­X数据（2013—2022年），运用偏移量追踪技术与差分干涉大地测量法反演冰川表面运动场；结合Landsat-8影像的纹理特征目视解译表碛覆盖区裸冰出露边界；重新划分了表碛覆盖下冰川范围。此方法突破传统光学遥感单一依赖地貌形态的局限，对干旱区冰川水资源动态评估及全球冰川数据库更新具有重要参考意义。

1 数据与方法

1.1 研究区概况

帕米尔高原地跨中国新疆西南部、塔吉克斯坦东南部、阿富汗东北部，是昆仑山、喀喇昆仑山、兴都库什山和天山交会的巨大山结，面积约1×105 km2[24]。昆吉尔苏冰川（39°25′N，72°43′E）位于帕米尔高原中部偏西，冰川编号是G072719E39393N，冰川呈自南向北的流向，全长约7700 m；冰川中部以下区域被表碛所覆盖，表碛覆盖面积约7.9 km2，裸冰区域面积约2.7 km2（图1）。
图1 昆吉尔苏冰川位置和范围

注：RGI为冰川编目数据。下同。

Fig. 1 Location and extent of the Kunjiersu glacier

1.2 数据来源

1.2.1 合成孔径雷达（SAR）卫星数据

本文主要使用2020—2023年Sentinel-1A数据与2022年11月24日、2022年12月27日TerraSAR­X数据获取昆吉尔苏冰川表面流速变化；使用2013、2020年和2022年TanDEM­X数据获取昆吉尔苏冰川表面高程变化。TerraSAR­X/TanDEM­X卫星（https://geoservice.dlr.de/）是德国航空航天中心（DLR）发射的一对SAR卫星，用于获取高分辨率的地球观测影像数据[25]。Sentinel-1A（https://search.asf.alaska.edu/）是欧洲空间局（ESA）于2014年发射的一颗SAR卫星，它可以提供高分辨率、全天候、全球覆盖的地表观测数据，用于地球观测和监测。

1.2.2 光学遥感数据

本文使用2014、2017年和2020年Landsat 8光学影像辅助识别表碛覆盖冰川边界。Landsat 8数据（https://earthexplorer.usgs.gov/）是NASA与美国地质调查局合作开发并由轨道科学公司建造。因其运行时间跨度长、空间分辨率高、免费获取等特点，被广泛应用于冰川编目和冰川变化研究中。

1.2.3 辅助地形数据

本文使用辅助地形数据与TanDEM数据来获取昆吉尔苏冰川表面高程变化。RGI 6.0冰川编目是基于GLIMS（Global land ice measurements from space）数据库建立的冰川边界矢量数据，作为初始边界基准。SRTM（Shuttle radar topography mission， https://earthexplorer.usgs.gov）是由NASA和国家地理空间情报局于2000年通过雷达干涉测量、机载舷外天线系统和单次数据采集数据。

1.2.4 气象数据

本文使用2004—2023年的昆吉尔苏冰川气温数据与2000—2020年的昆吉尔苏冰川降水量数据来分析气候因素对冰川变化的影响。气温数据来自WorldClim数据集（https://worldclim.org/），降水量数据来自“全球地面整编数据集-逐月产品”数据集（https://data.cma.cn/）。

1.3 研究方法

1.3.1 偏移量追踪技术

由于冰流速度过快而导致的冰面失相干使得合成孔径雷达差分干涉测量（D­InSAR）难以获得高质量的干涉条纹图，而偏移量跟踪法中的强度追踪法却可以克服冰面失相干的问题，被认为是获取冰川流速的可靠手段[26-27]。本文采用基于归一化相互关联系数强度跟踪方法，从同一区域的2幅图像中提取冰川表面的位移，可以有效地提供冰川从起点到终点的整个表面的速度信息[28-29]。强度匹配方法从强度影像的二维平面入手，获得地面特征点的方位向和距离向运动矢量，得到强度影像特征点匹配对后，对特征点的偏移进行拟合得到偏移多项式，根据强度图像的条纹进行距离和方位向的偏移计算。归一化互相关基于像元进行计算，若想获得亚像元配准精度，可通过强度插值和相关性插值2种不同的插值方法来实现。在冰川等大尺度移动目标监测中强度插值的效果更佳[30]。归一化互相关的计算公式为：
ρ x , y = ∑ x , y r x , y - u r s x - u , y - v - u s ∑ x , y r x , y - u r 2 ∑ x , y s x - u , y - v - u s 2
式中： ρ x , y为归一化互相关系数； x , y为参考像元位置； x - u , y - v为搜索像元位置；r和s分别为参考像元和搜索像元的像元值； u r和 u s分别为参考像元和搜索像元的像元平均值[31]。
本文使用SAR影像数据和SRTM DEM来获取冰川的表面流速，使用GAMMA软件对SAR影像数据进行偏移量估计。该软件被广泛用作处理冰川覆盖地区的地面形变和地表位移。主要步骤包括：（1）数据预处理；（2）影像配准：（3）偏移量估计；（4）地理编码；（5）冰川流速计算[32]。在数据处理的过程中会产生误差，其中主要包括影像配准、地理编码和偏移量转换等误差。假定非冰川区在短时间内没有位移，非冰川区域的偏移量计算结果中包括上述所有误差。对非冰川区域的偏移量进行统计，得到采样总体误差的直方图（图2）。
图2 非冰川区表面流速分布

Fig. 2 Distribution of surface velocity in no-glacier region

1.3.2 DEM配准

在瑞士GAMMA软件平台下对TSX/TDX SAR数据进行处理，InSAR生成的干涉图中包括地形相位和形变相位，为得到地表形变相位，通过差分处理，去除借助外部数字高程模型（DEM）得出的地形相位，从而得到地表形变相位[33]。即：
φ ∅ T S X / T D X = φ ∅ o r b i t + φ ∅ t o p o + φ ∅ a t m + φ ∅ s c   a t
式中： φ ∅ T S X / T D X为TSX/TDX干涉图的干涉相位； φ ∅ o r b i t为2颗卫星获取影像时不同的几何角度造成的相位差； φ ∅ t o p o为由于地形引起的相位差； φ ∅ a t m为影像获取时的大气延迟相位； φ ∅ s c   a t为地表不同的散射条件所引起的相位差。由于TerraSAR­X和TanDEM­X影像几乎是同时获取的，具有相同的大气条件和地表散射条件，因此和均为0；因此 φ ∅ t o p o可以通过TDX/TSX获取的差分相位减去 φ ∅ o r b i t，即模拟的平地相位来得到，然后对其进行相位解缠得到地形相位的残差相位，最后转换得到高程变化值[33-34]。由于非冰川区的地形较为稳定，高程几乎不存在变化，假设冰川表面高程变化与非冰川区高程变化一致。根据误差传播定律，通过非冰川区高程差的均方根误差或标准差对高程变化结果进行不确定性分析[35]。即：
σ = M E D 2 + S D 2
M E D = ∑ i = 0 n h i n
S D = ∑ ( h i - h - ) 2 n - 1
式中： σ为非冰川区域的均方根误差值；MED为非冰川区高程平均值；hi为第i种高程变化值；SD为非冰川区的标准偏差； h -为非冰川区高程平均值；n为非冰川区域高程变化值的总频次。计算得到，2013—2020年和2020—2022年表面高程变化的总体误差分别为0.43 m和0.30 m，2013—2020年和2020—2022年的非冰川区表面高程变化均呈正态分布（图3）。
图3 非冰川区表面高程变化

Fig. 3 Surface elevation change in non-glacier region

2 结果与分析

2.1 冰川表面流速变化

通过Sentinel-1A影像的偏移量追踪技术，发现昆吉尔苏冰川表面流速呈现显著的纵向梯度变化。距末端约5 km以上的上游裸冰区域流速较高，平均最大流速达0.15 m·d-1，显示出典型的山地冰川运动特征（图4）。而在冰川中段（3.8~5.8 km），平均流速仍达到0.2 m∙d-1，局部超过0.25 m∙d-1（图5），表明该区域仍存在显著的物质流动。这一结果挑战了传统光学影像仅通过光谱特征判读表碛覆盖区域为非活跃区的假设。冰川下游区段（0~2.8 km）流速值非常小（低于0.02 m∙d-1），表明此处可能已演化为石冰川或埋藏死冰，通过表面高程变化的进一步对比发现，表碛覆盖区内部仍存在局部运动，呈现“活动性碎片流”特征。此外，2020—2022年流速结果显示，中段流速存在季节波动，冬季流速较夏季低15%~20%，这可能与融水存在导致底部滑动有关。
图4 2020—2023年昆吉尔苏冰川沿中流线表面流速变化

Fig. 4 Change of surface velocity along the middle stream line of Kunjiersu glacier from 2020 to 2023

图5 冰川表面流速分布

注：空白处数据缺失，不影响最终结果。

Fig. 5 Glacier surface velocity distribution

2.2 冰川表面高程变化

基于TSX/TDX数据的大地测量分析揭示了2013—2022年冰川的动态变化（图6）。冰川上游积累区（5.8~7.7 km）：2013—2020年显著减薄10.89±8.77 m，2020年后增厚10.90±9.02 m，可能受近年来降水增加影响（图9）；中段过渡区（2.3~5.1 km）：2013—2020年持续减薄7.12±2.11 m，但2020—2022年部分区域出现增厚7.06±6.05 m，可能与冰川前进有关；末端消融区（0~2.3 km）：2013—2020年持续减薄，但2020年后减薄速率放缓。
图6 冰川表面高程变化

Fig. 6 Changes of glacier surface elevation

2.3 校正冰川边界

根据表面高程变化与流速变化数据分析，昆吉尔苏冰川中段仍存在物质交换，仍是冰川区域，将其划为冰川活动区。以RGI 6.0划分的冰川区域为基础，冰川两侧高程较高，为天然边界。对比2014、2017年和2020年光学影像（图7a~c），历年光学影像中昆吉尔苏冰川末端皆存在的白色区域可能是裸露冰崖，推测为末端边界（图7d）。全球陆地冰川太空观测计划（GLIMS）发布的RGI 6.0数据中，仅仅将常年积雪的区域划分为冰川区域，对于被表碛所覆盖的区域认定为非冰川区域。不能准确地识别昆吉尔苏冰川边界，将大大低估冰川的储量。
图7 Landsat 8光学影像和校正后冰川边界

Fig. 7 Landsat 8 optical images and corrected glacier boundaries

2.4 气候因素对冰川变化的影响

降水与气温及其组合是影响冰川发育的主要气候因子，降水决定积累，气温决定消融，它们的组合共同决定着冰川的性质、发育和演化[36-37]。2004—2023年年均气温呈现波动状态，在2017年后有升温趋势；2004—2023年年总降水量呈现波动减少趋势（图8）。结合表面高程变化分析发现，气温逐渐升高，降水量逐渐减少，使2020年之前昆吉尔苏冰川裸冰区域发生减薄，末端部分逐渐消融。
图8 昆吉尔苏冰川年均气温和年总降水量变化趋势

Fig. 8 Variation trends of annual mean temperature and annual total precipitation in the Kunjiersu glacier

2005年Hewitt[38]发现在全球冰川普遍退缩背景下，喀喇昆仑山的部分冰川却处于正物质平衡状态，称为“喀喇昆仑（冰川）异常”。2017年在西昆仑山、兴都库什山等地都发现前进的冰川，这种现象进一步被定义为“帕米尔-喀喇昆仑（冰川）异常”[38-39]。通过分析2017—2020年的季节降水变化发现（图9），2017—2020年冰川区域夏季降水较少，春冬季降水较多。2020年后冰川中段区域发生变化，推测冰川发生了前进。
图9 2017—2020年季节性降水量变化

Fig. 9 Seasonal precipitation variation from 2017 to 2020

3 讨论

本文通过融合多源遥感技术，系统揭示了表碛覆盖冰川的动力学特征，提出了新的冰川边界识别方法。与传统光学影像依赖光谱信息不同，本文综合流速、高程数据，克服了表碛覆盖区的信号干扰，实现了冰川活动性监测。以Sentinel-1A数据提取流速季节变化和TanDEM­X长期高程监测，这种联合分析为表碛覆盖冰川边界研究提供了新范式。结果显示，表碛覆盖区的死冰与活跃冰体可通过流速-高程变化的协同诊断有效区分，这对冰川编目边界的精准划定至关重要。
通过重新界定昆吉尔苏冰川边界，本文发现RGI 6.0数据显著低估了表碛覆盖区的活动范围，低估面积达2.8 km2。这一误差源于现有编目方法的两大局限：一是依赖可见光-近红外波段的“静态阈值”分割，无法穿透表碛层探测下部冰体；二是未结合冰川动力学参数（如流速、形变）。本文提出的流速-高程联合判定为实现自动化边界修正提供了技术路线，尤其在差异干涉相干性难以应用的陡峭破碎区域表现出更强的鲁棒性。

4 结论

（1）昆吉尔苏冰川的动态变化可能反映了帕米尔高原近年来气候的协同效应。据气温和降水数据，2013—2020年的升温趋势导致上游显著减薄，但2020年后降水的阶段性增加可能促使上游恢复物质积累。这种“暖湿化”组合对表碛覆盖冰川的影响具有双重性：一方面，升温加剧消融；另一方面，降水的增加通过积雪补给抵消部分冰量损失。这一现象与“帕米尔-喀喇昆仑异常”的部分特征吻合，但需长期观测验证其持续性。
（2）昆吉尔苏冰川校正后的储冰量提升意味着其融水对阿姆河上游的补给作用比预期更强。根据冰川消融模型，假设冰川以当前速率退缩，未来50 a其融水对下游的年均贡献量可能增加14%~21%。表碛增厚对冰体消融具有非线性调节作用：薄表碛加剧消融，厚表碛显著抑制消融。因此，未来需评估表碛演化对消融速率的耦合效应，以提高水资源预测的可靠性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
姚檀栋, 邬光剑, 徐柏青, 等. “亚洲水塔”变化与影响[J]. 中国科学院院刊, 2019, 34(11): 1203-1209.

[Yao Tandong, Wu Guangjian, Xu Baiqing, et al. Asian water tower change and its impacts[J]. Bulletin of Chinese Academy of Sciences, 2019, 34(11): 1203-1209. ]

[2]
Jones D B, Harrison S, Anderson K, et al. Rock glaciers represent hidden water stores in the Himalaya[J]. Science of the Total Environment, 2021, 793: 145368, doi: 10.1016/j.scitotenv.2021.145-368.

[3]
Messerli B, Viviroli D, Weingartner R. Mountains of the world: Vu-lnerable water towers for the 21st century[J]. AMBIO: A Journal of the Human Environment, 2004, 33(Suppl. 13): 29-34.

DOI

[4]
Viviroli D, Dürr H H, Messerli B, et al. Mountains of the world, water towers for humanity: Typology, mapping, and global significance[J]. Water Resources Research, 2007, 43(7): W07447, doi: 10.1029/2006WR005653.

[5]
Li Z J, Wang N L, Chen A A, et al. Slight change of glaciers in the Pamir over the period 2000—2017[J]. Arctic, Antarctic, and Alpine Research, 2022, 54(1): 13-24.

DOI

[6]
Haeberli W, Hallet B, Arenson L, et al. Permafrost creep and rock glacier dynamics[J]. Permafrost and Periglacial Processes, 2006, 17(3): 189-214.

DOI

[7]
Berthling I. Beyond confusion: Rock glaciers as cryo-conditioned landforms[J]. Geomorphology, 2011, 131(3-4): 98-106.

DOI

[8]
Mayr E, Hagg W. Debris­covered glaciers[M]. Berlin: Springer Cham, 2019: 59-71.

[9]
Cai J X, Wang X W, Liu G X, et al. A comparative study of active rock glaciers mapped from geomorphic-and kinematic-based approaches in Daxue Shan, southeast Tibetan Plateau[J]. Remote Sensing, 2021, 13(23): 4931, doi: 10.3390/rs13234931.

[10]
Jones D B, Harrison S, Anderson K, et al. Rock glaciers and mountain hydrology: A review[J]. Earth-Science Reviews, 2019, 193: 66-90.

DOI

[11]
Winkler G, Wagner T, Pauritsch M, et al. Identification and assessment of groundwater flow and storage components of the relict Schöneben Rock glacier, Niedere Tauern Range, eastern Alps (Austria)[J]. Hydrogeology Journal, 2016, 24(4): 937-953.

DOI

[12]
Wagner T, Brodacz A, Krainer K, et al. Active rock glaciers as shallow groundwater reservoirs, Austrian Alps[J]. Grundwasser, 2020, 25(3): 215-230.

DOI

[13]
Janke J R, Bellisario A C, Ferrando F. Classification of debris-covered glaciers and rock glaciers in the Andes of central Chile[J]. Geomorphology, 2015, 241: 98-121.

DOI

[14]
Brenning A. Geomorphological, hydrological and climatic significance of rock glaciers in the Andes of central Chile (33°-35°S)[J]. Permafrost and Periglacial Processes, 2005, 16(3): 231-240.

DOI

[15]
Azócar G F, Brenning A, Processes P. Hydrological and geomorphological significance of rock glaciers in the dry Andes, Chile (27°-33°S)[J]. Permafrost and Periglacial Processes, 2010, 21(1): 42-53.

DOI

[16]
Zhang B, Liu G, Wang X, et al. Semi-automated mapping of complex-terrain mountain glaciers by integrating L-band SAR amplitude and interferometric coherence[J]. Remote Sensing, 2022, 14(9): 1993, doi: 10.3390/rs14091993.

[17]
Bolch T, Kamp U. Glacier mapping in high mountains using DEMs, Landsat and ASTER data[J]. Grazer Schriften der Geographie und Raumforschung, 2006, 41: 37-48.

[18]
Rastner P, Strozzi T, Paul F. Fusion of multi-source satellite data and DEMs to create a new glacier inventory for Novaya Zemlya[J]. Remote Sensing, 2017, 9(11): 1122, doi: 10.3390/rs9111122.

[19]
Xie F M, Liu S Y, Gao Y, et al. Derivation of supraglacial debris cover by machine learning algorithms on the Gee Platform: A case study of glaciers in the Hunza Valley[J]. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2020, 3: 417-424.

[20]
Atwood D K, Meyer F, Arendt A. Using L-band SAR coherence to delineate glacier extent[J]. Canadian Journal of Remote Sensing, 2014, 36(Suppl. 1): 186-195.

[21]
蒋宗立, 丁永建, 刘时银, 等. 基于SAR的表碛覆盖型冰川边界定位研究[J]. 地球科学进展, 2012, 27(11): 1245-1251.

DOI

[Jiang Zongli, Ding Yongjian, Liu Shiyin, et al. A study of the debris-covered glacier limit based on SAR[J]. Advances in Earth Science, 2012, 27(11): 1245-1251. ]

DOI

[22]
Huang L, Li Z, Tian B, et al. Recognition of supraglacial debris in the Tianshan Mountains on polarimetric SAR images[J]. Remote Sensing of Environment, 2014, 145: 47-54.

DOI

[23]
Lu Y J, Zhang Z, Kong Y R, et al. Integration of optical, SAR and DEM data for automated detection of debris-covered glaciers over the western Nyainqentanglha using a random forest classifier[J]. Cold Regions Science and Technology, 2022, 193: 103421, doi: 10.1016/j.coldregions.2021.103421.

[24]
黄丹妮, 张震, 张莎莎, 等. 东帕米尔高原冰川运动特征分析[J]. 干旱区地理, 2021, 44(1): 131-140.

DOI

[Huang Danni, Zhang Zhen, Zhang Shasha, et al. Characteristics of glacier movement in the eastern Pamir Plateau[J]. Arid Land Geography, 2021, 44(1): 131-140. ]

DOI

[25]
秦小芳, 张华春, 张衡, 等. TerraSAR-X/TanDEM-X升降轨双基干涉模式获取DEM方法研究[J] 雷达学报, 2018, 7(4): 487-497.

[Qin Xiaofang, Zhang Huachun, Zhang Heng, et al. A high precision DEM generation method based on ascending and descending pass TerraSAR-X/TanDEM-X BiSAR data[J]. Journal of Radars, 2018, 7(4): 487-497. ]

[26]
杨婧睿. 东喀喇昆仑山典型冰川跃动特征及机理分析[D]. 湘潭: 湖南科技大学, 2022.

[Yang Jingrui. Characteristics and me-chanism analysis of typical glacier surge, east Karakoram[D]. Xiangtan: Hunan University of Science and Technology, 2022. ]

[27]
Rosen P A, Hensley S, Joughin I R, et al. Synthetic aperture radar interferometry[J]. Proceedings of the IEEE, 2000, 88(3): 333-382.

DOI

[28]
Bolch T, Pieczonka T, Benn D I. Multi­decadal mass loss of glaciers in the Everest area (Nepal Himalaya) derived from stereo imagery[J]. The Cryosphere, 2011, 5(2): 349-358.

DOI

[29]
Debella­Gilo M, Kääb A. Sub­pixel precision image matching for measuring surface displacements on mass movements using normalized cross­correlation[J]. Remote Sensing of Environment, 2011, 115(1): 130-142.

DOI

[30]
张晓博, 赵学胜, 葛大庆, 等. 利用新型C波段雷达卫星研究南伊内里切克冰川运动特征[J]. 武汉大学学报(信息科学版), 2019, 44(3): 429-435.

[Zhang Xiaobo, Zhao Xuesheng, Ge Daqing, et al. Motion characteristics of the south Inilchek glacier derived from new C-band SAR satellite[J]. Geomatics and Information Science of Wuhan University, 2019, 44(3): 429-435. ]

[31]
王振峰, 蒋宗立, 刘时银, 等. 中帕米尔甘多冰川跃动遥感监测[J]. 地球科学进展, 2022, 37(11): 1181-1193.

DOI

[Wang Zhenfeng, Jiang Zongli, Liu Shiyin, et al. Characteristics of recent surging of Braldu glacier, central Karakoram[J]. Advances in Earth Science, 2022, 37(11): 1181-1193. ]

DOI

[32]
王振峰, 蒋宗立, 刘时银, 等. 中喀喇昆仑布拉尔杜冰川近期跃动分析[J]. 干旱区地理, 2022, 45(4): 1032-1041.

DOI

[Wang Zhenfeng, Jiang Zongli, Liu Shiyin, et al. Characteristics of recent surging of Braldu glacier, central Karakoram[J]. Arid Land Geography, 2022, 45(4): 1032-1041. ]

DOI

[33]
Gray A L, Short N, Mattar K E, et al. Velocities and flux of the Filchner ice shelf and its tributaries determined from speckle tracking interferometry[J]. Canadian Journal of Remote Sensing, 2014, 27(3): 193-206.

DOI

[34]
蒋宗立, 刘时银, 许君利, 等. 应用SAR特征匹配方法估计音苏盖提冰川表面流速[J]. 冰川冻土, 2011, 33(3): 512-518.

[Jiang Zongli, Liu Shiyin, Xu Junli, et al. Using feature­tracking of ALOS PALSAR images to acquire the Yengisogat glacier surface velocities[J]. Journal of Glaciology and Geocryology, 2011, 33(3): 512-518. ]

[35]
Guo L, Li J, Wu L X, et al. Investigating the recent surge in the Monomah glacier, central Kunlun Mountain range with multiple sources of remote sensing data[J]. Remote Sensing, 2020, 12(6): 966, doi: 10.3390/rs12060966.

[36]
杨佳伟, 刘巧, 罗云翼, 等. 西藏乃钦康桑地区冰川变化及原因分析[J]. 冰川冻土, 2024, 46(3): 780-794.

DOI

[Yang Jiawei, Liu Qiao, Luo Yunyi, et al. Glacier changes andtheir causes in Noijin Kangsang region, Xizang, China[J]. Journal of Glaciology and Geocryology, 2024, 46(3): 780-794. ]

DOI

[37]
李开明, 陈世峰, 康玲芬, 等. 中国大陆型冰川和海洋型冰川变化比较分析——以天山乌鲁木齐河源1号冰川和玉龙雪山白水河1号冰川为例[J]. 干旱区研究, 2018, 35(1): 12-19.

DOI

[Li Kaiming, Chen Shifeng, Kang Lingfen, et al. Variation of continental glacier and temperate glacier in China: A case study of glacier No. 1 at the headwaters of the Urumqi River and Baishui glacier No. 1[J]. Arid Zone Research, 2018, 35(1): 12-19. ]

DOI

[38]
Hewitt K. The Karakoram anomaly? Glacier expansion and the ‘elevation effect’, Karakoram Himalaya[J]. Mountain Research and Development, 2005, 25(4): 332-340.

DOI

[39]
蒋宗立, 王磊, 张震, 等. 2000—2014年喀喇昆仑山音苏盖提冰川表面高程变化[J]. 干旱区地理, 2020, 43(1): 12-19.

[Jiang Zhongli, Wang Lei, Zhang Zhen, et al. Surface elevation changes of Yengisogat glacier between 2000 and 2014[J]. Arid Land Geography, 2020, 43(1): 12-19. ]

DOI

Options
文章导航

/

〈 〉