EN中文

干旱区地理 >

2025 , Vol. 48 >Issue 8: 1342 - 1352

DOI: https://doi.org/10.12118/j.issn.1000-6060.2024.528

气候与水文

基于随机森林模型的青藏高原冰川预测及分析

  • 张毅明 , 1, 2 ,
  • 汤宇磊 , 3 ,
  • 冯俊波 1
展开
  • 1.中国地质调查局军民融合地质调查中心，四川 成都 610036
  • 2.成都理工大学地球与行星科学学院，四川 成都 610059
  • 3.中国地质调查局地球物理调查中心，河北 廊坊 065000
汤宇磊（1990-），男，硕士，高级工程师，主要从事环境遥感与机器学习应用等方面的研究. E-mail:

张毅明（1996-），男，硕士，工程师，主要从事资源与环境遥感、矿产勘查与成矿预测等方面的研究. E-mail:

收稿日期: 2024-09-03

  修回日期: 2024-11-19

  网络出版日期: 2026-03-11

基金资助

中国地质调查局项目(DD20230519)

收起

Predicting and analysing glaciers in the Qinghai-Xizang Plateau: A random forest model

  • Yiming ZHANG , 1, 2 ,
  • Yulei TANG , 3 ,
  • Junbo FENG 1
Expand
  • 1. Civil-Military Integration Center of China Geological Survey, Chengdu 610036, Sichuan, China
  • 2. College of Earth and Planetary Sciences, Chengdu University of Technology, Chengdu 610059, Sichuan, China
  • 3. Center for Geophysical Survey, China Geological Survey, Langfang 065000, Hebei, China

Received date: 2024-09-03

  Revised date: 2024-11-19

  Online published: 2026-03-11

Fold

摘要

冰川是青藏高原自然资源调查监测的重点对象之一，冰川的调查监测与研究对青藏高原气候变化具有重要意义。以青藏高原冰川为研究对象，融合多源数据构建了一个随机森林模型（决定系数=0.72），获得了2000—2020年青藏高原逐年1 km尺度冰川预测数据集，分析了2000—2020年青藏高原冰川的空间分布特征和时空变化特征。研究表明：（1）青藏高原冰川空间分布特征为：主要分布于0°~40°坡度范围内，占比达97.92%；主要分布于4000~7000 m海拔范围内，占比达99.38%；总体呈现北坡多于南坡、西坡多于东坡的特点。（2）青藏高原冰川时空变化特征为：时间上，2000—2020年青藏高原冰川总体呈现显著退缩趋势。空间上，青藏高原边缘地区冰川存在显著变化趋势，从边缘向腹地显著变化趋势减弱，腹地以轻微变化趋势为主。（3）喜马拉雅山和念青唐古拉山冰川主要呈显著退缩趋势，喀喇昆仑山冰川主要呈轻微退缩趋势，昆仑山冰川呈轻微前进趋势与轻微退缩趋势并存的特点。

关键词： 冰川; 预测及分析; 随机森林模型; 空间分布; 时空变化; 青藏高原

本文引用格式

张毅明 , 汤宇磊 , 冯俊波 . 基于随机森林模型的青藏高原冰川预测及分析[J]. 干旱区地理, 2025 , 48(8) : 1342 -1352 . DOI: 10.12118/j.issn.1000-6060.2024.528

Abstract

Glaciers on the Qinghai-Xizang Plateau, China serve as critical indicators for natural resource monitoring and regional climate change analysis. This study investigates glacier dynamics across the plateau by integrating multi-source datasets and developing a robust random forest model (R2=0.72) to generate a 1 km-resolution annual glacier prediction dataset spanning from 2000 to 2020. Key findings include as follows: (1) Spatial distribution patterns: 97.92% of glaciers are located on slopes of 0°-40°, and 99.38% are distributed at elevations of 4000-7000 m. Glacier density is higher on northern slopes than on southern slopes, and western slopes exhibit greater coverage than eastern slopes. (2) Spatiotemporal changes: From 2000 to 2020, glaciers exhibited a clear retreat trend. Spatially, stronger variation signals were observed along the plateau margins, while interior regions showed relatively minor changes. (3) Regional trends: Glaciers in the Himalaya Mountains and Nyainqentanglha Mountains showed significant retreat, while those in the Karakoram Mountains experienced only slight retreat. The Kunlun Mountains exhibited a mixed pattern of slight advancement and retreat.

Key words： glaciers; predict and analysis; random forest model; distribution patterns; spatiotemporal changes; Qinghai-Xizang Plateau

冰川被誉为“高山固体水库”，是水资源的重要组成部分。青藏高原是对全球气候变化最敏感的区域之一，其高耸的地势驱动着中国东部的气候变化，对北半球甚至全球气候具有重要意义。研究表明，青藏高原的气候变化对该区冰川产生重大影响[1]，冰川变化作用于水气循环和辐射循环，进而导致北半球地表径流量、湖泊水量、地下水位、海平面高度等发生变化，从而对人类生存和生产生活产生重大影响。因此，对冰川变化的动态监测十分必要。
20世纪以来，众多学者针对青藏高原冰川的时空变化规律进行了研究。目前，冰川变化的研究方法主要有数值模拟法、大地测量学方法、卫星遥感监测、野外定位观测等。数值模拟法通过建立冰川系统的水文学模型研究冰川对特定流域的贡献程度，通过模拟冰川的物理变化机制来揭示冰川变化机理，一般只能得到冰川的区域总面积，不能得到冰川的具体分布或者边界特征，因不同冰川系统的差异较大而普适性较低；大地测量方法主要指利用现代测量技术获取冰川表面高程变化或者移动速度变化的方法，如数字高程模型差分法[1-3]；卫星遥感监测主要应用遥感影像和地理信息系统技术进行冰川监测，其冰川提取主要通过目视解译或计算机自动分类实现。目视解译精度较高但费时费力，且易受主观因素影响造成地类误判。计算机辅助分类经典方法有比值阈值法[4-6]、雪盖指数法[7]及构建其他指数法[8]、监督分类与非监督分类法[9]，这类方法提取效果明显，但不具有普适性。另外，近年来也出现了许多计算机辅助分类新方法，如多尺度影像分割法、基于神经网络法、基于深度学习法、面向对象的目视判读法等。由于冰川面积的计算和覆盖范围的提取都是通过技术层面实现，均缺乏实地的测量验证；野外定位观测通过观测站进行，研究程度受到站点分布稀疏、实测资料不足的限制。
冰川变化研究一般是基于遥感和地理信息系统针对特定区域冰川进行影像的多时相对比，而本文探索性提出数据统计模型法，用以预测冰川分布特征。由于冰川的变化受到全球气候变化、地理环境因素和人类社会活动的综合影响，这使得利用一系列环境变量与冰川分布建立概率统计关系，基于遥感、地理信息系统和机器学习技术预测冰川覆盖数据、提取变化信息和预测发展趋势具有技术可行性。这样既可扩大冰川的监测范围，又可提高冰川的监测频率。并且该模型基于冰川与气候、地形等环境因子在长时间下的平衡状态而建立，无需考虑各因子之间的动态耦合与响应机制。

1 数据与方法

1.1 研究区概况

青藏高原属于亚洲内陆高原，是世界海拔最高、我国面积最大的高原，占地超过250×104 km2，被称为“世界屋脊”。它是地球上中低纬度面积最大、海拔最高、温度最低的山地冰川分布区。其中，昆仑山、喀喇昆仑山、喜马拉雅山、念青唐古拉山等均有冰川覆盖（图1）。本文青藏高原边界数据来自时空三极环境大数据平台的青藏高原边界数据总集[10-11]。
图1 青藏高原冰川分布概率

Fig. 1 Probability of glacier distribution in the Qinghai-Xizang Plateau

青藏高原冰川的总面积、总储量和总条数分别占全国的84%、81.6%和79.5％[12]。受西风和南亚季风的共同影响，青藏高原冰川分别属于海洋性冰川、亚大陆性冰川和极大陆性冰川，这些冰川在全国水资源总量和冰水循环过程中占据重要地位，是我国不可或缺的宝贵资源。

1.2 数据来源与预处理

1.2.1 数据来源

本文选用的2001年[13]、2013年[14]和2017年[15]青藏高原冰川时空分布数据[16]来源于国家青藏高原科学数据中心；逐年归一化植被指数产品来自Terra和Aqua两颗卫星的MODIS数据；地形数据是NASA和NIMA的SRTM产品；产水模数数据来自中国科学院资源环境科学数据中心的《中国三级流域产水模数数据集》；气温、降水数据来自中国地面气象月值0.5°×0.5°格点数据集（V2.0），进行逐月逐年合成处理；土地利用数据来自中国GlobeLand30数据集和欧洲航天局土地利用数据集，空间分辨率分别为30 m和300 m；GDP数据来自中国科学院地理科学与资源研究所出版的《中国GDP空间分布公里网格数据集》；人口密度数据来自NASA社会经济数据和应用中心（表1）。
表1 数据来源

Tab. 1 Data sources

数据 来源 分辨率
冰川分布数据 国家青藏高原科学数据中心 1 km
NDVI数据 MODIS传感器 1 km
SRTM高程数据 美国太空总署、美国国防部国家测绘局 30 m
产水模数数据 中国科学院资源环境科学数据中心 1 km
气温格点数据 国家气象信息中心 0.5°
降水格点数据 国家气象信息中心 0.5°
土地利用数据
 国家基础地理信息中心 30 m
欧洲航天局 300 m
GDP数据 中国科学院地理科学与资源研究所 1 km
人口密度数据 社会经济数据和应用中心 1 km

注：NDVI为归一化植被指数；SRTM为航天飞机雷达地形测绘任务。

1.2.2 数据预处理

本文将研究区域划分为2501158个网格单元，空间分辨率为1 km2，时间分辨率为1 a。气温原始数据为各站点逐月最大值、最小值和平均值；降水原始数据为各站点逐月数据，将逐月气温和降水数据换算成年气温和降水数据后参与拟合；将各类协变量进行数据清洗，通过加权平均、协同克里金插值、双线性内插进行数据重构后分配至各网格中，通过网格中所有变量格点值构建一个2000年以来的协变量基础数据库，数据总量达500.23×104条。将2013年和2017年冰川数据产品对照网格进行叠加匹配，并作为同期冰川分布的真实值。将这2 a所有协变量数据进行数据结构化编号与匹配，获得模型预测样本值16.99×104行。数据储存于PostgreSQL数据库，通过R、Python等语言进行处理分析。

1.3 模型构建与验证

1.3.1 变量筛选

变量相对重要性是随机森林模型选择变量的重要评判依据。在对数据进行回归分析的同时，给出各个变量的权重指数，评估各个变量在预测中所起的作用。本文收集了可能与冰川时空分布相关的各类数据作为模型的备选变量（气温、降水、植被指数、草原、永久性冰雪、海拔、产水模数、裸地、人口总量、坡度坡向、土地利用、其他植被），通过逐个置换变量并量化预测误差，输出各个变量的相对重要性[17]（图2）。通过重复拟合进行变量筛选，剔除相关重要性小于5％的冗余变量（产水模数、裸地、人口总量、土地利用、坡度坡向、其他植被），使得各类变量对于冰川分布预测具有意义。
图2 变量相对重要性统计

Fig. 2 Statistical chart of relative importance of variables

气温是影响冰川预测的主要因素，占模型权重的27.27％；植被指数占24.68％；草原占11.05％；永久性冰雪占10.82％；降水占9.37％。气温和植被指数对冰川分布预测模型贡献程度较高，永久性冰雪、降水、草原三者贡献程度占31.24％，其他因素贡献程度一般。

1.3.2 模型构建

随机森林是目前常用的机器学习方法之一，最早由Breiman和Cutler于2001年提出，其在训练过程中以并行式集成学习法为基础，在建模过程中引入随机属性选择，构建拥有多棵决策树的分类器，是一种基于决策树的大体量集成机器学习算法。已有研究表明，机器学习方法可以处理预测复杂多源空间数据[18]，可以作为大尺度冰川预测的有效工具。
在模型训练过程中，通过随机引导，根据bootstrap重采样得到的训练数据集构建回归树，同时随机选择1/3的预测变量用于构建每棵树。各特征变量的相对重要性基于决策树的袋外误差进行计算，测试每种特征对模型预测准确率的影响，即对每个特征加噪，观察其对预测结果准确率的影响。针对某个特征X进行相对重要性计算的具体步骤为：首先假设森林中有N棵树；对每一棵决策树，选择相应的袋外数据计算袋外数据误差，记为 e r r 1；随机对袋外数据所有样本的特征X加入噪声干扰，再次计算袋外数据误差，记为 e r r 2，则有特征X的重要性I：
I = ∑ e r r 2 - e r r 1 N
导入2013年和2017年的冰川数据作为训练数据集，随机选择各个变量（气温、降水、植被指数、草原、永久性冰雪）并重复使用单一节点构建回归树，在各个终端节点仅剩一条数据时构建完毕。首先，使用单个节点构建一棵树，然后重复引导步骤，直至达到每个终端节点中只有一条数据，并且在回归树的每个节点处选择最佳分割，最终预测值为所有回归树的平均值。模型训练样本共44977个，构建回归树共450棵。通过提取样本数据特征，在回归树的每个节点处选择最佳分割，构建训练数据与各协变量之间的相关关系，通过机器学习建立基于随机森林模型的冰川分布预测模型。在并行与并发运算[19]支持下，并行数为12，并发数为8。单次模型预测时间为232 h，经优化缩短至42 h，模型计算效率和预测性能达到近似最优。

1.3.3 数据预测

模型确定后预测输出所有年份冰川数据。考虑模型预测结果可能受到样本数据中的临时性积雪、河湖冰面等冰雪相关因素干扰，有必要对结果进行修正。本文挑选出2013、2017年预测结果内的优势网格，将冰川数据集覆盖在网格内且冰川面积超过80%的记为一个有效训练样本网格，将2013年和2017年预测数据分别进行有效网格筛选。
f x , y g x , y = ∑ n 1 = - ∞ + ∞ ∑ n 2 = - ∞ + ∞ f n 1 , n 2 g x - n 1 , y - n 2
式中： f x , y为有效网格； g x , y为卷积核；x、y分别为水平方向（列坐标）、垂直方向（行坐标）； f n 1 , n 2为图像f中位于（n1, n2）的像素值；g[x-n1, y-n2]为卷积核g中位于（x-n1, y-n2）的像素值；n1、n2分别为水平方向、垂直方向的位移参数。将有效网格进行卷积运算，通过不断调整卷积系数，使卷积结果与真实值趋于无限接近。将历年冰川预测结果进行相同卷积运算，输出青藏高原2000—2020年冰川时空分布预测数据集。计算2001、2013年和2017年冰川预测值与同期真实值的面积误差，分别为1.76%、5.77%、6.70%，3 a预测值总面积误差为5.23%。

1.3.4 模型验证

为避免模型的过度拟合，本文采用十折交叉验证法评估模型的准确性。将训练样本随机分成10组，轮流将其中9组作为训练数据来训练模型，其余1组作为待验证数据，待验证数据不代入训练样本参与训练，用于比对评估模型的准确性，所有冰川真实值和预测值均取对数参与验证。每次验证后输出相应的预测正确率，将10次验证结果的正确率均值作为模型精度的评估值，最后输出模型交叉验证结果（图3），模型决定系数（R2）=0.72。
图3 交叉验证结果

Fig. 3 Cross-validation results

另外，将预测值和真实值分别进行对数变换，利用均方根误差（RMSE）、平均分数偏差（MFB）、平均分数误差（MFE）等参数衡量模型的预测准确性。根据误差计算，RMSE=1.52、MFB=0.15、MFE=0.29。

2 结果与分析

2.1 青藏高原冰川空间分布特征

青藏高原冰川分布主要受气候和地形的综合影响，特别是气温较低、降水较多且海拔较高、坡度较缓的山脉，为冰川的形成提供了良好的物质基础、积累空间和储存环境。据2020年冰川预测数据显示，冰川主要分布于高原西部的昆仑山和喀喇昆仑山、西南部-南部的冈底斯山和喜马拉雅山、南部的念青唐古拉山、东南部的横断山、中部的唐古拉山、东北部的祁连山等，自西南至东北总体呈现由多变少的特点。其中，昆仑山、喀喇昆仑山和喜马拉雅山的冰川分布过半，其余山脉发育的冰川数量和规模相对较小。
地形因素严格限制着冰川的分布特征，影响着冰川的变化趋势和变化速率。以2020年冰川预测数据为例，根据ArcGIS地形分析，获得2020年不同坡度、坡向和海拔分级内冰川面积占比（表2）。同时进行2017年冰川产品数据的地形分析，获得对应数据进行对比验证，保证了预测数据的可靠性。
表2 2017、2020年不同坡度、坡向和海拔分级内冰川面积占比统计

Tab. 2 Statistical of glacier area proportions in different slope, aspect and elevation grades in 2017, 2020

坡度/(°) 占比/% 坡向/(°) 占比/% 海拔/m 占比/%
2017年 2020年 2017年 2020年 2017年 2020年
0~10 23.68 23.68 0.0~22.5 8.90 8.90 0~1000 0.00 0.00
10~20 36.46 36.46 22.5~67.5 15.28 15.27 1000~2000 0.00 0.00
20~30 27.61 27.61 67.5~112.5 13.38 13.38 2000~3000 0.11 0.01
30~40 10.17 10.17 112.5~157.5 12.79 12.82 3000~4000 3.33 0.56
40~50 1.92 1.92 157.5~202.5 13.29 13.29 4000~5000 26.39 18.29
50~60 0.16 0.16 202.5~247.5 9.84 9.85 5000~6000 49.79 69.99
60~70 0.00 0.00 247.5~292.5 8.70 8.66 6000~7000 19.79 11.10
70~80 0.00 0.00 292.5~337.5 10.78 10.73 7000~8000 0.56 0.05
80~90 0.00 0.00 337.5~360.0 7.04 7.10 8000~9000 0.03 0.00
据坡度分析显示（图4），分布于10°~20°坡度范围内的冰川占比最大，达36.46%，与喜马拉雅地区冰川类似[20]；其次是20°~30°和0°~10°范围，分别占比27.61%和23.68%；30°~40°范围内占比相对较小，约10.17%；大于40°的山坡发育冰川极少，共约2.08%。整体来看，0°~40°的坡度范围内涵盖了青藏高原冰川面积的97.92%。
图4 青藏高原冰川面积与坡度直方图

Fig. 4 Histogram of glacier area and slope in the Qinghai-Xizang Plateau

据坡向分析显示（图5），分布于北坡的冰川占比最大，达16.00%；东北坡的冰川占比次之，约为15.27%；东坡、南坡、东南坡占比相近，分别约占13.38%、13.29%、12.82%；西北坡与西南坡占比相对较小，分别约占10.73%和9.85%，西坡最小，占比约8.66%。整体来看，青藏高原冰川分布呈以北坡、东坡、南为主，西坡为辅，北坡多于南坡，东坡多于西坡的特点。
图5 青藏高原冰川面积与坡向分布折线图

Fig. 5 Line graph of glacier area and aspect distribution in the Qinghai-Xizang Plateau

据高程分析显示（图6），分布于海拔5000~6000 m范围内的冰川占比约69.99%；4000~5000 m占比约18.29%；6000~7000 m占比约11.10%；整体来看，青藏高原冰川主要分布于海拔4000~7000 m范围内，占比高达99.38%。4000 m以下和7000 m以上区域受气温和地形影响，仅占青藏高原冰川总面积的19.98%、全国冰川总面积的0.35%[21]。一般来说，大陆性冰川冰舌末端可至海拔5100 m，海洋性冰川冰舌末端可至海拔3000 m。
图6 青藏高原冰川面积与高程直方图

Fig. 6 Histogram of glacier area and elevation in Qinghai-Xizang Plateau

2.2 青藏高原冰川时空变化趋势

2.2.1 全区冰川时空变化趋势

Mann-Kendall（M-K）检验通过构造标准正态分布统计量Z来判断样本的变化情况，常用于对数据的变化趋势分析[22]。为了充分了解青藏高原全区冰川宏观变化趋势和区内典型冰川变化趋势，本文针对青藏高原冰川数据进行M-K检验并分析其时空变化趋势。
定义统计变量S，计算统计量Z值，在给定的α显著性水平上，若Z>0，则冰川呈前进趋势；若Z<0，则冰川呈退缩趋势。当|Z|≥1.64、1.96、2.58时，则说明该时间序列分别通过了置信水平90%、95%、99%的显著性检验。P值是在检验中所得到的概率值，代表了数据出现当前趋势的概率。一般来说，P<0.05代表有显著趋势，否则认为无显著趋势。M-K检验结果如下（表3）。
表3 Mann-Kendall检验结果统计表

Tab. 3 Statistical table of Mann-Kendall test result

M-K检验数据 Z值 P值
青藏高原全区冰川数据 -3.3519 <0.01
喜马拉雅山冰川数据 -2.3252 <0.05
喀喇昆仑山冰川数据 -1.1777 >0.05
昆仑山冰川数据 -0.0906 >0.05
念青唐古拉山冰川数据 -2.9291 <0.01

注：Z值为统计量；P值为检验所得概率。

从时间变化看，由M-K检验结果可知，2000—2020年青藏高原冰川整体上呈退缩趋势。|Z|>2.58，即该趋势置信度为99%。P<0.01，表明2000—2020年青藏高原冰川整体上呈显著退缩趋势。从空间变化看，根据Z值计算变化趋势空间分布，按置信度90%划分变化区域，得到青藏高原冰川变化趋势空间分布图（图7）。
图7 2000—2020年青藏高原冰川变化趋势空间分布

Fig. 7 Spatial distribution of glacier change trends in the Qinghai-Xizang Plateau from 2000 to 2020

结果表明，冰川轻微退缩区域占据主导地位，均匀分布于全区，占比约43.84%，显著退缩区域主要集中于东南部，占比约32.67%。轻微前进区域主要集中于西北部，占比约21.01%。无变化区域主要分布于西北部，占比约2.31%，显著前进区域零星分布，占比仅约0.17%。
综上，2000—2020年青藏高原冰川总体呈现显著退缩趋势，青藏高原边缘地区冰川存在显著变化趋势，从边缘向腹地显著变化趋势减弱，以轻微变化趋势为主，符合前人对冰川变化研究的认识[23]。

2.2.2 典型冰川时空变化趋势

不同规模和类型的冰川对气候变化的响应不同，且不同区域的气候变化差异较大，从而导致冰川变化也出现区域性差异。青藏高原冰川时空变化趋势仅代表全区整体变化情况，实际上不同冰川可能会显示不同的变化趋势。为便于探讨典型山脉所分布冰川的时空变化特征，本文选取面积排名前四的典型山脉（喜马拉雅山、喀喇昆仑山、昆仑山、念青唐古拉山）冰川数据进行M-K检验并讨论变化趋势（图8）。
图8 2000—2020年青藏高原冰川变化趋势饼图

Fig. 8 Pie charts of glacier change trends in the Qinghai-Xizang Plateau from 2000 to 2020

喜马拉雅山是世界海拔最高的山脉，分布较大规模的放射状山谷冰川。从时间变化看，由M-K检验结果可知，2000—2020年喜马拉雅山境内区域冰川呈退缩趋势。|Z|>1.96，即该趋势置信度为95%。P<0.05，表明喜马拉雅山境内区域冰川总体上呈显著退缩趋势。从空间变化看（图9），冰川轻微退缩区域占据主导地位，占比约54.14%，分布较均匀。中部和东部出现显著退缩区域，占比约34.07%。西北部和东南部局地见轻微前进区域，占比约9.61%。无变化区域分布较少，主要位于中部和西北部东侧，占比约2.00%，显著前进区域零星分布，主要位于中部，占比仅约0.18%。
图9 2000—2020年喜马拉雅山境内冰川变化趋势空间分布

Fig. 9 Spatial distribution of glacier change trends in the Himalaya Mountains in China from 2000 to 2020

喀喇昆仑山是世界上除高山和高纬度地区之外冰川最集中发育的地方。从时间变化看，由M-K检验结果可知，2000—2020年喀喇昆仑山冰川呈退缩趋势。|Z|<1.64，即该趋势置信度低于90%。P>0.05，表明喀喇昆仑山冰川无显著变化趋势。从空间变化看（图10），该区冰川虽然无显著变化趋势，但具有很强的轻微变化趋势，占比97.55%。其中，轻微退缩区域占据主导地位，主要集中于中部及东部，占比约89.55%；轻微前进区域主要集中于中部，占比约8.00%；无变化区域较少，呈均匀分布，占比约2.39%；显著退缩区域几乎不分布，占比约0.06%。该区无显著前进区域。
图10 2000—2020年喀喇昆仑山境内冰川变化趋势空间分布

Fig. 10 Spatial distribution of glacier change trends in the Karakoram Mountains in China from 2000 to 2020

昆仑山脉位横贯于中国西部，分为东、西两段，其中，西段分布大量冰川。从时间变化看，由M-K检验结果可知，|Z|<1.64，即该趋势置信度低于90%。P>0.05，表明昆仑山冰川无显著变化趋势。从空间变化看（图11），该区冰川虽然无显著变化趋势，但具有较强的轻微变化趋势，占比近94.00%。其中，冰川轻微前进区域占据主导地位，主要集中于西段，占比约59.61%；轻微退缩区域均匀分布于全区，占比约33.95%；无变化区域相对其他山脉较多，主要分布于西部，占比约6.26%；显著退缩区域零星分布，占比约0.14%；显著前进区域几乎不分布，占比仅约0.04%。
图11 2000—2020年昆仑山境内冰川变化趋势空间分布

Fig. 11 Spatial distribution of glacier change trends in the Kunlun Mountains in China from 2000 to 2020

念青唐古拉山冰川呈现东段海洋性和西段大陆性的特点，主要受西南季风湿润气流影响。从时间变化看，由M-K检验结果可知，2000—2020年念青唐古拉山冰川呈退缩趋势。|Z|>2.58，即该趋势置信度为99%。P<0.01，表明念青唐古拉山冰川呈显著退缩趋势。从空间变化看（图12），冰川显著退缩区域占据主导地位，占比约90.57%；东部局地出现轻微退缩区域，占比约7.42%；零星分布显著前进区域和轻微前进区域，占比分别约1.78%和0.18%；无变化区域几乎不分布，占比仅约0.05%。
图12 2000—2020年念青唐古拉山冰川变化趋势空间分布

Fig. 12 Spatial distribution of glacier change trends in the Nyainqentanglha Mountains from 2000 to 2020

3 结论

本研究基于随机森林模型，创新性地融合多源数据构建冰川预测模型，并分析其空间分布特征及时空变化特征，主要获得了以下结论：
（1）提出了一种融合遥感数据、气象数据、地理数据、环境数据的大尺度冰川分布模拟方法，构建了一个冰川覆盖随机森林模型（R2=0.72），建立了一个21 a的协变量基础数据库，获得了2000—2020年青藏高原1 km尺度逐年冰川分布数据集。
（2）青藏高原冰川空间分布特征为：主要分布于0°~40°范围内，占比达97.92%；主要分布于海拔4000~7000 m范围内，占比达99.38%；以北坡、东坡、南为主，西坡为辅，呈北坡多于南坡，东坡多于西坡的特点。
（3）青藏高原冰川时空变化特征为：时间上，2000—2020年青藏高原冰川总体呈现显著退缩趋势。空间上，青藏高原边缘地区冰川存在显著变化趋势，从边缘向腹地显著变化趋势减弱，腹地以轻微变化趋势为主。
（4）喜马拉雅山和念青唐古拉山冰川主要呈显著退缩趋势，喀喇昆仑山冰川主要呈轻微退缩趋势，昆仑山冰川呈轻微前进趋势与轻微退缩趋势并存的特点。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
周玉杉. 基于多源遥感数据的青藏高原及其周边区域冰川物质平衡变化研究[J]. 地理与地理信息科学, 2019, 35(4): 142.

[Zhou Yushan. Investigation of glacier mass balance in the Qinghai-Tibet Plateau and its surroundings base on multi-source remote sencing data[J]. Geography and Geo-information Science, 2019, 35(4): 142. ]

[2]
顾云杨. 利用影像大地测量技术监测2000—2020年长江源冰川物质平衡变化[D]. 长沙: 中南大学, 2023.

[Gu Yunyang. Monitoring the changes of glacier mass balance in the source region of the Yangtze River from 2000 to 2020 with the imaging geodetic method[D]. Changsha: Central South University, 2023. ]

[3]
王宁练, 姚檀栋, 徐柏青, 等. 全球变暖背景下青藏高原及周边地区冰川变化的时空格局与趋势及影响[J]. 中国科学院院刊, 2019, 34(11): 1220-1232.

[Wang Ninglian, Yao Tandong, Xu Baiqing, et al. Spatiotemporal pattern, trend, and influence of glacier change in Tibetan Plateau and surroundings under global warming[J]. Bulletin of Chinese Academy of Sciences, 2019, 34(11): 1220-1232. ]

[4]
汪赢政, 李佳, 吴立新, 等. 1987—2018年祁连山冰川变化遥感监测及影响因子分析[J]. 冰川冻土, 2020, 42(2): 344-356.

DOI

[Wang Yingzheng, Li Jia, Wu Lixin, et al. Using remote sensing images to monitor the glacier changes in Qilian Mountains during 1987—2018 and analyzing the impact factors[J]. Journal of Glaciology and Geocryology, 2020, 42(2): 344-356. ]

DOI

[5]
冀琴, 张翠兰, 丁悦凯, 等. 基于多源遥感数据的珠峰自然保护区冰川监测研究[J]. 干旱区地理, 2023, 46(10): 1591-1601.

DOI

[Ji Qin, Zhang Cuilan, Ding Yuekai, et al. Glacier monitoring in Qomolangma Nature Reserve based on multi-source remote sensing data[J]. Arid Land Geography, 2023, 46(10): 1591-1601. ]

DOI

[6]
张裕. 1980—2020年唐古拉山冰川变化及其对气候波动的响应[D]. 大连: 辽宁师范大学, 2023.

[Zhang Yu. Glacier change in Tanggula Mountain and its response to climate fluctuation from 1980 to 2020[D]. Dalian: Liaoning Normal University, 2023. ]

[7]
田梦祺, 段克勤, 石培宏. 基于Google Earth Engine平台的青藏高原冰川变化研究——以普若岗日冰原为例[J]. 地理科学, 2023, 43(6): 943-951.

DOI

[Tian Mengqi, Duan Keqin, Shi Peihong. Glacier changes on the Qinghai-Tibet Plateau based on Google Earth Engine: A case study of the Purog Kangri glacier[J]. Scientia Geographica Sinica, 2023, 43(6): 943-951. ]

DOI

[8]
张萌. 基于Landsat影像构建新指数提取冰川面积信息的方法研究[D]. 西安: 西北大学, 2020.

[Zhang Meng. Research on the method of extracting glacier area information based on the new index using Landsat imagery[D]. Xi’an: Northwest University, 2020. ]

[9]
彦立利, 王建. 基于遥感的冰川信息提取方法研究进展[J]. 冰川冻土, 2013, 35(1): 110-118.

DOI

[Yan Lili, Wang Jian. Study of extracting glacier information from remote sensing[J]. Journal of Glaciology and Geocryology, 2013, 35(1): 110-118. ]

DOI

[10]
张镱锂. 青藏高原边界数据总集[EB/OL]. [2019-06-11]. https://portal.casearth.cn/dataDetail/64b8866cd6067c9150a4a7ad.

[Zhang Yili. Data sets of Qinghai-Tibet Plateau boundary[EB/OL]. [2019-06-11]. https://portal.casearth.cn/dataDetail/64b8866cd6067c9150a4a7ad. ]

[11]
张镱锂, 李炳元, 郑度. 《论青藏高原范围与面积》一文数据的发表——青藏高原范围界线与面积地理信息系统数据[J]. 地理学报, 2014, 69(增刊1): 65-68.

[Zhang Yili, Li Bingyuan, Zheng Du. Datasets of the boundary and area of the Tibetan Plateau[J]. Acta Geographica Sinica, 2014, 69(Suppl. 1): 65-68. ]

[12]
刘时银, 丁永建, 李晶, 等. 中国西部冰川对近期气候变暖的响应[J]. 第四纪研究, 2006, 26(5): 762-771.

[Liu Shiyin, Ding Yongjian, Li Jing, et al. Glaciers in response to recent climate warming in western China[J]. Quaternary Sciences, 2006, 26(5): 762-771. ]

[13]
叶庆华, 吴玉伟. 青藏高原2001年冰川数据-TPG2001(V1.0)[EB/OL]. [2018]. https://data.tpdc.ac.cn/zh-hans/data/4fc1e6b1-da41-46ad-a8b5-5f3adc4fde19.

[Ye Qinghua, Wu Yuwei. Glacier coverage data on the Tibetan Plateau in 2001 (TPG2001, Version1.0)[EB/OL]. [2018]. https://data.tpdc.ac.cn/zh-hans/data/4fc1e6b1-da41-46ad-a8b5-5f3adc4fde19. ]

[14]
叶庆华. 青藏高原2013年冰川数据-TPG2013(V1.0)[EB/OL]. [2018]. https://data.tpdc.ac.cn/zh-hans/data/38d741e0-ec7c-4aa5-8d10-d732a01b8063.

[Ye Qinghua. Glacier coverage data on the Tibetan Plateau in 2013 (TPG2013, Version1.0)[EB/OL]. [2018]. https://data.tpdc.ac.cn/zh-hans/data/38d741e0-ec7c-4aa5-8d10-d732a01b8063. ]

[15]
叶庆华. 青藏高原2017年冰川数据-TPG2017(V1.0)[EB/OL]. [2019]. https://data.tpdc.ac.cn/zh-hans/data/9777a877-a787-4e43-bf4c-8bee492c75a4.

[Ye Qinghua. Glacier coverage data on the Tibetan Plateau in 2017 (TPG2017, Version1.0)[EB/OL]. [2019]. https://data.tpdc.ac.cn/zh-hans/data/9777a877-a787-4e43-bf4c-8bee492c75a4. ]

[16]
Ye Q H, Zong J B, Tian L D, et al. Glacier changes on the Tibetan Plateau derived from Landsat imagery: Mid-1970s-2000-2013[J]. Journal of Glaciology, 2017, 63(238): 273-287.

[17]
Svetnik V, Liaw A, Tong C, et al. Random forest: A classification and regression tool for compound classification and QSAR modeling[J]. Journal of Chemical Information and Computer Sciences, 2003, 43(6): 1947-1958.

DOI PMID

[18]
周继华, 来利明, 陈巧娥, 等. 基于机器学习和经验知识的青藏高原多时段植被制图[J]. 科学通报, 2025, 70(1): 134-144.

[Zhou Jihua, Lai Liming, Chen Qiao’e, et al. Multi temporal vegetation mapping of the Tibetan Plateau via machine learning model simulation and experiential knowledge[J]. Chinese Science Bulletin, 2025, 70(1): 134-144. ]

[19]
Wright M N, Ziegler A. Ranger: A fast implementation of random forests for high dimensional data in C++ and R[J]. Journal of Statistical Software, 2017, 77(1): 1-17.

[20]
丁悦凯, 刘睿, 张翠兰, 等. 喜马拉雅地区叶如藏布流域冰川和冰湖变化遥感监测研究[J]. 干旱区地理, 2022, 45(6): 1870-1880.

DOI

[Ding Yuekai, Liu Rui, Zhang Cuilan, et al. Remote sensing monitoring of glacier and glacial lake changes in Yairu Zangbo Basin, Himalayas[J]. Arid Land Geography, 2022, 45(6): 1870-1880. ]

DOI

[21]
刘时银, 姚晓军, 郭万钦, 等. 基于第二次冰川编目的中国冰川现状[J]. 地理学报, 2015, 70(1): 3-16.

DOI

[Liu Shiyin, Yao Xiaojun, Guo Wanqin, et al. The contemporary glaciers in China based on the Second Chinese Glacier Inventory[J]. Acta Geographica Sinica, 2015, 70(1): 3-16. ]

DOI

[22]
廖美玉, 方秀琴, 蒋心远, 等. 黄河流域近40年土地利用/覆被时空变化特征[J]. 水土保持学报, 2024, 38(2): 165-177.

[Liao Meiyu, Fang Xiuqin, Jiang Xinyuan, et al. Spatiotemporal characteristics of land use/cover changes in the Yellow River Basin over the past 40 years[J]. Journal of Soil and Water Conservation, 2024, 38(2): 165-177. ]

[23]
叶庆华, 程维明, 赵永利, 等. 青藏高原冰川变化遥感监测研究综述[J]. 地球信息科学学报, 2016, 18(7): 920-930.

[Ye Qinghua, Cheng Weiming, Zhao Yongli, et al. A review on the research of glacier changes on the Tibetan Plateau by remote sensing technologies[J]. Journal of Geo-information Science, 2016, 18(7): 920-930. ]

Options
文章导航

/

〈 〉