EN中文

干旱区研究 >

2025 , Vol. 42 >Issue 6: 1032 - 1042

DOI: https://doi.org/10.13866/j.azr.2025.06.07

水土资源

基于多特征融合的面向对象冰川边界提取

  • 林洲艳 , 1 ,
  • 王霞迎 1, 2, 3, 4 ,
  • 夏元平 , 1, 2, 3, 4
展开
  • 1.东华理工大学测绘与空间信息工程学院，江西 南昌 330013
  • 2.东华理工大学自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室，江西 南昌 330013
  • 3.东华理工大学江西省流域生态过程与信息重点实验室，江西 南昌 330013
  • 4.东华理工大学南昌市景观过程与国土空间生态修复重点实验室，江西 南昌 330013
夏元平. E-mail:

林洲艳（1998-），女，硕士研究生，主要从事冰川变化与气候响应研究. E-mail:

收稿日期: 2024-12-19

  修回日期: 2025-02-13

  网络出版日期: 2025-08-12

基金资助

国家自然科学基金项目(42174055)

国家自然科学基金项目(42374040)

东华理工大学博士启动基金(DHBK2019187)

收起

Object-based glacier boundary extraction utilizing multi-feature fusion

  • LIN Zhouyan , 1 ,
  • WANG Xiaying 1, 2, 3, 4 ,
  • XIA Yuanping , 1, 2, 3, 4
Expand
  • 1. School of Geomatics and Spatial Information Engineering, East China University of Technology, Nanchang 330013, Jiangxi, China
  • 2. Key Laboratory of Mine Environmental Monitoring and Improving Around Poyang Lake, Ministry of Natural Resources, East China University of Technology, Nanchang 330013, Jiangxi, China
  • 3. Jiangxi Key Laboratory of Watershed Ecological Process and Information, East China University of Technology, Nanchang, 330013, Jiangxi, China
  • 4. Nanchang Key Laboratory of Landscape Process and Territorial Spatial Ecological Restoration, East China University of Technology, Nanchang 330013, Jiangxi, China

Received date: 2024-12-19

  Revised date: 2025-02-13

  Online published: 2025-08-12

Fold

摘要

鉴于像素级分类在光谱特征相近情况下难以准确识别冰川变化，特别是表碛覆盖区的光谱特征与周围山地、岩石相似度高，导致其提取精度较低。为此，本文以音苏盖提冰川和雅弄冰川为研究区，基于Google Earth Engine平台，结合光谱指数、微波纹理和地形特征，采用面向对象（OB）的机器学习算法进行冰川自动提取，并与基于像素（PB）分类方法进行对比。 结果表明：（1） 基于多特征融合的OB分类方法有助于提高冰川提取精度。其中，OB_RF分类的总体精度、Kappa系数和F1分数分别为98.1%、0.97和98.67%，优于OB_CART和OB_GTB方法。与PB_RF分类相比，总体精度、Kappa系数和F1分数分别提升了1.7%、0.024和5.57%。（2） 2001—2022年音苏盖提冰川和雅弄冰川年平均退缩率分别为0.08%、0.13%。（3） 音苏盖提冰川表碛区主要分布在海拔5000 m以下，而雅弄冰川表碛区主要分布在海拔4800 m以下，2001—2022年两条冰川表碛覆盖区均呈现向上扩张趋势。

关键词： 冰川边界提取; 面向对象; 基于像素; 机器学习; 多特征融合

本文引用格式

林洲艳 , 王霞迎 , 夏元平 . 基于多特征融合的面向对象冰川边界提取[J]. 干旱区研究, 2025 , 42(6) : 1032 -1042 . DOI: 10.13866/j.azr.2025.06.07

Abstract

Pixel-based classification struggles with the accurate identification of glacier changes in areas with similar spectral characteristics, particularly in debris-covered areas where spectral features closely resemble the surrounding mountains and rocks, thereby resulting in low extraction accuracy. This study investigates the Yinsugaiti and Yalong Glaciers using Google Earth Engine to integrate spectral indices, microwave texture features, and topographic data. An object-based (OB) machine learning algorithm is applied for automated glacier extraction and compared to pixel-based (PB) classification methods. The results show the following. (1) The OB classification approach, integrating multi-feature fusion, significantly improved the glacier extraction accuracy. The OB_RF classifier achieved an overall accuracy of 98.1%, a Kappa coefficient of 0.97, and an F1-score of 98.67%, outperforming the OB_CART and OB_GTB classifiers. When compared to PB_RF, the overall accuracy, Kappa coefficient, and F1-score increased by 1.7%, 0.024, and 5.57%, respectively. (2) Between 2001-2022, the Yinsugaiti and Yalong Glaciers retreated at average annual rates of 0.08% and 0.13%, respectively. (3) Supraglacial debris was primarily distributed below 5000 and 4800 m on the Yinsugaiti and Yalong Glacier, respectively. Over the same period, debris-covered areas on both glaciers expanded upward.

Key words： glacier boundary extraction; object-based; pixel-based; machine learning; multi-feature fusion

冰川变化是反映气候变化的重要标志。冰川的形成包括冰雪积累、压实和再冻结过程[1]，而表碛覆盖冰川则是由冰川消融、运动、岩石风化、崩落，使冰川表面被碎屑物覆盖而形成[2]。冰川作为重要淡水资源，其消融对邻近区域的水文[3]和生态环境[4]产生了深远的影响。因此，快速准确获取冰川轮廓变化信息，不仅能揭示冰川面积的动态变化，还能为估算冰量[5]和监测冰川质量的变化[6]提供支持，这对于理解冰川变化的影响机制以及制定应对策略具有重要的科学意义和实际应用价值。
目前，全球冰川变化观测系统（Global Land Ice Measurements from Space，GLIMS）中仅提供单一类型的矢量数据，未对冰川进行不同类别的区分，这对研究不同类型冰川动态变化及其环境影响构成了限制。随着卫星遥感技术的发展，卫星与传感器数量不断增加，为冰川动态变化研究提供更为丰富的数据支持。基于多光谱卫星图像数据自动和半自动方法可用于提取冰川面积动态变化，包括NDSI（归一化雪盖指数）[7-9]、波段比值法[10-11]、合成孔径雷达干涉测量技术[12]、面向对象[13-14]，尽管这些方法在裸冰区域的提取上都表现优异，但受到表碛覆盖区光谱与周围山地、岩石极为相近的限制，使得表碛覆盖区冰川边界提取变得困难。
为进一步提高表碛覆盖区冰川提取的准确性，相关研究提出多种方法，包括NDDI（归一化表碛指数）[15]利用短波红外和热红外波段的差异来识别表碛区冰川、通过加入DEM[16-17]参数进一步提高提取精度，还有研究利用SAR图像之间的相干变化[18-19]、语义分割[20]、机器学习[21-22]、深度学习[23-24]进行表碛覆盖区冰川的提取，这些方法都在一定程度上提高了表碛覆盖区分类的准确性，准确率在89%~96%。然而，融合不同传感器数据进行长时序冰川监测，不仅需要解决数据格式和分辨率的不一致性问题，还需处理和分析海量遥感影像，如此大体量的数据为大规模的冰川变化监测和分析带来了显著的经济和技术障碍[25]。
近年来，GEE（Google Earth Engine）平台的出现，使用户不仅可以高效获取海量遥感数据[26]，还可以快速处理和分析像素级数据并得出计算结果，已被广泛用于监测气候变化[27]、土地利用变化[28-29]、冰雪变化[30-32]。考虑到像素级分类通常侧重于单个像素，无法同时考虑纹理、地形等非光谱信息，使其在处理复杂地形或光谱特征相近的情况下表现较差[33]。为此，本研究提出基于GEE平台，结合光谱指数、微波纹理和地形特征，采用机器学习算法（RF、GTB、CART）进行OB（面向对象）的冰川自动分类，并与PB（基于像素）的分类方法进行对比，探讨不同分类方法在冰川提取精度上的差异，并分析2001—2022年冰川的时空变化特征，为实现大范围、长时序的冰川动态监测提供新的思路和技术手段。

1 数据与方法

1.1 研究区概况

为更好地评估分类方法在不同表碛覆盖环境下的有效性，选择两条表碛覆盖冰川作为研究对象（图1），分别为位于喀喇昆仑山脉的音苏盖提冰川（36°50′N，76°70′E），冰川总面积约为359 km2，是中国境内面积最大的冰川；和位于岗日嘎布山，冰舌末端与岗日嘎布湖相邻，总面积约为179 km2的雅弄冰川（29°20′N，96°40′E）[34]。音苏盖提冰川集中分布于海拔4000~7000 m，表碛主要集中在冰川末端海拔4000~5000 m，表碛分布厚且连续；雅弄冰川分布在海拔4000~6400 m处，冰舌末端有少量中碛与侧碛发育，表碛分布较薄且模糊。
图1 研究区示意图

Fig. 1 Map of study area

1.2 数据来源

选用2001年、2010年和2022年7—9月云量低于15%的Landsat影像（TM、ETM+和OLI），空间分辨率为30 m。2010年缺失的数据用2009年影像补充。由于云掩膜算法容易将冰雪、盐湖等高反射率像元误认为云像元进行去除，因此，本研究使用的Landsat影像是经过时间和云筛选后被人工确定为分类图像（表1）。
表1 冰川制图使用的卫星遥感图像

Tab. 1 Satellite remote sensing images used for glacier mapping

影像源 获取时间 分辨率/m GEE来源
Landsat 5 2010-08-23 30 LANDSAT/LT05/C02/T1_L2/LT05_148035_20100823
Landsat 7 2001-07-03 30 LANDSAT/LE07/C02/T1_L2/LE07_134040_20010703
Landsat 7 2001-07-21 30 LANDSAT/LE07/C02/T1_L2/LE07_148035_20010721
Landsat 7 2009-09-27 30 LANDSAT/LE07/C02/T1_L2/LE07_134040_20090927
Landsat 8 2022-07-23 30 LANDSAT/LC08/C02/T1_L2/LC08_148035_20220723
Landsat 8 2022-07-05 30 LANDSAT/LC08/C02/T1_L2/LC08_134040_20200705
PALSAR/PALSAR-2 2009-2010年 25 JAXA/ALOS/PALSAR/YEARLY/SAR
Sentinel-1 2022年 25 COPERNICUS/S1_GRD
NASADEM 2000年 30 NASA/NASADEM_HGT/001
研究中使用的微波数据来源于Sentinel-1数据集和全球25 m的PALSAR-2数据集；高程数据为NASADEM；文中使用的冰川边界参考数据为7.0版本的RGI（Randolph Glacier Inventory）冰川编目数据。

1.3 研究方法

本研究基于GEE融合光谱指数、微波纹理、地形特征，采用OB和PB方法进行冰川自动分类。具体技术流程如图2所示。
图2 冰川分类技术流程

Fig. 2 Technical process of glacier classification

1.3.1 特征提取

通过计算适用于冰川识别的不同指数特征，并将其与原始影像波段融合成1幅影像，用作分类地输入数据。NDSI是一种广泛用于冰雪识别的指数，冰雪在可见光谱中具有高反射率，而在短波红外波段具有非常低的反射率，基于可见光与短波红外波段反射率的强烈差异，进行NDSI阈值处理来识别雪冰。NDVI（归一化植被指数）本身不直接识别冰川，但雪在红光波段高敏感性导致NDVI值为负数，可辅助区分季节性积雪与永久性冰川。NDWI（归一化水体指数）通过突出水体部分、避免将冰舌末端的冰碛湖识别为冰川。由于表碛覆盖的冰川与周围裸露的陆地区域的光谱特征相似，仅用上述指数特征进行表碛覆盖区冰川识别仍具有挑战性。底层冰对冰上表碛物的冷却作用，使得表碛覆盖区的地表温度通常低于周围裸露的陆地区域，这一温度差异为区分表碛区与非冰川区域提供了重要依据。由于表碛的空间分布受地形和海拔高度的影响，因此通过DEM计算坡度，并结合海拔数据以提高分类的精度。鉴于SAR图像能够穿透云层和表碛物质，提供更多的内部结构信息，本研究从SAR图像中提取极化差、极化比，突出显示冰川纹理特征与周围环境特征的差异，并将其加入原始图像中。
N D V I = ρ R e d - ρ N i r ρ R e d + ρ N i r
N D S I = ρ G r e e n - ρ S w i r 1 ρ G r e e n + ρ S w i r 1
N D W I = ρ G r e e n - ρ N i r ρ G r e e n + ρ N i r
N D D I = ρ S w i r 2 - ρ T i r ρ S w i r 2 + ρ T i r
式中： ρ G r e e n、 ρ R e d、 ρ N i r和 ρ S w i r 1、 ρ S w i r 2分别为绿色、红色、近红外和短波红外波段。
添加光谱指数、纹理、地形等特征可以显著提高冰川分类的精度，但当输入的波段数据量过大时会造成冗余并降低计算效率。因此，在整合光谱指数、纹理特征和地形因子后，计算所有特征的重要性得分，随后剔除贡献度最低的特征，每次迭代后评估模型整体精度和性能，通过反复迭代组合，最终选择15个波段特征进行图像融合（图3）。
图3 波段特征重要性得分

注：SR_B2~SR_B7和ST_B10波段分别为蓝、绿、红、近红外波段、短波红外波段和地表温度特征；NDDI、NDWI、NDVI、NDSI分别为表碛指数、水指数、植被指数和雪盖指数；Ratio和VH分别代表极化比值和极化方式信息；Elevation和Slope分别为高程和坡度信息。

Fig. 3 Band feature importance score

1.3.2 简单非迭代聚类的超像素分割

OB分类方法以对象为最小研究单元，通过利用对象间的空间关系，增强分类连贯性并减轻光学遥感影像中的噪声影响，从而获得更好的分类效果。分割是OB方法中的关键步骤，有助于减少PB分类中的孤立错误分类像素（即“椒盐噪声”）。本研究采用SNIC算法对影像进行分割，该算法通过颜色、纹理、亮度及空间位置信息将相似像素聚合成超像素[35]。重要参数包括紧凑性（Compactness）、连通性（Connectivity）、种子或网格大小（Seeds）和邻域大小（Neighborhood），紧凑性参数定义集群形状，值越接近1，超像素形状越接近方形；连通性参数定义合并邻近超像素时所采取的连通方向，值为4时表示正交相邻对象，值为8时则包括对角相邻对象；种子大小决定了聚类中心的初始位置或间距，其分割尺度会对结果产生直接影响[36]。

1.3.3 基于机器学习的冰川提取

本研究选取三种常用的机器学习算法（RF、GTB、CART）对分割前后的图像进行冰川自动分类。RF算法是一种有监督的机器学习算法，结合了多个决策树的输出，以产生一个单一的结果。RF分类性能的提高主要涉及两个参数：分类树数量（Ntree）和引用特征的数量（Mtry）。从0到100逐步增加Ntree值，以1为步长反复迭代并记录每一步的分类精度，当Ntree值为30左右时，模型精度达到最高且趋于稳定时，Mtry参数则取训练样本中特征总数的算术平方根。GTB算法是通过逐步优化一系列弱学习器的方式来提升模型的预测能力，每次添加新的决策树时，都会对前一轮预测误差进行修正，从而不断提高模型整体准确性。针对GTB参数配置，选用“least squares”作为损失函数，学习率（Shrinkage）为0.1，当Ntree为15左右时模型精度趋于稳定并达到最佳。CART算法则是通过递归分割数据来构建单一决策树模型。机器学习分类器依赖带标签的数据进行训练，为此，本文通过目视解译选取包括裸冰区、表碛覆盖区及非冰川区样本。基于2022年影像共选择了911个样本点，其中裸冰区样本为284个、表碛覆盖区238个、非冰川区389个。对于2010年影像选取254个裸冰区、225个表碛覆盖区、365个非冰川区。对于2001年影像选取267个裸冰区、227个表碛覆盖区、376个非冰川区。本研究随机按7:3的比例抽取训练样本和验证样本。

1.3.4 精度评价

采用混淆矩阵评估分类模型的性能，主要指标有总体精度、Kappa系数和F1分数。总体精度表示验证集中正确分类样本占比；Kappa系数是衡量预测结果与实际类别的一致性，值越大一致性越高；F1分数则分别计算准确率和召回率，最后计算调和平均值。

1.3.5 面积不确定性评估

为量化冰川边界提取的不确定性，本研究采用缓冲区分析法。该方法假定面积确定中的最大误差在半个像素范围内，将生成的冰川边界进行半个像素的缓冲，以此来估计误差。使用15 m（Landsat5/7/8像素的一半大小）作为2001年、2010年和2022年分类结果的缓冲区大小。结果显示，音苏盖提冰川面积计算的不确定性分别为±1.09%、±1.04%和±1.02%。雅弄冰川为±1.47%、±1.46%和±1.57%，总体面积不确定性均值为±1.27%，不确定性在合理范围内[37]。

2 结果与分析

2.1 最优种子像素选择

简单的非迭代聚类分割算法（SNIC）中最重要的参数是超像素种子（Seeds）分割大小（表2）。当选取的超像素种子过小时，容易将相同属性的超像素分割成不同的类别，但是，当分割尺度过大时，也容易误将不同属性的超像素分割为同一类别，从而降低分类精度。本研究超像素种子分割尺度为13时分类效果最佳。
表2 不同超像素种子分割下的提取精度

Tab. 2 Extraction accuracy under different superpixel seed segmentation

超像素种子 OB_RF OB_GTB OB_CART
OA/% Kappa系数 OA/% Kappa系数 OA/% Kappa系数
6 95.95 0.94 94.80 0.92 88.44 0.82
13 98.84 0.98 96.53 0.94 93.06 0.89
21 93.64 0.90 91.33 0.86 91.91 0.87
30 95.35 0.93 93.60 0.90 87.21 0.80
40 87.35 0.80 89.16 0.83 87.95 0.81

2.2 精度对比

由图4可知，基于多特征融合的OB分类精度优于PB的分类精度，音苏盖提冰川区域采用PB结合RF、GTB和CART模型的总体精度（OA）分别为96.51%、95.24%和92.38%，Kappa系数分别为0.95、0.93和0.88。而OB结合RF、GTB和CART分类的整体精度均有提高，总体精度分别提高了1.58%、0.95%和2.86%，Kappa系数分别提高了0.02、0.01和0.04，其中，OB_RF分类精度最高。雅弄冰川OB_RF的总体精度、Kappa系数分别为98.84%、0.98，相比PB_RF分别提升了3.47%、0.056。
图4 不同区域分类的总体精度和Kappa系数

Fig. 4 Overall accuracy and Kappa coefficient of classification in different regions

为了进一步验证模型分类的准确性，加入F1分数进行验证补充，不同分类方法的F1分数如表3所示，OB_RF分类精度最优，F1分数为98.67%，相比PB_RF分类精度提高了5.57%。这一结果再次验证了OB_RF分类方法的可靠性。
表3 不同分类方法的F1分数

Tab. 3 F1 scores for different classification methods

方法 准确率/% 召回率/% F1分数/%
OB_RF 98.37 98.97 98.67
OB_GTB 96.27 97.60 96.87
OB_CART 93.53 93.93 93.73
PB_RF 91.47 94.80 93.10
PB_GTB 90.87 94.83 92.77
PB_CART 85.93 89.43 87.53
如冰川分类制图结果所示（图5），由于PB分类在空间的连续上表现较差，使得PB_RF、PB_GTB和PB_CART算法在分类结果中出现了较多的“椒盐”噪声，特别是在裸冰与表碛的混合象元处，像素级分类难以有效区分这些像素，导致裸冰和表碛存在漏提取和误提取的情况较多。而采用OB的分类算法（OB_RF、OB_GTB和OB_CART）充分考虑空间信息、纹理、光谱特征，有效改善误提取、漏提取和“椒盐”噪声情况。
图5 基于像素与面向对象的机器学习分类结果对比

Fig. 5 Comparison of classification results based on pixels and object-oriented

对比采用OB与PB分类方法提取的冰川边界结果（图6），发现OB生成的轮廓更符合实际冰川范围，细小、分散图斑块少，可有效减少后期人工校正时间，更适用于实际冰川数据统计更新。这表明我们的方法切实可行，可以在区域尺度上准确、快速地绘制冰川变化图。
图6 基于像素和面向对象冰川边界结果对比

Fig. 6 Pixel-based and object-oriented glacier boundary comparison results

2.3 冰川变化特征

2.3.1 2001—2022年冰川面积变化

据统计分析发现，2001—2022年冰川总体呈退缩状态（表4）。具体而言，音苏盖提裸冰从2001年的318.88 km2退缩到2022年的308.70 km2，共退缩了10.18 km2，退缩率为3.19%，年平均面积退缩率为0.15%。与之相反，表碛区从2001年37.38 km2扩张到2022年的41.84 km2，共扩张4.47 km2，年均扩张量为0.21 km2。2001—2022年雅弄冰川裸冰区退缩率为5.18%，年平均退缩率为0.25%。表碛区从2001—2022年扩张了3.75 km2，年均扩张0.18 km2。冰川退缩幅度存在时间差异，2001—2010年这一时间段内裸冰区面积年变化最大，退缩面积为9 km2，年平均面积退缩率0.2%；相对应的表碛区扩张了4.53 km2，增长率为9.61%，年均增长率1.07%。与2001年相比，2022年表碛区占总冰川面积的比例从8.79%增加到了10.54%。
表4 2001—2022年音苏盖提冰川和雅弄冰川面积变化

Tab. 4 Changes in the area of Yinsugeti Glacier and Yarong Glacier during 2001-2022

音苏盖提冰川面积/km2 雅弄冰川面积/km2 总面积/km2
裸冰区 表碛区 冰川区 裸冰区 表碛区 冰川区 裸冰区 表碛区 冰川区
2001年 318.88 37.38 356.26 170.25 9.76 180.01 489.14 47.14 536.27
2010年 313.79 39.47 353.25 166.35 12.20 178.55 480.14 51.67 531.81
2022年 308.70 41.84 350.54 161.43 13.51 174.94 470.12 55.36 525.48
相对变化/km2 -10.19 4.47 -5.72 -8.82 3.75 -5.07 -19.01 8.22 -10.79
绝对变化/% -3.19 11.95 -1.61 -5.18 38.44 -2.82 -3.89 17.44 -2.01
年变化量/km2 -0.49 0.21 -0.27 -0.42 0.18 -0.24 -0.91 0.39 -0.51
年变化率/% -0.15 0.57 -0.08 -0.25 1.83 -0.13 -0.19 0.83 -0.10

2.3.2 冰川面积随海拔高度变化

为了进一步探讨冰川面积随海拔高度的变化，以200 m的间隔统计裸冰区和表碛覆盖区的变化情况（图7），音苏盖提冰川分布在海拔4000~6800 m，最大面积分布于5200~5800 m处，表碛覆盖区则分布在海拔4000~5000 m。近21 a来音苏盖提冰川裸冰面积和表碛面积变化主要集中在4600~5400 m的中低海拔地区，其中海拔4600~5200 m处裸冰面积和表碛面积的变化最大。雅弄冰川分布在海拔4200~6400 m，其变化主要集中在4000~5000 m海拔范围内，在海拔5600~6000 m范围内裸冰区出现小范围的扩张情况。
图7 不同海拔高度冰川变化量

Fig. 7 Glacier variation at different altitudes

2.3.3 表碛覆盖区空间变化特征

2001—2022年音苏盖提和雅弄冰川表碛覆盖区空间变化结果显示（图8），东部冰舌末端的表碛区呈现出向上扩张趋势。在裸冰区与表碛覆盖区的交界处，受表碛物的热传导作用释放到裸冰区域，使得裸冰区域的温度升高，加速裸冰的消融[38]，这可能是造成与表碛覆盖区相邻的裸冰退缩幅度大于其他区域的原因。
图8 2001—2022年表碛覆盖区空间变化特征

Fig. 8 Spatial change characteristics of detrital cover area from 2001-2022

3 讨论

本研究证实了OB分类方法在表碛覆盖区冰川边界提取的显著优势，这一结论在已有研究中也得到了验证[36]。其核心在于采用SNIC算法对多波段特征图像进行聚类，生成具有相似属性的同质区域，有效克服了PB分类因光谱混合效应导致的“椒盐噪声”问题。尤其是在表碛覆盖区，冰川退缩导致冰川表面异质性的增强（如冰面湖发育、表碛厚度梯度变化），加剧了单波段分类方法的不确定性。OB分类通过融合SAR纹理特征（后向散射系数差异性）与地形因子，显著增强地物的可分性，不同于传统依赖光学纹理特征（灰度共生矩阵）[31]，本研究利用SAR的后向散射系数对云影覆盖区及表碛、基岩混合像元具有更强的穿透能力，与传统基于Landsat的方法相比[17]，分类精度提高了6.9%~7.9%，进一步验证了微波数据在表碛覆盖冰川监测中的普适性。算法上，RF依靠其对高维非线性特征的处理能力及抗过拟合特性，使其在裸冰、表碛覆盖区域的表现都优于GBT和CART，尽管GTB通过梯度提升逐步优化分类器，使其在复杂环境中表现优于CART，但GTB对样本分布的敏感性，导致其在表碛覆盖不均的区域分类稳定性不如RF，这一结论与已有的冰川分类研究结果相似[39]，进一步验证了RF在表碛覆盖区冰川分类的鲁棒性。因此，本研究基于GEE平台构建的OB_RF分类方法不仅制图精度高，还能在短时间内快速获取表碛覆盖区冰川变化信息，整个过程耗时不足1 min，极大地解决了传统冰川制图方法依赖ENVI等桌面软件进行坐标转换、辐射校正、指数计算、特征融合等分步处理且计算成本高的问题[17]，这一优势在大尺度冰川变化研究中尤为关键。
研究表明，喀喇昆仑山和横断山脉冰川整体呈现退缩趋势。1978—1991年、1991—2001年、2001— 2015年这三个时间段喀喇昆仑山克勒青河流域冰川面积年均退缩率分别为0.29%、0.23%、0.15%。由于该研究区1978—2015年共有27处冰川区域发生前进，前进冰川面积增量分别为1.20 km2、1.81 km2、9.21 km2，其中2001—2015年占16处，因此该区域冰川年平均退缩速率呈现由快变慢的趋势[40]。2011—2020年念青唐古拉山脉与横断山脉区域裸冰年平均退缩率为0.28%，表碛区域年平均扩张率为2.04%[17]。2000—2020年岗日嘎布冰川年平均面积退缩率为0.129%[41]。从冰川高程变化来看，2001—2015年喀喇昆仑山冰川面积最高值分布在海拔5600~5800 m，冰川退缩主要发生在海拔4800 m，随着海拔升高逐渐减缓[40]。藏东南地区冰川面积变化主要集中在海拔3900~5400 m，在海拔4800 m处面积变化达到最大[41]。本研究的音苏盖提冰川和雅弄冰川在2001—2022年总冰川年平均退缩率分别为0.08%、0.13%，音苏盖提冰川和雅弄冰川面积在海拔4600~5200 m和4000~5000 m处变化最大，与毗邻区域相似，均呈现退缩趋势。尽管两条冰川都位于高寒地带，但冰川退缩率却存在差异，雅弄冰川面积变化率大于音苏盖提冰川，经分析发现，音苏盖提冰川在2001—2015年存在三处冰川前进情况[40]，这在一定程度上减缓了冰川整体退缩速率。此外，音苏盖提冰川的表碛覆盖厚度高于雅弄冰川的表碛覆盖厚度，说明较厚的表碛覆盖对冰川消融起到一定的抑制作用[38]。
尽管本文方法在裸冰区和表碛覆盖区的提取上都获得较高的准确性，但薄、厚表碛的反射特性差异可能影响分类精度，且缺乏实测样本数据增加了分类的不确定性。未来研究将进一步关注厚表碛覆盖区域，并增加实测样本数据，以评估模型在不同表碛覆盖厚度下的可靠性和适用性。

4 结论

（1） 本文结合光谱指数、纹理、地形特征进行面向对象的分类结果表明，多源数据的融合应用实现了不同特征之间的信息互补，弥补单一光谱信息在复杂地表环境中的局限性。有效提高复杂地形和边缘区域的分辨能力，减少误分类和噪声干扰，分类总体精度高达98.1%，相比基于像素的分类结果精度提高了1%~4%，F1分数提高了4.1%~6.2%。
（2） 基于2001—2022年音苏盖提冰川和雅弄冰川的变化分析发现，冰川总体呈退缩趋势，累计退缩率达2.01%，其中，音苏盖提冰川和雅弄冰川的裸冰面积退缩率分别为3.19%，5.18%，表碛扩张率分别为11.95%、38.44%，冰川变化主要发生在裸冰与表碛交界的中低海拔区域。
（3） 通过对影像进行SNIC分割可有效提升模型的整体精度。然而，分类性能对超像素种子分割尺高度敏感，本研究中，确定13像素为最优分割尺度。冰川分类的矢量结果表明，基于分割图像进行分类的边界与真实冰川边界更贴近，极大降低了后期人工校正的工作量。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Cogley J G, Hock R, Rasmussen L A, et al. Glossary of glacier mass balance and related terms[J]. Arctic Antarctic and Alpine Research, 2012, 44(2): 256-258.

[2]
Hewitt K. Rock avalanches that travel onto glaciers and related developments, Karakoram Himalaya, Inner Asia[J]. Geomorphology, 2009, 103(1): 66-79.

[3]
张勇, 刘时银, 王欣. 青藏高原及周边冰川区表碛影响研究进展[J]. 冰川冻土, 2022, 44(3): 900-913.

[Zhang Yong, Liu Shiyin, Wang Xin. Debris-cover effect in the Tibetan Plateau and surroundings: A review[J]. Journal of Glaciology and Geocryology, 2022, 44(3): 900-913.]

[4]
Cauvy-Fraunié S, Andino P, Espinosa R, et al. Ecological responses to experimental glacier-runoff reduction in alpine rivers[J]. Nature Communications, 2016, 7(1): 12025.

[5]
Millan R, Mouginot J, Rabatel A, et al. Ice velocity and thickness of the world’s glaciers[J]. Nature Geoscience, 2022, 15(2): 124-129.

[6]
Zemp M, Huss M, Thibert E, et al. Global glacier mass changes and their contributions to sea-level rise from 1961 to 2016[J]. Nature, 2019, 568(7752): 382-386.

[7]
Hall D K, Riggs G A, Salomonson V V. Development of methods for mapping global snow cover using moderate resolution imaging spectroradiometer data[J]. Remote Sensing of Environment, 1995, 54(2): 127-140.

[8]
陈逸青, 段克勤, 石培宏, 等. 1990—2020年帕米尔高原无表碛覆盖冰川变化态势研究——基于Google Earth Engine平台[J]. 冰川冻土, 2024, 46(3): 742-753.

[Chen Yiqing, Duan Keqin, Shi Peihong, et al. Change trend of debris-free glaciers in the Pamir based on Google Earth Engine from 1990 to 2020[J]. Journal of Glaciology and Geocryology, 2024, 46(3): 742-753.]

[9]
黄晓然, 包安明, 郭浩, 等. 近20 a中国天山东段典型冰川变化及其气候响应[J]. 干旱区研究, 2017, 34(4): 870-880.

[Huang Xiaoran, Bao Anming, Guo Hao, et al. Change of typical glaciers and its response to meteorological factors in the Eastern Tianshan Mountains in China in recent 20 years[J]. Arid Zone Research, 2017, 34(4): 870-880.]

[10]
Zhang M, Wang X H, Shi C L, et al. Automated glacier extraction index by optimization of Red/SWIR and NIR/SWIR ratio index for glacier mapping using Landsat imagery[J]. Water, 2019, 11(6): 1223.

[11]
都伟冰, 李均力, 包安明, 等. 高山冰川多时相多角度遥感信息提取方法[J]. 测绘学报, 2015, 44(1): 59-66.

[Du Weibing, Li Junli, Bao Anming, et al. Information extraction method of alpine glaciers with multitemporal and multiangle remote sensing[J]. Acta Geodactica et Cartographica Sinica, 2015, 44(1): 59-66.]

[12]
Huang L, Li Z, Tian B S, et al. Classification and snow line detection for glacial areas using the polarimetric SAR image[J]. Remote Sensing of Environment, 2011, 115(7): 1721-1732.

[13]
Walter V. Object-based classification of remote sensing data for change detection[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2004, 58(3-4): 225-238.

[14]
怀保娟, 李忠勤, 孙美平, 等. 多种遥感分类方法提取冰川边界探讨——以喀纳斯河源地区为例[J]. 干旱区研究, 2013, 30(2): 372-377.

[Huai Baojuan, Li Zhongqin, Sun Meiping, et al. Discussion on RS methods for glacier outline detection——A case study in headwaters of the Kanas River[J]. Arid Zone Research, 2013, 30(2): 372-377.]

[15]
Shukla A, Arora M K, Gupta R P. Synergistic approach for mapping debris-covered glaciers using optical-thermal remote sensing data with inputs from geomorphometric parameters[J]. Remote Sensing of Environment, 2010, 114(7): 1378-1387.

[16]
雷赛月, 方立, 李辰德, 等. 改进光学卫星图像中表碛覆盖型冰川区域提取算法[J]. 计算机工程, 2025, 2(51): 269-277.

[Lei Saiyue, Fang Li, Li Chende, et al. Improving the algorithm for extracting debris-covered glaciers in optical satellite images[J]. Computer Engineering, 2025, 2(51): 269-277.]

[17]
薛娇, 姚晓军, 张聪, 等. 表碛覆盖型冰川的提取方法及变化[J]. 冰川冻土, 2022, 44(5): 1653-1664.

[Xue Jiao, Yao Xiaojun, Zhang Cong, et al. Extraction method and change of debris-covered glaciers[J]. Journal of Glaciology and Geocryology, 2022, 44(5): 1653-1664.]

[18]
Holobâcă I-H, Tielidze L G, Ivan K, et al. Multi-sensor remote sensing to map glacier debris cover in the Greater Caucasus, Georgia[J]. Journal of Glaciology, 2021, 67(264): 685-696.

[19]
周建民, 李震, 邢强. 基于雷达干涉失相干特性提取冰川边界方法研究[J]. 冰川冻土, 2010, 32(1): 133-138.

[Zhou Jianmin, Li Zhen, Xing Qiang. Deriving glacier border information based on analysis of decorrelation in SAR interferometry[J]. Journal of Glaciology and Geocryology, 2010, 32(1): 133-138.]

[20]
李若楠, 李均力, 李爽爽, 等. 基于Sentinel-2的依连哈比尔尕冰川变化监测[J]. 干旱区研究, 2024, 41(6): 940-950.

[Li Ruonan, Li Junli, Li Shuangshuang, et al. Monitoring the glacier changes in Yilian Habirga Mountain using Sentinel-2 data[J]. Arid Zone Research, 2024, 41(6): 940-950.]

[21]
Yousuf B, Shukla A, Arora M K, et al. On drivers of subpixel classification accuracy—An example from glacier facies[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13(1): 601-608.

[22]
Aftab A K, Akhtar J, Dostdar H, et al. Machine-learning algorithms for mapping debris-covered glaciers: The Hunza Basin case study[J]. IEEE Access, 2020, 8(1): 12725-12734.

[23]
Xie Z Y, Asari V K, Haritashya U K. Evaluating deep-learning models for debris-covered glacier mapping[J]. Applied Computing and Geosciences, 2021, 12(1): 100071.

[24]
Yang S J, Wang F T, Xie Y D, et al. Delineation evaluation and variation of debris-covered glaciers based on the multi-source remote sensing images, Take glaciers in the eastern Tomur Peak region for example[J]. Remote Sensing, 2023, 15(10): 2575.

[25]
Racoviteanu A, Williams M W. Decision tree and texture analysis for mapping debris-covered glaciers in the Kangchenjunga area, Eastern Himalaya[J]. Remote Sensing, 2012, 4(10): 3078-3109.

[26]
Zhao Q, Yu L, Li X C, et al. Progress and trends in the application of Google Earth and Google Earth Engine[J]. Remote Sensing, 2021, 13(18): 3778.

[27]
Amani M, Mahdavi S, Afshar M, et al. Canadian wetland inventory using Google Earth Engine: The first map and preliminary results[J]. Remote Sensing, 2019, 11(7): 842.

[28]
喻彩丽, 陆健强, 窦旭峰, 等. 基于GEE的多源遥感影像青梅种植信息提取[J]. 江苏农业学报, 2024, 40(8): 1455-1463.

[Yu Caili, Lu Jianqiang, Dou Xufeng, et al. Extraction of greengage planting information from multi-source remote sensing images based on GEE[J]. Jiangsu Journal of Agricultural Sciences, 2024, 40(8): 1455-1463.]

[29]
马东岭, 刘卫星, 张春红. 基于谷歌地球引擎和分形理论的黄河三角洲土地利用空间结构研究[J]. 土壤, 2024, 56(3): 655-665.

[Ma Dongling, Liu Weixing, Zhang Chunhong. Study on land use spatial structure based on Google Earth Engine and fractal theory: A case study of ecological function reserve in Yellow River Delta[J]. Soils, 2024, 56(3): 655-665.]

[30]
Bevington A R, Menounos B. Accelerated change in the glaciated environments of western Canada revealed through trend analysis of optical satellite imagery[J]. Remote Sensing of Environment, 2022, 270(1): 112862.

[31]
Hu M C, Zhou G S, Lv X M, et al. A new automatic extraction method for glaciers on the Tibetan Plateau under clouds, shadows and snow cover[J]. Remote Sensing, 2022, 14(13): 3084.

[32]
Huang L, Li Z, Zhou J M, et al. An automatic method for clean glacier and nonseasonal snow area change estimation in High Mountain Asia from 1990 to 2018[J]. Remote Sensing of Environment, 2021, 258(1): 112376.

[33]
Ali A, Dunlop P, Coleman S, et al. Glacier area changes in Novaya Zemlya from 1986-89 to 2019-21 using object-based image analysis in Google Earth Engine[J]. Journal of Glaciology, 2023, 69(277): 1305-1316.

[34]
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.

[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.]

[35]
Achanta R, Susstrunk S. Superpixels and polygons using simple non-iterative clustering[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE Computer Society, 2017: 4651-4660.

[36]
裴欢, 孙天娇, 王晓妍. 基于 Landsat 8 OLI 影像纹理特征的面向对象土地利用/覆盖分类[J]. 农业工程学报, 2018, 34(2): 248-255.

[Pei Huan, Sun Tianjiao, Wang Xiaoyan. Object-oriented land use/cover classification based on texture features of Landsat 8 OLI image[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(2): 248-255.]

[37]
Paul F, Huggel C, Kääb A. Combining satellite multispectral image data and a digital elevation model for mapping debris-covered glaciers[J]. Remote Sensing of Environment, 2004, 89(4): 510-518.

[38]
Östrem G. Ice melting under a thin layer of moraine, and the existence of ice cores in moraine ridges[J]. Geografiska Annaler, 1959, 41(4): 228-230.

[39]
Zhuang L C, Ke C Q, Cai Y, et al. Measuring glacier changes in the Tianshan Mountains over the past 20 years using Google Earth Engine and machine learning[J]. Journal of Geographical Sciences, 2023, 33(9): 1939-1964.

[40]
许艾文. 近40年中国喀喇昆仑山冰川变化的遥感监测[D]. 兰州: 兰州大学, 2017.

[Xu Aiwen. Monitoring Glacier Change Based on Remote Sensing in China Karakoram for the Last Four Decades[D]. Lanzhou: Lanzhou University, 2017.]

[41]
赵晋彪. 藏东南地区冰川变化与运动特征研究[D]. 安徽: 安徽理工大学, 2024.

[Zhao Jinbiao. Study on Characteristics of Glacier Change and Movement in Southeast Xizang[D]. Anhui: Anhui University of Science and Technology, 2024.]

Options
文章导航

/

〈 〉