EN中文

干旱区研究 >

2024 , Vol. 41 >Issue 6: 940 - 950

DOI: https://doi.org/10.13866/j.azr.2024.06.04

水土资源

基于Sentinel-2的依连哈比尔尕冰川变化监测

  • 李若楠 , 1, 2, 3 ,
  • 李均力 , 1, 3 ,
  • 李爽爽 1, 4 ,
  • 刘帅琪 1, 2, 3 ,
  • 都伟冰 4
展开
  • 1.中国科学院新疆生态与地理研究所，荒漠与绿洲生态国家重点实验室，新疆 乌鲁木齐 830011
  • 2.中国科学院大学，北京 100049
  • 3.新疆遥感与地理信息系统应用重点实验室，新疆 乌鲁木齐 830011
  • 4.河南理工大学测绘与国土信息工程学院，河南 焦作 454003
李均力. E-mail:

李若楠（2001-），女，硕士研究生，主要从事干旱区冰川变化研究. E-mail:

收稿日期: 2023-10-23

  修回日期: 2024-01-30

  网络出版日期: 2025-08-12

基金资助

新疆维吾尔自治区自然科学基金(2023D01E18)

天山英才科技创新团队(2022TSYCTD0006)

第三次新疆综合科学考察(2021xjkk1400)

收起

Monitoring the glacier changes in Yilian Habirga Mountain using Sentinel-2 data

  • LI Ruonan , 1, 2, 3 ,
  • LI Junli , 1, 3 ,
  • LI Shuangshuang 1, 4 ,
  • LIU Shuaiqi 1, 2, 3 ,
  • DU Weibin 4
Expand
  • 1. State Key Laboratory of Desert and Oasis Ecology, Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi 830011, Xinjiang, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. Key Laboratory of GIS & RS Application Xinjiang Uygur Autonomous Region, Urumqi 830011, Xinjiang, China
  • 4. College of Survey and Territory Information Engineering, Henan Polytechnic University, Jiaozuo 454003, Henan, China

Received date: 2023-10-23

  Revised date: 2024-01-30

  Online published: 2025-08-12

Fold

摘要

高分时序遥感对于监测冰川变化具有重要作用。本文利用2016—2022年Sentinel-2多时相卫星影像和D-UNet语义分割模型提取依连哈比尔尕冰川变化信息，并与时相相近的Landsat遥感数据的提取结果对比，比较Sentinel-2和Landsat在冰川制图的精度差异，在此基础上选择75条典型冰川分析近期研究区冰川总面积和冰川末端的变化特征。结果表明：（1） Sentinel-2冰川制图总体精度为95.0％，相同条件下比Landsat-8提高5%~10%。（2） 2016—2022年研究区冰川年平均面积退缩率为0.75%±0.69%，其中，海拔4600 m以下的区域为冰川面积减少的区域，海拔越低面积退缩率越大。（3） 近6 a 75条典型冰川末端的平均高度上升了17.75 m，长度平均退缩了11.39±2.36 m·a-1，其中，偏西、东北和南的退缩最为显著，分别为15.49±2.36 m·a-1、13.95±2.36 m·a-1和13.14±2.36 m·a-1，冰川末端退缩速率随海拔的升高而降低。

关键词： 冰川末端; 深度学习; 时空特征; Sentinle-2; 依连哈比尔尕山

本文引用格式

李若楠 , 李均力 , 李爽爽 , 刘帅琪 , 都伟冰 . 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 . DOI: 10.13866/j.azr.2024.06.04

Abstract

High-resolution time-series remote sensing plays a vital role in monitoring glacier changes. In this paper, Sentinel-2 multitemporal satellite images from 2016-2022 were used along with the D-UNet semantic segmentation model to extract the glacier change information of Yilian Habirga. These results were compared with the Landsat remote sensing data of the similar temporal phase to ascertain any differences in the accuracies of Sentinel-2 and Landsat for glacier mapping. Based on these findings, 75 typical glaciers were selected to analyze the change-related characteristics of the total glacier area and glacier end in the recent study area. The results show that (1) The overall accuracy of Sentinel-2 glacier mapping was 95.0%, which is 5%-10% higher than Landsat-8 under the same conditions. (2) The average area retreat rate of glaciers in the study area from 2016 to 2022 was 0.75%±0.69%·a-1, in which the region<4600 m above sea level was that of glacier area reduction; the lower the altitude, the greater the area retreat rate. (3) In the last 6 years, the average heights of the 75 typical glacier ends rose by 17.75 m, and the average lengths reduced by 11.39 ± 2.36 m·a-1. Among these, the retreats in the west, northeast, and south were the most significant, which were 15.49 ± 2.36 m·a-1, 13.95 ± 2.36 m·a-1, and 13.14 ± 2.36 m·a-1, respectively; the rate of the glacier end retreated with an increase in the elevation and the decreased.

Key words： glacier terminus; deep learning; spatiotemporal variation; Sentinle-2; Yilian Habirga Mountain

全球变暖背景下冰川物质亏损呈现加速趋势[1]，对其变化的度量主要采用冰川长度、高度/厚度、面积、储量、表面运动速度等[2⇓-4]。其中，冰川末端的舌状冰体是冰川积累和消融核心区，也是冰川面积和体积变化最为显著的区域，对区域环境和生态影响显著[5]。获取数据精确、时序完整的冰川变化信息，对于理解冰川-气候变化关系、认识冰川物质平衡、预测冰川灾害具有重要意义[6⇓⇓-9]。
由于冰川地处地形崎岖的高寒山区，基于遥感技术手段的冰川变化研究也越来越受关注[10⇓-12]。目前，采用的遥感数据主要包括Landsat、ASTER、SPOT-5、Croysat-2[13-14]等遥感数据，采用的制图方法主要包括阈值法、比值法和面向对象分类等半自动方法[15⇓⇓-18]，采用的监测指标包括冰川面积、退缩长度和冰体厚度等信息[19-20]。然而，由于冰川末端部分往往覆盖大量的冰碛物，其光谱信息受到冰碛物的干扰，往往影响了冰川边界提取的完整性[21]。有研究表明，冰川的年际退缩率往往不超过10 m·a-1[6]，大多基于Landsat数据的冰川监测研究在短期内难以获取精准的冰川边界变化信息。考虑到卫星数据的分辨率的提高和深度学习在冰川信息提取的优良前景[22-23]，将深度学习模型应用于10 m分辨率的Sentinel影像监测短时期内冰川边界的变化，从而提高冰川监测的时效性[24]。
近几十年的冰川变化研究表明，全球大多数山岳冰川处于退缩状态，并且在20世纪80年代以后呈加速趋势[25]，且不同地区的冰川退缩存在较大差异，对冰川退缩的区域性差异及机理分析也越来越多[26-27]。冰川普遍退缩的现象是全球范围内普遍存在的，退缩主要受到气候因素的影响，如气温上升[1]、季风[11]、海平面上升[20]等，而冰川退缩的区域差异是由于地形、冰川表面反照率、大气环流等[2]影响所致。新疆大陆型冰川在1970—2010年总面积缩小了11.7％，不同区域的冰川平均后退量为3.5~10.5 m·a-1，其中，西天山、阿拉套山和东帕米尔高原的冰川面积变化最大[6]。新疆天山是我国冰川分布最密集、冰缘灾害最频发的区域，目前，已有不少学者基于遥感技术分析东天山[28]、博格达山[29]、托木尔峰[30]等地区的冰川变化，然而对于天山中部依连哈比尔尕山的冰川变化研究较少。
为此，本文基于2016—2022年Sentinel-2和Landsat-8时序影像，以依连哈比尔尕冰川为研究区域，利用D-UNet语义分割模型提取冰川边界，并比较Sentinel-2和Landsat-8的冰川制图精度，分析Sentinel-2对冰川变化的敏感性，并在此基础上分析2016—2022年短时段内的冰川时空变化特征，从而评估10 m空间分辨率的Sentinel-2在冰川变化研究中的应用前景。

1 研究区与数据

1.1 研究区概况

天山中段依连哈比尔尕山主峰区域的冰川位于43°25′~44°10′N，83°30′~85°05′E（图1），研究区西起拉帕特冰达坂，经阿克乌赞东至古尔本别尔克冰达坂，横跨尼勒克、乌苏和沙湾境内，属于中国天山第二大现代冰川分布区和天山西北部冰川数量和规模最大的流域区[31]。据第二次冰川编目记录[32]，研究区共有468条冰川，聚集度更高且单条冰川的面积更大，大型冰川仅29条但占据研究区冰川总面积的60%。冰川主要分布在海拔3300~5000 m之间，冰川面积582.81 km2，占天山西北部冰川总面积的27.86%。海拔3500 m以上为极高山带和高山带，现代冰川作用异常强烈，是新疆天山中部玛纳斯河、奎屯河、喀什河、巩乃斯河等主要河流的河源区。
图1 研究区示意图

Fig. 1 Map of study area

1.2 数据来源与处理

本文应用于冰川提取的遥感影像数据是Landsat-8 OLI数据和Sentinel-2 MSI数据（表1），同时局部地区采用国产高分遥感GF-2影像数据用于验证冰川制图精度。为了尽量避免积雪、山体阴影、云阴影等干扰因素对冰川制图的影响[33]，根据遥感数据的可获得性，重点选取夏秋时段内太阳角度高、积雪消融明显、无云或少云的影像数据。文中使用的Sentinel-2和Landsat-8数据均为经过几何校正和辐射定标处理得到的L1产品，影像只需在辐射校正后拼接裁剪出研究区。所选遥感主影像如表1所示。DEM选用30 m×30 m空间分辨率的ASTER GDEM数字高程模型数据，来源于国际科学数据服务平台网站。此外，参考《简明中国冰川目录》[31]和中国第二次冰川编目数据集[32]作为冰川识别的依据，并获取冰川编目等属性。
表1 冰川制图选择的遥感数据获取时间

Tab. 1 The selected dates of remote sensing data for glacier mapping

遥感数据类型 获取时间/年-月-日
Landsat-8 2016-09-19 2017-07-29 2018-08-17 2019-10-07 2020-08-22 2021-07-24 2022-07-11
Sentienl-2 2016-09-19 2017-07-08 2018-08-20 2019-08-30 2020-07-17 2021-07-25 2022-07-22

2 基于语义分割的冰川信息提取方法

冰川识别和边界提取是冰川变化分析的前提和关键。基于光学遥感的冰川制图不仅会受到积雪的影响，而且也会受冰碛物覆盖的影响，主要是因为光学遥感的光谱信息难以识别位于地表以下、被冰碛物覆盖的部分冰体[9]，因而这里仅提取位于地表以上的冰川。本文以依连哈比尔尕山的冰川为研究对象，基于Sentinel-2和Landsat-8时序数据，采用D-UNet语义分割网络提取冰川信息，分析深度学习模型方法在冰川制图上的精度与效率，并比较2种卫星数据的冰川制图精度。

2.1 D-UNet网络模型

D-UNet网络是一种编码-解码的U型网络结构，通过使用编码和解码实现影像语义分割和影像特征提取[34]。D-UNet网络由4层网络结构组成，3个下采样层组成的编码器和3个上采样层组成的解码器，编码器和解码器中间加入密集空洞卷积模块，组成一个端到端的网络。编码器由3×3卷积、ReLU函数以及冰川2×2最大池化层组成，解码器由2×2反卷积组成，在每个编码和解码阶段，可变形卷积块用于通过学习局部，密集和自适应接收场来模拟不同大小的冰川。同时，密集空洞卷积模块的加入能扩大特征图的感受视野，一定程度上提高了分割的准确率。D-UNet综合了U-Net和可变形卷积网络的优点，对样本需求小、分割精度高、泛化能力强[35]，可以根据物体的大小和形状自适应地调整感受野，对提取具有复杂结构的冰川信息而言，具有很好的优势。

2.2 样本制作与增强

基于小样本制作和样本增强是实现D-UNet模型训练和验证的关键。这里从研究区2016—2022年7个年份的Sentinel-2影响中截取15个1024×1024像素大小的样本影像，覆盖不同形态和不同类型的冰川，特别是包括一定数量光谱特征差异较大、冰碛物覆盖的冰川样本，以提高模型对冰川的识别能力。对样本影像进行标准假彩色合成，增大冰川与其他地物的对比度，采用阈值提取和人工勾绘相结合的方法制作样本标签，并二值化生成标签影像（图2）。然后，将样本影像裁剪为256×256像素，得到240个不重复的样本，并采用包括旋转、镜像、模糊、光照调节等增强处理，对每个样本图像扩增为不相同、不重叠的32个增强样本，增强网络的鲁棒性和泛化性。共得到7680张图像，并设定训练样本6144个、测试样本1536个。
图2 样本集及其冰川标签

Fig. 2 Sample set and corresponding labels map

2.3 模型训练与预测

D-UNet模型以Pytorch为底层深度学习框架，设置超参数并输入6144个训练样本集训练模型，其中，初始学习率设为0.0001，计算批次为32次，训练次数设定300次。首先，编码阶段对输入样本下采样等操作得到高维的特征金字塔；然后，解码阶段采用上采样操作以恢复影像的细节和位置信息，得到与输入样本大小相同的输出影像，得出一个每个像素点的类别，其中，冰川和非冰川像元值分别为1和0。在训练过程中，损失函数采用FocalLoss，更新策略采用指数衰减学习率，优化采用 Adam算法来缩小loss值，直至loss值小于某一阈值而停止训练。模型训练好后，利用已确定的D-UNet网络参数进行预测模拟，输出冰川提取结果。

2.4 精度验证

精度评价的方法都是基于冰川识别结果与目视解译冰川轮廓来进行对比分析，即分别以Sentinel-2和Landsat-8为底图，结合多阈值取最优边界，再经目视解译修正后的冰川边界作为真值，分别评估Sentinel-2和Landsat-8提取精度。本文利用生产者精度（PA）、用户精度（UA）、总体精度(OA)、F1分数（F1-score）、交并比（IoU）5个指标[36]来对深度学习模型的性能进行评估。其中，PA代表正确分类的冰川样本占真实总冰川样本的比例，UA代表正确分类的冰川样本占预测总冰川样本的比例，OA表示被正确分类的样本占总样本的比例，F1-score表示模型精确率和召回率的一种调和平均，IoU表示预测的冰川结果与真实冰川范围的重叠率。

2.5 末端变化量化和不确定性评估

由于研究区的冰川具有非均质表面特征，冰川上部为洁净的冰雪，而下部消融带以冰碛物覆盖为主。本文通过目视解译，人工编辑冰川末端边界，利用光谱颜色、纹理差异和多时相遥感影像以确定冰川边界和碎片覆盖冰区域的终点位置[21]。由于冰川锋面形状不规则，退缩率各不相同，采用主轴平行线法[37], 用与最长轴线平行的多线段切割冰川末端，取每条线段变化的平均值作为冰川末端变化值。对冰川面积和冰川退缩[38]的不确定性计算公式如下：
E = N × A
E a c = E a 1 2 + E a 2 2
ε = a 2 + b 2 Δ Y
式中：E为影像空间分辨率造成的冰川面积误差（km2）；N为冰川轮廓的周长(m)；A为半个像元的边长（m）；Eac为冰川面积变化的不确定性（km2）；Ea1和Ea2分别为两期冰川面积的不确定性（km2）；ε为末端变化不确定性（m·a-1）；a为像元宽度（m）；b为像元长度（m）；ΔY为两末端边界间隔年数（a）。

3 结果与分析

3.1 冰川制图及精度评估

表2利用Sentinel-2、Landsat-8数据和D-UNet模型提取冰川面积的制图精度。从冰川制图的各项精度指标可知，10 m空间分辨率的 Sentinel-2数据的制图精度均高于30 m的Landsat-8，其中，生产者精度和交并比提升约10%。这表明在相同模型方法的条件下，分辨率的提高也可以实现制图精度的提高。冰川末端的光谱特征和视觉特征与冰川主体有较大差别。
表2 不同遥感数据的冰川制图精度对比

Tab. 2 Comparisons of mapping accuracies with different types of satellite data

数据类别 评价指标
PA UA OA F1 IoU
Sentinel-2 0.831 0.851 0.950 0.835 0.768
Landsat-8 0.748 0.832 0.916 0.780 0.679
对比时序相近的Sentinel-2和Landsat-8的冰川提取效果，并与国产高分遥感GF-2 m级数据对比（图3）。在高海拔区域，3种影像提取的冰川边界的平均差异<10 m，而在冰川末端区的差异较为明显。Sentinel-2影像可以识别冰碛物冰川，提取的冰川末端区域的边缘细节丰富且更平滑，而Landsat-8影像提取的末端边界存在锯齿现象，且出现多提或漏提的现象，例如在P1处和P3处的冰川末端，Sentinel-2提取结果与GF-2高分的结果更为接近。
图3 典型冰川边界对比

Fig. 3 Comparisons of glacier extents with different satellite data

将2016—2022年多期冰川结果叠加可以看出（图4），基于Sentinel-2提取的冰川边界可以检测到每年都在变化，而Landsat影像2~3 a才能检测到变化，且混合像元现象明显，冰碛物和裸地的区分度较低，容易造成末端边界突变。因此，基于Sentinel-2影像提取的冰川更容易监测到冰川末端的变化。
图4 2种遥感数据提取的冰川时序对比

Fig. 4 Comparisons of glacier boundaries derived by Sentinel-2 and Landsat-8

3.2 冰川变化特征

由于在同一地理位置和气候环境下，不同冰川的末端变化主要受冰川个体特性和所处地形特征的影响，表现出较明显的差异[39]。因此，本研究提取了研究区2016年和2022年冰川总面积和选定75条典型冰川的末端变化，从整体变化趋势和地形角度（坡向和海拔）分析冰川变化趋势。

3.2.1 冰川面积变化

依连哈比尔尕山冰川在2016年和 2022 年的总面积分别为546.86±15.60 km2和522.17±16.52 km2，面积减少了24.69±22.72 km2，6 a内面积退缩率为4.51%±4.15%，年平均面积退缩率为0.75%±0.69%。从不同海拔面积分布来看，冰川主要分布在3300~5300 m内，其中，3800~4500 m的冰川面积占总冰川的90%以上，且2016—2022年冰川退缩面积占总退缩面积的96%。从不同海拔冰川面积退缩率来看（图5b），在海拔 4600 m 以上的部分冰川面积呈增加趋势，与玛纳斯流域高海拔冰川面积增加[40]的结论一致；而海拔 4600 m以下部分均呈减小趋势，且海拔越低面积退缩率越大，特别是在3800 m以下的冰川末端部分，其总面积仅为22.69 km2，但面积退缩率达34.93%。从不同方位的冰川面积变化率（图5c）来看，2016—2022年各朝向的冰川均呈现面积减少和普遍退缩的状态，其中，偏北向和偏西向的冰川退缩最为显著，北、西北和西3个方向的冰川退缩率分别为7.52%、6.30%和5.10%，而东、东南、南3个偏东向的冰川退缩率较小，分别为2.05%、2.10%、1.93%。
图5 2016—2022年不同海拔和方位的冰川面积变化速率

Fig. 5 Glacier area change rates during 2016-2022 in different altitudes and slopes

3.2.2 冰川末端变化

为了进一步分析依连哈比尔尕山冰川末端的退缩变化，选取了75条典型冰川为主要研究对象，分别计算每条冰川在不同方位的末端退缩长度和退缩率（图6）。基于研究区的 DEM 数据，将冰川分布划分为：北(N)、东北(NE)、东(E)、东南(SE)、南(S)、西南(SW)、西(W)、西北(NW)等8个方位，每个方位选取的冰川数量分别为：10条、16条、9条、6条、10条、7条、8条和9条。采用主轴线均值法[20]获取每条冰川的退缩长度，并分别从坡向、海拔等地形特征对冰川末端退缩进行量化分析。结果表明，75条冰川在末端冰舌部分的平均退缩速率为11.39±2.36 m·a-1，冰川面积退缩主要集中在冰川的边缘和冰川末端部分，且末端变化最为显著。在8个方位上分析75条冰川在末端退缩速率上的差异（图7a），其退缩速率依次为：10.56±2.36 m·a-1、13.95±2.36 m·a-1、9.7±2.36 m·a-1、8.28±2.36 m·a-1、13.14±2.36 m·a-1、10.52±2.36 m·a-1、15.49±2.36 m·a-1，6.8±2.36 m·a-1，其中，西侧、南侧和东北侧的冰川末端退缩最为显著。
图6 典型冰川空间分布及退缩速率

Fig. 6 Schematic diagram of the spatial distribution and retreat rate of typical glaciers

图7 不同方位、不同海拔冰川末端平均退缩率

Fig. 7 Average annual shrinking rate of glaciers in different slopes and altitudes

结合DEM分析2016—2022年间75条典型冰川的末端上升高度（图7c），结果表明，末端平均高度上升了17.75 m，年均为2.96 m·a-1。2016年，冰川末端的平均海拔高度主要分布在3500~3900 m之间，85%以上冰川末端的上升高度在30 m以下。由图也可以看出，随着冰川末端海拔的提高，其因退缩过程中表现的垂直增长速度呈现出减缓的趋势。冰川末端海拔在3500~3900 m每百米范围内的上升高度分别为33.00 m、30.87 m、16.09 m、15.06 m和9.67 m。

4 讨论

空间分辨率和时间分辨率的提高对冰川制图精度和有效监测冰川末端变化方面具有重要的优势[41]。与冰川监测常用的Landsat系列卫星相比，Sentinel-2空间分辨率10 m、重返周期为2~3 d，提取的冰川边界精度更高，本文的结果显示冰川末端边界变化大于10 m，几乎每年均可监测出冰川的变化。而目前大部分冰川退缩长度小于Landsat的空间分辨率，往往在3 a内很少可以监测到冰川变化。高分辨率遥感数据可以获取更准确的冰川边界，但由于重返周期长、单景数据覆盖范围小，不利于大区域范围内的冰川动态监测。以国产GF-1数据为例，重访周期为41 d，对依连哈比尔尕山而言，覆盖研究区需要8景数据，而获取有效的冰川监测全区域数据往往需要2~3 a才能获取，不利于冰川动态监测的需要。因此，基于Sentinel-2的冰川监测不仅制图精度比Landsat高，在短周期内量化末端变化和面积变化，而且由于其高时间分辨率，可选受积雪和阴影影响最小的影像，在描述冰川末端变化和面积变化上比其他数据提取结果更精确，而且缩短了冰川变化监测的周期。
天山中部的冰川末端近几十年来表现为退缩加速的趋势[26]。有研究表明，新疆冰川在1962—2006年间平均面积退缩速率为0.27%·a-1[6]，其中，天山冰川自1959年以来的50 a间年均退缩速率为0.37% [38]，研究区东侧的玛纳斯流域冰川自1964—2013年冰川面积年均退缩率达 0.48%·a-1[40]，2000—2020年的年退缩速率为0.54[42]；而西侧的奎屯河流域冰川在1964—2000年面积年均退缩率为0.60%，2000—2015年面积年均退缩率为0.80% [7]。本研究的依连哈比尔尕山冰川位于中天山地区，在2016—2022年的冰川总年年均退缩率达0.75%，与毗邻区域类似，均呈现面积退缩加快的趋势。从冰川末端退缩速度来看，研究区西侧的奎屯河哈希勒根51号冰川在1964—1999年退缩率为1.40 m·a-1，1999—2006年退缩率为5.07 m·a-1[43]，东侧玛纳斯流域冰川在1964—2009年末端退缩速率为 8.00 m·a-1[40]，本文依连哈比尔尕山冰川在2016—2022年的冰川末端退缩率为11.39 m·a-1，可见，冰川末端退缩率随时间推移显著增加。从冰川末端退缩的方位来看，各方位的冰川面积处于普遍退缩的状态，其中，偏北向和偏西向的冰川末端面积减小速率最快，且自西至北面积退缩依次递增，分别为5.10%、6.30%、7.52%。经分析发现，研究区偏北向冰川平均高程远低于偏南向，冰川平均高程自西、西北、北递减，且中小型冰川面积占该方向总冰川面积比例自西、西北、北递增，说明海拔较低的中小型冰川面积退缩更为显著[6]。而偏南向和偏西向的长度退缩率最大，主要原因在于研究区内西部冰川以小型为主，选取的典型冰川也多以小型为主，末端退缩速率相对较大，说明小型冰川稳定性差。而南向冰川由于平均海拔较高，大型冰川末端延伸至低海拔，导致末端退缩速率较大，说明低海拔区冰川末端稳定性差。
随着冰川退缩的加快，冰川末端的高程不断提高，冰川面积减小的区域也逐年上升。冰川是干旱区重要的水资源，然而，冰川消融的速度不断加快，冰川末端的不断上升趋势将会降低冰川融水对干旱内流河的补给调节作用，这势必会影响到下游水资源安全。为了预测未来的水资源可用性，了解过去冰川末端变化的信息对于评估当今冰川演化的模拟和对未来末端变化的预测至关重要。本文通过对研究区冰川末端变化特征进行全面研究，对于认识冰川对地形因素的响应具有重要基础性作用。研究发现，由于冰川自身因素（类型、表面形态、规模）和所处地形（坡向、海拔等）的不同，不同地区和同一地区的冰川末端变化呈现出不同的变化。因此，在未来的研究中，需要对不同地区的选定冰川进行长期监测，结合气候、地形、冰川自身特性等多因素分析其变化的主要驱动因素，以了解冰川末端变化的过程及其机制。

5 结论

（1） 基于Sentinel-2和landsat-8的冰川边界提取结果表明，Sentinel的精度评价指标均高于Landsat约5%~10%,；从冰川末端变化来看，Sentinel-2比Landsat 8分割准确，提取边界更贴合真实冰川边界。
（2） 基于Sentinel-2的冰川面积和末端量化结果表明，2016—2022年以来，依连哈比尔尕山冰川面积年平均减小率为0.75%±0.69%，冰川末端退缩率为11.39±2.36 m·a-1。其中，偏北向面积退缩最严重，而偏西、东北和南向的冰川末端退缩速率最快，冰川末端退缩速率随海拔的升高而降低。
（3） 与天山中部地区毗邻冰川变化相比较，冰川末端退缩的趋势是一致的，冰川末端的退缩呈明显加速的趋势，且末端退缩速率和面积年均退缩速率增加显著。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Kraaijenbrink P, Bierkens M, Lutz A, et al. Impact of a global temperature rise of 1.5 degrees Celsius on Asia’s glaciers[J]. Nature, 2017, 549(7671): 257-260.

[2]
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.

[Li Kaiming, Chen Shifeng, Kang Lingfen, et al. Comparative research on Chinese continental glacier and temperate glacier changes: Taking Urumqi glacier No.1 and Baishui glacier No.1 as example[J]. Arid Zone Research, 2018, 35(1): 12-19. ]

[3]
王利辉, 秦翔, 陈记祖, 等. 1961—2013年祁连山区冰川年物质平衡重建[J]. 干旱区研究, 2021, 38(6): 1524-1533.

[Wang Lihui, Qin Xiang, Chen Jizu, et al. Reconstruction of the glacier mass balance in the Qilian Mountains from 1961 to 2013[J]. Arid Zone Research, 2021, 38(6): 1524-1533. ]

[4]
都伟冰, 张世琼, 李均力, 等. 中亚高山冰川表面高程变化时序重建[J]. 干旱区研究, 2022, 39(3): 676-683.

[Du Weibing, Zhang Shiqiong, Li Junli, et al. Temporal reconstruction of alpine glacier surface elevation variation in Central Asia[J]. Arid Zone Research, 2022, 39(3): 676-683. ]

[5]
Poddar J, Pandey A C. Estimating the impact of changes in mass balance on variations in glacier area and snout fluctuations in Western Himalayas, J&K India[C]// 2014 IEEE Geoscience and Remote Sensing Symposium. IEEE, 2014: 4034-4037.

[6]
李忠勤, 李开明, 王林. 新疆冰川近期变化及其对水资源的影响研究[J]. 第四纪研究, 2010, 30(1): 96-106.

[Li Zhongqin, Li Kaiming, Wang Lin. Study on the recent changes of glaciers in Xinjiang and their impact on water resources[J]. Quaternary Sciences, 2010, 30(1): 96-106. ]

[7]
张慧, 李忠勤, 牟建新, 等. 近50年新疆天山奎屯河流域冰川变化及其对水资源的影响[J]. 地理科学, 2017, 37(11): 1771-1777.

DOI

[Zhang Hui, Li Zhongqin, Mou Jianxin, et al. Changes of glaciers in the Kuitun River Basin of the Tianshan Mountains in Xinjiang in the last 50 years and their impact on water resources[J]. Scientia Geographica Sinica, 2017, 37(11): 1771-1777. ]

DOI

[8]
赵贵宁, 张正勇, 刘琳, 等. 基于多源遥感数据的玛纳斯河流域冰川物质平衡变化[J]. 地理学报, 2020, 75(1): 98-112.

DOI

[Zhao Guining, Zhang Zhengyong, Liu Lin, et al. Changes in glacier material balance in the Manas River basin based on multi-source remote sensing data[J]. Acta Geographica Sinica, 2020, 75(1): 98-112. ]

DOI

[9]
李志杰, 王宁练, 常佳雯. 巴托拉等冰川的新近变化及对中巴公路的影响[J]. 干旱区研究, 2022, 39(6): 1986-1995.

[Li Zhijie, Wang Ninglian, Chang Jiawen. Recent variations of the Batura, Pasu, and Ghulkin glaciers and their potential impact on the Karakoram highway[J]. Arid Zone Research, 2022, 39(6): 1986-1995. ]

[10]
Kachouie N N, Gerke T, Huybers P, et al. Nonparametric regression for estimation of spatiotemporal mountain glacier retreat from satellite images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 53(3): 1135-1149.

[11]
Singh A, Kumar R, Kumar R, et al. Quantification of volume loss and snout retreat from 1980 to 2019 of baspa basin glaciers, western himalaya[J]. Materials Today: Proceedings, 2022, 49: 3331-3339.

[12]
Sivaranjani S, Priya G M, Vishnupant A K, et al. Study of dynamics in surface ice flow rate of glaciers in Hunza basin, Karakoram[J]. Environmental Science and Pollution Research International, 2023, 30(22): 62782-62802.

[13]
张震. 基于遥感和GIS的东帕米尔高原冰川冰量变化研究[J]. 测绘学报, 2021, 50(7): 992.

DOI

[Zhang Zhen. Study of glacier ice volume changes on the East Pamir Plateau based on remote sensing and GIS[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(7): 992. ]

[14]
李振林, 秦翔, 王晶, 等. 2004—2015年祁连山脉东部冷龙岭冰川遥感监测[J]. 测绘科学, 2018, 43(6): 45-51.

[Li Zhenlin, Qin Xiang, Wang Jing, et al. Remote sensing monitoring of Lenglongling glacier in the eastern Qilian Mountains from 2004 to 2015[J]. Science of Surveying and Mapping, 2018, 43(6): 45-51. ]

[15]
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. ]

[16]
Du W, Li J, Bao A, et al. Mapping changes in the glaciers of the eastern Tienshan Mountains during 1977-2013 using multitemporal remote sensing[J] Journal of Applied Remte Sensing, 2014, 8(1): 084683.

[17]
Veettil K B, Bremer F U, Grondona B E A, et al. Recent changes occurred in the terminus of the Debriscovered Bilafond Glacier in the Karakoram Himalayas using remotely sensed images and digital elevation models (1978-2011)[J]. Journal of Mountain Science, 2014, 11: 398-406.

[18]
Salerno F, Thakuri S, Tartari G, et al. Debris-covered glacier anomaly? Morphological factors controlling changes in the mass balance, surface area, terminus position, and snow line altitude of Himalayan glaciers[J]. Earth and Planetary Science Letters, 2017, 471: 19-31.

[19]
刘沼辉, 齐忠华. 基于光学影像数据的南极冰川监测研究进展[J]. 测绘与空间地理信息, 2022, 45(S1): 17-21.

[Liu Zhaohui, Qi Zhonghua. Research progress of Antarctic glacier monitoring based on optical image data[J]. Geomatics & Spatial Information Technology, 2022, 45(S1): 17-21. ]

[20]
Brough S, Carr J R, Ross N, et al. Exceptional retreat of Kangerlussuaq Glacier, East Greenland, between 2016 and 2018[J]. Frontiers in Earth Science, 2019, 7: 123.

[21]
Lea J, Mair D, Rea B. Evaluation of existing and new methods of tracking glacier terminus change[J]. Journal of Glaciology, 2014, 60(220): 323-332.

[22]
王忠武, 王志盼, 尤淑撑, 等. Landsat影像冰川提取的上下文感知语义分割网络法[J]. 测绘学报, 2020, 49(12): 1575-1582.

DOI

[Wang Zhongwu, Wang Zhipan, You Shucheng, et al. A context-aware semantic segmentation network approach for glacier extraction from Landsat images[J]. Acta Geodaetica et Cartographica Sinica, 2020, 49(12): 1575-1582. ]

DOI

[23]
Peng Y, He J, Yuan Q, et al. Automated glacier extraction using a transformer based deep learning approach from multi-sensor remote sensing imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2023, 202(1): 303-313.

[24]
Kaushik S, Singh T, Bhardwaj A, et al. Automated delineation of supraglacial debris cover using deep learning and multisource remote sensing data[J]. Remote Sensing, 2022, 14(6): 1352.

[25]
李珊珊. 中国天山不同地区典型冰川末端变化特征及其空间差异研究[D]. 兰州: 西北师范大学, 2013.

[Li Shanshan. Characteristics of Changes in Typical Glacier Termini and Their Spatial Differences in Different Regions of the Tianshan Mountains, China[D]. Lanzhou: Northwest Normal University, 2013. ]

[26]
李珊珊, 张明军, 李忠勤, 等. 1960—2009年中国天山现代冰川末端变化特征[J]. 干旱区研究, 2013, 30(2): 378-384.

[Li Shanshan, Zhang Mingjun, Li Zhongqin, et al. Changing characteristics of modern glacier termini in the Tianshan Mountains, China, 1960-2009[J]. Arid Zone Research, 2013, 30(2): 378-384. ]

[27]
Onyejekwe O, Holman B, Kachouie N N. Multivariate models for predicting glacier termini[J]. Environmental Earth Sciences, 2017, 76: 1-10.

[28]
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. Typical glacier changes in the eastern section of the Tianshan Mountains in China in the last 20 a and its climate response[J]. Arid Zone Research, 2017, 34(4): 870-880. ]

[29]
Du W, Shi N, Xu L, et al. Monitoring the spatiotemporal difference in glacier elevation on Bogda Mountain from 2000 to 2017[J]. International Journal of Environmental Research and Public Health, 2021, 18(12): 6374.

[30]
赵景啟, 满苏尔·沙比提, 麦丽开·艾麦提, 等. 1992—2017年托木尔峰国家级自然保护区冰川变化[J]. 干旱区研究, 2020, 37(4): 1079-1086.

[Zhao Jingqi, Mansuer Shabiti, Mailikai Aimaiti, et al. Glacier changes in Tomur Peak National Nature Reserve from 1992 to 2017[J]. Arid Zone Research, 2020, 37(4): 1079-1086. ]

[31]
施雅风, 王宗太, 刘潮海, 等. 简明中国冰川目录[M]. 上海: 上海科学普及出版社, 2005: 194.

[Shi Yafeng, Wang Zongtai, Liu Chaohai, et al. Concise Catalogue of Chinese Glaciers[M]. Shanghai: Shanghai Popular Science Press, 2005: 194. ]

[32]
刘时银, 郭万钦, 许君利. 中国第二次冰川编目数据集(V1.0)[DB/OL]. 国家冰川冻土沙漠科学数据中心, 2019.

[Liu Shiyin, Guo Wanqing, Xu Junli. The second glacial catalogue data set of China(V1.0)[DB/OL]. National Cryosphere Desert Data Center, 2019. ]

[33]
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.

DOI

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

DOI

[34]
Jin Q, Meng Z, Tuan D Pham, et al. DUNet: A deformable network for retinal vessel segmentation[J]. Knowledge-Based Systems, 2019, 178: 149-162.

DOI

[35]
汪志文. 基于深度学习的高分辨率遥感影像语义分割的研究与应用[D]. 北京: 北京邮电大学, 2019.

[Wang Zhiwen. Research and Application of Semantic Segmentation of High-resolution Remote Sensing Images Based on Deep Learning[D]. Beijing: Beijing University of Posts and Telecommunications, 2019. ]

[36]
王梓霏, 柯长青. 基于深度学习的Sentinel-1A影像冰川识别[J]. 遥感信息, 2022, 37(4): 43-50.

[Wang Zifei, Ke Changqing. Deep learning-based glacier recognition from Sentinel-1A imagery[J]. Remote Sensing Information, 2022, 37(4): 43-50. ]

[37]
聂勇, 张镱锂, 刘林山, 等. 近30年珠穆朗玛峰国家自然保护区冰川变化的遥感监测[J]. 地理学报, 2010, 65(1): 13-28.

[Nie Yong, Zhang Yili, Liu Linshan, et al. Remote sensing monitoring of glacier changes in Mount Everest National Nature Reserve in the past 30 years[J]. Acta Geographica Sinica, 2010, 65(1): 13-28. ]

[38]
邢武成, 李忠勤, 张慧, 等. 1959年来中国天山冰川资源时空变化[J]. 地理学报, 2017, 72(9): 1594-1605.

DOI

[Xing Wucheng, Li Zhongqin, Zhang Hui, et al. Spatial and temporal changes of glacier resources in the Tianshan Mountains of China since 1959[J]. Acta Geographica Sinica, 2017, 72(9): 1594-1605. ]

DOI

[39]
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. Study of glacier changes on the Tibetan Plateau based on the Google Earth Engine platform: A case study of the Puruogangri Icefield[J]. Scientia Geographica Sinica, 2023, 43(6): 943-951. ]

DOI

[40]
樊晓兵, 彦立利, 徐京华, 等. 基于多源数据的近50 a玛纳斯河流域冰川变化分析[J]. 冰川冻土, 2015, 37(5): 1188-1198.

DOI

[Fan Xiaobing, Yan Lili, Xu Jinghua, et al. Analysis of glacier changes in the Manas River basin in the last 50 a based on multi-source data[J]. Journal of Glaciology and Geocryology, 2015, 37(5): 1188-1198. ]

DOI

[41]
吴坤鹏, 刘时银, 朱钰, 等. 基于无人机摄影测量的梅里雪山明永冰川末端表面高程动态监测[J]. 地理科学进展, 2021, 40(9): 1581-1589.

DOI

[Wu Kunpeng, Liu Shiyin, Zhu Yu, et al. Dynamic monitoring of surface elevation at the end of Mingyong Glacier in Meili Snow Mountain based on UAV photogrammetry[J]. Progress in Geography, 2021, 40(9): 1581-1589. ]

DOI

[42]
田浩. 玛纳斯河流域冰川几何形态特征及稳定性研究[D]. 石河子: 石河子大学, 2022.

[Tiang Hao. Study on the Geometrical Characteristics and Stability of Glaciers in the Manas River Basin[D]. Shihezi: Shihezi University, 2022. ]

[43]
焦克勤, 井哲帆, 成鹏, 等. 天山奎屯河哈希勒根51号冰川变化监测结果分析[J]. 干旱区地理, 2009, 32(5): 733-738.

[Jiao Keqin, Jing Zhefan, Cheng Peng, et al. Analysis of the monitoring results of glacier change in the Kuitun River Hasilgan 51, Tianshan Mountain[J]. Arid Zone Geography, 2009, 32(5): 733-738. ]

Options
文章导航

/

〈 〉