2026, Vol. 46
2. 南京信息工程大学江苏省大气环境与装备技术协同创新中心, 江苏 南京 210044;
3. 国家卫星气象中心(国家空间天气监测预警中心), 北京 100081;
4. 许健民气象卫星创新中心, 北京 100081;
5. 中国气象局遥感卫星辐射测量和定标重点开放实验室, 北京 100081
2. Jiangsu Collaborative Innovation Center of Atmospheric Environment and Equipment Technology(CICAEET), Nanjing University of Information Science & Technology, Nanjing 210044, China;
3. National Satellite Meteorological Center(National Center for Space Weather), Beijing 100081, China;
4. Innovation Center for FengYun Meteorological Satellite(FYSIC), Beijing 100081, China;
5. Key Laboratory of Radiometric Calibration and Validation for Environmental Satellites, CMA, Beijing 100081, China
青藏高原是世界上海拔最高的高原，平均海拔超过4 000 m，被誉为“第三极”和“世界屋脊”[1]。其独特的环境和复杂的气候条件孕育了丰富的冰川与湖泊资源，这些资源不仅是地球气候系统的关键调节器和重要的水资源储备，也是维系区域生态稳定、提供水源和生物栖息地的基础[2-5]。近年来，高原气候显著变暖并呈现明显的高海拔增暖更快、季节与区域差异并存[6]等特征; 降水在时空上表现出东多西少、南多北少的非均一变化[7]; 辐射与蒸散通量的改变叠加季风-西风带的年际摆动[8]，共同驱动了冰冻圈的快速响应。湖泊在不同流域出现扩张与收缩并存的现象，既受融水补给影响，又受降水、蒸发与人类调控共同作用[9]。上述背景决定了在高原尺度识别气候主驱动并解析冰川-湖泊响应机制的必要性与紧迫性。
遥感和地理信息系统技术的快速发展，为高效、精准地监测和分析青藏高原大范围、长时间的冰川与湖泊动态提供了强大支撑[10]。在冰川变化研究方面，早期主要依赖传统遥感图像处理方法(如多波段组合、比值阈值法、目视解译)提取冰川信息，揭示了高原冰川整体退缩的趋势，并发现退缩速度存在区域差异(如东南部外部流域快于西北部内部流域[11])以及受坡度、坡向、海拔[12-13]等因素影响的显著异质性，研究普遍将气候变暖确认为关键驱动因子。然而，传统方法在处理复杂场景时面临精度和效率瓶颈。Tang等[14]针对传统方法在第三极地区冰川提取中存在受干扰因素多、效率低、可迁移性差等问题，提出利用深度学习方法准确、高效提取冰川的研究问题。Yu等[15]通过全卷积网络(fully convolutional networks，FCN)算法划定冰川边界，有效分割小型冰川，并结合气象数据，预测林芝东西部地区冰川在暖湿化的背景下将加速消融。在湖泊变化研究方面，遥感技术同样发挥了重要作用。Xing等[16]利用坡度、光谱指数和出现频率三个因子从不同遥感数据集提取湖泊面积，多方面分析内蒙古高原湖泊的变化，探讨气温、降水和人为活动对其变化产生的影响。Luo等[17]为解决云干扰，建立LakeNet深度学习模型，提取并分析1987—2022年云南九大高原湖泊面积的时空特征及变化驱动因素，发现不同面积湖泊对干旱的响应存在滞后效应。曾林等[18]利用1972—2020年的卫星遥感影像，提取西藏高原15个湖泊的水域面积数据，分析近50年来湖泊面积的变化特征，发现湖泊消涨趋势存在明显的区域差异。袁媛等[19]利用GF-1卫星16 m分辨率多光谱影像，研究1975—2014年青藏高原各流域湖泊面积的变化规律，并分析降水、温度和蒸发对湖泊面积变化的影响。
目前，国内利用遥感技术对青藏高原冰川和湖泊变化的研究多集中于单一对象或特定流域，缺乏对整个高原冰川和湖泊系统的全面分析。本研究基于2000—2023年的高分辨率遥感影像，系统分析青藏高原不同流域典型冰川和湖泊的变化特征，结合多源遥感数据构建其长时间序列变化数据集，揭示时空变化规律，并探讨影响这些变化的关键气候因素。
1 研究区域及对象青藏高原作为全球气候变化的敏感区域，其冰川湖泊的时空动态对区域水循环、生态系统稳定性及全球气候反馈机制具有重要的科学研究价值。为全面反映青藏高原冰川湖泊的变化特征，选取具有代表性的冰川和湖泊，选择标准如下：(1)地理分布广泛性。所选冰川和湖泊覆盖青藏高原不同气候带和流域，具有显著的空间代表性。具体而言，祁连山区的12号冰川和古里雅冰川代表高原大陆性气候区，纳木错和羊卓雍错代表高原湿润气候区。此外，南部边界线上的曾冰川、中国第一大咸水湖青海湖、黄河源头鄂陵湖以及阿里地区最大的扎日南木错等，进一步丰富了研究区的空间代表性，涵盖了高原东、西、南三部分的主要流域和气候类型。(2)变化趋势显著性。所选对象能够反映冰川退缩或湖泊扩张的典型特征。例如，阿尼玛卿冰川面积的显著缩小和色林错湖泊的明显扩大，都是这种趋势的典型代表。(3)气候变化敏感性。所选冰川和湖泊能够反映区域气候变化的驱动作用。例如，纳木那尼冰川和恰青冰川分别代表高海拔冰川和海洋性冰川对气候变化的响应，高海拔湖泊郭扎错和班公错则体现了对温度变化的敏感性。此外，还选择了位于可可西里腹地的太阳湖及其冰川，由于该地区受人类活动干扰较小，其变化能够真实反映自然气候驱动的响应。所选的典型冰川和湖泊如图 1所示。
|
图 1 青藏高原典型冰川、湖泊分布 Fig.1 Distribution of typical glaciers and lakes in the Qinghai-Tibet Plateau 色阶—海拔，单位为m。 |
基于GEE(Google Earth Engine)遥感平台，获取2000—2023年的Landsat系列和Sentinel-2影像数据。为确保数据可靠性，影像筛选标准遵循以下准则：(1)影像云量覆盖率不超过10%，避免大气干扰。(2)采用多时相影像融合技术，具体而言，针对研究区不同年份，分别选取该年内不同季节符合云量要求的多个时相影像; 对每个目标年份筛选出的合格影像，采用中值合成或加权平均方法，生成代表该年份特定季节或综合多个季节特征的融合影像。这一过程有效整合了不同季节的信息，显著减少了单一季节数据可能存在的季节性变化对分析结果的干扰。此外，为保持数据一致性，所有影像均重采样至30 m分辨率并采用航天宏图公司PIE(Pixel Information Expert)遥感软件对影像进行降噪处理、几何校正、图像配准等预处理工作。年平均气温和年降水量数据来源于中国气象数据网(https://data.cma.cn/)的中国地面气象观测历史数据集(年值)。
2.1 冰川面积提取算法在对冰川进行提取时，关键问题在于如何区分冰和雪。通过归一化差异积雪指数(normalized difference snow index, NDSI)[20]与短波红外(shortwave infrared，SWIR)的阈值，可有效区分冰与雪，当NDSI>0.4且SWIR < 0.2时判定为雪，NDSI < 0.4且SWIR>0.3时判定为冰。NDSI的定义如下。
| $ R_{\text {NDSI }}=\frac{R_{\text {GREEN }}-R_{\text {SWIR }}}{R_{\text {GREEN }}+R_{\text {SWIR }}} $ | (1) |
其中：RNDSI表示NDSI值，RGREEN表示绿色波段反射率，RSWIR表示短波红外反射率。但此方法在面对复杂环境时易产生误判，泛化性不足。因此，为有效识别遥感影像的冰川而设计Glacier-Unet模型[21]：通过门控多尺度过滤层使其具备多尺度特征提取和特征融合，用于解决零散、细小冰川识别能力不足的问题; 通过并联双通道注意力丰富冰川边界的特征表达，用于解决冰川轮廓识别模糊问题。图 2展示了基于NDSI的冰川提取结果，以及通过改进算法后多波段合成的冰川提取图。
|
图 2 冰川提取 Fig.2 Glacier extraction map |
归一化差异水体指数(normalized difference water index，NDWI)[22]作为光学遥感提取水体的常用方法，通过水体不同通道光谱特征差异可以有效突出水体信息并配合最大类间方差法(Otsu)[23]确定阈值进行判识。然而，NDWI易受到植被、云影和冰雪覆盖等环境干扰进而影响提取效果。因此，还引入双极化水体指数(sentinel dual-polarized water index，SDWI)[24]来提高水体提取精度，其所需的垂直-垂直(vertical-vertical，VV)和垂直-水平(vertical-horizontal，VH)极化波段散射系数来源于Sentinel SAR影像，借助C波段微波对地表散射特性的敏感性，能够在光学影像受限或可见光条件不佳时提供补充信息。具体而言，从Sentinel SAR数据获取的VV和VH极化后向散射系数，构建SDWI指数，以增强水体与陆地、植被或冰雪等覆盖类型之间的分辨能力，并同样采用最大类间方差法或自适应阈值方法对SDWI结果进行二值化处理。将NDWI和SDWI提取结果结合使用，不仅可在光学影像条件良好时充分发挥NDWI的优势，也能在云遮或冰雪干扰严重时依赖SAR极化信息进行有效补充，从而提高湖泊边界检测的可靠性和稳定性。NDWI和SDWI的定义如公式(2)、(3)。图 3展示了不同图像下NDWI和SDWI对水体提取的影响以及最终的水体提取图。
| $ V_{\text {NDWI }}=\frac{R_{\text {GREEN }}-R_{\text {NIR }}}{R_{\text {GREEN }}+R_{\text {NIR }}} $ | (2) |
| $ V_{\text {SDWI }}=\ln \left(10 \times V_{\mathrm{VV}} \times V_{\mathrm{VH}}\right)-8 $ | (3) |
|
图 3 水体提取 Fig.3 Water body extraction map |
其中：VNDWI表示NDWI值，VSDWI表示SDWI值，RNIR表示近红外波段反射率，VVV表示垂直发射、垂直接收的双极化，VVH表示垂直发射、水平接收的双极化。
3 结果分析由图 4可知，青藏高原典型冰川和湖泊的变化表现出显著的区域特征。冰川普遍退缩，并且主要集中在青藏高原的南部雅鲁藏布江流域。结合表 1分析，冰川年均变化速率从北向南依次增大，即低纬度冰川退缩较显著。另外，冰川年均变化速率也从青藏高原西北部沿曲线向东南部递增。湖泊普遍扩张，并且主要集中青藏高原内部流域和黄河流域。雅鲁藏布江流域湖泊出现萎缩现象。结合表 2分析，内部流域湖泊面积更大并且扩张速率更为显著。
|
图 4 冰川、湖泊变化图 Fig.4 Changes in typical glaciers and lakes 红色虚线—典型冰川退缩速率空间趋势线。 |
|
表 1 2000—2023年典型冰川面积变化 Table 1 Changes in area of typical glaciers from 2000 to 2023 |
|
|
表 2 2000—2023年典型湖泊面积变化 Table 2 Changes in area of typical lakes from 2000 to 2023 |
由2000—2023年典型冰川面积变化(表 1)可知，典型冰川总面积共减少20.75 km2。其中，阿尼玛卿冰川和曾冰川退缩明显，面积每年平均减少0.15 km2。在冰川面积变化率上，呈现小规模冰川比大规模冰川面积减少百分比大的趋势，但大规模冰川面积减少量也相对较大。
3.2 湖泊面积变化由2000—2023年典型湖泊面积变化(表 2)可知，典型湖泊总面积共增加757.55 km2。其中，青海湖和色林错扩张显著，年均变化速率均大于13 km2 ·a-1。羊卓雍错萎缩明显，面积减少46.33 km2，面积萎缩百分比为7.9%。太阳湖面积无明显变化，但年均变化速率为负值，表明面积呈现缓慢减少的趋势。此外，面积越大的湖泊，其面积增长百分比也越大，即大面积湖泊面积增长更多，湖泊扩张更为明显。
3.3 精度验证本研究采用西藏自治区生态环境厅发布的《2021年西藏生态遥感监测公报》(以下简称《公报》)中公布的冰川与湖泊面积数据作为参考基准。《公报》基于国产高分卫星影像(空间分辨率为30 m)和地面实测数据，通过人工目视解译生成，是西藏地区权威的生态监测成果，其数据分辨率与本研究一致，具有可比性。为评估算法提取精度，选取曾冰川(典型冰川代表)和色林错(典型湖泊代表)作为验证对象，将算法提取结果与公报的数据进行对比，采用均方根误差(root mean square error, RMSE)和相对偏差(Bias)两个指标进行精度评价。结果显示，曾冰川：RMSE=1.2 km2，Bias=-3.5%;色林错：RMSE=15.6 km2，Bias=+2.1%。分析认为，误差主要源于影像中本身存在的云影遮挡干扰、季节性积雪混淆，以及地物边界动态变化或影像模糊导致的边界判定不确定性。综合来看，两项误差指标均在合理预期范围之内，验证算法能够有效应用于青藏高原地区典型冰川与湖泊的面积变化监测分析。
4 讨论结合托勒、狮泉河、茫崖、玛沁、普兰、林芝、浪卡子、刚察、玛多、改则、班戈和当雄12个气象观测站的年平均气温和年降水量数据对冰川和湖泊变化进行分析，气象观测站位置见图 1。
4.1 气温变化对冰川面积的影响图 5展示了青藏高原冰川面积变化与年平均气温变化的关系。年平均气温变化总体稳定，但空间差异显著，呈现随纬度降低而升高的趋势，其中林芝地区气温最高，年平均气温达10 ℃。按纬度以普兰为界划分观测点，结果显示，普兰以北地区气温呈先升后降趋势，且温度波动幅度较大，而普兰以南地区则表现为持续稳定的增温。在2000—2023年间，冰川面积的最小值多出现于年平均气温最高值时期，表明气温是影响冰川面积变化的主要驱动因素。
|
图 5 冰川面积变化与年平均气温变化 Fig.5 Changes in area of glaciers and annual average temperature |
由图 5可知，各冰川对气温的响应在程度和时序上存在差异。位于高纬度的12号冰川(图 5a)面积在前期相对稳定并曾在2008年前后出现小高峰，2011—2014年面积减小，2014—2017年有所回升。2018年气温出现暖峰后，冰川面积快速缩小，2021年达到低谷。虽近年气温有波动回落，冰川面积亦小幅回升，但整体仍处于收缩态势。类似的趋势也出现在阿尼玛卿冰川(图 5d)。该冰川在2000—2010年间面积相对稳定，但自2016年气温显著上升后，冰川面积迅速退缩，且多年持续低于早期水平，仅在气温略降年份出现轻微回稳。可见气温升高显著削弱了冰川的积累-消融平衡，导致冰川快速退缩。位于低纬度的曾冰川(图 5g)常年受高温影响，2000年代中期以后总体呈下降态势，尤其高温年份对应冰川面积最低点，表明热量增加使消融期延长、积累期缩短，从而冰川面积逐年减小。低温年份冰川面积虽偶有回升但不足以抵消累积消融。古里雅冰川(图 5b)也表现出类似特征，尽管冰川面积在不同年份有涨落，但在年平均气温持续升高的背景下，多数高温年份对应冰川面积大幅回落，而当温度回落或处于相对低位时，冰川面积亦出现一定恢复或振荡回升，且多次短期冰川面积振荡背后多与同期年平均气温变化相吻合。小规模纳木那尼冰川(图 5e)对气温波动更为敏感，当年平均气温小幅升高时即导致冰川显著消融，冰川面积迅速下降。若气温较低时则出现一定积累恢复，但总体无法回到早期峰值。恰青冰川(图 5f)和太阳湖冰川(图 5c)虽规模较大，对短期气温波动有一定缓冲，但在长期气温上升趋势下，也呈现高温年份对应冰川面积低谷、低温年份难以完全恢复至早期高位的特征，且局地降雪、冰川流动等因素造成波动更为复杂，但长期维持消融主导趋势。
综合来看，冰川均体现出对年平均气温升高的敏感响应。在气温持续上升背景下，冰川消融期延长、消融速率增大，导致冰川面积逐年收缩。当出现气温降低的年份，冰川面积可能暂时回稳或略有恢复，但往往难以抵消前期的累计损失。此外，不同冰川因规模、海拔高度、纬度与地形等因素，在响应时间和幅度上有所差异。小规模冰川对气温波动反应更迅速、变化幅度更大，大规模冰川虽总体趋势一致，但易受到局部积雪变化的影响，波动更复杂。
4.2 降水量变化对湖泊面积的影响图 6展示了青藏高原湖泊面积变化与年降水量变化的关系示意。青藏高原各地降水差异显著，西部和北部年降水量普遍较低，大多不超过100 m，东部和南部降水量较为丰沛，可达300 mm，尤其东南部降水最充足，年降水量最高可达700 mm以上。结合不同流域，年降水量不仅在空间上呈现明显梯度分布，而且在时间上表现出显著的年际波动，且部分地区在近十余年中呈现一定上升趋势。
|
图 6 湖泊面积变化与年降水量变化 Fig.6 Changes in area of lakes and annual precipitation |
由图 6可知，不同湖泊在降水响应的程度和时序上存在差异。位于高海拔且干湿季分明的班公错(图 6b)，在2000年代早期降水波动中面积略有增减，但当降水量在2016年前后出现峰值时，面积显著扩张。随后降水量减少，面积增幅明显放缓，甚至出现微幅下跌，可见班公错在高降水量年获得充足径流补给，而在干旱年蒸发损失和外流增加使扩张势头受阻。鄂陵湖(图 6c)亦如此，2004年附近降水量回升时，面积从早期约620 km2提升到640 km2左右。在降水量显著减少年份，面积增长停滞或轻微下降，表明高降水年水量输入充足，而在低降水量年若冰川融水、地下水等补给不足，湖面难以维持高位。玛旁雍错(图 6d)对降水量变化尤为敏感，当年降水量在2012和2018年达到高峰时，面积出现明显跃升，而在2011年等降水量骤减年份，面积出现一定下滑。这表明降水量变化迅速传导至湖泊水量平衡，也可能受到蒸发损失的平衡影响。位于低纬度的羊卓雍错(图 6h)同样表现出降水量对湖面影响的敏感性，面积自2000年代初小幅波动后在近几年整体下降，与降水量从早期较高水平波动到后期多年降水量偏低态势相对应。近几年虽然降水量有零星高峰，但整体不足以维持较高湖面，且蒸发增大可能加剧水量损失，使羊卓雍错面积整体呈下降或恢复缓慢态势。对于纳木错、色林错和青海湖3个大规模湖泊而言，纳木错(图 6g)对降水量的响应相对温和，高降水量会带来小幅湖面扩张，低降水量虽有回落，但因湖体蓄水深度和冰川、地下水补给的缓冲，面积变化幅度有限且多呈缓慢调整。色林错(图 6f)则响应敏锐且幅度大，高降水量时面积迅速跃升，降水量骤减时增势明显放缓或短暂回缩，因其浅广湖盆和径流主导的补给机制，使湖位对降水量波动高度敏感。青海湖(图 6a)对单一年份降水量起伏的反应较平缓，高降水量会逐步积累带来湖面扩张，低降水量年份虽增幅放慢但鲜少出现明显收缩，得益于其庞大湖体、广阔集水区及多源补给的综合缓冲能力。此外，位于中南部的扎日南木错(图 6e)在2016年前后降水量攀升期，面积快速增加至1 050 km2以上。而2008、2020年等低降水量年份，面积扩张停滞或轻微收缩，说明降水量峰值时补给大幅提升湖水存量，而降水量骤降时补给骤减、蒸发影响加剧，令湖面难以维持高位。
总体来看，高降水量年份的直接降水补给对湖泊面积扩张具有显著推动作用。低降水量年份时，除非有充足冰川融水或地下水补给，否则蒸发损失和外流消耗会使湖面增幅受限甚至收缩。不同湖泊因规模、蓄水能力与补给来源的差异，对降水异常的响应能力也各不相同。规模较大或具备多重补给渠道的湖泊，对短期的降水异常具有一定的缓冲能力，而规模较小或蓄水容量有限的湖泊，其面积更易受降水波动影响，常表现出更剧烈的变动。
4.3 主成分分析与面积变化响应为定量评估年平均气温与年总降水量对冰川与湖泊面积变化的复合驱动效应，对两因子时间序列进行主成分分析[25]。结果表明，第一主成分贡献64.9%的总方差，是反映系统变化的主要因子，可定义为“温度驱动的冰川消融模态”，其载荷结构显示：冰川面积变化率与第一主成分呈强正向关联(+0.614)，而平均气温、平均降水量、湖泊变化率均呈负向响应(-0.572、-0.288、-0.461)。这一特征揭示出第一主成分的正向增强主要体现为气温上升-冰川加速退缩的耦合过程，湖泊变化率则暗示其扩张趋势与第一主成分主导的升温模式呈反向关系，反映湖泊动态受非温度主导因子的显著调控。相关性分析进一步验证第一主成分与冰川变化率存在极显著正相关(r=0.989，p=0.011)，而与湖泊变化率仅呈中等负相关且统计不显著(r=-0.743，p=0.257)，凸显冰川对温度响应的直接性与湖泊响应机制的复杂性。第二主成分贡献29.7%的方差，可定义为“降水波动模态”，其核心特征表现为降水量极高的正向载荷(+0.796)，而其他变量载荷均低于±0.3。这反映出降水量的年际波动对湖泊面积变化的次级调节作用。总体来看，第一主成分集中体现了气温主导的冰川退缩信号，而湖泊响应受到气温与降水量共同调控。
5 结论利用遥感影像数据，对青藏高原上典型冰川和湖泊开展动态监测，分析气温对冰川面积变化的影响和降水量对湖泊面积变化的影响，结论如下。
(1) 2000—2023年，7座典型冰川面积共减少20.75 km2，减少百分比为2.63%。退缩速率自低纬度向高纬度递减，退缩速率由0.15 km2 ·a-1减少至0.04 km2 ·a-1，南部冰川退缩更显著。气温升高是冰川退缩的核心因素，气温升幅越大、升温持续时间越长，冰川消融期延长、积累区缩减、净消融增强。大型冰川对温度变化的面积响应更明显，不同冰川由于规模和海拔等差异，在响应时序和幅度上有所不同，但总体在长期升温背景下均呈收缩趋势。
(2) 2000—2023年，10座典型湖泊面积共增加757.55 km2，增加百分比为6.67%。扩张显著集中在内流区，如青海湖、色林错等。年降水量增加为湖泊扩张提供了关键补给，但湖泊对降水量的响应受湖盆形态、蓄水容量及蒸发强度等多重因素共同调节。浅广湖泊对年际降水量波动响应更为剧烈，高降水量年份常伴快速扩张，低降水量年份则明显放缓或回落。大规模湖如青海湖因集水区广阔且具多源补给，对单一年份降水异常具有较强缓冲，但在长期降水量回升趋势下亦稳步扩张。不同湖泊因规模、水深和补给结构差异，在响应时序和幅度上存在差异，但均呈现出在长期湿润或高降水量背景下的扩张趋势。
| [1] |
QIU J. China: the third pole[J]. Nature, 2008, 454(7203): 393-396. DOI:10.1038/454393a |
| [2] |
冯雪梅, 武红旗, 胡贵锋, 等. 1987至2021年天山博格达峰地区冰川面积变化特征[J]. 科技资讯, 2022, 20(20): 127-131. |
| [3] |
HEINO J, ALAHUHTA J, BINI L M, et al. Lakes in the era of global change: moving beyond single-lake thinking in maintaining biodiversity and ecosystem services[J]. Biol Rev, 2021, 96(1): 89-106. DOI:10.1111/brv.12647 |
| [4] |
王英珊, 孙维君, 丁明虎, 等. 青藏高原冰川物质平衡变化特征及其对气候变化响应的研究进展[J]. 气候变化研究进展, 2025, 21(2): 208-220. |
| [5] |
陈华文. 气候变化对湖泊生态系统的影响研究: 基于长期环境监测[J]. 中国资源综合利用, 2024, 42(8): 130-134. |
| [6] |
HU W F, CHEN L L, SHEN J Y, et al. Changes in extreme precipitation on the Tibetan Plateau and its surroundings: trends, patterns, and relationship with ocean oscillation factors[J]. Water, 2022, 14(16): 2509. DOI:10.3390/w14162509 |
| [7] |
刘雨晴, 谷永利, 李婵, 等. 青藏高原地区近十年夏季降水日变化特征分析[J]. 海洋气象学报, 2025, 45(2): 127-135. DOI:10.19513/j.cnki.hyqxxb.20221203001 |
| [8] |
KONG W W, CHIANG J C H. Interaction of the westerlies with the Tibetan Plateau in determining the Mei-yu termination[J]. J Climate, 2020, 33(1): 339-363. DOI:10.1175/JCLI-D-19-0319.1 |
| [9] |
CHEN W F, LIU Y, ZHANG G Q, et al. What controls lake contraction and then expansion in Tibetan Plateau's endorheic basin over the past half century?[J]. Geophys Res Lett, 2022, 49(20): e2022GL101200. DOI:10.1029/2022GL101200 |
| [10] |
秦泉, 胡先锋, 李峰, 等. 面向国产高分辨率卫星的浒苔绿潮遥感监测算法对比[J]. 海洋气象学报, 2023, 43(2): 64-75. DOI:10.19513/j.cnki.issn2096-3599.2023.02.006 |
| [11] |
YE Q H, ZONG J B, TIAN L D, et al. Glacier changes on the Tibetan Plateau derived from Landsat imagery: mid-1970s-2000-13[J]. J Glaciol, 2017, 63(238): 273-287. DOI:10.1017/jog.2016.137 |
| [12] |
冀琴, 刘睿, 杨太保. 1990—2015年喜马拉雅山冰川变化的遥感监测[J]. 地理研究, 2020, 39(10): 2403-2414. |
| [13] |
NIE Y, YANG C, ZHANG Y L, et al. Glacier changes on the Qiangtang Plateau between 1976 and 2015: a case study in the Xainza Xiegang Mountains[J]. J Resour Ecol, 2017, 8(1): 97-104. |
| [14] |
TANG Q, ZHANG G Q, YAO T D, et al. Automatic extraction of glacial lakes from Landsat imagery using deep learning across the Third Pole region[J]. Remote Sens Environ, 2024, 315: 114413. DOI:10.1016/j.rse.2024.114413 |
| [15] |
YU M W, GUO Y G, ZHANG J, et al. Spaciotemporal distribution characteristics of glacial lakes and the factors influencing the Southeast Tibetan Plateau from 1993 to 2023[J]. Sci Rep, 2025, 15(1): 1966. DOI:10.1038/s41598-025-86546-2 |
| [16] |
XING N C, GAN F P, YAN B K, et al. Dynamic monitoring and change analysis of lake area on the Inner-Mongolian Plateau over the past 22 years[J]. Remote Sens, 2024, 16(12): 2210. DOI:10.3390/rs16122210 |
| [17] |
LUO Y, CHEN R X, YANG K, et al. Response of changes in lake area to drought and land use change[J]. Sci Total Environ, 2024, 947: 174638. DOI:10.1016/j.scitotenv.2024.174638 |
| [18] |
曾林, 牛晓俊, 边多, 等. 西藏高原典型湖泊面积变化遥感分析[J]. 高原科学研究, 2022, 6(3): 1-8. |
| [19] |
袁媛, 万剑华, 万玮. 近40年青藏高原湖泊环境变化遥感分析研究[J]. 环境科学与管理, 2016, 41(10): 8-11. |
| [20] |
SALOMONSON V V, APPEL I. Estimating fractional snow cover from MODIS using the normalized difference snow index[J]. Remote Sens Environ, 2004, 89(3): 351-360. DOI:10.1016/j.rse.2003.10.016 |
| [21] |
张昊, 张秀再, 杨昌军, 等. 基于融合多模态的遥感影像冰川识别方法[J]. 中国电子科学研究院学报, 2024, 19(5): 419-431. |
| [22] |
LI J J, MENG Y Z, LI Y X, et al. Accurate water extraction using remote sensing imagery based on normalized difference water index and unsupervised deep learning[J]. J Hydrol, 2022, 612: 128202. DOI:10.1016/j.jhydrol.2022.128202 |
| [23] |
REN J, WANG J K, CHEN R, et al. Remote sensing identification of shallow landslide based on improved Otsu algorithm and multi feature threshold[J]. Front Earth Sci, 2024, 12: 1473904. DOI:10.3389/feart.2024.1473904 |
| [24] |
DU Q S, LI G Y, CHEN D, et al. Extracting water body data based on SDWI and threshold segmentation: a case study in permafrost area surrounding Salt Lake in Hoh Xil, Qinghai-Tibet Plateau, China[J]. Res Cold Arid Reg, 2023, 15(4): 202-209. |
| [25] |
张玉璇, 吴莹. GMI亮温资料RFI信号影响因子分析[J]. 海洋气象学报, 2022, 42(3): 99-108. DOI:10.19513/j.cnki.issn2096-3599.2022.03.010 |