冰川表面反照率是连接冰川表面能量与物质平衡的纽带，决定冰川物质消融量。本文利用2013—2020年获取的96景Landsat8 OLI多光谱遥感影像，基于地形纠正、大气校正和反射率转换为反照率的方法，反演唐古拉山冬克玛底冰川的时间序列反照率结果。研究表明：(1)冰川表面反照率与海拔高度存在明显的相关性，反照率随着海拔高度的增加而逐渐增大；(2)2013—2020年冬克玛底冰川表面反照率呈现微弱下降的趋势，速率为-0.000 4/10 a。结合该地区同时期气象站观测的气温和降水数据分析，冬克玛底冰川表面反照率的下降主要由气温上升引起(冰川表面反照率与温度呈负相关关系)。此外，受到气温和降水的共同影响，冬克玛底冰川表面反照率的年内变化特征为：1月—8月持续下降，9月—12月迅速上升。

冰川表面反照率是连接冰川表面能量与物质平衡的纽带，决定冰川物质消融量。本文利用2013—2020年获取的96景Landsat8 OLI多光谱遥感影像，基于地形纠正、大气校正和反射率转换为反照率的方法，反演唐古拉山冬克玛底冰川的时间序列反照率结果。研究表明：(1)冰川表面反照率与海拔高度存在明显的相关性，反照率随着海拔高度的增加而逐渐增大；(2)2013—2020年冬克玛底冰川表面反照率呈现微弱下降的趋势，速率为-0.000 4/10 a。结合该地区同时期气象站观测的气温和降水数据分析，冬克玛底冰川表面反照率的下降主要由气温上升引起(冰川表面反照率与温度呈负相关关系)。此外，受到气温和降水的共同影响，冬克玛底冰川表面反照率的年内变化特征为：1月—8月持续下降，9月—12月迅速上升。

冰川表面反照率是连接冰川表面能量与物质平衡的纽带，决定冰川物质消融量。本文利用2013—2020年获取的96景Landsat8 OLI多光谱遥感影像，基于地形纠正、大气校正和反射率转换为反照率的方法，反演唐古拉山冬克玛底冰川的时间序列反照率结果。研究表明：(1)冰川表面反照率与海拔高度存在明显的相关性，反照率随着海拔高度的增加而逐渐增大；(2)2013—2020年冬克玛底冰川表面反照率呈现微弱下降的趋势，速率为-0.000 4/10 a。结合该地区同时期气象站观测的气温和降水数据分析，冬克玛底冰川表面反照率的下降主要由气温上升引起(冰川表面反照率与温度呈负相关关系)。此外，受到气温和降水的共同影响，冬克玛底冰川表面反照率的年内变化特征为：1月—8月持续下降，9月—12月迅速上升。

冰川是最重要的淡水储存库之一,精确识别冰川和监测冰川的变化对于了解气候变化和水资源管理具有重要意义。基于Landsat 8影像,以喀喇昆仑区域为研究对象,利用单波段阈值法、雪盖指数法、非监督分类、监督分类和U-Net卷积神经网络提取冰川边界,并以交并比和混淆矩阵对冰川边界提取结果进行精度评定。结果表明,非监督分类和单波段阈值法对于表碛覆盖型冰川以及阴影中冰川存在严重的漏分现象,易将薄雪覆盖的山地错分为冰川,K-means的提取效果最差,交并比为57.69%,Kappa系数为0.57。监督分类方法对于表碛覆盖型冰川的提取效果有明显改善,但对于阴影中的冰川的提取效果不佳,提取结果的Kappa系数均为0.70以上。雪盖指数法可以有效提取阴影中的冰川,但易将大面积冰川中的非冰川区域错分为冰川,交并比为74.49%,Kappa系数为0.76。U-Net卷积神经网络能够较完整地提取冰川边界,精度要明显高于其他分类方法,重叠面积最接近地面真值面积,其交并比为88.57%,Kappa系数为0.90。U-Net卷积神经网络虽然表现较好,但是对于极小面积冰川仍存在漏分,后续研究可通过改进网络结构来提高精度...

冰川是最重要的淡水储存库之一,精确识别冰川和监测冰川的变化对于了解气候变化和水资源管理具有重要意义。基于Landsat 8影像,以喀喇昆仑区域为研究对象,利用单波段阈值法、雪盖指数法、非监督分类、监督分类和U-Net卷积神经网络提取冰川边界,并以交并比和混淆矩阵对冰川边界提取结果进行精度评定。结果表明,非监督分类和单波段阈值法对于表碛覆盖型冰川以及阴影中冰川存在严重的漏分现象,易将薄雪覆盖的山地错分为冰川,K-means的提取效果最差,交并比为57.69%,Kappa系数为0.57。监督分类方法对于表碛覆盖型冰川的提取效果有明显改善,但对于阴影中的冰川的提取效果不佳,提取结果的Kappa系数均为0.70以上。雪盖指数法可以有效提取阴影中的冰川,但易将大面积冰川中的非冰川区域错分为冰川,交并比为74.49%,Kappa系数为0.76。U-Net卷积神经网络能够较完整地提取冰川边界,精度要明显高于其他分类方法,重叠面积最接近地面真值面积,其交并比为88.57%,Kappa系数为0.90。U-Net卷积神经网络虽然表现较好,但是对于极小面积冰川仍存在漏分,后续研究可通过改进网络结构来提高精度...

冰川是最重要的淡水储存库之一,精确识别冰川和监测冰川的变化对于了解气候变化和水资源管理具有重要意义。基于Landsat 8影像,以喀喇昆仑区域为研究对象,利用单波段阈值法、雪盖指数法、非监督分类、监督分类和U-Net卷积神经网络提取冰川边界,并以交并比和混淆矩阵对冰川边界提取结果进行精度评定。结果表明,非监督分类和单波段阈值法对于表碛覆盖型冰川以及阴影中冰川存在严重的漏分现象,易将薄雪覆盖的山地错分为冰川,K-means的提取效果最差,交并比为57.69%,Kappa系数为0.57。监督分类方法对于表碛覆盖型冰川的提取效果有明显改善,但对于阴影中的冰川的提取效果不佳,提取结果的Kappa系数均为0.70以上。雪盖指数法可以有效提取阴影中的冰川,但易将大面积冰川中的非冰川区域错分为冰川,交并比为74.49%,Kappa系数为0.76。U-Net卷积神经网络能够较完整地提取冰川边界,精度要明显高于其他分类方法,重叠面积最接近地面真值面积,其交并比为88.57%,Kappa系数为0.90。U-Net卷积神经网络虽然表现较好,但是对于极小面积冰川仍存在漏分,后续研究可通过改进网络结构来提高精度...

喜马拉雅山脉位于青藏高原南巅边缘，是世界上海拔最高的山脉，其积雪及其变化影响着区域气候、水资源及生态环境。为更好地理解该地区的积雪变化，克服中低分辨率遥感在地形复杂山区积雪监测存在细节描述不足等问题，采用空间分辨率为30 m的Landsat 8晴空条件数据开展积雪监测。由于山区地形复杂，针对归一化积雪指数方法在喜马拉雅山的普遍高估问题，应用支持向量机分类方法，逐景选取不同地形、阴影等条件的积雪特征训练样本进行积雪分类，结合冰湖、地表水体等辅助数据及空间邻域分析进行数据后处理，构建了喜马拉雅山中段和东段2013–2020年30 m分辨率的积雪数据集。通过对比Sentinel-2高分辨率积雪分类，在900×900 m的网格内，其积雪覆盖率相关系数在0.95以上，均方根误差约0.1%，两者所构建积雪判识结果有较好的一致性。该积雪范围数据集包括覆盖喜马拉雅山中段和东段8年来积雪数据共607景，主要分布在当年10月至次年4月冬季积雪期。本数据集可为积雪时空和特征分析、低分辨率积雪数据提供验证和优化基础，为喜马拉雅山脉及下游地区的气候变化、水资源管理和生态效益等研究提供支持。

喜马拉雅山脉位于青藏高原南巅边缘，是世界上海拔最高的山脉，其积雪及其变化影响着区域气候、水资源及生态环境。为更好地理解该地区的积雪变化，克服中低分辨率遥感在地形复杂山区积雪监测存在细节描述不足等问题，采用空间分辨率为30 m的Landsat 8晴空条件数据开展积雪监测。由于山区地形复杂，针对归一化积雪指数方法在喜马拉雅山的普遍高估问题，应用支持向量机分类方法，逐景选取不同地形、阴影等条件的积雪特征训练样本进行积雪分类，结合冰湖、地表水体等辅助数据及空间邻域分析进行数据后处理，构建了喜马拉雅山中段和东段2013–2020年30 m分辨率的积雪数据集。通过对比Sentinel-2高分辨率积雪分类，在900×900 m的网格内，其积雪覆盖率相关系数在0.95以上，均方根误差约0.1%，两者所构建积雪判识结果有较好的一致性。该积雪范围数据集包括覆盖喜马拉雅山中段和东段8年来积雪数据共607景，主要分布在当年10月至次年4月冬季积雪期。本数据集可为积雪时空和特征分析、低分辨率积雪数据提供验证和优化基础，为喜马拉雅山脉及下游地区的气候变化、水资源管理和生态效益等研究提供支持。

喜马拉雅山脉位于青藏高原南巅边缘，是世界上海拔最高的山脉，其积雪及其变化影响着区域气候、水资源及生态环境。为更好地理解该地区的积雪变化，克服中低分辨率遥感在地形复杂山区积雪监测存在细节描述不足等问题，采用空间分辨率为30 m的Landsat 8晴空条件数据开展积雪监测。由于山区地形复杂，针对归一化积雪指数方法在喜马拉雅山的普遍高估问题，应用支持向量机分类方法，逐景选取不同地形、阴影等条件的积雪特征训练样本进行积雪分类，结合冰湖、地表水体等辅助数据及空间邻域分析进行数据后处理，构建了喜马拉雅山中段和东段2013–2020年30 m分辨率的积雪数据集。通过对比Sentinel-2高分辨率积雪分类，在900×900 m的网格内，其积雪覆盖率相关系数在0.95以上，均方根误差约0.1%，两者所构建积雪判识结果有较好的一致性。该积雪范围数据集包括覆盖喜马拉雅山中段和东段8年来积雪数据共607景，主要分布在当年10月至次年4月冬季积雪期。本数据集可为积雪时空和特征分析、低分辨率积雪数据提供验证和优化基础，为喜马拉雅山脉及下游地区的气候变化、水资源管理和生态效益等研究提供支持。

高原冰川表面温度是高原冰川活动的一个重要物理特征,对其进行反演研究能进一步反映高原冰川地区的气候变化。本研究以中国长期监测的老虎沟12号冰川为研究对象,利用2013—2019年Landsat 8多光谱和热红外波段数据,结合Jiménez-Mu?oz (JM)模型算法反演冰川表面温度,并进行对比分析。结果表明:(1) Jiménez-Mu?oz (JM)模型算法结合Landsat 8数据能够较好地反演冰川表面温度;(2) 2013—2017年夏季,由于太阳直射时间和角度不同,加上全球气候变暖影响,冰川表面平均温度略微升高,2019年秋季,温度相较于2013—2017年夏季有所降低,表明温度随季节变化;(3)同年间低海拔冰川表面温度高于高海拔冰川表面温度,表明温度与高程负相关;(4) 0°～180°坡向冰川表面温度高于180°～360°坡向冰川表面温度,表明温度与太阳辐射有关,且不同区域温差较大。本研究结果为进一步使用遥感数据探究高原冰川表面温度提供了参考。