首页期刊导航|冰川冻土
期刊信息/Journal information
冰川冻土
冰川冻土

程国栋

双月刊

1000-0240

edjgg@lzb.ac.cn；　shenyp@lzb.ac.cn

0931-4967248

730000

兰州市东岗西路320号 中国科学院寒区旱区环境与工程研究所《冰川冻土》编辑部

冰川冻土/Journal Journal of Glaciology and GeocryologyCSCD北大核心CSTPCD
查看更多>>本刊是我国冰、雪、冻土和冰冻圈研究领域唯一的学报级期刊，支持在冰、雪、冻土和冰冻圈及全球变化基础研究和应用研究中具创造性，高水平和面向国民经济建设的新思想，新观点,新方法和新学说，为寒区国民经济建设服务。内容有：冰、雪、冻土的性质、过程及其控制；冰冻圈的资源与环境；冰冻圈与其他圈层的相互作用；寒区水文水资源； 寒区生态与建设；全球变化；寒区工程与减灾、防灾；寒区生物学；先进技术的应用。
正式出版
收录年代

    基于高分遥感影像和集成机器学习的祁连山区融冻泥流识别研究

    娄佩卿吴通华陈杰朱小凡...
    786-797页
    查看更多>>摘要：受气候变暖影响,青藏高原的多年冻土正在发生广泛的退化,主要表现为融冻泥流事件的频繁发生,对生态系统和当地基础设施造成深刻影响.融冻泥流的精准识别有助于理解融冻泥流的发生和演变机制.近年来尽管基于深度学习的融冻泥流识别取得了进展,但机器学习算法在该领域的识别能力仍有待探究.本研究基于GF-2卫星遥感数据构建了一种基于集成机器学习的优化面向对象融冻泥流识别算法,引入了纹理和几何等空间信息来辅助识别融冻泥流,并基于面向对象技术改善了识别模型的错分问题.此外,基于集成学习整合不同机器学习模型的优势,以获得不低于常用深度学习模型的识别精度.结果表明,基于递归特征消除(RFE)特征选择算法剔除了多维特征数据集中的冗余特征,证明了纹理和几何信息是融冻泥流识别的有效数据补充.在优化后的面向对象机器学习模型中,随机森林(RF)的识别精度最高,总体精度为87.43%.McNemar检验表明,与单一模型相比,集成机器学习模型显著提高了融冻泥流识别精度,其总体精度为93.14%.对研究区内融冻泥流的地形特征进行统计分析后发现融冻泥流主要发生在海拔3200～3500 m之间,坡度介于5°～25°,并且以东北、北和西北为主要的坡向朝向.本研究提出的集成机器学习模型为青藏高原多年冻土区日益频繁的融冻泥流事件提供了有效的识别方法,并可为基于卫星遥感影像的深度学习识别模型制作标签数据.

    融冻泥流识别集成机器学习面向对象高空间分辨率遥感祁连山GF-2

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于机器学习的第三极季节冻土最大冻结深度未来变化预测

    王冰泉冉有华
    798-807页
    查看更多>>摘要：最大冻结深度是季节冻土的重要指标,预测第三极地区未来最大冻结深度的变化,对于理解该区域的环境变化,指导生态保护、农牧业生产、工程建设等都具有重要意义.本研究利用基准时期(2000s)良好训练的支持向量回归模型,使用集合模拟策略,预测了2050s和2090s第三极地区在4种SSP情景下最大冻结深度的变化.结果表明,在可持续路径(SSP126)、中间路径(SSP245)、区域竞争路径(SSP370)和化石燃料为主发展路径(SSP585)情景下,不包括多年冻土退化为季节冻土的区域,相对于基准期,季节冻土的最大冻结深度到21世纪末将分别减小10.41 cm(11.69%)、24.00 cm(26.95%)、37.71 cm(42.34%)和47.71 cm(53.57%).最大冻结深度的减小具有海拔依赖性,随着海拔的升高,最大冻结深度减小的速率变大,但是海拔超过5000 m后,最大冻结深度减小速率逐渐减小,这与升温的海拔依赖性较为一致.最大冻结深度的变化也与生物群区有关,在4种SSP情景下,山地草地和灌木区的最大冻结深度减小速率最快,到21世纪末平均每十年分别减小1.80 cm、3.77 cm、5.77 cm和7.24 cm.分流域来看,青海湖流域减小速率最快.模拟预测结果可通过国家青藏高原科学数据中心(DOI:10.11888/Cryos.tpdc.273002)下载使用.该研究结果可为在全球变暖背景下理解第三极季节冻土的未来变化及其生态水文效应提供基础数据与信息.

    第三极青藏高原亚洲高山区季节冻土最大冻结深度海拔依赖性

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据

    融合主被动微波遥感的高分辨率地表冻融状态识别

    张晨晋锐
    808-822页
    查看更多>>摘要：为细致刻画地表冻融状态及其年循环特征、长时间序列变化趋势及其与陆地生态系统的相互作用,需要进行高分辨率(1 km)的地表冻融状态识别.被动微波的低空间分辨率,无法精细描述地表冻融状态的空间变化;主动微波(合成孔径雷达)能以较高的分辨率识别地表冻融状态,但其低时间分辨率无法准确捕捉春秋季地表冻融转换.融合主被动微波遥感信息,发展高分辨率地表冻融状态识别算法对细致刻画地表冻融状态、生产高分辨率地表冻融遥感产品具有重要意义.本文以青藏高原中部土壤温湿度观测网为研究区,采用随机森林分类算法,以升/降轨Sentinel-1 σ0VV(垂直极化后向散射)、SMAP TbV(垂直极化亮温)和辅助时空信息为输入,构建融合多源信息的高分辨率(1 km)地表冻融状态识别算法.结果表明:在降轨时,有/无主动微波信息,地表冻结期(每年1-3月)识别精度分别为100.0%/97.8%;地表融化期(每年6-10月)识别精度分别为99.1%/99.4%;地表冻融转换时期(每年4-5月)的识别精度为82.0%/74.1%;地表融冻转换时期(每年11-12月)的识别精度为95.1%/90.0%,精度有所下降.其原因是主要受到海拔、坡向及土壤质地的影响.通过对输入变量重要性排序,分析其在随机森林中的贡献可知,DOY(儒略日)、TbV、LAI(叶面积指数)、LST(地表温度)、σ0VV、坡向是必要的输入变量.其中σ0VV虽然排在第五位,但去除σ0VV,算法在地表冻融转换时期的识别精度下降显著(春/秋季精度分别下降23.7%、9.4%),证明主动微波信息对于提高算法识别精度的重要性,因此在主动微波信息可获取时,应融合主被动微波信息进行地表冻融状态识别.高分辨率的地表冻融状态可准确划分地表的稳定冻结期、稳定融化期及冻融转换期,并反映地表冻融转换时期的空间异质性特征.

    地表冻融状态主被动微波高空间分辨率随机森林分类算法信息融合

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据

    土壤有机碳含量高光谱建模研究——以青藏高原三江源区为例

    周伟曹鑫王科明肖洁芸...
    823-832页
    查看更多>>摘要：土壤有机碳(SOC)是陆地生态系统碳循环的重要组成部分,也是评价区域土壤质量、土地退化程度和作物产量的重要指标.高寒生态系统土壤有机碳含量估算,对于高寒地区土壤碳库核算和土壤质量评价等都具有重要意义.本研究以青藏高原三江源区作为研究区,基于野外采集的272个土壤样本的SOC和土壤光谱室内测试数据,首先对原始光谱数据进行一阶微分(FD)、二阶微分(SD)、倒数对数(RL)、去包络线(CR)和多元散射校正(MSC)等多种数学变换;然后基于8种光谱变换数据与SOC含量的相关性分析提取特征波段,利用多元线性回归(MLR)、偏最小二乘回归(PLSR)、支持向量机(SVM)和随机森林(RF)4种方法,分别构建SOC含量的高光谱反演模型;对各种模型的模拟精度和稳定性进行评价,明确SOC含量反演的最佳光谱变换和模型组合模式.结果表明:三江源区SOC含量较高,且不同植被类型和不同土壤类型的SOC含量差异较大;总体上,单一数学变换形式中基于一阶微分(FD)变换构建的反演模型的模拟精度最高(尤其是FD-RF组合模型,其验证集R2=0.86,RMSE=8.40,RPD=2.64);多种数学变换组合相较于单一的数学变换,其模拟精度得到进一步提高(如CRFD-RF组合,R2=0.87,RMSE=8.03,RPD=2.76);4种模拟模型中,随机森林总体模拟精度最高,并且CRFD-RF组合模型的模拟精度最高,MSCFD-RF次之.本研究可为利用高光谱遥感进行高寒地区土壤有机碳含量反演和动态监测提供理论依据.

    土壤有机碳高光谱机器学习光谱变换青藏高原

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据

    《冰川冻土》征稿简则

    封3页
      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据