【意义】城市数字孪生模型是城市物理实体通过数据链接在数字空间中实现的综合场景模拟，是智慧城市语境下集成物联网、空间信息、人工智能等技术，对城市状态的实时化、可视化表达。本文基于物理-社会-信息（PSI）三维框架，对当前城市数字孪生模型的研究进展进行了分析，并在此基础上创新性提出物理-社会-信息-时间（PSIT）四维耦合框架。【进展】研究发现： ① 自2017年数字孪生技术进入城市研究领域以来，相关文献增长迅速，理论支撑与功能设计框架逐步成熟，模型从地理实体的数字化映射、人类活动的空间化解析、地理大数据的融合挖掘等PSI 3个方面完成初步构建； ② 为了更准确地反映城市的真实运行状况，模型现有维度在数据、技术、算法上仍需突破，同时其PSI三维框架偏重空间特征而过度简化时间维度，缺乏体现城市系统的时空分异特征； ③ 鉴于时空耦合对城市模型的重要性，本文在考虑时间的单向演进趋势、时间约束下的社会活动规律、城市要素演化的异速时间尺度以及系统相变的时间依赖性机制基础上，将时间从背景参数提升为独立维度，提出了PSIT四维耦合框架，以完善城市系统演化逻辑、创新模型理论范式，并以博雅智城CitySPS平台为实例展开具体阐述。 【展望】通过PSIT四维耦合框架实现数字虚拟空间的精确模拟与精准预测，可能成为今后城市“智”理的重要方向。
【目的】 系统探讨智能技术赋能城乡规划的关键路径与应用模式，以应对我国城乡发展进入存量提质增效阶段后面临的复杂挑战。【探讨】针对多源要素精准识别、数据孤岛消解、复杂人地关系认知等难题，本文系统梳理并提出了一个“感知-融合-认知-规划”四位一体的智能技术框架。该框架旨在通过集成多模态智能感知技术以实现城乡要素的动态监测，运用时空数据融合技术以构建统一数字底座，采用知识图谱技术以深化对空间与人文要素关联的理解，并最终依托一体化赋能平台以支撑智能设计与协同决策。以广州增城区耕地保护为例的案例分析，初步验证了该智能化技术路径在城乡生态空间闭环治理中的应用潜力与可行性。【展望】这一系统性的技术框架为破解城乡融合智能规划难题提供了一种可能的解决思路，有望促进规划范式从传统经验驱动向现代化的“平台治理”转型，为新时期提升我国城乡空间治理能力提供理论参考与实践指引。
【目的】 遥相关通常指地球系统中气候变量间的远程关联，对于理解全球气候变化和预测极端天气事件具有重要意义。随着复杂网络理论在气候科学领域被应用，形成的气候网络方法为遥相关研究提供了全新的方法框架，有助于解析气候系统内部复杂的相互作用机制与依赖关系。【分析】首先，本文梳理了基于复杂网络理论的遥相关研究方法，重点介绍了变量间相互依赖性的量化方法、网络测度在遥相关模式识别中的应用以及遥相关路径探测的最新进展。随后，本文总结了气候网络方法在遥相关研究中的具体应用成效，包括利用网络测度验证经典遥相关模式、发现新型遥相关模式、识别关键遥相关传播路径等成果。同时，介绍了机制解析方面的应用成效，包括大气罗斯贝波与海洋环流在遥相关形成中的作用。【展望】指出现有的数据和方法在处理非线性动态和跨尺度相互作用时尚显不足，提出未来研究应致力于提升数据与方法的可靠性和适用性，重视地球系统子系统的相互耦合关系，深入研究遥相关的时间多尺度效应和动态演变特征。
【背景】近年来，面对地图实践的新现象和新问题，越来越多的学者呼吁重新审视和反思既有范式的不足，并以此回应技术变革所带来的学科挑战与社会需求。【目标与方法】秉承批判继承与创新超越相结合的研究路径，本文通过理论演绎的方法，首先对地图学的既有理论范式进行梳理和凝练，进而剖析其面对地图实践结构转型时遭遇的困境，最后尝试提出地图学的新范式。【结果】经典地图学研究将“地图”等同于特定专业和行业规范下的制图活动，促成了地图学在知识来源、关注焦点和实践路径等方面所呈现出鲜明的专业生产特征，并以此形成了地图学的专业生产范式。然而，专业生产范式逐渐显露出两个突出的困境。一方面，专业生产范式难以捕捉地图嵌入社会生活中的复杂性与流动性，尤其是用于解释地图实践的新形式及其所关联的意义机制时，往往陷入适配失效与理论滞后的窘境。另一方面，专业生产范式局限在一种内部的知识再生产，缺乏实质性的理论增量与问题意识的深化，无法为当前的地图实践提供规范与引导。鉴于此，本研究立足于世界的网络化、关系化特征，尝试提出地图学的社会实践范式，将地图视为嵌入社会网络、关联社会行动者的社会实践，关注地图在连接个体与外部世界中的独特意义与社会价值。【结论】社会实践范式立足于超越性的视野理解和认识地图，引入多学科融合和多元方法路径研究地图，倡导本土经验与国际视野的协调统一，不仅深化了对地图实践的整体性理解，也为地图学回应当代数字社会、智能社会与网络社会中的现实问题提供了新的理论资源与分析框架。
【意义】地貌学作为一门传统学科，一直以来都注重地表过程内外力作用的定量化和过程机理研究。近年来，随着人工智能技术飞速进步，深度学习模型因具备优异的特征学习和信息迁移能力，有效拓展了地貌学的研究范式，为地貌学研究手段更新提供了新的活力。目前，深度学习方法已在地貌学研究中呈现出多样化的应用实践，积累了较为丰富的成果，亟需对相关案例进行系统分类与归纳，总结其一般应用范式，并结合深度学习方法的优势与地貌学研究的困境，进一步分析当前研究中的不足与挑战。【进展】本文从特征提取、过程研究和成因分析3个方面梳理了2018—2025年深度学习在数字地貌研究领域的最新应用进展。研究表明，在特征识别方面，深度学习已实现对黄土沟谷、沙丘、滑坡、冰川等典型地貌要素的高精度自动化提取；在趋势预测方面，能够较为有效地捕捉地表沉降、水位变化及滑坡、洪水等灾害过程的时序演化规律；在模型模拟方面，则初步展现了地貌成因建模的潜力，如对构造运动、火山活动等复杂过程的模拟，推动地貌学研究从“描述性分析”向“预测-解释”一体化迈进。尽管深度学习在数字地貌研究中展现出广阔前景，但现阶段仍存在突出局限：首先，地貌差异下模型迁移与适应受限，当应用于不同气候带或地貌类型时，预测精度往往显著下降，跨区域和跨尺度推广受到限制；其次，模型对地貌过程机理的可解释性不足，难以揭示地貌演化背后的动力机制，限制了其在理论建模与科学认知中的应用深度；再次，多源地貌数据与算力瓶颈明显，高质量、多尺度地貌数据获取成本较高，长时序与复杂过程模拟对计算资源需求巨大，制约了相关方法的广泛应用与推广。【展望】未来研究应在强化数据驱动与机理建模融合的基础上，提升模型的跨区域适应性、物理可解释性及资源受限环境下的适用性。通过构建标准化、多源融合的全球地貌数据库，推动深度学习与物理约束架构、轻量化建模等新方法结合，逐步形成面向过程模拟与机理认知的地貌研究新范式。同时，应促进数字地貌研究与知识图谱、AI大模型的融合应用，以智能模型为核心、以知识增强为纽带，构建集数据、机理与语义于一体的智能地貌体系，实现数据与知识的协同驱动，为地貌过程认知与机理探索提供坚实支撑。
【意义】地理实体语义关系提取是地理信息处理与自然语言处理交叉领域的核心任务，旨在从非结构化文本中识别地理实体，并抽取实体间的语义关联关系。作为地理信息科学从几何建模向认知智能转型的核心环节，地理实体语义关系提取技术通过解译实体间的时空交互机制建立实体间的逻辑关联，对于丰富地理实体数据内涵、实现人机兼容理解、支持复杂空间分析、提高地理信息智能化应用等方面具有重要作用。【分析】本文系统综述了基于网络文本的地理实体语义关系提取技术的研究进展，总结出基于规则方法、统计机器学习、深度学习三大类提取方法，详细分析了各类方法的技术演进路径、当前研究现状、方法适用性及缺点不足，并对地理实体语义关系提取技术的未来研究方向进行了展望。【目的】本研究旨在为相关研究者提供系统化的技术发展脉络梳理，帮助快速把握领域研究现状；关键技术的对比分析，为算法选型提供决策依据；前沿挑战与潜在突破方向的预判，启发创新性研究思路。
【目的】行政区划是行政管理、资源配置和社会经济统计的基础单元。频繁调整导致名称、类型、区划代码及空间范围不断变化，增加了跨年度统计分析和历史追溯的难度，对区域规划和政策实施造成挑战。针对这一问题，本文提出面向复杂时空演化的行政区划知识图谱构建方法，旨在实现行政区划演变的统一语义化表达与智能化管理。【方法】为解决传统GIS难以形式化表达复杂沿革关系与动态演变过程的局限性，本文设计了语义一致的行政区划本体模型，并提出“主-谓-宾-时间”四元组表达框架，系统定义行政区划单元的概念、属性和关系。以1949—2023年中国省、市、县级行政区划长时序矢量数据为基础，采用空间叠加与属性匹配的方法，识别名称变更、行政类型调整、区划代码变更、划入、划出及空间范围变化等沿革事件。基于Neo4j图数据库环境，构建行政区划演变知识图谱，实现行政区划演变知识的结构化管理。【结果】构建的知识图谱包含26 269个节点和406 744个三元组，完整记录1949—2023年省、市、县级行政区划的名称、代码、面积及演变类型等信息。基于图谱共识别出33 507次沿革事件，实现了行政区划的时空演变查询、跨时空逻辑推理与知识发现，以及跨年度统计数据矫正等应用。【结论】本研究突破传统GIS难以刻画复杂时空关系的局限，为行政区划的沿革研究提供了新的技术手段，并为其他地理实体的复杂时空知识建模提供了借鉴。
【目的】现有微地图推荐系统主要依赖用户与内容的历史交互行为，忽视了图像、文本等多模态信息间的协同特征，导致在用户偏好建模和内容理解方面存在表达能力弱、模态融合度低的问题。【方法】针对这一问题，本文提出一种融合自监督机制的多模态个性化推荐框架——SMWRec。该方法以图神经网络为主干，联合构建主监督任务与3类自监督对比学习任务。在特征层面，设计特征随机丢弃与特征掩码两种模态无关的数据增强策略，以增强模型对信息不完整与扰动的鲁棒性；在模态层面，引入模态对齐机制，在融合前构建图文语义空间的一致性约束机制。该方法通过最大化同一项目不同视图间的表示一致性、最小化不同项目间的干扰，有效提升了模态间的表达协调性与判别能力。【结果】实验在Movielens、TikTok、Kwai和Wemaps 4个包含图文信息的多模态数据集上开展，评估指标包括Recall@K与NDCG@K，结果显示， SMWRec在4个数据集上普遍优于各强基线；其中在Wemaps中， Recall@10与NDCG@10分别较最优基线提升31.48%和33.86%。【结论】消融与模态缺失实验表明，“先对齐后融合”与特征增强是性能提升的主要来源，并能在部分模态缺失情况下保持较高排序质量。综上，SMWRec有效缓解了稀疏与缺失导致的表征退化，兼具准确性与鲁棒性，为微地图推荐提供了可复现、可扩展的多模态范式。
【目的】地理要素空间范围刻画在资源规划、功能识别及空间异常分析等领域具有重要应用价值，同时也是人地关系理论研究的重要内容。通过精准描述兴趣点（POI）空间范围，可有效反映区域空间特征，进而提升下游分析任务的准确性与可靠性。然而，现有方法在生成高概括性、特征差异显著的POI离群点范围时，普遍存在参数敏感性强、难以适配个体离群点以及多源数据依赖等问题。【方法】本文提出一种基于自适应晶核约束的POI离群点空间范围刻画方法。首先，以离群点为中心构建星型拓扑结构，并引入Steiner点优化邻域配置以生成离群点的自适应包围晶核。其次，在晶核边约束下构建约束型 Delaunay三角网，生成初步范围刻画结果。最后，融合自然障碍、POI类型及语义关联性等因素优化生成范围，精准刻画离群点空间上下文结构与边界特征。【结果】在呼和浩特市POI数据实证中，本文方法对于旅游景点、科教文化、运动健身及房产小区等类型离群点范围刻画结果平均F1-Score为0.69，优于受限增长Voronoi图（0.42）、自适应缓冲区（0.62）及固定半径缓冲区（0.26/0.10）；在多种上下文分布特征及占地范围组合下，空间边界规则类型精度最高可达1.00，功能结构复杂类型召回率保持在0.60~0.99之间。【结论】本方法可有效提升POI离群点范围刻画精度，并于复杂城市场景中呈现良好适应性与鲁棒性，验证其在真实空间范围建模的有效性与推广潜力。
【目的】人类出行流量生成是指在缺乏历史出行流量数据的情况下，基于出行起终点特征估算两点之间出行流量的技术。该技术在城市规划、交通管理和商业布局等领域具有重要应用价值。然而，经典活动模型难以捕捉影响出行的复杂因素，而基于深度学习的模型虽精度较高，但可解释性不足，限制了实际应用。【方法】本文提出一种基于解耦表征学习的人类出行流量生成建模方法，通过构建位置、非位置及残差因素3类编码器，采用互信息最小化策略将影响出行流量生成的因素解耦为3类独立潜码，结合注意力机制构建出行流量综合表征以实现出行流量的高精度生成。【结果】在2020年纽约州与宾夕法尼亚州人口流动数据集上，将本方法与GM、 RM、 RF、 GNN、 DG和SI-GCN 3组不同类别的6种流量生成模型进行对比。实验结果显示，本方法在“通勤者公共部分”指标上达到0.773和0.727，在流量生成精度和跨区域泛化能力方面均优于其他对比方法。通过消融实验与无监督解耦指标验证了解耦表征模块可以有效分离影响出行流量生成的三类潜在因素，并通过SHAP分析和注意力权重量化三类流量生成因素对流量生成的贡献。【结论】相较于经典活动模型和深度学习模型，本方法在提高流量生成精度的同时，进一步提升模型的可解释性，为优化出行流量生成模型提供了新的视角。
【目的】随着智慧城市建设中信息技术的深度应用， GNSS轨迹数据呈爆炸式增长，但其轨迹生成过程易受信号干扰与传感器故障影响而产生噪声。本文旨在设计新型噪声识别与修复算法，以提升原始GNSS轨迹数据的处理精度与质量。【方法】针对轨迹噪声识别问题，本文提出基于密度矩阵的自适应DBSCAN算法，其具有超参数无关特性，可敏感捕获低幅值噪声点，同时避免连续转向点的误判。针对噪声修复问题，提出基于轨迹分段的函数构造式修复算法：首先采用道格拉斯-普克（Douglas-Peucker， DP）算法压缩轨迹数据实现分段；其次定位含噪声轨迹段，基于段内有效点构造拟合函数；最终依据相邻点时空属性修复噪声数据。相较于主流插值算法（如拉格朗日、牛顿、埃尔米特、线性、三次样条及最近邻插值），本方法通过规避全局特征依赖，显著保留了噪声点蕴含的局部信息特征。【结果】基于长春市1 500名志愿者2024年8月19日—9月1日的原始GNSS轨迹数据，设计2组对比实验。第1组将新型识别算法与原始DBSCAN及其主流衍生算法（KANN-DBSCAN、BDT-ADBSCAN）进行对比。实验表明：新算法在轮廓系数（SC）、 Calinski-Harabasz指数（CHI）、 Davies-Bouldin指数（DBI） 3项指标均取得最优值，优化幅度分别为40.17%~381.80%、20.03%~235.18%、23.42%~79.53%。第2组实验对比新型修复算法与6类经典插值方法（拉格朗日、牛顿、埃尔米特、线性、三次样条、最近邻），结果显示：新算法在轨迹相似性度量指标（Dynamic Time Warping， DTW）上全面优于对比方法，整体优化幅度达43.18%~80.43%。【结论】本文提出的噪声识别与修复算法显著提升了原始GNSS轨迹的质量精度，可高效支撑大规模轨迹数据预处理任务，为时空轨迹挖掘研究提供高质量数据基础。
【目的】复杂交通场景中的异常行为检测对公共安全监管至关重要。现有方法主要依赖实时轨迹来检测目标的交通违规行为，未充分利用目标历史轨迹数据，难以自动识别偏离正常模式的异常行为。【方法】本文提出了一种融合交通规则与行为模式的目标异常行为综合探测方法（TraB）。该方法基于道路网拓扑结构提取目标轨迹方位信息，并通过方位聚类算法分析多帧历史轨迹，识别目标行为模式。在此基础上，建立视频图像空间和地理空间之间的映射关系，结合交通规则与目标行为模式，构建了实时与历史轨迹协同分析的综合探测框架，从时间、地点、目标类型和行为模式4个维度多层次分析目标异常行为。【结果】基于2023年河南省信阳市采集的2个真实交通监控视频数据集（共约1.5 h视频、120万个轨迹点）的实验结果表明， TraB方法在精准率（P）、召回率（R）及F1分数等综合检测精度指标上，均显著优于基于低层视频特征的方法（LowF）、基于移动目标轨迹的方法（TraM）和基于深度学习的方法（DeeL）。具体而言，TraB的综合检测指标（P、R、F1）相较于LowF、TraM和DeeL，平均提升幅度分别达到了11.39%~17.81%、14.09%~20.62%和10.06%~23.40%。此外， TraB在复杂交通场景中表现出更高的稳健性，其评估指标标准差相较于LowF、TraM和DeeL最多降低了60.93%。同时， TraB具备智能化检测能力，能够有效识别偏离正常行为模式的异常，为交通场景中的目标行为监测提供了新的研究视角。
【背景】当前城市交通环境复杂且交通流呈现高度非线性特征，现有的基于统计方法、深度学习及注意力机制的预测模型虽已能刻画短期非线性演化，但在城市尺度下面对长时序和强噪声时，仍存在长期依赖表征不足和误差累积明显等问题，不能准确实现车辆长期轨迹预测。【方法】针对上述问题，本文提出一种基于局部自注意力Transformer的长期车辆轨迹预测模型。该模型基于城市车辆轨迹数据局部相关性强与易受噪声干扰的特性，以局部自注意力机制替代了传统Transformer的全局自注意力结构，并在数据预处理、嵌入层及输出方式等方面进行了适配车辆轨迹的调整，采用离散高维嵌入增强输入轨迹的空间表达，构建双独立嵌入向量和解码结构以提升坐标预测精度，从而提升了对轨迹数据的捕获能力。【结果】基于罗马320辆出租车连续一个月GPS轨迹数据所开展的实验结果表明，所提模型在短、中、长期预测任务的平均误差和单步误差均优于主流基线模型，平均位移误差和均方根误差分别最大下降了41%和35%。此外，进一步分析表明，适当的局部自注意力时间窗能够提高模型对轨迹特征的捕获能力，而当时间窗从最优的30 min扩大至35 min和40 min时，平均位移误差相较30 min分别上升约3.78%与5.17%，说明过大的时间窗会引入额外噪声并削弱模型的预测性能。【结论】研究成果可为个性化导航推荐、实时交通管理和轨迹数据恢复等实际应用提供技术方法和数据支持。
【目的】针对环境依赖型犯罪时空预测中模型泛化能力弱、依赖大量城市标注数据的问题，本文提出了一种基于生成式预训练与提示学习的基础模型ST-Crime，旨在提升环境依赖型犯罪时空预测的准确性以及对新环境的泛化性能。【方法】该方法首先将犯罪数据统一表示为张量形式，以Transformer为主干网络捕获全局时空依赖，并设计了犯罪时空记忆检索增强模块，通过时空记忆、犯罪类型交互与自适应图学习机制，从多城市数据中提取共性时空模式并生成提示信息以增强模型表达能力。【结果】实验使用2019年全年纽约、洛杉矶、旧金山、芝加哥4个城市总计超过30万条的犯罪数据，涵盖入室盗窃、抢劫、重罪袭击与重大盗窃4类典型环境依赖型犯罪。在充分训练场景（即使用纽约、洛杉矶、旧金山3个城市全年数据进行模型训练）下， ST-Crime在3个城市上的Macro-F1分别达到0.739 7、0.643 3、0.665 2， Micro-F1达到0.687 1、0.601 8、0.537 5，相较于各城市次优模型， Macro-F1分别提升了1.57%、4.30%和6.45%， Micro-F1分别提升了1.15%、6.06%和9.63%，提升效果显著。在少样本与零样本推理场景（使用芝加哥数据，前者仅用20%数据微调，后者直接推理）下，其Macro-F1也分别达到0.658 6与0.603 1， Micro-F1达到0.596 9与0.565 3，相较于次优模型， Macro-F1分别提升了7.02%和7.73%， Micro-F1分别提升了3.41%和9.51%，展现出优秀的跨城市泛化能力。【结论】ST-Crime能够有效捕捉犯罪时空分布特性，并在充分训练、少样本与零样本等不同数据条件下均表现出色，为环境依赖型犯罪时空预测任务提供了统一的解决方案。
【目的】土地覆盖产品是传递空间信息的重要数据载体之一，测量与评估其信息含量是地图信息论研究的基础理论。现有香农熵或玻尔兹曼熵在度量土地覆盖数据中的信息内容存在局限性：香农熵主要基于图像中统计特征度量非空间组成信息，难以有效表征图像中的空间信息含量；空间熵及一些景观指数虽然能够反映出图像的空间结构特征，但其度量数值与空间结构的无序程度无关，不具有热力学一致性；源于热力学的玻尔兹曼熵虽然能刻画图像的空间结构无序程度，但测量的图像结构信息属于多种空间信息的综合反映，无法精确表达地物几何形状与空间分布等信息成分的含量。【方法】基于地图学对图像信息本质的认知，本文将几何形状与空间分布作为图像空间信息测量的主要成分，提出一种基于景观形状指数与图斑质心距离特征的土地覆盖数据空间信息测量方法。首先，依据土地覆盖数据中的类别体系，构建各个要素类别的几何形状和空间分布特征指标；然后基于特征信息度量模型，测量各要素的几何形状信息与空间分布信息含量；最终基于要素面积加权融合获得图像整体的空间信息含量。【结果】基于AID影像分类数据及其模拟图像进行多组实验，将本文方法与香农熵、空间熵、玻尔兹曼熵及景观指数进行对比，结果表明：本方法能够显著区分不同土地覆盖数据的空间信息差异，测量结果符合人们的空间认知。同时，该方法不仅可以精确刻画图像的几何形状与空间分布特征，而且在表征图像空间无序度方面具有与现有玻尔兹曼熵相当的热力学一致性，相关系数达到0.93。进一步应用于武汉与长沙市两地2010—2020年真实土地覆盖数据产品，结果显示两地区整体综合信息量分别提高约19%与35%。【结论】本文方法有助于精确测量土地覆盖数据的几何形状以及空间分布特征的信息含量，为图像信息量化及其在土地覆盖变化及城市扩张等实践应用中提供一种新的理论工具。
【目的】遥感影像目标检测技术已广泛应用于军事侦察、灾害监测等重要领域。然而，由于遥感图像中目标常呈现方向多变和形态多样等特点，检测方法需具备形状与方向自适应能力。传统的定向边界框表示方法在拟合目标形态与方向时存在明显局限，不仅难以准确描述目标轮廓，还会引入较多背景干扰。【方法】针对该问题，本文提出一种基于代表性点集学习的遥感图像目标检测方法。该方法采用代表性点集替代传统旋转边界框，以实现对目标几何形状的灵活建模与准确定位。代表性点集能够自适应分布于目标的关键区域，通过高斯转换函数将其映射为二维高斯分布，并构建旋转回归定位损失函数，监督点集向目标的语义与几何关键区域对齐。在分类阶段，为缓解同类目标类内差异大的问题，引入大间距余弦损失，借助特征归一化与余弦决策边界最大化，实现类内特征的紧凑分布。【结果】为验证所提方法的有效性，本文在DIOR-R数据集和自建的港口船舶检测数据集上，将所提算法与当前主流方法进行了对比实验，实验基于PyTorch框架在服务器平台上完成。 结果表明，本文算法的平均精度（mAP）分别达到66.43%与79.80%，优于近年来提出的GWDRetinaNet、Oriented RepPoints、DODet等12种典型遥感目标检测方法。【结论】实验结果表明，本文提出的基于代表性点集学习的方法，在应对遥感图像中目标的旋转与形变问题时表现出较好的适应性，在多个数据集上取得了具有一定竞争力的检测精度。该方法为复杂场景下旋转目标的建模提供了一种可行思路，对高分辨率遥感图像的实际应用也具有一定的参考价值。
【目的】冰面湖作为格陵兰冰盖水文系统的重要组成部分，遥感监测其时空演变对冰盖物质平衡评估与稳定性分析具有重要意义。然而，传统水体指数方法阈值设置依赖场景，需要人工调整；传统机器学习和深度学习方法则面临样本需求量大、时空泛化能力弱等问题，导致大范围冰面湖时序监测的自动化能力差。【方法】为此，本研究采用微调的视觉基础大模型（Segment Anything Model，SAM），利用小样本（200）进行训练，构建冰面湖自动化时序提取大模型；结合242景Sentinel-2和Landsat 8/9多源遥感影像，研制了格陵兰西南部Isunnguata-Russell冰川流域冰面湖时序产品（2019—2023年5—9月）；揭示了冰面湖年际/季节性变化规律，并探讨了其海拔分布特征以及对气温变化的响应。【结果】① 微调SAM大模型在冰面湖时序提取中稳健性高，能有效减弱云量影响，且样本需求低、无需后处理，从而准确地捕捉湖泊快速扩张和峰值期的面积变化； ② 消融期呈现出明显的年际差异，最大范围面积从109.52 10 km2 ± 5%到282.852 9 km2 ± 5%、数量从1 247个增至2 549个；季节性变化呈缓慢增长-快速扩张与峰值蓄水-骤减三阶段，其形成与峰值时间存在年际差异，通常8月底或9月初基本消失，仅2021年9月留存23.587 2 km2 冰面湖； ③ 冰面湖具有明显的海拔分布规律，且对气温变化正度日（Positive Degree Days，PDD）的响应也与海拔具有明显相关性。1.0~1.6 km中海拔区为数量与面积集中区，且对气温变化的响应较高；1.6~2.0 km高海拔区因低温融水不足而湖体较少，冰面湖范围异常对PDD变化敏感度最高（R2=0.99）；相比之下，0~0.8 km低海拔区与PDD关联较弱（R2=0.30），其动态主要受非气候因素主导。【结论】本研究验证了微调SAM大模型在冰面湖时序监测中的极大潜力，并为理解冰川融水过程及其对冰川动力的影响提供了技术和数据支撑。
