EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 4: 1019 - 1039

DOI: https://doi.org/10.12082/dqxxkx.2024.230458

遥感科学与应用技术

山地冰川冰湖变化及其溃决洪水遥感监测研究进展

  • 李晓恩 , 1, 2 ,
  • 刘易 1, 2 ,
  • 江利明 , 1, 2, * ,
  • 黄荣刚 1, 2 ,
  • 周志伟 1, 2 ,
  • 庞校光 1, 2
展开
  • 1.中国科学院精密测量科学与技术创新研究院 大地测量与地球动力学国家重点实验室，武汉 430077
  • 2.中国科学院大学 地球与行星科学学院，北京 100049
* 江利明（1976— ），男，江西抚州人，博士，研究员，主要从事影像大地测量与冰冻圈遥感研究。E-mail:

李晓恩（1994— ），男，青海海东人，博士生，主要从事山地冰川冰湖遥感监测与分析。E-mail:

收稿日期: 2023-08-09

  修回日期: 2023-10-18

  网络出版日期: 2024-05-11

基金资助

国家自然科学基金面上项目(42174046)

第二次青藏高原综合科学考察研究项目(2019QZKK0905)

收起

A Review on Remote Sensing Monitoring of Glacial Lake Change and Glacial Lake Outburst Floods in Mountain Glacier Regions

  • LI Xiaoen , 1, 2 ,
  • LIU Yi 1, 2 ,
  • JIANG Liming , 1, 2 ,
  • HUANG Ronggang 1, 2 ,
  • ZHOU Zhiwei 1, 2 ,
  • PANG Xiaoguang 1, 2
Expand
  • 1. State Key Laboratory of Geodesy and Earth's Dynamics, Innovation Academy for Precision Measurement Science and Technology, Chinese Academy of Sciences, Wuhan 430077, China
  • 2. University of Chinese Academy of Sciences, College of Earth and Planetary Sciences, Beijing 100049, China
* JIANG Liming, E-mail:

Received date: 2023-08-09

  Revised date: 2023-10-18

  Online published: 2024-05-11

Supported by

National Natural Science Foundation project of China(42174046)

The Second Qinghai-Tibet Plateau Scientific Expedition and Research Program(2019QZKK0905)

Fold

摘要

冰湖作为冰川融水主要储蓄载体，能在一定程度延缓区域冰川淡水资源流失，但也为冰湖溃决洪水(Glacial Lake Outburst Floods, GLOFs)、滑坡、泥石流等山地灾害发生提供了孕灾场所，是众多山地冰川灾害链的重要环节。升温、极端气候变化扰动下，冰川物质亏损/减薄速率进一步加剧，冰湖形态变化速率加快、GLOFs发生频次与规模有所提升、灾害影响效应愈发显著，对高海拔山地冰川区下游居民生命财产和基础设施安全带来潜在风险。鉴于此，本文以冰湖与GLOFs研究为主题，首先，通过冰湖研究文献计量分析确定了近些年研究热点专题；其次，围绕山地冰川冰湖与GLOFs研究的3个主要方向：冰湖与GLOFs遥感监测、冰湖时空演化与冰川变化分析及未来潜在冰湖探测、冰湖灾害风险评估与GLOFs案例研究，遴选10项重要专题内容，分门别类、系统梳理总结、剖析了国内外研究进展，阐述了当下研究存在不足；最后，针对所选专题结合技术发展趋势与研究热点问题，围绕冰湖形态信息与GLOFs智能提取、冰川-冰(前/面)湖系统演化及其气候变化响应关系、冰湖监测预警与灾害防治内容，对未来研究做了一定展望，以期为山地冰川冰湖灾害管理与适应性规划提供借鉴与参考。

关键词： 山地冰川冰湖; 冰湖溃决洪水GLOFs; 遥感监测; 未来潜在冰湖编目; 冰湖时空演化; 冰湖水量(库容)估算; 冰湖风险评估; 气候变化响应

本文引用格式

李晓恩 , 刘易 , 江利明 , 黄荣刚 , 周志伟 , 庞校光 . 山地冰川冰湖变化及其溃决洪水遥感监测研究进展[J]. 地球信息科学学报, 2024 , 26(4) : 1019 -1039 . DOI: 10.12082/dqxxkx.2024.230458

Abstract

Glacial lakes, as the primary carriers of glacier meltwater, can postpone the loss of local glacier freshwater resources to some degree. However, they also offer a breeding ground for Glacial Lake Outburst Floods (GLOFs) and other mountain natural disasters (e.g., landslides, mudslides, etc.). In the mountain glacier zones, glacial lakes play a crucial role in the chain of glacier-related disaster risk. The sudden release of a massive volume of water occurs when a glacial lake dam breaches, is overtopped, or is influenced by other events such as earthquakes and avalanches of ice or rock, which poses a major danger to the downstream infrastructure, possessions, and lives of residents living in high-altitude mountains. Glacial lake evolution and glacial changes are closely related to each other. As glaciers shrink and recede, glacial lakes develop and expand. Effective prevention and management of glacial lake disaster risk requires knowledge of glacial lake changes, in addition to retrospective and investigative studies on past glacial lake outburst flood events. However, due to the distribution of glacial lakes in high-altitude mountain regions, its susceptibility to global warming, and the difficulty in accessing these areas, remote sensing monitoring has emerged as the most practical technical method and provides opportunities for analyzing global climate change and assessing natural disasters. Recent research has indicated an increase in the frequency and impact of GLOFs incidents, emphasizing the growing significance of studying these disasters. Based on this, in this study, we first identified key research areas in recent years through the metrological analysis of the literature on the remote sensing monitoring of glacial lakes and GLOFs. Second, focusing on three main directions of the research on glacial lakes and GLOFs (109 important research literatures), namely remote sensing monitoring of glacial lakes and GLOFs, response analysis of glacial lake evolution in the context of climate change, and glacial lake risk assessment with case studies of GLOFs, ten essential topics of recent research advances at home and abroad as well as the shortcomings of current studies are systematically summarized and analyzed. Finally, the direction of future research is prospected, including extraction of glacial lake morphology using artificial intelligence and GLOFs events inventory, glacier-glacial lake (especially for proglacial, supraglacial lake) system evolution and its relationship to climate change, glacial lake monitoring, and early warning and disaster prevention. Our review offers references for the management and adaptive planning of glacial lake and mountain glacier related catastrophes.

Key words： mountain region; glacial lake; Glacial Lake Outburst Floods (GLOFs); remote sensing monitoring; Potential Future Glacial Lakes (PFGLs) inventory; glacial lake evolution and change; glacial lake volume (storage) estimation; glacial lake risk assessment; climate change

1 引言

冰（川）成（因)湖（Glacial lake）是与冰川或冰川作用相关的湖泊[1]，存在于冰川上、下、前或旁[2]。从冰湖编目、灾害视角出发，姚晓军等[3]定义为“以现代冰川融水为主要补给源或在冰碛垄洼地内积水形成的天然水体”，主要依据冰川融水补给与否（非/冰川补给）、冰湖坝体类别（冰碛、冰、基岩等）、冰湖与冰川空间位置（冰面（上）/前/下/旁等）、冰湖形成机制（冰川阻塞/侵蚀、冰碛阻塞）进行分类。冰湖是山地冰川气候变化的极佳指示器[4⇓-6]，极端升温、降水事件增多情景下，冰川加速消融、退缩，周围坡体变得愈发不稳定，进一步增加了冰湖溃决洪水（Glacial Lake Outburst Floods, GLOFs）发生频次[7⇓⇓⇓⇓⇓-13]。研究预测未来几十年GLOFs呈现增加趋势，波及与影响范围呈扩大态势[14]。冰湖区域大多山势陡峭、坡体稳定性差、岩/冰崩易发，在地震等因素的影响下，崩落物质可能会使湖水漫过冰（碛）坝形成GLOFs[15]，诱发泥石流等系列山地灾害，向下游输送大量冰碛物，进而侵蚀河谷、破坏下游居民点等基础设施[16]。最新评估表明，全球有1 500万人暴露在潜在冰湖溃决灾害所致影响之下，超一半受影响人口位于印度、巴基斯坦、中国和秘鲁四国，亚洲高山区（High Mountain Asia, HMA）所受影响最大[17]。对全球20多个国家/地区，跨度10个世纪1 348起GLOFs不完全统计发现，GLOFs已在冰岛、阿尔卑斯山、中亚等造成1.25万余人死亡[18]。事实上，GLOFs所波及影响范围还存在跨界风险，如喜马拉雅区域GLOFs，给周边国家（如中国、印度、尼泊尔、不丹等）人民生命财产安全带来灾难性威胁[19]，研究揭示未来在中尼边境地区构成跨界风险冰湖数量可能翻倍[20-21]。
冰湖具有数量多、面积小、季节性、海拔高、难抵近等特征[22]。遥感技术因远距离、非接触、宏观视角等独特优势，已成为冰湖演化、灾害监测重要手段[23]。多源/元遥感技术理论与方法，以及地理信息科学（Geographical Information Science, GIS）、大数据、云计算、人工智能的快速发展，为冰湖及GLOFs灾害编目提取、监测、灾害分析与理解提供了关键支撑[24]。气候变暖趋势下，冰川和冰湖互馈响应关系更加突现，Harrison等[25]、Compagno等[26]的研究显示，预期整个21世纪GLOFs发生频率将大幅增加。另外，冰川和多年冻土灾害评估国际准则明确指出，需要对灾害和风险建模采取前瞻性、预测性方法，包括关注可能造成的最坏情况[27]。同时，当下自然灾害防治体系及能力建设强调提高多灾种和灾害链监测、风险早期识别与预报能力。冰湖及GLOFs作为冰川灾害链的重要监测和研究对象，其灾害管理与适应性规划相关研究是应对气候变化的重要措施与保障。
升温情景下，冰川加速消融/减薄、冻土退化、极端降水等会激发GLOFs灾害，需关注冰湖动态演化、灾害风险态势。鉴于此，本文以冰湖研究文献计量概述为出发点，重点围绕冰湖与GLOFs信息遥感监测、气候变化背景冰湖演化对冰川变化的响应、冰湖灾害风险评估与GLOFs案例研究3个视角，详实介绍了各个专题最新成果与进展，并探讨了当下冰湖及GLOFs研究专题中存在的不足，以期为未来冰湖研究及GLOFs监测、评估及预警提供借鉴与参考。

2 冰湖研究文献计量概述

以“glacial lake、ice-marginal lake*、proglacial*、glaci* lake outburst、GLOF*、moraine-dammed lake”等为必选标题词构造检索式。在Web of Science核心集中对检索结果发表年份(2000—2022年)、语言（英语）、文献类型等进行精炼，共获取冰湖研究文献833篇。利用Citespace软件[28]对文献检索结果进行分析，统计每年发文量及作者所在国家/地区分布（图1）。对冰湖研究文献检索结果进行分析发现，冰湖研究整体呈逐年上升趋势，以2010年为转折点，近10年年均发文量约40篇以上，整体呈现快速增加趋势（图1）。同时，按照作者所在国家/地区发文量占比多少统计排序发现，美国、英国、中国、加拿大、德国、瑞士位于第一梯队，其次是印度、俄罗斯、法国、苏格兰等，再次是比利时、澳大利亚、尼泊尔兰等国家/地区。另外，以“glacial lake、glacial lake outburst*、remote sens*”等构建检索式，共获取遥感冰湖研究文献515篇。通过对标题、摘要进行解析，进行研究专题、研究区域统计获取图1雷达图。研究区域主要集中于青藏高原/第三极及周边，其中喜马拉雅中部与西部、尼泊尔、藏东南是研究热点，其它区域如安第斯山、巴塔哥尼亚、阿尔卑斯山关注度大致相近。
图1 2000—2022年冰湖研究文献文献计量统计分析

Fig. 1 Biliometric analysis of research articles about glacial lakes from 2000 to 2022

专题研究统计发现，冰湖灾害风险评估最多，其次是冰湖时序演变分析，再次是GLOFs模拟研究与灾害案例分析，未来潜在形成/出现冰湖探测编目、冰湖遥感提取方法与水量估算研究占比相近，当然也包括少许诸如冰湖水质、地貌侵蚀等其他内容。根据上述检索对文献关键词进行词频统计分析得图2，其中冰湖灾害、气候变化、冰碛坝湖、冰湖溃决、灾难性排水、遥感、冰湖编目、珠峰区域、喜马拉雅、西藏、风险评估等为热词。这间接反映出冰湖研究热点、区域性及主要专题内容。
图2 冰湖研究文献关键词词频统计分析

Fig. 2 Statistical analysis of keyword frequency of published articles of glacial lake

3 冰湖与GLOFs遥感监测

3.1 冰湖遥感数据源

表1梳理了冰湖及GLOFs研究所用光学、雷达影像数据。其中，光学以分辨率适中（15~30 m）、可免费获取的Landsat系列为主，合成孔径雷达(Synthetic Aperture Radar, SAR)影像以Sentinel-1为主，但光学影像受山体阴影、云雨及大气浊度影响，冰湖消融季无云影像少，无法满足季节性变化监测需求。SAR数据具有全天时/侯成像、云雨影响弱等优势，使冰湖季节性观测成为可能[29]，但也不可避免存在水面投射山体阴影、成像几何畸变、斑点噪声等问题，可用于水体提取波段少。此外，更长时序、更高分辨率(<10 m)冰湖演化信息对气候响应过程探究很有效，所以解密的Corona影像，以及近些年PlanetScope、TerraSAR-X、国产高分卫星系列影像(GF-1、GF-2)等也逐步应用于冰湖研究中。影像数据主要用于冰湖编目提取，获取冰湖时序演变信息，及辅助进行相关分析，如使用双站合成孔径干涉雷达(Interferometric SAR, InSAR)、光学立体像对衍生数字高程模型（Digital Elevation Model, DEM）计算冰川物质平衡，甚高分辨率影像用于冰湖提取精度检验。对比而言，SAR数据可获取冰湖轮廓和季节变化信息[30]，相位信息还可用于冰湖坝体及周边区域不稳定斜坡识别。
表1 星载平台遥感冰湖研究数据

Tab. 1 List of remote sensing images of glacial lake research by satellite platform

卫星/传感器 国家(地区)/机构 光学 雷达 分辨率/m 重访周期/d 卫星运行时间 主要应用方面
Corona KH-4 美国 √ 7.62 依任务而定 1962-02—1963-12 冰湖提取[6,22]
Corona KH-4A 美国 √ 2.7 依任务而定 1963-08—1969-09 冰湖提取[6,22]
Corona KH-4B 美国 √ 1.82 依任务而定 1967-09—1972-05 冰湖提取[6,22]
Hexagon KH-9 美国 √ 6~9 依任务而定 1973-03—1980-10 冰湖提取[6]、DEM[31]
Landsat 5 美国 √ 30 16 1984-03—2013-06 冰湖提取[23]
ERS-1/2 SAR 欧空局 √ 30 1 1991-07—2010-07 区域冰流速[32]
Landsat 7 美国 √ 30（全色15） 16 1999-04—至今 冰湖提取[23]
ASTER 日本 √ 15、30 16 1999-12—2009 Sentinel-1预处理[22]
IKONOS 美国 √ 4（全色1） 3 1999-09—2015-03 冰湖提取[33]
ENVISAT 欧空局 √ 30 35 2002-03—2012-04 冰湖季节变化提取[30]
SPOT5 法国 √ 10 5 2002-05—2015-03 DEM坡度[32]、冰湖提取[33]
QuickBird 日本 √ 2.44 1~6 2001-10—2015-01 提取冰湖验证[34]
ALOS 日本 √ √ PALSAR: 3.18 × 4.69
PRISM: 2.5（星下）		 46 2006—2011 冰湖季节变化提取[30]
冰湖提取[35]
TerraSAR-X 德国 √ 1、3、16 11 2007-06—至今 DEM[36]、季节变化提取[30]
WorldView-2 欧空局 √ 0.46~2.40 1.1~3.7 2009-10—至今 冰湖提取[33-34]
Landsat 8 美国 √ 30（全色15） 16 2013-02—至今 冰湖提取[5,23,37]
GF-1 中国 √ 8（全色2） 4/41 2013-04—至今 冰湖提取验证[38]
GF-2 中国 √ 4（全色1） 5 2014-08—至今 冰湖提取验证[39]
Sentinel-1 欧空局 √ 5×25 12 2014-03—至今 冰湖提取及周边坡体、冰碛形变获取[22,36,39⇓⇓-42]
PlanetScope 欧空局 √ 3 1 2014—至今 冰湖提取/验证[43]
Sentinel-2 欧空局 √ 10、20 单10、双5 2015-06—至今 冰湖提取、冰川提取[41]

3.2 冰湖形态信息遥感提取

准确、翔实的冰湖信息是进行相关研究的基础，冰湖形态信息包括冰湖轮廓、水位、水量等内容[44]。以下将从时序冰湖轮廓信息提取、冰湖水量水位信息获取相关研究内容进行总结。

3.2.1 冰湖轮廓遥感提取与编目

遥感冰湖提取中存在如下难点: 冰湖目标较小、分布离散、尺度差异显著，受周边环境、山体阴影、形态、浊度、冰期、季节水位等影响，不同理化性质条件影像时-空-谱特征迥异，并且消融季冰/水面易受云雨与积雪影响[42]，错漏检测现象广泛存在。因此，针对上述挑战众多学者结合研究区域、遥感影像特点及研究目标，采用不同方法进行冰湖提取，有人工目视解译、半/全自动提取与后处理、人工智能机器(深度)学习提取[44]。
（1）人工目视解译。目视解译因操作简易、提取精度高，可兼顾影像纹理、颜色等特征，流程涉及规范制定、数据预处理、边界提取、属性信息录入及检查修改等环节。研究案例涵盖区域从单个冰川流域尺度到中国西部[5]、青藏高原[45]、HMA[46]尺度均有编目。
（2）半/全自动结合人工后处理方法。冰湖本质是一种季节性变化水体，光学影像提取主要依赖各类单一/组合水体指数进行，半/全区别在于指数使用中阈值选择、设定方式。如“全域-局部”分步迭代提取中，假定图像中包含水体、非水体两类像素，归一化水体指数（Normalized Difference Water Index, NDWI）呈现双峰统计特性，通过全域阈值自动选择与局部阈值自适应调整提取冰湖[4,47]。另外，再结合DEM衍生坡度、阴影信息可减少水体信息误判[48]；或对波段进行对数 L o g变换，结合 N D W I b l u e（蓝色、近红外波段）减弱山体阴影影响[49]。除单一指数外，NDWI与归一化雪盖指数（ND Snow Index, NDSI）组合，可逐步将陆地（目标)与冰水混合地物（背景）分离[50-51]，有效增加阈值分割冰湖提取方法使用范围，使冰湖错分现象得到改善；此外，面向对象与人工检测方法、自适应湖泊制图方法在冰湖提取中也取得了良好效果[52]。
相比光学影像，SAR影像后向散射强度对目标表面粗糙度和介电特性敏感，可以确定冰湖边界。因此，可从水体、非水体信号强度差异出发，通过影像强度标准化比值及阈值提取冰湖[53]，也可基于后向散射强度阈值和辅助数据（已有编目、DEM坡度、海拔、NDVI、湖泊面积、紧凑度等)进行提取[22,36]；另外，水平集分割图像分割方法[39]、极化增强最大类间方差[29]可根据SAR影像极化强度统计特征进行阈值提取，将图像分成背景（非水体）、目标（水体/冰湖） 2部分。但是，SAR阈值提取中，阈值设定会因雷达波束入射角而变化，使阈值在不同湖泊和整个图像带之间发生变化。湖面粗糙度也会因受到风浪而增加，进一步增加了冰湖提取难度。
谷歌地球引擎（Google Earth Engine, GEE）为长时序光学影像进行广域冰湖提取提供了很好的科学计算平台。如Shugar等[23]基于改进水体指数（Modified NDWI, MNDWI），结合多种阈值和过滤（温度、坡度、冰川边界缓冲距离等）操作，首次进行了全球长达30年（1990—2018年）冰湖（面积大于0.05 km2）编目；Chen等[54]结合MNDWI及自适应阈值进行了2007—2017年HMA冰湖年际编目。但是，GEE大区域冰湖提取主要基于无/少云影像像素构建1—5年际合成(如均值、中值等)影像，融合影像弱化、掩盖了年际、季节变化特征，无法获取冰湖精细时空变化信息，进一步制约了潜在高危险性湖识别与监测。半/全自动方法效率较目视解译有所提升，但为保证提取准确率，需要人工进行质量控制与后处理，如修改、去除错误分类冰湖、利用高分辨率及多时相影像检验、边界拓扑处理与平滑，并结合坡度阈值(10~20°)、冰川缓冲区(3~10 km)、最小制图单元(0.003 6 ~0.050 0 km2)等特征进行过滤。
（3）人工智能提取方法。机器/深度学习为冰湖自动化提取提供了新契机。一个经过预先训练Efficient-Net的U-Net网络检测湖泊数量明显多于原始U-Net网络[42]；一种具有自注意力机制改进U-Net网络，能增强传播特性、减少信息损失、强化冰湖面积权重、抑制非相关特征权重信息，能有效提高低对比度影像冰湖提取效率[55]。另外，针对单一数据源冰湖提取阈值设定存在区域差异问题，融合多源主、被动影像结合深度学习成为最新方法。如将Sentinel-1和Sentinel-2影像互补信息融合[40]，输入到卷积神经网络(Convolutional Neural Networks, CNN)进行冰湖提取识别[56]。此外，Kaushik等[57]将多源数据组合(SAR相干、DEM，光学可见光、近红外、短波红外等)作为全连接前馈CNN输入，喜马拉雅东部3个区域评估表明所提出方案具有可移植性，该研究为深度CNN和多源遥感数据综合进行大范围自动化冰湖提取提供了参考框架与范例。
表2梳理归纳了冰湖提取的3种主流策略，青藏高原冰湖提取实践表明，半自动结合人工后处理为当下最优策略[54]，但也面临工作量大、处理耗时等问题。现阶段冰湖提取还没有一种适用于大范围、无需对边界进行人工修正的最佳算法；人工智能提取做了一些方法探索，其鲁棒性、可移植性还有待在大范围尺度进行检验，并且也需要人工后处理等操作；另外，SAR数据聚焦于冰湖提取方法、小范围探索，广域大范围编目提取应用匮乏。因此，如何利用大量已有冰湖编目数据，构建高质量、强代表性、通用性样本，训练获得强泛化能力模型，进行基于深度学习的冰湖高层次特征表达与全自动化提取方法研究未来仍值得继续探索。
表2 不同类别冰湖提取方法比较

Tab. 2 Comparison of different glacial lake extraction methods

提取方法 主要/关键步骤 优点 缺点 典型案例
人工目视解译 ·流程、规范制定
·预处理、解译、检查
·属性录入、修改、核查		 ·操作简单、提取精度高
·可兼顾纹理、色调特征
·成像条件差区域适用性好		 ·耗时、效率低
·无法满足大区域、长时序
·多人协作误差、质量因人而异		 张国庆[37]
杨成德等[5]
Wang等[46]
半/全自动与
人工后处理		 ·影像筛选、预处理
·遴选指数波段运算
·分类阈值确定
·质量控制、提取编目		 ·相比人工效率较高
·大区域、长时序能保证提取一致性
·大范围提取普适性较好
 ·需人工后处理检查
·易受山体阴影影响
·全自动受区域限制、需多因子过滤、
筛选，处理耗时		 Dou等[58]
Chen等[54]
Shugar等[23]
机器/深度学习 ·影像预处理
·样本数据集构建
·模型选择、测试、训练
·冰湖提取、编目		 ·能克服光谱异质性影响
·可识别小、浑浊冰湖
·可利用已有编目数据
·提取精度较高		 ·算法普适性、迁移性差
·样本依赖度高、算力需求高
·大范围应用难、仍需要后处理
 Qayyum等[43]
He等[55]
Tom等[56]
（4）冰湖编目。除提取轮廓外，还需对提取冰湖赋予属性信息，如母冰川信息、质心坐标、所处流域/山脉、影像源、周长、面积(误差)、冰湖坝体类别/分类等[3-4,6,57-58]。通过目视解译(借助DEM、高分辨率影像)可对冰湖属性进行人工分类，基于坝体类别(冰碛、基岩、冰或冰缘上)与冰川空间位置关系(冰缘/冰上、分离、连接)双重视角进行精细分类，挖掘不同类别冰湖异质性信息。加拿大西北部和阿拉斯加地区1984—2019年冰湖演化分析中，Rick等[2]证明了湖泊面积变化与坝体类型和拓扑位置有关，且亚群之间湖泊行为存在重要差异。
对比各类从流域到全球尺度已发布冰湖编目产品发现，各个编目数据信息参差不齐(属性、类别、最小面积等)，数据间无法有效延续、扩展，编目信息自动/智能化处理程度较低，人工参与度高。以青藏高原地区为例，相同时空范围及最小制图单元约束下，不同编目产品冰湖数量及面积差异在10%~20%。另外，已有编目忽略了一些关键信息，如冰湖坝体类型/材料(冰、基岩)、坝体宽度、潜在触发因素(岩/冰/雪崩、滑坡、泥石流等)、距离最近居民点、下泻排水坡度、距离母冰川距离[59]。

3.2.2 冰湖水量和水位信息获取

冰湖水量信息是GLOFs洪峰流量估算和洪水演进模拟的重要参数，是衡量湖泊蓄水能力重要指标[58]。冰湖库容估算研究中，基于部分实测数据结合冰湖面积构建模型是比较盛行方法，如结合地形图、DEM及多期遥感解译冰湖面积及库容，得出冰湖库容-面积公式[60-61]；整理已发表湖泊形态测量数据，发现面积和深度相关性较差，而面积和容积之间有很强相关性（R2为0.96），不同类型冰湖面积-库容关系具有线性、指数关系[15,23]。Zheng等[62]详细整理汇总了各类冰湖库容计算经验公式，此处不再赘述。但是，现有体积-面积比例关系往往模糊了湖泊几何复杂性，Muñoz等[63]利用秘鲁科迪勒拉布兰卡2005—2016年实测冰湖数据，建立了不同地形湖泊特征（面积、长度、宽度、伸长率）和平均湖泊深度之间关系。结果表明，由于湖泊形态高变异性，湖泊容积不能从二维湖泊参数中准确估计，对单个湖泊平均深度和容积估计不确定性高达±50%。同时，Qi等[64]针对冰碛坝湖，基于测深数据提出了一个新体积比例方法。该方法是建立在湖泊几何参数（即面积、宽度/长度比、伸长率等）可预测前提下，经检验比较，新体积比例关系比已公布公式在体积预测精度方面表现得更加稳健，并指出新方法的使用至少在喜马拉雅没有区域限制。最新研究中，基于冰湖面积-体积经验公式符合幂律关系的前提，Zhang等[65]推测冰湖盆地理想化几何形状应是半球形或圆锥形，通过回顾各类冰湖演变，确定了10个标准概念模型来描述湖盆形状。针对青藏高原3个典型冰湖进行了模拟，测量结果和模拟水深相比具有高度一致性，总体积差异约为±10%，所提出概念模型首次建立了冰湖水深分布模型。
基于面积的冰湖库容估算模型通常作为一种粗略参考和借鉴，具有较高不确定性。西藏聂拉木嘉龙措冰湖无人船实测获取水量与经验模型估算结果对比显示，两者差别在±50%~60%[66]。此外，有学者[67]提出冰湖蓄水量测算方法体系（图3），其中包括整合与收集已有冰湖编目、现场实测库容及DEM等辅助资料，模拟消失/新增冰湖未蓄水时湖盆形态，以冰湖面积为约束条件，采用像元迭代积分方法计算湖盆体积，构建面积-体积回归模型（冰湖水量计算公式（1）），拓展模型应用，结合多期冰湖面积可获取滞留冰川融水量信息。
V = ∫ 0 S h l d s = S p × ∑ i = 0 n ( H l - h i )
式中： h l为冰湖水深； S p为像元面积； n为冰湖所覆盖DEM数据的像元数量； H l为冰湖水位高程； h i为对应像元的冰湖湖盆高程。
图3 冰湖蓄水位/量变化测算方法体系

Fig. 3 Measurement method of glacial lake water level/storage change

山地冰川冰湖形成、发育期多为封闭内陆湖，入湖水量主要由降水、冰川消融补给，支出水量由蒸散发、出水口排水、渗流等部分构成（图4），单位时间内水量平衡方程可表示为式（1）。
∆ H = P + R s + R g - E ± ε
式中： ∆ H为冰湖水年变化量； P为湖面年降水量， R s为降水产生地表径流折算成径流深度； R g为冰川融水补给量； E为湖面蒸散发； ± ε为冻土融水、地下水、渗流作用导致变化量[68]。
图4 山地冰川冰湖水循环与多源遥感观测示意

Fig. 4 Schematic diagram of glacial lake water cycle and multi-source remote sensing observation in mountain glacier region

准确评估冰川融水如何在时空尺度上影响冰湖水量平衡，对预估未来冰湖演化及溃决风险至关重要，因缺乏相应观测数据，尚无基于冰湖水量平衡定量分析案例[23,68]。因此，如何基于多源/元遥感手段，获取冰湖面积、水位、水量参数，结合冰湖水量平衡，准确获取单个/流域冰湖水量平衡中各项参数，进而定量揭示冰湖与气候变化之间复杂的响应规律，仍有待探索。
除水量信息外，冰湖水位信息对于监测冰湖演化动态亦很重要。青藏高原诸多案例借助卫星测高、高度计监测湖泊(面积大于1 km2)水位变化，冰湖水位变化可根据精确DEM、激光测高、设置自动观测站等获取[69-70]。藏东南米堆冰湖(有出水口)水位实测表明，年内水位时序变化呈现类似正弦曲线趋势，8月和9月达到最大值12月和1月达到最低值，水位波动在1.00~1.25 m左右[70]。Song等[71]利用星载激光测高系统(Ice, Cloud and land Elevation Satellite, ICESAT) ICESAT-1在藏东南表碛覆盖型冰川冰前湖水位变化提取中发现，尽管每次获取激光足迹点只有3~6个，但测量湖面高度偏差比较小(0.05~0.29 m)。中国西部冰湖编目有134个面积大于 1 km2冰湖，但能否利用ICESAT获取水位信息，尚无相关探索。此外，基于DEM应用数学形态学、淹没分析湖泊水位栅格计算也可获取水位，进而获取水量变化信息。但是，目前冰湖区域匮乏高分辨率、现势性好DEM数据，限制了上述方法应用；同时，水位观测数据匮乏阻碍了冰湖季节性变化特征及水文过程的认识。未来需要继续发展遥感观测和GIS空间分析方法进行冰湖水量信息获取；此外，在条件允许下需要不断开展更多类型冰湖水深(水下地形)测量，完善面积与体积回归方程、布设水位变化监测设备，进而获取高风险冰湖水量、水位变化信息。

3.3 GLOFs遥感识别与编目

GLOFs是一个分圈层控制、多因素影响、长链条演进过程，其新闻报道与实际情况可能存在较大偏差[18]，风险管理、灾害评估、趋势预测需要对其进行准确、全面记录。根据1901—2017年全球1997次与冰川有关洪水记录，发现仅靠升温很难解释每年报告的GLOFs数量，表明20世纪初期有数百个GLOFs可能没有被关注到[13]。另外，实践证明遥感观测与文献资料、地貌分析和野外调查相结合策略，在识别和验证高寒偏远环境下GLOFs具有很好潜力，可回顾、验证、纠正、更新其错误信息，并完善、补充和标准化记录与发布[52,72]。冰湖会侵蚀下游沟道、驱动地貌演化，影像中寻找GLOFs地貌特征是自动识别的先决条件，Emmer[73]在秘鲁和玻利维亚安第斯山160个GLOFs中发现，其诊断特征主要是退化过程，包括植被演替、地貌变化和人类活动。
GLOFs检测识别关键就是影像中冰湖像元变成裸土或沉积物像元，主要流程包括: ① 数据预处理，定义水体、沉积物、冰雪、云、阴影等与GLOFs有关的土地覆被类型(借助溃决冰湖下游河道遗留沉积物，追溯冰湖位置、时间及规模)；② 溃决检测，如Veh等[74]基于随机森林(Random forest, RF)算法，使用Landsat影像开发了一种基于似然变化点的检测技术来估计像素尺度GLOFs事件。GLOFs高强度破坏性侵蚀山谷河道，会遗留关键地貌特征如V形决口/沟渠、巨大表碛沉积扇、下游被破坏河床[15,75]。Zheng等[76]基于迄今为止最详细、最准确的63 727个冰湖编目(面积大于900 m2)，根据Google Earth历史影像和地貌信息。发现了第三极176个由冰碛或基岩构成、未报道GLOFs；另外，决口冰碛垄、冰湖坝体侵蚀下游物质形成冲积扇、溃决后水位永久或短时下降湖泊(不包括季节性水位波动)、地貌特征组合也能辅助识别GLOFs[72]。自动检测挑战有：影像配准与地表覆被分类精度、影像中云雪及阴影影响。因此，意味着当下以光学影像为主的GLOFs识别存在被低估问题，未来应探索尝试进行诸如基于SAR及更高分辨率影像的识别。此外，由于缺乏长时序高精度DEM、高频次卫星测高与冰湖实地水位观测数据，所以也无法通过水位变化捕获GLOFs事件。全球视角而言，当下对GLOFs的有限了解主要源于对其记录存在系统性和区域性不一致问题，第三极地区仍然存在大量未被记录历史GLOFs[77]。
历史GLOFs编目是灾害源早期识别的关键，Vilímek等[78]基于国际滑坡项目No.179“Database of GLOFs”，依据研究文献、未发布报告和区域数据库(如DesInventar、Glacierhazards.ch等)，创建了全球首个GLOFs数据库(http://glofs.geoecology.uni-potsdam.de/)。截止2022年12月，共收录了小冰期以来3 151起GLOFs[79]，内容包括冰湖相关、GLOFs、社会经济影响等信息。另外，针对已编目GLOFs缺乏下游影响问题、依赖于学术资源、没有与现有冰川及湖泊编目相结合， Shrestha等[80]编目了1833—2022年HMA发生的682次GLOFs事件。综上，已有编目为后续新报告GLOFs提供了很好规约与参照，也为冰湖风险评估模型验证提供了有效输入。

4 冰湖时空演化与冰川变化分析

4.1 冰湖时空演化特征

冰湖形成与扩张是GLOFs重要驱动力[25]，冰湖时空格局演化分析可以识别有潜在溃决风险的冰湖，提前制定GLOFs防/减灾策略[71]。长达30年（1990—2018年）的全球冰湖演化研究发现，冰湖数量、面积、容积分别增加了53%、51%、48%，除格陵兰岛外，与山地冰川有关的冰湖水量增加了三分之二，所蓄积水量约能造成海平面上升0.43 mm[23]。表3梳理了全球及主要山地冰川区冰湖演化研究，发现各区域均以不同速率扩张、演化。其中，面积增长最快冰湖出现在斯堪纳维亚、冰岛、加拿大、美国、俄罗斯及低纬度地区，而高加索地区、新西兰冰湖呈现退缩减少趋势。欧洲中部、北亚冰湖面积增加幅度相近。HMA冰湖相对较小，但增长快速、新出现冰湖向海拔较高地区演化[23]。此外，HMA、喜马拉雅是冰湖演化研究热点关注区。
表3 全球不同区域及尺度冰湖面积时空变化特征典型研究案例汇总

Tab. 3 Summary of typical research cases on spatio-temporal variation characteristics of glacial lakes area in different regions and scales around the world

区域/流域 时段/年 最小单元/km2 面积变化/km2 数量变化/个 面积增加/% 年平均面积
变化/km2		 数据来源
全球 1990—2015
1990—2000
2000—2005
2005—2010
2010—2015		 0.050 0 3014.807
1335.225
226.515
574.982
878.084		 4 980
2 557
261
1 069
1 093		 50.83
22.51
3.11
7.67
10.88		 120.592
133.522
45.303
114.996
175.616		 Shugar等[23]
阿拉斯加、加拿大、
美国西部		 1984—2019 0.050 0 483.000 183 59.22 21.950 Rick等[2]
冰岛 1990—2015 0.050 0 77.585 74 141.50 3.103 Shugar等[23]
亚洲高山区 2008—2017
1990—2018		 0.008 1
0.005 4		 98.220
273.650±3.110		 2 953
2 916		 6.39
15.15		 9.820
9.440		 Chen等[54]
wang等[46]
第三极/青藏高原 1990—2010
1990—2015
1990—2019		 0.003 0
0.010 0
0.008 1		 128.500±142.070
125.840±286.420
258.820		 1 099
1 481
3 285		 23.20
6.80
17.15		 6.425
5.034
8.920		 张国庆[37]
Zheng等[20]
Dou等[58]
喜马拉雅区域 1990—2010
1990—2015
1990—2020		 0.008 1
0.008 1
0.003 6		 28.810±0.012
56.400±97.720
112.600±188.050		 123
401
1 873		 17.10
14.10
16.89		 1.440
0.535
3.750		 Nie等[50]
Nie等[75]
Zhang等[81]
低纬度区域 1990—2015 0.050 0 83.087 120 168.00 3.320 Shugar等[23]
新西兰 1990—2015 0.050 0 -21.793 5 -44.18 -0.871 Shugar等[23]
安第斯山 1986—2016 0.050 0 563.320 2 224 7.00 18.17 Wilson等[82]
欧洲中部 1990—2015 0.050 0 0.644 5 2.08 0.025 Shugar等[23]
北亚 1990—2015 0.050 0 0.797 4 3.23 0.031 Shugar等[23]
斯堪纳维亚半岛 1990—2015 0.050 0 338.781 594 131.22 13.551 Shugar等[23]
高加索地区/中东 1990—2015 0.050 0 -0.903 -2 -32.19 -0.036 Shugar等[23]
基于目视解译、遥感自动提取及后处理方法的HMA长达30年冰湖演化研究分析发现：① 冰湖面积、数量均呈增长趋势，平均面积增长率为15.2%，数量增加约为3 000多，面积增幅达258.82~274.00 km2；② 不同地区冰湖变化速率不同，喀喇昆仑山、西昆仑山、兴都库什东部、喜马拉雅西部、西藏内陆地区、天山北部/西部和冈底斯山脉冰湖面积扩张速率变化明显；东昆仑和祁连山冰湖面积扩张最快，平均增幅为45.6%，而阿尔泰冰湖面积增幅仅为7.5%；③ 冰前湖面积增加是近些年冰湖演化主要贡献类别，未与冰川直接接触冰湖面积稳定或略有减少；④ 不同海拔高度冰川增长速率不一，4 000~5 300 m海拔冰湖面积增 加最显著，4 000~5 900 m冰湖数量增加最急剧， 5 300~ 5 900 m冰湖数量也有所增加，但面积扩张缓慢(除少数面积急剧增加外)[46,57-58]。
喜马拉雅冰湖演化研究显示： 1990—2010年、1990—2015年冰湖面积扩张速率为17.11%、14.1%。先前存在、更大冰湖，对区域扩张贡献 最大；最显著扩张发生在喜马拉雅中部南坡，扩张最大冰湖位于喜马拉雅北侧4 800~5 600 m和南侧4 500~5 600 m垂直地带；冰前湖、冰面湖变化模式相当复杂，既有消失，也有出现[50,52]，从2000—2020年冰前湖的数量、面积、体积分别增加了47%、33%±2%、42±14%[81]。
综上，从全球到区域尺度，绝大部分地区冰湖数量、面积均处于增加趋势，其中冰前湖贡献了较大比例[46,54]，主要原因是与冰川相接触冰湖能够将热量有效向冰川前端输送，加速融化、诱导冰裂产生、加速冰川消退；新出现冰湖向着更高海拔发展，但随着海拔升高速率变缓，表明冰川消融向更高海拔地区拓展。进一步映射出，冰湖朝向更陡峭和不稳定的区域演化。与此同时，冰湖下游居住人口与基础设施建设显著增加，与旅游、水电开发、农业相关的开发也逐步向高海拔区扩张，预计未来将面临新的挑战；冰湖演化存在显著的时空异质特征。

4.2 未来潜在冰湖探测与风险评估

冰川持续退缩暴露基岩过量侵（下）蚀(Overdeepening)会在冰川底床形成盆地或槽谷[1]，可储存冰川融水/降水及冰碛物（图5）形成冰前湖[82⇓-84]。因此，未来潜在冰湖（Potential Future Glacial Lakes, PFGLs）[85]可基于冰川编目、DEM、冰厚估算等数据，对冰川底床建模及探测潜在侵蚀洼地获取。早期研究发现2°坡度梯度、负物质平衡、低流速区是表碛冰川冰湖形成的关键判别依据[32]。最新研究阐明，过量下蚀冰川表面坡度一般低于20°，通常为5°，冰川下游在坡度、冰裂缝和冰川宽度（横向）方面有大量断裂[11,85]。PFGLs探测所使用冰厚反演模型主要有GlabTop系列[86]、开放式全球冰川模型(Open Global Glacier Model, OGGM)[87]和全球冰川演化模型(Global Glacier Evolution Model, GloGEMflow)[14,26,88]。青藏高原实验表明，不同提取方法及DEM会对结果造成不可忽视误差(差异至少 ±30%)[11]。另外，冰厚或冰下地形结合气候预估胁迫冰川演化模型，可获取不同情景PFGLs[89]。此外，结合冰面湖(冰面湖塘扩张、邻近融合)、出现在冰川末端并与冰川接触冰前湖(Proglacial)形成机制，可选择相应形态学指标(表面坡度、坡度断裂处/坡折带、湖泊面积和在冰川上位置)来确定PFGLs形成概率[11]。但是，当下PFGLs研究面临最大挑战是未来湖泊出现及演变没有任何时间上的约束，坝体类型（冰碛、基岩等）无法确定；另外，PFGLs未考虑现有冰湖的扩张与发展，比如冰面湖塘、与冰川相接触冰前湖对冰川加速消融具有促进作用，特别是冰前湖溃决风险较高，冰川末端形态、稳定性和冰动力学受其特征和行为影响较大[90]。
图5 冰川过量下蚀简图[84]

Fig. 5 Illustration of a glacier with an overdeeping formed due to glacier flow

PFGLs编目从全球尺度到HMA、青藏高原、喜马拉雅等区域尺度均有案例（表4）。如Frey等[88] 首次得出了全球PFGLs，确定了67 000个体积大于1×106 m³冰湖，面积、体积分别达61 000 km2、4 600 km3。代表性浓度路径（Representative Concentration Pathway, RCP）情景分析表明，PFGLs具有显著区域差异。低纬度地区，无论何种情景下的RCP，其大多数湖泊均预计将在十年内形成，北极地区在21世纪末湖泊形成率最高，大部分冰川底床下蚀直到2100年才会因冰川退缩而暴露。中纬度山区，湖泊形成时间和数量在RCP2.6和RCP8.5情景下存在巨大差异；区域研究中，如Linsbauer等[91]结合DEM、GlabTop2估算冰厚得出喜马拉雅-喀喇昆仑 大约16 000个大于1×104 m2 PFGLs，覆盖面积、体积大约 2 200 km2、120 km3(占当下冰川体积3%~4%)；Furian等[92]首次获取HMA的PFGLs，发现25 285个面积超过1×104 m2湖泊，面积、库容分别为2 683±773.8 km2、99.1±28.6 km3； Zheng等[20]预测了未来冰川完全消失情景下第三极将可能形成13 765个冰湖，面积、体积约为1 510 km2、52.3 km3，主要集中在印度河和塔里木河源头区，其次为阿姆河、恒河、雅鲁藏布江流域和青藏高原内陆地区。此外，利用阿尔卑斯山2 500 km实测冰厚获取的冰下地形探测，如果冰川完全消失，估计可能产生683个面积大于1×5 000 m2和深度大于5 m潜在湖泊，预估总水量高达1.16(±0.13) km3[82]。相比其他类型冰湖，HMA冰坝湖(Ice-dammed)和冰面湖(Supraglacial) 更易演变成GLOFs，Compagno等[14]将DEM和GloGEMflow相联系，模拟了不同RCP情景下每个冰川三维几何演变，预测到2080年，HMA将出现11 129个PFGLs，总库容将达到2.070×108 m³，潜在冰碛坝湖数量、体积将随之增加15%~18%、45%~55%。并且，未来几十年内，冰湖溃决风险将增加。最后，从表4 HMA的PFGLs编目可以看出，不同模型、约束条件及情境下所提取数据差异较大，这也进一步说明当下所采取的简易思路方法存在的不足与局限。
表4 全球不同区域未来潜在冰湖编目典型研究案例

Tab. 4 Typical cases of future glacial lake inventory in different regions of the world

研究地点 潜在冰湖数量/个 冰湖面积/km2 面积/体积阈值 冰湖库容/km3 模型/工具 研究人员
全球 67 000(±16 000) 61 000(±4 000) 1×106 m3 4 600(±2 050) GloGEM Frey等[88]
喜马拉雅-喀喇昆仑 16 000 2 200 1×104 m2 120 GlabTop2 Linsbauer等[91]
HMA 25 285 2 683 ± 773.8 1×104 m2 99.10 ± 28.60 GIS水文工具 Furian等[92]
2000年: 9 327 305 2×106 m2 1.35 GloGEMflow Compagno等[14]
2040年: 11 731 (±4 117) 344(±115) 2×106 m2 2.45 (±0.60) GloGEMflow Compagno等[14]
2100年: 12 292 (±4 146) 361(±202) 2×106 m2 3.11 (±1.13) GloGEMflow Compagno等[14]
2100年: 2 700 SSP126: 474 ± 121 1×105 m2 22.80 ± 6.70 OGGM Furian等[93]
2100年: 2 700 SSP585: 833 ± 148 1×105 m2 39.70 ± 7.70 OGGM Furian等[93]
青藏高原及周边 15 826 2253.95 ± 1291.29 2×104 m2 60.49 ± 28.94 GIS水文工具 Zhang等[11]
第三极 13 765 1 509.6 1×104 m2 52.30 GloGEM Zheng等[20]
瑞士 683 45.2±9.3 5×103 m2 1.16 (±0.13) GloGEM Steffen等[83]
除上述PFGLs编目研究之外，PFGLs暴露性、风险性及分布主要由区域冰川资源决定，可选择适当因素对PFGLs存在风险进行评估。喀喇昆仑由于存在大量跃动冰川存在，以往PFGLs研究存在被夸大情况。Zhang等[11]在青藏高原及其周边地区发现大约90% PFGLs集中在各冰川下半部分，超过70% PFGLs和当代冰湖集中在海拔4 000~5 800 m。 PFGLs危险性取决于湖泊周边大规模物质迁移(侧碛滑塌、冰/岩崩)，以及溃决对下游基础设施与居民点的影响。对此，Zheng等[20]选取基础设施要素(建筑物、公路等)、冰川底床地形、溃决洪水路径影响等数据对第三极PFGLs进行风险分析，结果表明，未来GLOFs灾害风险水平将增长约3倍，并存在明显空间差异。RCP较高情景下，大部分地区将在本世纪末达到“最大风险”状态。所有未来情景下，喜马拉雅东部一直是溃决洪水最主要热点区，但更长时间尺度上，喀喇昆仑地区会成为另一个新的热点区。湖泊周围斜坡上物质脱离进入湖中会引 发GLOFs。因此，Furian等[92]选择2 700个面积超过1×105 m2区域，评估了湖泊易受块体运动(滑坡、泥石流、崩塌等)影响的可能性，发现天山、帕米尔、喀喇昆仑和喜马拉雅部分地区等高山区小型湖泊具有非常高溃决风险，而在西藏内陆和昆仑山脉，PFGLs不太容易受到物质运动影响。
PFGLs不确定性受到模型参数最佳化估计、冰川DEM以及冰厚精度影响，其测算精度与冰厚数据产品有很大联系，特别是对于表碛冰川而言冰厚估计不确定性较大[86]。冰川演化是一个相对复杂的过程，局地地貌及气候条件导致湖泊演变呈现多样性特征，过量下(侵)蚀范式冰湖探测相对简化。数据与模型耦合驱动下，可基于高精度、长时序冰前湖演化数据，结合冰川编目及高精度冰下地形，对其历史形成演化机制过程进行完善、细化研究，将冰湖发展演变与局地气候、冰川学、地貌及地形特征联系起来，可得出关键驱动过程。为PFGLs提供经验/专家知识输入，并借助人工智能训练冰川退化消融模型，基于数据驱动与模型耦合对未来冰湖形成进行模拟、预测。另外，也可开发综合方法考虑未来GLOFs危险及其他瞬时驱动因素，如周围岩石和冰面稳定性改变，水文气象触发变化（如融雪和降雨）或坝体解冻[92]。

4.3 冰湖演化对冰川变化的响应

冰湖出现、扩张与消失是个动态过程，冰前湖扩张大多发生在母冰川后退区域[13,66,94-95]。第三极冰川-冰湖-气候响应关系探究中，发现冰川补给湖空间格局与变暖趋势、负冰川物质平衡格局相吻 合[42]。冰湖持续扩张会进一步影响母冰川和周围坡体大规模移动进入冰湖造成溢顶，并且随着湖泊深度加深会增加冰湖坝体静水压力。与冰川接触冰前湖对冰川变化具有很强反馈作用，藏东南冰湖快速扩张、冰川-水文地貌过程研究中， Song等[69]发现与冰斗湖、非接触冰湖相比，与表碛接触冰前湖经历了更快扩张。获取冰前湖水位和表碛冰川冰舌海拔变化、物质平衡发现:与表碛接触冰前湖上游扩张与水位上升没有直接关系，而是与冰川末端融化引起表碛沉降导致地貌变化有关；冰川表面减薄在冰前湖水量变化中起主导作用，要比冰舌运动的贡献高一个数量级[96]；同时，与湖面相接触冰川会使其底部(或水下)加速消融、促进崩解，引起额外消融和退缩，进一步补给冰湖、增加GLOFs发生风险[81]。基于卫星测高、DEM差分和卫星重力获取的藏东南冰川物质平衡发现，末端是湖泊的冰川比末端是基岩的冰川物质亏损率高45%[97]，喜马拉雅地区实验表明末端类型对冰川物质平衡的影响似乎要比表碛覆盖大得多[31]。此外，基于SAR影像获取冰湖面积时序变化分析表明，冰湖面积与温度和降水具有较高相关性[29]。
冰川跃动可能阻塞河流并引起水灾或湖堤溃决。因此，Bazai等[98]利用影像互相关特征跟踪技术，分析了喀喇昆仑10条冰川1990—2019年6次跃动事件结果表明，更高流速冰川增加了洪水流向下游终点的风险，而这一过程是冰碛湖(moraine-dammed)形成和再次形成的重要因素，并决定了GLOFs事件大小与发生频率。另外，秘鲁Blanca山脉帕尔卡冰湖研究利用观测和数值模型评估了人为因素对冰川退缩和GLOFs贡献[99]。
冰川融水变化与冰湖水文效应关系复杂，开展大区域顾及尺度差异的冰湖-冰川-气候变化间响应机制具有重要意义。另外，冰川-冰湖系统如何相互作用、互馈响应过程怎样；同时，也缺乏冰面湖塘、与冰川接触冰前湖促进冰川消融的研究案例，进一步限制了对山地冰川未来演化的认识。此外，国内外多个科学数据共享平台均已发布多套HMA乃至全球冰湖编目，未来也可充分结合全球冰川物质平衡、冰流速、冰川表碛覆盖厚度估算、雪线等多源时序数据，对科学共享数据进行高效利用，可进一步精化、揭示冰湖气候变化响应研究。

5 冰湖灾害风险评估与GLOFs案例研究

5.1 高风险冰湖识别

识别潜在危险冰湖(Potentially Dangerous Glacial Lakes, PDGLs)有助于制定缓解GLOFs灾害管理策略。全球范围内，结合最新冰湖状况、暴露性(人口与潜在爆发接近程度)和脆弱性(暴露人口受到冰湖溃决所致影响可能性)，对当代(2020年)冰湖溃决所致潜在损害进行量化和排序，发现HMA所受影响潜力最大，大约有100万人生活在冰川湖泊10 km范围之内[17]。区域研究中，结合危险性、暴露度、脆弱性、适应性，运用层次分析法和加权综合法发现，青藏高原GLOFs灾害综合风险区主要集中于喜马拉雅中部、念青唐古拉山中东部和唐古拉山南部[100]；Zheng等[20]考虑了GLOFs事件，并在此基础上完善、调节了触发因素，识别了下游模拟洪水路径中处于风险基础设施和区域，提出了面向大规模自动化应用的GLOFs灾害风险概念优化模型，对第三极冰碛湖进行了危险性定量评估、等级分类；发现喜马拉雅东部具有最高的灾害和风险水平，大约是邻近其他区域的2倍，雅鲁藏布江流域灾害水平最高，恒河流域具有最高的风险水平；同时，针对已有PDGLs评价体系因素选择过于武断、缺乏扎实科学依据，Zhang等[12]优化确定了母冰川平均坡度、潜在流入湖中物质运动、冰碛坝平均坡度、集水区域、湖泊周长、与冰湖溃决对应触发因素(冰崩、落石和山体滑坡、坝体稳定性、强降雨或其他液相流入、冰湖特征)5个评价因素为最佳组合识别PDGLs，判定了喜马拉雅(面积大于0.02 km2)207个非常高危险性和345个危险性冰湖。
然而，上述风险评价指标选择与其中权重设定缺乏统一、完整的参考体系，各类参数、权重应用可能会导致相互矛盾的分类；冰湖溃决模拟研究可以高风险冰湖为例，系统评估湖泊在溃决情景对下游所构成影响最严重[21]。另外，也可综合考虑危害参数(如雪崩、落石、上游GLOF、湖泊扩张、冰碛坝体稳定性)和下游影响(洪水淹没建筑、桥梁和水电系统数量)，确定与每个湖泊相关风险。并在实施任何风险缓解措施之前，使用水动力模型，并进行实地现场评估[101]。相比之下，基于冰湖溃决情景模拟的影响分析更能给后续灾害管理与防范措施制定带来更有价值的参考，但也面临着精确冰湖水下地形、高分辨率DEM缺乏的现状。
总结可知，已有冰湖危险性评估缺乏特定情景分析，如强降雨、冰川跃动、冰崩、地震等在GLOFs中扮演重要角色；未来应更多地了解区域GLOFs物理驱动因素，PFGLs编目应结合历史冰湖演化机制、过程需不断完善、细化演化机理，开发综合方法考虑未来GLOFs危险及其它瞬时驱动因素，未来研究如何引入潜在关键触发因素(如气温、降水、融雪、冰碛坝消融、地震等)进行模拟分析有待探讨，以改进持续变暖趋势下冰川灾害所引发GLOFs的预测[13]。另外，变暖趋势下，冰川会加速消融与减薄，如何结合冰川演化模型，开展未来气候背景下冰川和冰湖不稳定性预测与模拟研究，识别潜在易溃决冰湖、危险性冰川等级，结合下游居民点、基础设施等分布[20]，评估冰湖溃决灾害可能影响范围与程度。此外，对于当前和未来潜在高风险冰湖，完成GLOFs建模(耦合破坏/倾覆和流动路径模拟)和下游危险制图。对不同湖泊体积、触发过程和大坝特征进行敏感性测试，以确定未来情景不确定性。上述研究的开展，可进一步解答当下及未来冰川退缩甚至消失对山地冰川区产生怎样的资源、灾害及生态环境效应问题。

5.2 高风险冰湖监测与预警

冰川消退、冻土退化会影响冰川坡体和冰碛稳定性。PDGLs监测与预警是缓解冰湖灾害效应有效策略。GLOFs危险性核心因素有冰湖大小、流域面积、冰/岩石崩塌概率和大坝陡峭度，冰湖稳定性取决于物理特性、坝体材料和周围环境特征。因此，可综合利用Sentinel-1幅度、相位来监测湖泊溃决易发性，SAR后向散射强度阈值可确定冰川、流域、冰湖、水域消融面积。时序SAR永久散射干涉测量(Persistent Scatterer Interferometry, PSI)技术研究冰碛和冰湖周围斜坡稳定性，DEM差分结果可对PSI分析进行定性验证[40]。另外，对有溃决风险冰湖状态利用物联网、通讯技术进行实时动态监测，获取如降雨量、温度、湖水位、冰碛坝与母冰川位移等表征溃决易发性参数，远程监测捕捉冰崩、冰湖溃决前兆。分析、评估模型预测和预警，可辅助提前制定相应防治、规避风险措施。第二次青藏高原综合科学考察研究计划框架下，Wang等[34,102]以喜马拉雅中部存在跨界、高风险次仁玛错冰湖为例研发了早期监测预警系统。系统主要包括湖水位变化、湖泊终碛堤位移、湖区附近冰川垮落、流域下游径流监测，数据通过北斗、国际海事组织卫星、移动网络传输。该预警系统在数据传输、监测要素、预警等方面都是同类系统中最先进的。此外，Maurer 等[103]应用地震波形互相关方法远程跟踪了1994年喜马拉雅东部冰湖溃决演变过程，表明实时地震监测系统可有效提高冰湖溃决预警系统监测能力。
增温趋势下，GLOFs灾害链过程可能更加复杂，缓解其灾害效应，要将防灾关口前移，需制定前瞻性减灾风险方案与框架[8]，科学监测是实现灾害预警预报与主动防范重要前提。尽管目前还未查阅到相关冰湖溃决成功预警案例，但是基于空-天-地一体化的高风险冰湖监测与预警体系正在逐步形成(图4)。其中，以卫星平台多时相、多源遥感观测，可快速获取冰湖面积、补给冰川动态及周边坡体稳态信息进行获取，如基于InSAR、偏移量追踪(Offset Tracking)影像大地测量技术方法获取冰川流速、冰湖周围坡体及坝体形变参数，提前获取冰川跃动或崩塌前兆信息[36]。另外，实地原位气象站、水位监测仪、GNSS，可监测母冰川及冰湖坝体稳定性，结合物联网等技术进行实时动态、连续观测，获取高风险冰湖区温度、降水量、湖泊水位信息[34]；此外，可达性良好冰湖区域，可利用三维激光扫描仪、地面摄影测量进行野外数据采集，借助无人船搭载声呐或单(多)波束测深，进行危险地区冰湖水深、湖区地形等获取。上述获取数据，可准确识别高风险冰湖、有效捕获母冰川、冰碛垄、坝体状态信息，为灾害隐患态势研判与风险预警提供基础数据与关键信息。

5.3 GLOFs过程重建与诱因

重建历史GLOFs演变过程是揭示溃决机制、开展灾害风险建模的基础。通过数值模型模拟不同情景溃决参数，结合现场调研与记录，与情景分析结果进行对比是当下比较通行研究范式。结合溃坝模型和洪水演进模型，可模拟溃决洪水传播途径，重建GLOFs爆发过程及其影响。另外，地形重建和数值模拟反算视角也可重新审视历史GLOFs事件，做出情景假设(冰碛垄退化/崩塌、山体滑坡破坏冰碛坝)，结合事件记录和当时对未来情景计算的参考，依据物理参数模拟，可得到经验充分结果，进而推断GLOFs触发因素[104]。多源多时相卫星影像分析，可修正冰湖溃决时间、挖掘溃决诱因，以及DEM差分和湖泊水位下降分析可得出溃决释放总水量[105-106]。
以2020年6月西藏嘉黎县金乌措冰碛湖溃决为例，Zheng等[62]和Yang等[42]重建了金乌措溃决过程链。时序影像分析发现，该冰湖自1998年以来一直在扩张。强降水事件是溃决主要原因，冰/雪滑坡进入湖泊是溃决直接诱因；基于溃决前后高分辨率影像分析、Sentinel-1像素偏移跟踪获得2017—2020年冰川流速变化，以及时序SAR后向散射影像和干涉图表明，西侧冰碛垄进入湖中发生了滑坡。数值模拟工具对GLOF过程链进行反算，分析结果及现场实地调查发现指向了冰碛坝退化侵蚀。冰湖溃决案例研究，为潜在高风险冰湖多情景(母冰川冰崩、侧碛滑塌、冰碛坝侵蚀等)溃决模拟提供了参照，模拟分析结果、溃决洪水传播路径等重要信息[107]。
GLOFs与冰川退缩、湖泊发育扩张和排水机制物理驱动因素紧密关联，当天然坝堤决口或冰湖水位突然上升，就会发生溃决[10,25]。冰湖溃决诱因呈现多样性，外因(冰/雪/岩石崩、滑坡、暴雨、冰川前进、地震、冰雪融化)、内因(冻融循环、冰碛垄埋藏冰消融、冰体内湖水释放、管涌、渗漏等)[52,98]。根据破坏机理，GLOFs可分为: 冰湖水浪漫过冰碛坝、渗流/管涌、邻近山谷水流冲刷、地震影响及多因素综合影响[7,46]。Sedai等[108]梳理冰湖溃决触因及因果关系得出(图6)，时间效应是复杂触发因素，喜马拉雅地区有40%事件都由这一现象引起，其中冰碛坝湖GLOFs对气候变化表现有滞后性。地震运动和极端天气是造成冰湖溃决直接原因，导致湖泊静水压力增大、涌流溢出、管涌或渗流破坏等不同机制。
图6 冰湖溃决洪水触发因素及因果关系[108]

Fig. 6 GLOFs triggering factor, cause and effects and effects relationships

6 结语与展望

本文回顾了近些年冰湖与GLOFs重要研究专题内容，梳理总结了当下最新研究进展。山地冰川冰湖与GLOFs研究在从数据产品编目、监测要素、气候变化背景冰川变化响应分析、风险识别与监测预警以及GLOFs过程重建与诱因探析等方面处于快速发展态势，未来研究仍需要针对以下几方面进行加强、完善:
（1）冰湖形态信息与GLOFs智能提取。由于缺乏高时空分辨率影像、高精度DEM及ICESAT-1/2覆盖了极少量冰湖，现有冰湖轮廓遥感编目提取遥感技术智能化不足；导致当下无法根据冰湖形态时间序列很好地确定高风险冰湖目标，以及基于面积时序变化GLOFs监测。未来随着高时空分辨率影像获取门槛降低，SAR冰湖提取技术方法的普适/智能化，以及更多冰湖实测水深、水位监测数据发布，能捕获冰湖更加精确演化特征，进而精准识别高风险冰湖。另外，GLOFs能够使数百万立方米物质发生迁移，其灾害过程链中包含侵蚀-搬运/运输-沉积相互作用，并在很大程度上重新塑造受影响地区地貌；因此，全面、完整一致性较好GLOFs编目，既是更好了解其地貌特征及过程的重要数据，又是更好地识别和管理GLOFs危害和风险的紧要环节，也是增强GLOFs建模所需的关键信息。当下GLOFs识别编目研究中智能化程度相对较低，主要依赖于人工影像地貌判断、历史报道资料收集等，其主要原因是缺乏普适性好地GLOFs自动提取方法、高分辨率历史存档影像、地形数据支撑。随着未来更高分辨率历史存档影像数据的公开，结合GLOFs遗留地貌特征获取样本与所属冰湖面积变化、水位、V型决口等重要辅助判断信息，能够获取更加完备的GLOFs编目，进而对PDGLs研究提供更有价值的参考。
（2）冰(前/面)湖-冰川系统演化及其气候变化响应关系。冰川-冰湖耦合过程影响着区域生态环境、水资源循环模式和灾害效应[95]。冰川-冰湖系统耦合变化研究对于理解流域尺度过程演变是必要的。气候变化与冰川、冰湖及GLOFs变化密切关联，冰湖变化是多种因素综合作用结果，尚无深入系统开展冰川融水及变化-冰湖协同响应、水文效应案例。同时，诸多研究表明冰面湖塘、与冰川接触冰前湖在冰川消融方面具有重要促进作用，而冰川前缘形态、物理稳定性和冰动力学受到冰前湖特征和行为影响[90,109]。但其冰川-冰湖系统如何相互作用、互馈响应过程怎样，缺乏相应实证研究案例；另外，为获取湖泊扩张机制和面积/体积波动背后的准确气候变化、冰川变化信息，还缺乏在冰川流域尺度上围绕冰湖个体密集综合观测和典型实例研究。此外，为了解冰川动力过程在GLOFs事件中的作用，需要加强技术和方法的研究，开展定量化分析。相信将来关于冰川-冰前湖/冰面湖等相互作用机制与过程的不断深入研究，冰川演化模型中对冰湖要素的耦合，可更好地预测未来冰川变化、冰湖演化提供支撑，为区域水资源可持续利用与海平面上升预估等提供更加准确数据。最后，上述研究内容的展开，还需要实地原位无人机遥感、延时/近景摄影测量技术及无人值守自动气象站的辅助观测。
（3）冰湖监测预警与灾害防治。目前，星载平台获取的数据是冰湖-冰川动态变化监测主要来源，地基监测仅在少量存在跨境影响的高风险冰湖区域有所布设。如在冰湖区域设立气象站、布设水位监测仪，GNSS监测母冰川及冰湖坝体稳定性。结合物联网等技术进行实时动态、连续观测，获取冰湖降水、水位信息，为灾害隐患态势研判与风险预警提供基础数据与关键信息，及时预测、预报冰湖溃决灾害风险。针对潜在高风险冰湖监测需求，实现多层次、多角度、多手段全天候监测任务，达到综合监测需求，满足相互检验、校核目标，使GLOFs灾害风险及影响降到最低。但是，当下也面临综合监测与预警系统仅在极少数冰湖有实施，更多的高风险冰湖区域尚属空白。
多学科交叉融合，为揭示冰湖演化、冰川-冰湖系统耦合作用机制过程提供了良好视角。其中，遥感技术与方法是冰湖动态及GLOFs灾害监测有效、便捷手段之一，能更好辅助人们进行灾害决策与管理，但同时也需要冰冻圈、水文、灾害、大气、数值模拟、地球物理等相关知识与信息的引导、交叉融合。相信未来，围绕冰湖及其溃决灾害研究观测数据、分析技术、理论方法、典型案例的不断完善与丰富，能够有效提升区域冰湖灾害感知、智能预警能力与防范策略制定；更好地理解冰湖及其GLOFs在全球变暖背景下响应与变化，给决策提供减缓灾害、适应性方面信息与建议，实现区域可持续发展。
本文图文责任编辑： 蒋树芳 黄光玉

感谢中国科学院青藏高原研究所张国庆研究员、西北师范大学地理与环境科学学院段红玉博士在本文撰写过程中提出的宝贵修改建议。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
秦大河. 冰冻圈科学辞典[M]. 北京: 气象出版社, 2014.

[ Qin D H. Glossary of cryospheric science[M]. Beijing: China Meteorological Press, 2014. ]

[2]
Rick B, McGrath D, Armstrong W, et al. Dam type and lake location characterize ice-marginal lake area change in Alaska and NW Canada between 1984 and 2019[J]. The Cryosphere, 2022, 16(1):297-314. DOI:10.5194/tc-16-297-2022

[3]
姚晓军, 刘时银, 韩磊, 等. 冰湖的界定与分类体系——面向冰湖编目和冰湖灾害研究[J]. 地理学报, 2017, 72(7):1173-1183.

DOI

[ Yao X J, Liu S Y, Han L, et al. Definition and classification systems of glacial lake for inventory and hazards study[J]. Acta Geographica Sinica, 2017, 72(7):1173-1183. ] DOI:10.11821/dlxb201707004

[4]
Khadka N, Zhang G Q, Thakuri S. Glacial Lakes in the Nepal Himalaya: Inventory and decadal dynamics(1977-2017)[J]. Remote Sensing, 2018, 10(12):1913. DOI:10.3390/rs10121913

[5]
杨成德, 王欣, 魏俊峰, 等. 基于3S技术方法的中国冰湖编目[J]. 地理学报, 2019, 74(3):544-556.

DOI

[ Yang C D, Wang X, Wei J F, et al. Chinese glacial lake inventory based on 3S technology method[J]. Acta Geographica Sinica, 2019, 74(3):544-556. ] DOI:10.11821/dlxb201903011

[6]
Rinzin S, Zhang G Q, Wangchuk S. Glacial Lake Area Change and Potential Outburst Flood Hazard Assessment in the Bhutan Himalaya[J]. Frontiers in Earth Science, 2021, 9:775195. DOI:10.3389/feart.2021.775195

[7]
Cook K L, Andermann C, Gimbert F, et al. Glacial lake outburst floods as drivers of fluvial erosion in the Himalaya[J]. Science, 2018, 362(6410):53-57. DOI:10.1126/science.aat4981

PMID

[8]
崔鹏, 郭晓军, 姜天海, 等. “亚洲水塔”变化的灾害效应与减灾对策[J]. 中国科学院院刊, 2019, 34(11):1313-1321.

[ Cui P, Guo X J, Jiang T H, et al. Disaster Effect Induced by Asian Water Tower Change and Mitigation Strategies[J]. Bulletin of Chinese Academy of Sciences, 2019, 34(11):1313-1321. ] DOI:10.16418/j.issn.1000-3045.2019.11.014

[9]
Nie Y, Pritchard H D, Liu Q, et al. Glacial change and hydrological implications in the Himalaya and Karakoram[J]. Nature Reviews Earth & Environment, 2021, 2(2):91-106. DOI:10.1038/s43017-020-00124-w

[10]
Shukla T, Sen I S. Preparing for floods on the Third Pole[J]. Science, 2021, 372(6539):232-234. DOI:10.1126/science.abh3558

PMID

[11]
Zhang T G, Wang W C, An B S, et al. Ice thickness and morphological analysis reveal the future glacial lake distribution and formation probability in the Tibetan Plateau and its surroundings[J]. Global and Planetary Change, 2022a, 216:103923. DOI:10.1016/j.gloplacha.2022.103923

[12]
Zhang T G, Wang W C, Gao T G, et al. An integrative method for identifying potentially dangerous glacial lakes in the Himalayas[J]. Science of the Total Environment, 2022b, 806:150442. DOI:10.1016/j.scitotenv.2021.150442

[13]
Veh G, Lützow N, Kharlamova V, et al. Trends, Breaks, and Biases in the Frequency of Reported Glacier Lake Outburst Floods[J]. Earth's Future, 2022, 10(3):1-14. DOI:10.1029/2021ef002426

[14]
Compagno L, Huss M, Zekollari H, et al. Future growth and decline of high Mountain Asia’s ice-dammed lakes and associated risk[J]. Communications Earth & Environment, 2022a, 3:191. DOI:10.1038/s43247-022-00520-8

[15]
Cook S J, Quincey D J. Estimating the volume of Alpine glacial lakes[J]. Earth Surface Dynamics, 2015, 3(4):559-575. DOI:10.5194/esurf-3-559-2015

[16]
Muhammad S, Li J, Steiner J F, et al. A holistic view of Shisper Glacier surge and outburst floods: From physical processes to downstream impacts[J]. Geomatics, Natural Hazards and Risk, 2021, 12(1):2755-2775. DOI:10.1080/19475705.2021.1975833

[17]
Taylor C, Robinson T R, Dunning S, et al. Glacial Lake outburst floods threaten millions globally[J]. Nature Communications, 2023, 14:487. DOI:10.1038/s41467-023-36033-x

PMID

[18]
Carrivick J L, Tweed F S. A global assessment of the societal impacts of glacier outburst floods[J]. Global and Planetary Change, 2016, 144:1-16. DOI:10.1016/j.gloplacha.2016.07.001

[19]
叶庆华, 程维明, 赵永利, 等. 青藏高原冰川变化遥感监测研究综述[J]. 地球信息科学学报, 2016, 18(7):920-930.

[ Ye Q H, Cheng W M, Zhao Y L, et al. A Review on the Research of Glacier Changes on the Tibetan Plateau by Remote Sensing Technologies[J]. Journal of Geo-information Science, 2016, 18(7):920-930. ] DOI:10.3724/SP.J.1047.2016.00920

[20]
Zheng G X, Allen S K, Bao A M, et al. Increasing risk of glacial lake outburst floods from future Third Pole deglaciation[J]. Nature Climate Change, 2021a, 11(5):411-417. DOI:10.1038/s41558-021-01028-3

[21]
Allen S, Sattar A, King O, et al. Glacial Lake outburst flood hazard under current and future conditions: Worst-case scenarios in a transboundary Himalayan Basin[J]. Natural Hazards and Earth System Sciences, 2022, 22(11):3765-3785. DOI:10.5194/nhess-22-3765-2022

[22]
Wangchuk S, Bolch T, Zawadzki J. Towards automated mapping and monitoring of potentially dangerous glacial lakes in Bhutan Himalaya using Sentinel-1 Synthetic Aperture Radar data[J]. International Journal of Remote Sensing, 2019, 40(12):4642-4667. DOI:10.1080/0143116 1.2019.1569789

[23]
Shugar D H, Burr A, Haritashya U K, et al. Rapid worldwide growth of glacial lakes since 1990[J]. Nature Climate Change, 2020, 10(10):939-945. DOI:10.1038/s41558-020-0855-4

[24]
Ahmed R, Wani G F, Ahmad S T, et al. A Review of Glacial Lake Expansion and Associated Glacial Lake Outburst Floods in the Himalayan Region[J]. Earth Systems and Environment, 2021, 5(3):695-708. DOI:10.1007/s41748-021-00230-9

[25]
Harrison S, Kargel J S, Huggel C, et al. Climate change and the global pattern of moraine-dammed glacial lake outburst floods[J]. The Cryosphere, 2018, 12(4):1195-1209. DOI:10.5194/tc-12-1195-2018

[26]
Compagno L, Huss M, Miles E S, et al. Modelling supraglacial debris-cover evolution from the single-glacier to the regional scale: An application to High Mountain Asia[J]. The Cryosphere, 2022b, 16(5):1697-1718. DOI:10.5194/tc-16-1697-2022

[27]
Allen S, Frey H, Huggel C. GAPHAZ 2017: Assessment of Glacier and Permafrost Hazards in Mountain Regions - Technical Guidance Document[M]. Zurich, Switzerland/Lima, Peru: Standing Group on Glacier and Permafrost Hazards in Mountains (GAPHAZ) of the International Association of Cryospheric Sciences (IACS) and the International Permafrost Association (IPA), 2017. DOI:10.13140/RG.2.2.26332.90245

[28]
Chen C M, Leydesdorff L. Patterns of connections and movements in dual-map overlays: A new method of publication portfolio analysis[J]. Journal of the Association for Information Science and Technology, 2014, 65(2):334-351. DOI:10.1002/asi.22968

[29]
Dai K R, Wen N L, Fan X M, et al. Seasonal Changes of Glacier Lakes in Tibetan Plateau Revealed by Multipolarization SAR Data[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19:1-5. DOI:10.1109/LGRS.2021.3131717

[30]
Strozzi T, Wiesmann A, Kääb A, et al. Glacial lake mapping with very high resolution satellite SAR data[J]. Natural Hazards and Earth System Sciences, 2012, 12(8):2487-2498. DOI:10.5194/nhess-12-2487-2012

[31]
King O, Bhattacharya A, Bhambri R, et al. Glacial Lakes exacerbate Himalayan glacier mass loss[J]. Scientific Reports, 2019, 9:18145. DOI:10.1038/s41598-019-53733-x

PMID

[32]
Quincey D J, Richardson S D, Luckman A, et al. Early recognition of glacial lake hazards in the Himalaya using remote sensing datasets[J]. Global and Planetary Change, 2007, 56(1/2):137-152. DOI:10.1016/j.gloplacha.2006.07.013

[33]
Petrov M A, Sabitov T Y, Tomashevskaya I G, et al. Glacial Lake inventory and lake outburst potential in Uzbekistan[J]. Science of the Total Environment, 2017, 592:228-242. DOI:10.1016/j.scitotenv.2017.03.068

[34]
Wang W C, Gao Y, Iribarren Anacona P, et al. Integrated hazard assessment of Cirenmaco glacial lake in Zhangzangbo valley, Central Himalayas[J]. Geomorphology, 2018, 306:292-305. DOI:10.1016/j.geomorph.2015.08.013

[35]
Ukita J, Narama C, Tadono T, et al. Glacial Lake inventory of Bhutan using ALOS data: Methods and preliminary results[J]. Annals of Glaciology, 2011, 52(58):65-71. DOI:10.3189/172756411797252293

[36]
Wangchuk S, Bolch T, Robson B A. Monitoring glacial lake outburst flood susceptibility using Sentinel-1 SAR data, Google Earth Engine, and persistent scatterer interferometry[J]. Remote Sensing of Environment, 2022, 271:112910. DOI:10.1016/j.rse.2022.112910

[37]
张国庆. 第三极地区冰湖数据(V1.0)(1990, 2000, 2010)[DS]. 国家青藏高原科学数据中心(http://data.tpdc.ac.cn), 2018.

[ Zhang G Q. Data on glacial lakes in the TPE(V1.0)(1990, 2000, 2010)[DS]. National Tibetan Plateau Data Center (http://data.tpdc.ac.cn), 2018. ] DOI:10.11888/Hydrology.tpe.249459.file

[38]
Zhang M M, Chen F, Tian B S. An automated method for glacial lake mapping in High Mountain Asia using Landsat 8 imagery[J]. Journal of Mountain Science, 2018, 15(1):13-24. DOI:10.1007/s11629-017-4518-5

[39]
Zhang M M, Chen F, Tian B S, et al. High-Frequency Glacial Lake Mapping Using Time Series of Sentinel-1A/1B SAR Imagery: An Assessment for the Southeastern Tibetan Plateau[J]. International Journal of Environmental Research and Public Health, 2020, 17(3):1072. DOI:10.3390/ijerph17031072

[40]
Wangchuk S, Bolch T. Mapping of glacial lakes using Sentinel-1 and Sentinel-2 data and a random forest classifier: Strengths and challenges[J]. Science of Remote Sensing, 2020, 2:100008. DOI:10.1016/j.srs.2020.100008

[41]
Andreassen L M, Nagy T, Kjøllmoen B, et al. An inventory of Norway’s glaciers and ice-marginal lakes from 2018-19 Sentinel-2 data[J]. Journal of Glaciology, 2022, 68(272):1085-1106. DOI:10.1017/jog.2022.20

[42]
Yang L Y, Lu Z, Zhao C Y, et al. Analyzing the triggering factors of glacial lake outburst floods with SAR and optical images: A case study in Jinweng Co, Tibet, China[J]. Landslides, 2022, 19(4):855-864. DOI:10.1007/s10346-021-01831-1

[43]
Qayyum N, Ghuffar S, Ahmad H, et al. Glacial Lakes Mapping Using Multi Satellite PlanetScope Imagery and Deep Learning[J]. ISPRS International Journal of Geo-Information, 2020, 9(10):560. DOI:10.3390/ijgi9100560

[44]
潘梦, 曹云刚. 高亚洲地区冰湖遥感研究进展与展望[J]. 国土资源遥感, 2021, 33(1):1-8.

[ Pan M, Cao Y G. Present status and perspectives of remote sensing survey of glacial lakes in High Asia[J]. Remote Sensing for Land & Resources, 2021, 33(1):1-8. ] DOI:10.6046/gtzyyg.2020068

[45]
Zhang G Q, Yao T D, Xie H J, et al. An inventory of glacial lakes in the Third Pole region and their changes in response to global warming[J]. Global and Planetary Change, 2015, 131:148-157. DOI:10.1016/j.gloplacha.2015.05.013

[46]
Wang X, Guo X Y, Yang C D, et al. Glacial lake inventory of high-mountain Asia in 1990 and 2018 derived from Landsat images[J]. Earth System Science Data, 2020, 12(3):2169-2182. DOI:10.5194/essd-12-2169-2020

[47]
李均力, 盛永伟, 骆剑承. 喜马拉雅山地区冰湖信息的遥感自动化提取[J]. 遥感学报, 2011, 15(1):29-43.

[ Li J L, Sheng Y W, Luo J C. Automatic extraction of Himalayan glacial lakes with remote sensing[J]. Journal of Remote Sensing, 2011, 15(1):29-43. ] DOI:10.11834/jrs.20110103

[48]
Li J L, Sheng Y W. An automated scheme for glacial lake dynamics mapping using Landsat imagery and digital elevation models: A case study in the Himalayas[J]. International Journal of Remote Sensing, 2012, 33(16):5194-5213. DOI:10.1080/01431161.2012.657370

[49]
Li J L, Warner T A, Wang Y, et al. Mapping glacial lakes partially obscured by mountain shadows for time series and regional mapping applications[J]. International Journal of Remote Sensing, 2019, 40(2):615-641. DOI:10.1080/01431161.2018.1516314

[50]
Nie Y, Liu Q, Liu S Y. Glacial Lake Expansion in the Central Himalayas by Landsat Images, 1990-2010[J]. PLOS ONE, 2013, 8(12):e83973. DOI:10.1371/journal.pone.0083973

[51]
闫斌, 贾洪果, 任文静, 等. 基于NDWI-NDSI组合阈值法的布加岗日冰湖提取及其变化分析[J]. 遥感学报, 2022, 26(11):2344-2353.

[ Yan B, Jia H G, Ren W J, et al. Glacier lake extraction and variation analysis of the Bujiagangri glacier based on the NDWI-NDSI combination threshold method[J]. National Remote Sensing Bulletin, 2022, 26(11):2344-2353. ] DOI:10.11834/jrs.20210205

[52]
Nie Y, Liu Q, Wang J D, et al. An inventory of historical glacial lake outburst floods in the Himalayas based on remote sensing observations and geomorphological analysis[J]. Geomorphology, 2018, 308:91-106. DOI:10.1016/j.geomorph.2018.02.002

[53]
张波, 张瑞, 刘国祥, 等. 基于SAR影像的贡巴冰川末端冰湖年际变化监测及溃决规律分析[J]. 武汉大学学报·信息科学版, 2019, 44(7):1054-1064.

[ Zhang B, Zhang R, Liu G X, et al. Monitoring of Interannual Variabilities and Outburst Regularities Analysis of Glacial Lakes at the End of Gongba Glacier Utilizing SAR Images[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7):1054-1064. ] DOI:10.13203/j.whugis20190087

[54]
Chen F, Zhang M M, Guo H D, et al. Annual 30 m dataset for glacial lakes in High Mountain Asia from 2008 to 2017[J]. Earth System Science Data, 2021, 13(2):741-766. DOI:10.5194/essd-13-741-2021

[55]
He Y, Yao S, Yang W, et al. An Extraction Method for Glacial Lakes Based on Landsat-8 Imagery Using an Improved U-Net Network[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14:6544-6558. DOI:10.1109/JSTARS.2021.3085397

[56]
Tom M, Frey H, Odermatt D. A deep learning approach for mapping and monitoring glacial lakes from space[C]// EGU General Assembly 2022, 2022:EGU22-10637. DOI: 10.5194/egusphere-egu22-10637

[57]
Kaushik S, Singh T, Joshi P K, et al. Automated mapping of glacial lakes using multisource remote sensing data and deep convolutional neural network[J]. International Journal of Applied Earth Observation and Geoinformation, 2022, 115:103085. DOI:10.1016/j.jag.2022.103085

[58]
Dou X Y, Fan X M, Wang X, et al. Spatio-Temporal Evolution of Glacial Lakes in the Tibetan Plateau over the Past 30 years[J]. Remote sensing, 2023, 15(2):416. DOI: 10.3390/rs15020416

[59]
Lesi M C, Nie Y, Shugar D H, et al. Landsat- and Sentinel-derived glacial lake dataset in the China-Pakistan Economic Corridor from 1990 to 2020[J]. Earth System Science Data, 2022, 14(12):5489-5512. DOI:10.5194/essd-14-5489-2022

[60]
姚晓军, 刘时银, 魏俊锋. 喜马拉雅山北坡冰碛湖库容计算及变化——以龙巴萨巴湖为例[J]. 地理学报, 2010, 65(11):1381-1390.

DOI

[ Yao X J, Liu S Y, Wei J F. Reservoir Capacity Calculation and Variation of Moraine-dammed Lakes in the North Himalayas: A case study of Longbasaba Lake[J]. Acta Geographica Sinica, 2010, 65(11):1381-1390. ] DOI:10.11821/xb201011008

[61]
罗竹, 刘凯, 张春亢, 等. DEM在湖泊水文变化研究中的应用进展[J]. 地球信息科学学报, 2020, 22(7):1510-1521.

DOI

[ Luo Z, Liu K, Zhang C K, et al. Progress of the DEM Application for Studying Lake Hydrologic Dynamics[J]. Journal of Geo-Information Science, 2020, 22(7):1510-1521. ] DOI:10.12082/dqxxkx.2020.190538

[62]
Zheng G X, Mergili M, Emmer A, et al. The 2020 glacial lake outburst flood at Jinwuco, Tibet: causes, impacts, and implications for hazard and risk assessment[J]. The Cryosphere, 2021b, 15(7):3159-3180. DOI:10.5194/tc-15-3159-2021

[63]
Muñoz R, Huggel C, Frey H, et al. Glacial lake depth and volume estimation based on a large bathymetric dataset from the Cordillera Blanca, Peru[J]. Earth Surface Processes and Landforms, 2020, 45(7):1510-1527. DOI:10.1002/esp.4826

[64]
Qi M M, Liu S Y, Wu K P, et al. Improving the accuracy of glacial lake volume estimation: A case study in the Poiqu Basin, central Himalayas[J]. Journal of Hydrology, 2022, 610:127973. DOI:10.1016/j.jhydrol.2022.127973

[65]
Zhang T G, Wang W C, An B S. A conceptual model for glacial lake bathymetric distribution[J]. The Cryosphere Discuss [preprint], in review, 2023. DOI:10.5194/tc-2023-12 2023-10-17]

[66]
Li D, Shangguan D H, Wang X Y, et al. Expansion and hazard risk assessment of glacial Lake Jialong Co in the central Himalayas by using an unmanned surface vessel and remote sensing[J]. Science of the Total Environment, 2021, 784:147249. DOI:10.1016/j.scitotenv.2021.147249

[67]
刘琼欢. 中国冰湖遥感调查与水量估算[D]. 湘潭: 湖南科技大学, 2016.

[ Liu Q H. Investigation and estimating the storage of glacial lakes based on remote sensing data in western China[D]. Xiangtan: Hunan University of Science and Technology, 2016. ]

[68]
王欣, 丁永建, 张勇. 冰川融水对山地冰冻圈冰湖水文效应的影响[J]. 湖泊科学, 2019, 31(3):609-620.

[ Wang X, Ding Y J, Zhang Y. The influence of glacier meltwater on the hydrological effect of glacial lakes in Mountain Cryosphere[J]. Journal of Lake Sciences, 2019, 31(3):609-620. ] DOI:10.18307/2019.0301

[69]
Song C Q, Sheng Y W. Contrasting evolution patterns between glacier-fed and non-glacier-fed lakes in the Tanggula Mountains and climate cause analysis[J]. Climatic Change, 2016, 135(3/4):493-507. DOI:10.1007/s10584-015-1578-9

[70]
陈宁生, 丁海涛, 邓明枫. 2014—2016年藏东南米堆冰川冰湖观测数据[DS]. 国家冰川冻土沙漠科学数据中心(www.ncdc.ac.cn), 2019.

[ Chen N S, Ding H T, Deng M F. 2014-2016 ice lake observation data of Midui Glacier in Southeast Tibet[DS]. National Cryosphere Desert Data Center(www.ncdc.ac.cn), 2019. ] DOI:10.12072/ncdc.BoMi.db0004.2020

[71]
Song C Q, Sheng Y W, Ke L H, et al. Glacial Lake evolution in the southeastern Tibetan Plateau and the cause of rapid expansion of proglacial lakes linked to glacial-hydrogeomorphic processes[J]. Journal of Hydrology, 2016, 540:504-514. DOI:10.1016/j.jhydrol.2016.06.054

[72]
Emmer A, Wood J L, Cook S J, et al. 160 glacial lake outburst floods (GLOFs) across the Tropical Andes since the Little Ice Age[J]. Global and Planetary Change, 2022, 208:103722. DOI:10.1016/j.gloplacha.2021.103722

[73]
Emmer A. Vanishing evidence? On the longevity of geomorphic GLOF diagnostic features in the Tropical Andes[J]. Geomorphology, 2023, 422:108552. DOI:10.1016/j.geomorph.2022.108552

[74]
Veh G, Korup O, Roessner S, et al. Detecting Himalayan glacial lake outburst floods from Landsat time series[J]. Remote Sensing of Environment, 2018, 207:84-97. DOI: 10.1016/j.rse.2017.12.025

[75]
Nie Y, Sheng Y W, Liu Q, et al. A regional-scale assessment of Himalayan glacial lake changes using satellite observations from 1990 to 2015[J]. Remote Sensing of Environment, 2017, 189:1-13. DOI:10.1016/j.rse.2016.11.008

[76]
Zheng G X, Bao A M, Allen S, et al. Numerous unreported glacial lake outburst floods in the Third Pole revealed by high-resolution satellite data and geomorphological evidence[J]. Science Bulletin, 2021c, 66(13):1270-1273. DOI:10.1016/j.scib.2021.01.014

[77]
Veh G, Lützow N, Tamm J, et al. Less extreme and earlier outbursts of ice-dammed lakes since 1900[J]. Nature, 2023, 614(7949):701-707. DOI:10.1038/s41586-022-05642-9

[78]
Vilímek V, Emmer A, Huggel C, et al. Database of glacial lake outburst floods (GLOFs)-IPL project No.179[J]. Landslides, 2014, 11(1):161-165. DOI:10.1007/s10346-013-0448-7

[79]
Lützow N, Veh G, Korup O. A global database of historic glacier lake outburst floods[J]. Earth System Science Data, 2023, 15(7):2983-3000. DOI:10.5194/essd-15-2983-2023

[80]
Shrestha F, Steiner J F, Shrestha R, et al. A comprehensive and version-controlled database of glacial lake outburst floods in High Mountain Asia[J]. Earth System Science Data, 2023, 15(9):3941-3961. DOI:10.5194/essd-15-3941-2023

[81]
Zhang G Q, Bolch T, Yao T D, et al. Underestimated mass loss from lake-terminating glaciers in the greater Himalaya[J]. Nature Geoscience, 2023, 16(4):333-338. DOI:10.1038/s41561-023-01150-1

[82]
Wilson R, Glasser N F, Reynolds J M, et al. Glacial Lakes of the Central and Patagonian Andes[J]. Global and Planetary Change, 2018, 162:275-291. DOI:10.1016/j.gloplacha.2018.01.004

[83]
Steffen T, Huss M, Estermann R, et al. Volume, evolution, and sedimentation of future glacier lakes in Switzerland over the 21st century[J]. Earth Surface Dynamics, 2022, 10(4):723-741. DOI:10.5194/esurf-10-723-2022

[84]
Pandit A, Ramsankaran R. Identification of Potential Sites for Future Lake Formation and Expansion of Existing Lakes in Glaciers of Chandra Basin, Western Himalayas, India[J]. Frontiers in Earth Science, 2020, 8:500116. DOI:10.3389/feart.2020.500116

[85]
Frey H, Haeberli W, Linsbauer A, et al. A multi-level strategy for anticipating future glacier lake formation and associated hazard potentials[J]. Natural Hazards and Earth System Sciences, 2010, 10(2):339-352. DOI:10.5194/nhess-10-339-2010

[86]
Linsbauer A, Paul F, Hoelzle M, et al. The Swiss Alps without Glaciers: GIS-based modelling approach for reconstruction of glacier beds[J]. Proceedings of Geomorphometry 2009, 2009:243-247. DOI:10.5167/uzh-27834

[87]
Maussion F, Butenko A, Champollion N, et al. The Open Global Glacier Model (OGGM) v1.1[J]. Geoscientific Model Development, 2019, 12(3):909-931. DOI:10.5194/gmd-12-909-2019

[88]
Frey L W, Frey H, Huss M, et al. A global inventory of potential future glacial lakes[C]// EGU21, the 23rd EGU General Assembly, 2021:EGU21-4774. DOI:10.5194/egusphere-egu21-4774

[89]
Saha A, Jain M, Schwanghart W. Forecasting the evolution and growth of glacial lakes[C]// EGU22, the 24th EGU General Assembly, 2022:EGU22-9009. DOI:10.5194/egusphere-egu22-9009

[90]
Carrivick J L, Tweed F S. Proglacial lakes: character, behaviour and geological importance[J]. Quaternary Science Reviews, 2013, 78:34-52. DOI:10.1016/j.quascirev.2013.07.028

[91]
Linsbauer A, Frey H, Haeberli W, et al. Modelling glacier-bed overdeepenings and possible future lakes for the glaciers in the Himalaya-Karakoram region[J]. Annals of Glaciology, 2016, 57(71):119-130. DOI:10.3189/2016aog71a627

[92]
Furian W, Loibl D, Schneider C. Future glacial lakes in High Mountain Asia: An inventory and assessment of hazard potential from surrounding slopes[J]. Journal of Glaciology, 2021, 67(264):653-670. DOI:10.1017/jog.2021.18

[93]
Furian W, Maussion F, Schneider C. Projected 21st-Century Glacial Lake Evolution in High Mountain Asia[J]. Frontiers in Earth Science, 2022, 10:821798. DOI:10.3389/feart.2022.821798

[94]
King O, Dehecq A, Quincey D, et al. Contrasting geometric and dynamic evolution of lake and land-terminating glaciers in the central Himalaya[J]. Global and Planetary Change, 2018, 167:46-60. DOI:10.1016/j.gloplacha.2018.05.006

[95]
王琼, 王欣, 雷东钰, 等. 山地冰川演化与冰湖发育相互作用机制[J]. 冰川冻土, 2022, 44(3):1041-1052.

DOI

[ Wang Q, Wang X, Lei D Y, et al. The interaction mechanisms between mountain glacier evolution and glacial lake development[J]. Journal of Glaciology and Geocryology, 2022, 44(3):1041-1052. ] DOI:10.7522/j.issn.1000-0240.2022.0097

[96]
魏俊锋, 张特, 张勇, 等. 入湖冰川物质平衡序列重建与分析——以喜马拉雅山北坡龙巴萨巴冰川为例[J]. 冰川冻土, 2022, 44(3):914-929.

DOI

[ Wei J F, Zhang T, Zhang Y, et al. Reconstruction and analysis of mass balance for lake-terminating glaciers: a case study of Longbasaba Glacier, north Himalaya[J]. Journal of Glaciology and Geocryology, 2022, 44(3):914-929. ] DOI:10.7522/j.issn.1000-0240.2022.0087

[97]
Zhao F Y, Long D, Li X D, et al. Rapid glacier mass loss in the Southeastern Tibetan Plateau since the year 2000 from satellite observations[J]. Remote Sensing of Environment, 2022, 270:112853. DOI:10.1016/j.rse.2021.112853

[98]
Bazai N A, Cui P, Carling P A, et al. Increasing glacial lake outburst flood hazard in response to surge glaciers in the Karakoram[J]. Earth-Science Reviews, 2021, 212:103432. DOI:10.1016/j.earscirev.2020.103432

[99]
Stuart-Smith R F, Roe G H, Li S, et al. Increased outburst flood hazard from Lake Palcacocha due to human-induced glacier retreat[J]. Nature Geoscience, 2021, 14(2):85-90. DOI:10.1038/s41561-021-00686-4

[100]
Wang S J, Che Y J, Ma X G. Integrated risk assessment of glacier lake outburst flood (GLOF) disaster over the Qinghai-Tibetan Plateau (QTP)[J]. Landslides, 2020, 17(12):2849-2863. DOI:10.1007/s10346-020-01443-1

[101]
Dubey S, Goyal M K. Glacial Lake Outburst Flood Hazard, Downstream Impact, and Risk Over the Indian Himalayas[J]. Water Resources Research, 2020, 56(4):1-21. DOI:10.1029/2019wr026533

[102]
Wang W C, Zhang T G, Yao T D, et al. Monitoring and early warning system of Cirenmaco glacial lake in the central Himalayas[J]. International Journal of Disaster Risk Reduction, 2022, 73:102914. DOI:10.1016/j.ijdrr.2022.102914

[103]
Maurer J M, Schaefer J M, Russell J B, et al. Seismic observations, numerical modeling, and geomorphic analysis of a glacier lake outburst flood in the Himalayas[J]. Science Advances, 2020, 6(38):eaba3645. DOI:10.1126/sciadv.aba3645

[104]
Mergili M, Pudasaini S P, Emmer A, et al. Reconstruction of the 1941 GLOF process chain at Lake Palcacocha (Cordillera Blanca, Peru)[J]. Hydrology and Earth System Sciences, 2020, 24(1):93-114. DOI:10.5194/hess-24-93-2020

[105]
Nie Y, Liu W, Liu Q, et al. Reconstructing the Chongbaxia Tsho glacial lake outburst flood in the Eastern Himalaya: Evolution, process and impacts[J]. Geomorphology, 2020, 370:107393. DOI:10.1016/j.geomorph.2020.107393

[106]
张太刚, 王伟财, 高坛光, 等. 亚洲高山区冰湖溃决洪水事件回顾[J]. 冰川冻土, 2021, 43(6):1673-1692.

DOI

[ Zhang T G, Wang W C, Gao T G, et al. Glacial Lake outburst floods on the High Mountain Asia: A review[J]. Journal of Glaciology and Geocryology, 2021, 43(6):1673-1692. ] DOI:10.7522/j.issn.1000-0240.2021.0066

[107]
Duan H Y, Yao X J, Zhang Y A, et al. Lake volume and potential hazards of moraine-dammed glacial lakes: A case study of Bienong Co, southeastern Tibetan Plateau[J]. The Cryosphere, 2023, 17(2):591-616. DOI:10.5194/tc-17-591-2023

[108]
Sedai S, Jayaratne R, Nepal J, et al. NH33E-1051:Glacial Lake Outburst Flood (GLOF) Triggering Factors at Hindu Kush-Himalaya, Mt. Everest Region, Nepal[C]// AGU 100 Fall Meeting Abstracts, 2018:NH33E-1051. 2023-10-04]

[109]
Main B, Copland L, Smeda B, et al. Terminus change of Kaskawulsh Glacier, Yukon, under a warming climate: Retreat, thinning, slowdown and modified proglacial lake geometry[J]. Journal of Glaciology, 2023, 69(276):936-952. DOI:10.1017/jog.2022.114

Options
文章导航

/

〈 〉