下载文档原格式
基于Landsat TM影像的山地冰川信息提取技术研究赵健赟;彭军还【摘要】以老虎沟冰川为例,在分析Landsat TM图像特征及其相互关系的基础上,研究多种冰川信息提取方法.结果表明,Otsu自动阈值法可有效降低主观因素影响,Slope等多元信息的融合有利于提高分类精度和降低斑点噪声,基于图像多尺度分割的面向对象法综合利用了图像光谱、纹理等特征,比基于像元的分类法总体精度最大提高2.47％,错分率最大降低2.50％,可显著抑制“椒盐”和“毛刺”效应.【期刊名称】《华中师范大学学报（自然科学版）》【年(卷),期】2016(050)002【总页数】5页(P309-313)【关键词】多元信息融合;面向对象;Otsu自动阈值;Slope;冰川提取【作者】赵健赟;彭军还【作者单位】中国地质大学(北京)土地科学技术学院,北京100083;青海大学地质工程系,西宁810016;中国地质大学(北京)土地科学技术学院,北京100083【正文语种】中文【中图分类】P237冰川是冰冻圈的重要组成部分，也是气候变化的记录器和指示器，对地表径流、海平面变化以及大气环流有重要影响[1,2].在气候变暖的背景下，全球大部分冰川出现退缩，且近几十年来呈现加剧趋势，大量小冰川将在本世纪完全消失[3].中国目前拥有冰川面积约51 800 km2，约占0.54%的国土面积，4/5以上分布在海拔4500～6 500 m之间的中国西部山系，是中国极其重要的固体水资源[4-5].因此，对山地冰川及其变化的研究具有重要的科学和现实意义，近年来受到政府和学术界的广泛关注和研究.山地冰川地处偏远，气候环境相对恶劣，交通条件极为不便，遥感已经成为其信息提取的主要技术手段.传统的目视解译方法虽具有较高的精度，但工作量大，生产效率下，不易推广.目前，针对计算机自动、半自动化冰川信息提取技术的研究已经取得了一定的成果，如Paul研究发现TM4/TM5能有效识别阴影下的冰川，高分辨率和中分辨率遥感影像在识别洁冰中精度相差不大，差异值在5%左右，而表碛覆盖冰川的识别精度主要取决于影像分辨率，差异值在30%以上[2]，Sidjk研究发现PC2-4、TM4/TM5和NDSI的组合方法能较好的处理阴影区和表碛覆盖冰川[6]，上官东辉等研究表明K-L变换可用于表碛覆盖冰川增强，但不易提取阴影区冰川[7]，等.这些方法并不具有通用性，积雪、冰碛、阴影等问题依然存在，发展更为先进的冰川信息提取技术是其重要方向[7].本文以祁连山脉老虎沟冰川为例，利用Landsat TM、DEM等数据，对基于像元和面向对象的冰川信息提取方法进行分析和研究.老虎沟冰川位于祁连山西段大雪山地区(图1)，属于典型的极大陆型冰川，其12号冰川是祁连山最大的山谷冰川，末端位于海拔4 260 m 处，东西两支冰川在海拔4 550 m处汇合，受亚洲中部荒漠影响，具有典型的大陆性气候特征，夏季平均气温超过0℃，冬季严寒，且低温持续时间长，降水受西风作用，以局地降水为主，集中在5～9月[8].遥感影像采用2009年9月1日(行列号：136/033)的Landsat TM数据，DEM 采用美国航空航天局SRTM 90 m DEM Version 4数据.对TM数据进行裁切，对DEM数据经异常值剔除后，计算获得研究区坡度(Slope)数据.所有数据统一采用Albers等面积投影(南标准纬线：25°N；北标准纬线：47°N；中央经线：105°E).基于像元的冰川信息提取主要有非监督分类法、监督分类法、主成分分析法、归一化雪盖指数(Normalized Difference Snow Index，NDSI)法和比值阈值法等.考虑到非监督分类法提取冰川信息精度明显低于监督分类法[7]，在此不再讨论.监督分类法是依据选定的训练样本，按照特定的机器学习法则对图像所有像元进行判别计算，从而实现地物信息的分类和提取.对研究区TM假彩色合成(543波段)数据进行分析发现冰川中部呈亮蓝色，冰舌及其周缘部分呈深蓝色，裸岩呈亮红色，阴影区裸岩呈暗红色.因此，考虑首先将图像分为冰川、冰舌、裸岩和阴影四类，再合并为冰川和非冰川两类.分别选择四类地物的训练样本，样本可分离度最小为1.997，均符合要求，然后利用贝叶斯分类法对研究区地物进行监督分类.TM各波段间存在较强的相关性(表1)，数据冗余度较高，而主成分变换通过对数据的协方差矩阵进行特征值分解，其特征向量对应数据的主成分，特征值对应数据在各个主成分上的权重，变换后各主成分分量相互独立[9].对图像进行主成分变换，第一主成分占到93.56%的信息量，第一、二主成分(PCA2)占到97.72%.因此，对前两个主成分依据上述样本进行贝叶斯监督分类.NDSI法是利用冰雪在可见光和近红外波段的光谱差异特征提取冰川信息，对于Landsat 5 TM数据，其计算方法如下[7,10]：从研究区NDSI频率直方图可以看出(图2)，冰川集中分布在0.6～0.9之间，而非冰川区域的NDSI值多为负值.经多次实验对比分析，最终确定NDSI阈值为0.32. 根据冰盖、裸岩、阴影和冰舌的图像特征(图3)，冰盖、冰舌在B5、B3段与裸岩、阴影存在较大差异，因此可以利用其比值提取冰川信息.由比值频率直方图可知(图4)，冰川区域的比值主要集中在0.2以下，而非冰川区域主要分布在0.8～1.4之间.多次实验后确定阈值为0.35.由于上述NDSI和比值阈值法均需要通过人机交互实验确定最佳分割阈值，信息提取受主观因素影响较大，因此本研究提出利用Otsu自动阈值法提取冰川信息.该方法基于对图像灰度直方图的统计分析，计算两类出现的概率及其均值，获得最大的类间方差确定最佳阈值[11]，计算实现过程不再赘述，利用Otsu自动阈值法确定的最佳阈值为0.54.主成分分析、NDSI及比值阈值法提取冰川信息均只单纯利用了图像的波段特征和信息，为获得综合利用多元信息的图像分类结果，将占93.56%信息量的第一主成分(PCA1)、NDSI、比值(B5/B3)和基于DEM获得的Slope图像进行融合，利用学习样本对其进行贝叶斯监督分类.面向对象分类技术针对图像分割的同质图斑，发掘图像知识信息，结合光谱、纹理、空间等特征，建立规则实现图像分类[10]，流程如图5所示.通过对图像的多尺度分割，将同质像元分割为相同对象体，由于地物格局对尺度的依赖性，需要交互选择最佳尺度参数[12-13].对上述多元信息合成图像进行多次实验后最终确定研究区冰川信息提取的分割尺度为40，合并阈值为80.同时，提取图像光谱、纹理的均值等特征，建立如下规则进行分类(表2).上述基于像元和面向对象的冰川信息提取方法分类结果如图6(a)～(g)所示.对Google Earth下载的TM同期高分辨率影像进行人工解译(图6(h))，统计老虎沟12号冰川解译面积为20.82 km2，与同期的大地测量面积(21.03 km2)相比[14]，误差为-0.98%.因此，目视解译成果可靠，将其整体作为检验样本数据，对各方法的分类结果进行检验，获得各自的混淆矩阵和分类精度(表3).在基于像元的分类方法中，Otsu自动阈值分类精度虽然比主成分分析法、NDSI法和比值阈值法略低，但研究发现其精度受研究区冰川和非冰川的面积比例影响较大，当二者面积均衡时，分类精度较高.但该方法能有效避免其它方法确定阈值过程中的主观性，减少由于缺乏经验造成的错分现象，可以在适当区域或确定阈值初值时使用.Slope信息在冰川提取中发挥有效作用.融合研究区假彩色和Slope图像进行监督分类，比单纯利用假彩色图像分类总体精度提高1.77%.在研究区Slope图像上，老虎沟12号冰川存在明显的判读范围(平均坡度13.5°)，Adina等研究也发现Slope信息是冰碛覆盖冰川提取的关键因素[15].各分类方法的总体精度位于94%～96%之间，且除了直接利用假彩色图像的贝叶斯分类法之外，其它方法的分类精度非常接近，差异性并不显著，说明在冰川信息提取中，像元分类法和面向对象分类法都具有适用性.但是，将基于像元的贝叶斯和多元信息融合监督分类结果、面向对象分类结果和地面样本数据均转换为Shp 格式并统计小于10 000 m2的图斑(表4)，发现面向对象分类法可显著减少像元分类法中存在的斑点噪声，而多元信息的融合对于改善像元法分类结果也有明显的作用.像元分类法要结合影像的色调、纹理和分布等特征进行判读，需要更多的专家经验知识，但分类算法简单，易于实现，速度比面向对象法快，且对所确定的阈值不太敏感[16]，大范围冰川提取效率高.面向对象冰川信息提取对图像分割、合并尺度和精度的依赖性较高，运算量大，对计算机性能和内存要求高，软件成本昂贵，选取最佳规则花费的时间长，但该方法在图像多尺度分割的基础上综合利用了图像光谱、纹理等特征，虽然获得的分类精度与像元法无显著差别，但可显著抑制分类结果中的“椒盐”和“毛刺”现象，也便于后期的冰川编辑、制图和输出.本文利用Landsat TM、DEM等数据，在分析研究区地物图像特征及其相互关系的基础上，对多种冰川信息提取方法进行研究.结果表明，在基于像元的冰川信息提取中，融合Slope等多元信息的分类法可有效改善原始光谱影像的分类精度及斑点噪声，而Otsu自动阈值法能减少分类过程中的主观因素，在适当区域的冰川信息提取或分类阈值初选中有很好的应用前景.面向对象分类法比基于原始光谱影像的像元分类法总体精度提高2.47%，错分率降低2.50%，虽与其它像元法分类精度相当，但可显著减少像元分类法中存在的“椒盐”和“毛刺”效应，但也存在成本高、速度慢等问题.然而，本研究使用的DEM数据分辨率较低，Slope信息发挥的作用不够显著，且在自动阈值分类中没有考虑相邻像元的图像特征，将在今后的研究中改进.。
⾯向对象的极⾼海拔区⽔体及冰川信息提取——以珠穆朗玛峰国家级
⾯向对象的极⾼海拔区⽔体及冰川信息提取——以珠穆朗玛峰国家级⾃然保护区核⼼区为例
张继平;刘林⼭;张镱锂;聂勇;张学儒;张琴琴
【期刊名称】《地球信息科学学报》
【年(卷),期】2010(012)004
【摘要】极⾼海拔地区多为河流发源、冰川发育地,由于地形起伏强烈,且野外考察验证⼯作困难,传统的遥感信息提取⽅法很难保证该地区⽔体及冰川的提取精度.本⽂基于ASTER影像,运⽤⾯向对象的图像信息⾃动分析⽅法,对珠穆朗玛峰国家级⾃然保护区核⼼区的⽔体及冰川信息进⾏了提取研究.为保证信息提取的准确度,将数字⾼程模型(DEM)及其衍⽣数据(坡度、坡向),归⼀化植被指数(NDVI)数据,及有助于区分⽔体、冰川与其他地物的相关指数(冰雪指数NDSⅡ)及波段运算结果(b1-b3)、(b3/b4)等,分别作为⼀个波段叠加到原始图像中,使之成为对⽬标地物光谱特征的有益补充.并对不同类型的⽔体及冰川进⾏多级、多尺度分割,以满⾜其对分割尺度的不同要求.分割完成后,综合考虑⽬标地物的光谱特征、纹理特征、空间结构特征,根据各特征指数的直⽅图信息,设定合适的阈值,建⽴了各⽔体及冰川类型信息提取的知识规则,并结合实地调查对信息提取的精度进⾏验证,改进了ASTER遥感影像⾃动快速提取极⾼海拔区⽔体及冰川信息的实⽤模型.
【总页数】7页(517-523)
【关键词】⾯向对象;⽔体;冰川;信息提取;珠穆朗玛峰国家级⾃然保护区
【作者】张继平;刘林⼭;张镱锂;聂勇;张学儒;张琴琴
【作者单位】中国科学院地理科学与资源研究所,北京,100101;中国科学院研究。
冰川的冰川遥感与监测技术随着全球气候的变暖，冰川的融化成为一个全球性的问题。
冰川的消失不仅对地球生态系统产生深远的影响，还会对人类社会带来巨大的风险。
因此，冰川遥感与监测技术的发展变得尤为重要，它可以提供准确的冰川变化数据，为科学研究和决策提供支持。
一、冰川遥感技术的原理和应用冰川遥感技术是利用航空遥感和卫星遥感技术获取冰川相关数据的方法。
通过传感器获取的数据可以反映冰川的形态、体积、速度和温度等信息，进而揭示冰川的动态变化过程。
冰川遥感技术在冰川水资源评估中有广泛的应用。
利用卫星遥感技术，可以对全球范围内的冰川进行监测和评估。
这些数据为冰川融水贡献和水资源规划提供了重要依据。
此外，冰川遥感技术还可以用于冰川地貌与变化模拟、冰川水文学研究以及全球冰川气候系统的分析。
二、冰川遥感监测技术的发展现状冰川遥感监测技术的发展经历了多个阶段。
最早是通过航空摄影技术获取冰川的静态影像，但受到天气条件和地面难度的限制。
后来，随着卫星技术的进步，人们开始使用卫星影像来监测冰川。
目前，基于卫星的冰川遥感技术已经成为主流。
近年来，随着遥感技术和计算机科学的进步，冰川监测方法也发生了革命性的变化。
遥感数据的处理和分析变得更加高效和自动化，可以实现对大规模冰川的快速监测和分析。
同时，遥感技术还可以结合地理信息系统（GIS）和全球定位系统（GPS）等技术，为冰川监测提供更多的空间和时间分辨率。
三、冰川遥感监测技术的挑战与前景虽然冰川遥感监测技术取得了很大的进展，但仍然存在一些挑战。
首先，冰川遥感数据的获取需要克服气候条件和人类活动影响等困难。
其次，冰川监测数据的解释和分析也需要专业技术人员进行处理。
未来，冰川遥感与监测技术仍将面临巨大的发展空间和前景。
一方面，随着遥感技术的不断革新，冰川监测数据的获取将变得更加精确和实时。
另一方面，结合人工智能和大数据等新技术，冰川监测数据的分析和解释也将更加高效和准确。
综上所述，冰川遥感与监测技术是研究和保护冰川资源的重要手段。
gee提取冰川的算法
GEE提取冰川的算法是一种基于地理信息系统（GIS）和图像处理技术的算法，主要用于提取和处理冰川区域的数据。
该算法首先对输入的遥感影像进行预处理，包括辐射定标、大气校正和地形校正等，以提高影像的精度和可靠性。
然后，算法采用阈值分割和形态学处理等技术，对预处理后的影像进行冰川区域的提取。
其中，阈值分割是根据冰川区域的特征，设置合适的阈值，将影像中的冰川区域与其他区域进行区分。
形态学处理则是对分割后的区域进行形态分析和处理，去除噪声和干扰，提高冰川区域的准确性和完整性。
接下来，算法对提取出的冰川区域进行特征提取和分类识别。
特征提取包括纹理、形状、大小、方向等特征的提取，用于描述冰川区域的特征和属性。
分类识别则是根据提取的特征，采用分类算法对冰川区域进行分类和识别，得到冰川区域的分类结果。
最后，算法对分类结果进行后处理，包括坐标变换、数据格式转换等，将分类结果转换为所需的格式和数据结构，以便于后续的数据分析和应用。
总之，GEE提取冰川的算法是一种基于GIS和图像处理技术的算法，能够高效、准确地提取和处理冰川区域的数据，为冰川监测、气候变化研究等领域提供了重要的技术支持。
如何利用遥感数据进行冰川监测和评估近年来，随着全球气候变化的加剧，冰川融化速度加快，引发了对于冰川监测和评估的重要需求。
遥感技术以其高效、全面的特点，成为了冰川监测的重要工具。
本文将介绍如何利用遥感数据进行冰川监测和评估的方法和应用。
一、遥感数据的概述遥感数据是通过卫星、飞机等远距离传感器获取的地球表面的数据。
遥感技术可分为主动遥感和被动遥感。
主动遥感利用雷达、激光等传感器发送信号，并接收反射或散射回来的信号；被动遥感则是通过接收地球表面反射或辐射的能量来获取信息。
二、冰川监测的需求和挑战冰川是全球水资源的重要来源之一，对于冰川的监测和评估具有重要意义。
然而，传统的冰川监测方法通常耗时耗力且成本高昂。
同时，冰川监测受到气候条件的限制，如果无法实时监测冰川的变化，将导致对于冰川融化速度的误判。
三、利用遥感数据进行冰川监测1. 冰川边界的提取冰川边界的提取是冰川监测的关键步骤之一。
通过遥感技术，可以获取大范围的冰川照片，并利用图像处理软件进行边界的提取。
例如，利用卫星图像进行边界提取，可以使用像素级的图像分割算法，将冰川区域与非冰川区域进行准确划分。
2. 冰川融化的监测利用遥感数据，可以实时获取冰川融化的信息。
通过获取不同时间点的遥感影像，可以对比各时期冰川边界的变化情况，进而确定融化程度和速度。
通过遥感数据，还可以对冰川的厚度、表面高程等进行监测，以获取更全面的冰川融化信息。
3. 冰川面积和体积的计算冰川面积和体积是评估冰川变化的重要指标。
利用遥感数据，可以采用基于遥感影像的监测方法，计算冰川面积的变化。
同时，借助高精度的数字高程模型数据，可以计算冰川的体积变化。
这些数据为冰川变化评估提供了重要的定量指标。
四、遥感数据在冰川变化评估中的应用1. 冰川融化速度的评估利用遥感技术可以实时监测冰川的融化速度，通过对比不同时间点的遥感图像，可以精确评估冰川融化的速度和变化趋势。
这有助于大规模区域的冰川融化监测和全球气候变化的研究。
冰湖边界提取流程一、引言冰湖是指在冰川表面积水聚集形成的湖泊，是冰川运动和融化的结果。
冰湖边界提取是指通过遥感技术和图像处理方法，识别和提取冰湖的边界，以便对冰湖的分布、面积和变化进行研究。
本文将介绍冰湖边界提取的流程和方法。
二、数据获取需要获取高分辨率的冰湖遥感影像数据。
遥感影像可以通过卫星、无人机或航空摄影等方式获取。
这些影像应该具备较高的空间分辨率和较好的图像质量，以便准确提取冰湖边界。
三、预处理在进行冰湖边界提取之前，需要对获取的遥感影像进行预处理。
预处理的主要步骤包括：镶嵌和拼接、辐射校正、大气校正、几何校正等。
这些步骤旨在消除影像中的噪声、偏差和变形，提高影像的质量和准确性。
四、冰湖边界提取方法1. 阈值法阈值法是最常用的冰湖边界提取方法之一。
该方法基于影像像素的灰度值，通过设置一个阈值，将大于阈值的像素判定为冰湖，从而得到冰湖的边界。
然而，由于冰湖的灰度值与背景的灰度值相近，且冰湖的灰度分布不均匀，因此单一的阈值法难以准确提取冰湖边界。
2. 形态学操作法形态学操作法基于形态学处理的原理，通过腐蚀、膨胀、开运算和闭运算等操作，可以对冰湖的边界进行平滑和填充。
该方法能够有效地消除冰湖边界的尖锐和不连续性，提高边界的准确性和连续性。
3. 分水岭法分水岭法是一种基于图像分割的冰湖边界提取方法。
该方法将遥感影像看作地形表面，通过分析影像中的像素灰度值和梯度信息，将冰湖区域划分为不同的水流区域，从而得到冰湖的边界。
分水岭法能够较好地处理冰湖与背景的灰度差异和边界相似的问题，提高边界提取的准确性。
五、后处理在冰湖边界提取之后，还需要进行后处理，以进一步提高边界的准确性和连续性。
后处理的方法包括边界平滑、边界修剪、边界连接等。
这些方法可以消除边界的尖锐和不连续性，使边界更加平滑和自然。
六、结果评估对提取的冰湖边界进行结果评估。
可以通过与实地调查数据进行对比，计算边界提取的精度和误差。
同时，还可以利用时间序列遥感影像，对冰湖的面积和边界变化进行分析和比较，以评估冰湖的动态变化。
基于高分卫星数据的冰川长度综合提取方法
随着全球气候变暖、冰川融化的速度加快，对于冰川的监测和评价变得越来越重要。
冰川长度是评估和研究冰川变化的重要指标。
目前，高分辨率遥感卫星数据已经成为高效、准确地提取冰川长度的主要手段之一。
本文基于高分卫星数据，提出了一种冰川长度综合
提取方法。
首先，利用归一化差分植被指数（NDVI）和归一化差分湿度指数（NDWI）分别提取冰
川区域和融水区域。
NDVI和NDWI通过计算反射率，能够很好地反映出植被和水体等地物
的分布情况。
通过阈值分割法，将冰川区域和融水区域分离出来。
其次，利用高分辨率卫星图像的变化检测技术，提取冰川和融水边界。
根据冰川和融
水的反差差异，设计合适的阈值进行边界提取。
最后，利用数字高程模型（DEM）进行冰川长度测量。
DEM是地形高程信息的三维表述，能够准确地反映冰川地貌特征。
通过DEM计算冰川的高程信息，可以得到冰川的长度。
该综合提取方法不仅能够准确地提取冰川长度，还能够分析冰川区域和融水区域以及
冰川和融水边界的变化情况，进一步了解冰川演化的规律，为冰川资源的保护和管理提供
科学依据。
基于多源遥感影像数据的冰川信息提取方法研究基于多源遥感影像数据的冰川信息提取方法研究近年来，随着全球气候变暖的加剧，冰川的消融速度加快，其对于全球水资源和环境变化的重要性日益突显。
对冰川信息的准确提取和监测成为了冰川学研究的重要环节之一。
然而，由于冰川地理位置的偏远和复杂多变的地形条件，传统的野外实地调查方法显得不够高效和成本过高。
而遥感技术由于其全球覆盖性、长期连续性和多角度观测的特点，为冰川信息提取和监测提供了一种有效的手段。
本文主要研究基于多源遥感影像数据的冰川信息提取方法。
遥感影像数据主要涵盖了光学影像和雷达影像两大类。
其中，光学影像主要包括高光谱影像、多光谱影像和全色影像。
而雷达影像主要分为合成孔径雷达（SAR）和干涉合成孔径雷达（InSAR）两种。
本文将重点对这些数据进行预处理和特征提取，以实现对冰川信息的自动提取。
具体研究内容如下：首先，对于光学影像数据，我们将采用模型和传统算法相结合的方法。
首先，通过三维数字地形模型（DTM）和三维数字均匀负载模型（DLM）得到冰川表面高程和坡度信息，从而为冰川边界的提取提供基础。
然后，利用光谱信息，采用不同波段的阈值分割和分类算法，提取冰川区域。
最后，通过纹理特征分析和形态学方法，提取冰川的精细结构信息。
其次，对于雷达影像数据，我们将主要利用SAR和InSAR技术。
首先，通过SAR数据的预处理和过滤，获取反射率和散射强度信息。
然后，通过极化特性分析和直方图等方法，提取冰川边界。
接着，利用InSAR技术获取和处理多次重叠的雷达影像，再利用相位差分分析方法提取冰川表面形变信息。
最后，结合地形和遥感影像数据，进一步研究冰川内部结构和动态变化。
在研究的过程中，我们发现多源遥感影像数据的互补性和相互验证性是提高冰川信息提取精度的重要因素。
通过对不同类型数据的融合和集成，可以获得更全面和精确的冰川信息。
此外，由于冰川的动态变化和复杂性，需要采用多时相和多角度的遥感观测方法，以实现对冰川演化过程的监测和分析。
冰川湖泊的冰川监测技术和数据分析方法冰川是地球上珍贵的自然资源之一，对全球气候、水资源以及生态系统都起着至关重要的作用。
其中，冰川湖泊作为冰川系统中的重要组成部分，其变化状况直接关系到地球气候变化的研究和自然灾害的监测。
因此，冰川湖泊的监测技术和数据分析方法显得尤为重要。
一、冰川湖泊的监测技术1. 卫星遥感技术卫星遥感技术是监测冰川湖泊变化的重要手段之一。
通过卫星搭载的遥感传感器，可以获得高分辨率的遥感影像，进而监测冰川湖泊的水面面积、水位变化等信息。
卫星遥感技术可以实时观测大范围的冰川湖泊，为相关研究提供了重要的数据支持。
2. 激光雷达技术激光雷达技术是一种常用的冰川湖泊地形测量方法。
通过激光雷达的发射与接收，可以精确获取冰川湖泊的地形数据，包括湖泊表面高程、岸线形态等，从而实现对冰川湖泊的监测与分析。
3. 声纳技术声纳技术可以通过声波在水中的传播和反射,测量冰川湖泊的水深。
通过声纳测深仪等设备，可以获取冰川湖泊的水深分布等信息，从而了解冰川湖泊的水量变化。
4. 摄像技术摄像技术是一种便捷且成本较低的冰川湖泊监测手段。
通过在合适位置安装摄像设备，可以实时观测冰川湖泊的水位、水面变化等，为后续数据分析提供重要的依据。
二、冰川湖泊的数据分析方法1. 时间序列分析时间序列分析是一种常见的数据分析方法，通过对冰川湖泊监测数据的时间变化进行统计和分析，可以揭示其变化规律和趋势。
例如，可以利用时间序列分析方法分析水位、水面面积等监测数据与气候因子之间的关系，从而探究冰川湖泊与气候变化的关联。
2. 地理信息系统（GIS）分析地理信息系统（GIS）是一种重要的空间数据分析工具，可以对冰川湖泊的监测数据进行空间分析和可视化展示。
通过建立冰川湖泊的空间数据库，并结合其他地理数据，可以实现对冰川湖泊变化的三维分析和模拟，进一步深入研究冰川湖泊的演化机制。
3. 统计学方法统计学方法在冰川湖泊监测数据的分析中扮演着重要的角色。
基于遥感的冰川信息提取方法综述全球气候环境变化及其影响已成为当今世界各国政府、科学家和政策决策者所共同关注的重大焦点问题。
政府间气候变化委员会（IPCC第四次评估报告指出[1]，过去 100 a）（1906~2005 年）全球地表平均气温上升了0.74℃，而最近 50 a的升温速率几乎是接近过去 100 a 升温速率的两倍。
冰川对气候变化十分敏感，被视为气候变化的指示器，升温已导致全球大多数冰川在过去 100 多年里处于退缩状态，尤其是最近的几十年呈加速退缩态势[1,2]。
尽管大量的冰储存于两极冰盖中，但山地冰川和冰帽的储量损失在过去几十年和未来一个世纪对海平面上升、区域水循环和水资源可获取性均有重要影响[3-5]。
青藏高原及其毗邻地区蕴藏着世界上两极之外最大的冰雪储量，被称为“第三极”，该区气候变化引发的冰川变化不仅影响到周边地区十个国家的15亿人口的农业、发电等生产活动的水资源供应[3, 6, 7]，而且会引发区域乃至北半球的大气环流格局的变化[8]，从而使其成为国际冰川变化研究的热点地区。
此外，青藏高原很多内陆湖泊近期水位上涨、湖泊面积增大导致草场淹没以及冰湖溃决和泥石流滑坡等山地灾害，对周边地区的生态与环境及农牧民的生活造成了严重影响[9]。
因此，监测青藏高原冰川变化时空分异特征，对于更加清楚地认识该地区对全球气候变化的响应具有重要的科学意义，对于及时提供湖泊水量变化信息，制定当地农牧民的应对措施具有重要的现实意义。
本文系统梳理和总结了国内冰川监测相关研究进展，并探讨了当前该领域研究的不足以及未来的研究方向，旨在为我国冰川变化监测提供有益借鉴。
一、传统野外监测传统的冰川观测主要基于野外实地考察，开展较早。
世界上很多地区在一个多世纪以前就开始系统地观测冰川与冰盖的变化[10]。
1930s 之前一直依靠实测冰川末端的变化或对比小冰期冰碛物的位置获得冰川变化的信息，1940s 后期开始了冰川物质平衡研究，截止到 2008 年全球已获取了 1803 条冰川自19 世纪后期的冰川长度变化和 226 条冰川过去 60 年内的物质平衡观测结果[10]，分别占 1970s 估计的全球冰川总数 160000条[11]的 1.1%和 0.1%，观测数量很有限。
我国冰川研究事业开创于1958年祁连山冰川考察[11]，截止到 2007 年，基于野外考察共有 27 条冰川的长度变化和 5 条冰川的物质平衡的较长时间观测记录[12]，分别为我国冰川总数46377[13]条的 0.06%和 0.01%，远低于前述全球尺度的相应观测比例，且没有一条位于我国冰川分布中心之一的喀喇昆仑地区。
实地观测通常在容易到达、安全且不是太大的冰川进行，不能代表所有冰川的规模、海拔分布、坡度和朝向。
所以，仅靠少数野外考察资料很难反映全球或区域尺度冰川变化的空间特征，所获得的冰川变化趋势及其对气候变化的响应的结论也难免存在局限性。
二、冰川面积变化遥感监测遥感观测可以在瞬时获取较大范围的地面综合信息，适合对不同地理环境下的冰川变化进行长期而持续的监测，早期主要进行面积变化遥感研究。
1940s 以后，人们可以借助于航空摄影技术测绘冰川末端位置[14]。
1970s 之后，随着卫星遥感技术的发展和观测精度的提高，陆地资源系列卫星（Landsat MSS、TM 和ETM+）SPOT、ASTER、和ALOS 等影像逐渐被应用于大尺度的冰川变化监测。
全球陆地冰空间监测组织（GLIMS）目前正致力于建立世界范围内的冰川变化记录。
我国雪冰遥感的研究工作始于 70 年代中后期，基于大量的遥感影像、航空像片和大比例尺地形图，完成了我国第一次的冰川编目[12]，近期完成了第二次冰川编目，发现大致 30 年间冰川面积减少了 17%[7]。
国内利用航空像片来进行冰川变化分析仅在少数地区开展[16]，卫星遥感监测冰川面积变化是应用较多的手段，研究区已涉及祁连山[16- 19]、唐古拉山[20- 22]、昆仑山[23- 27]、喜马拉雅山[28- 34]、岗日嘎布山[35]、喀喇昆仑山[36]、念青唐古拉山[37- 39]、天山[40- 42]和横断山[43]等山系。
喀喇昆仑是西部重要的冰川分布中心之一，冰川覆盖度达 23.42%，远高于其他山系[12]，但目前研究很少。
冰川面积变化无法充分反映冰川物质收支变动，末端前进并不意味着冰川储量增加，而可能是冰川自身物质的空间分布发生变化；面积不变也不代表冰川高程没有变化，也即冰储量没有变化。
冰川储量变化比面积变化对气候变化更敏感，有最直接的响应，理解冰川变化机制需要开展这方面的研究。
(一)冰雪冰川面积参数自动化提取1.比值阈值法数据源：选用的数据包括大比例尺地形图根据数字地形图绘制本区高分辨率DEM;获取的正射纠正后LandsatTM遥感影像,多光谱空间分辨率为30m;中巴资源卫星影像,参考LandsatTM影像对中巴影像做正射纠正,多光谱空间分辨率为19.6m;ASTER遥感卫星影像,参考LandsatTM影像对其做正射纠正,多光谱空间分辨率为15m.选取的3个时期的影像云雪量都较少,比较适宜于冰雪及其表面盖物质的识别和研究[54]。
所用的软件为ESRI公司的ArcGIS,ITT Visual Information Solutions公司的ENVI图像处理软件和ERDAS公司的ERDAS图像处理软件。
研究方法与精度评估：数字化地形图，并与同期获取的航空相片作纠正。
根据航测的地形图所的冰川面积所占总冰川面积比例，所以把数字化地形图得到的冰川边界作为研究区区的冰川边界，得出冰川面积。
与第一次冰川编目的数据如果不一致，可能是由于选用的数据源以及人为误差引起的。
用比值阈值法将冰川与非冰川区分开来。
TM 影像的4波段/5波段被前人大量的运用，对于中巴影像，因为没有合适的波段进行比值运算，所以采用最为原始的且精度最高的人工解译；ASTER影像的3、4波段很类似于Landsat的4、5波段,所以我们选用3波段/4波段,也取得很理想的效果。
处理流程可分为4个步骤(1)波段比值. 波段比值法是利用冰在可见光波段的高反射和近红外波段的强吸收特性来区别冰与其它地物的。
我们选用两种比值方法:波段3/波段5和波段4/波段5，经过结果比较，波段4/波段5更能区分冰与其它地物，所以选择波段4/波段5。
(2)确定阈值. 不同的冰川类型所采用的阈值可能不一样，许君利在塔里木河流域利用Land2satETM+得到阈值范围在2.6～14.2之间。
经过多次的调试，确定2.3为最为有效的阈值。
(3)二值图像. 如果比值图像的灰度值大于阈值，那么图像所对应的地方就是冰川，反之亦然，这样得到冰川掩膜的二值图像。
二值图像的边界是锯齿状的，在选择边界点时，选择像元的中心点，这样就可以把锯齿状边界圆滑。
(4)人工解译. 因为比值阈值法很难识别阴影区和表碛，所以这些地方的边界需要在专家的指导下，参考DEM 进行人工解译。
数字化和冰川人工解译都是在3个冰川解译专家独立完成平均结果后得到。
在很多情况下，GoogleEarth 也是一个很好的参考工具。
对冰川边界的提取精度主要受传感器和图像配准误差的影响。
根据前人们的研究，每个冰川边界的不确定性可以用式(1)来计算:T U =（1）式中：UT 为冰川终端长度的不确定值；λ为原始图像像元的大小；ε为各个图像与LandsatTM 影像的配准误差。
通过式(1)计算出时相的数据间的不确定值UT 。
不同时间段图像配准的误差在一定程度上也很大的影响着冰川边界提取精度。
所以，我们把配准误差也算进来，变换式(1)得到式(2)，这样得到不同时相冰川面积提取的不确定值。
2A U 2U ε=∑ （2） 2.雪盖指数法雪盖指数是求解植被指数的延伸和应用推广，其原理是基于地物在某一波段强反射和在另一波段的强吸收特性。
[55]基本运算如下：NDSI=(CH(n)-CH(m))/(CH(n)+CH(m))式中:n 、m 分别代表雪的强反射与强吸收光谱波段号。
最常见的波段为2波段和5波段，如Landsat TM 和NOAA/AVHRR 等影像。
对于MODIS 可选择超远红外波段作为强吸收光谱波段(第26波段，11.4~12.6μm)。
对于不同传感器的遥感数据，雪的NDSI 临界值因不同的获取系统而各不相同。
NDSI 临界值选择了一个较宽的范围，但雪盖面积计算值离差并不大，说明NDSI 可以真正代表雪的反射特性并能有效地与其他地物区分。
3.监督分类与非监督分类法监督分类是基于对训练样本区的采样，对每一地物信息类的反射值生成一个统计特征。
通过检查逐个像元的发射值并确定它与哪个光谱特征最相似从而来对图像进行分类。
其中常用的分类器有最小距离分类器和最大似然分类器。
为保证分类的可行性，一般需要做尽可能多的野外调查工作。
一般以中分辨率成像光谱仪的MODIS 图像进行监督分类(确定该实验区有实测的以雪为主的地物光谱反射曲线数据)：①建立积雪样本区，在DRISI 图像处理软件环境下进行组文件查询，可以得到MODIS 所有26幅图像同像元点的光谱反射值和其对应的曲线，从中可以选择趋势相近的若干类曲线。
通过实测典型积雪类型反射光谱曲线，对比分析后，粗选出经验性积雪类型像元。
②进行训练样本的再验证。
本幅图像的样本区最好是在是在无云、大气状况良好的条件下获取的，根据该地区冰川分布图、数字地形模型、风吹雪影响诸多因素和基于多次实地考察。
在积雪类型中剔除不符合或不确定的像元并确定满足与实测积雪反射光谱曲线相近条件的像元。
③重复①和②步骤。
最好采样像元点的个数越多越好。
基于以上分析和结论，对遥感图像实施积雪分类可以通过以下几点实现：①确定积雪范围：积雪在可见波段的高反射率和红外波段的高吸收率，反映在图像上黑白对比强烈，可以容易得到；②在积雪区选择训练样本：训练样本区应选取感性认识多、代表性广的区域；③建立积雪类型像元信号文件；④积雪分类：利用最小距离法分类器进行监督分类。
4.地图信息图谱方法地学信息图谱是陈述彭院士等前些年提出的新概念与新方法[56]。
地学信息图谱其实是地图学更高层次的表现形式与分析研究手段，是由地图和地学图谱进一步发展而成，是信息时代的产物。
“图”主要是指空间信息图形表现形式的地图，还包括图像、图解等其他图形表现形式；“谱”是众多同类事物或现象的系统排列，是按事物特征或时间序列所建立的体系。
图谱兼有“图形”与“谱系”的双重特性。
地学信息图谱是由遥感、地图数据库、地理信息系统与数字地球的大量数字信息，经过图形思维与抽象概括，并以计算机多维动态可视化技术，显示地球系统及各要素和现象空间形态结构与时空变化规律的一种手段和方法。
