湖冰遥感研究进展

童洁，高永年，詹鹏飞，宋春桥

1.中国科学院南京地理与湖泊研究所 流域地理学重点实验室,南京 210008;

2.河海大学 地球科学与工程学院,南京 211100;

3.中国科学院大学,北京 100049

1 引言

全球1.17 亿个湖泊中，有一半以上的湖泊间歇或长期被湖冰所覆盖（Verpoorter等，2014；Wang等，2021）。湖冰不仅是冰冻圈的重要组成部分，也是区域乃至全球气候的指示器（Johnson和Stefan，2006）。一方面，湖冰季节性特征显著，能够直观反映出气温的变化。已有研究（Hodgkins，2013）表明长时间序列的湖冰观测数据可作为代用气候记录。另一方面，随着湖冰的变化，湖泊表面的反射率等属性也会发生变化，进而影响湖泊和大气的物质和能量交换，加剧气候变化（Johannessen等，1992；王智颖等，2017）。

早期的湖冰观测方法主要是野外观测，由湖岸边的水文观测站每日记录湖冰物候信息，并通过钻孔的方式测量湖冰厚度（Kuusisto，1994），之后借助声呐（Marko 和Jasek，2010）、电磁波、超声波仪器等进行湖冰厚度观测（李志军等，2005）。但这些观测方式有较大的局限性：（1）耗费大量的人力物力，且观测站分布不均，对于大型湖泊的观测更加密切，但绝大多数中小型湖泊缺少观测数据，因此很难获得大范围的湖冰数据；（2）大多数存在冰期的湖泊其观测环境恶劣、可达性有限，难以获得准确的湖冰物候；（3）早期观测标准难以统一，缺乏观测精度一致、长时序的观测数据（Duguay等，2015）。此外，人工湖冰物候监测点在1980年后持续下降，观测网几乎消失，数据缺失严重（姚晓军等，2015）。

随着遥感技术的不断发展，卫星遥感提供了大规模、长时序、高时间分辨率的对地观测数据，弥补了观测站人工监测的不足，有助于更高效率地进行湖冰监测。同时，在全球变暖的大前提下，越来越多的学者利用遥感手段开始了对湖冰及其属性的研究。通过“Web of Science”核心数据库，对检索主题为“lake ice”的2000年—2021年的论文数量、被引频次（图1）和论文关键词词频进行了统计（图2），发现文献数量呈逐年增长趋势，且“Climate Change”、“Arctic”、“MODIS”等为研究热点，其中“Climate Change”出现频率最高，更加凸显了湖冰对于气候变化研究的重要性。湖冰的物候及冰厚变化信息最能直观反应气候的变化影响（Liu等，2018），已有的关于湖冰的综述或侧重于湖冰监测方法（魏秋方和叶庆华，2010；庞毓雯等，2020；Murfitt和Duguay，2021），或侧重于物候、冰厚变化趋势（汪关信等，2020）。随着不同遥感传感器技术的迅速发展及各类遥感数据源的获取更加便捷，湖冰遥感监测研究已发展了大量不同监测技术和参数反演方法；并且，不同的学者开展湖冰研究所针对的湖泊对象、研究时段等都不一致，有必要汇总现有代表性研究结果，形成湖冰参数及变化特征在更宏观时空尺度上的科学认识和理解。本文在充分整理已有文献的基础上，总结了湖冰遥感监测的数据源发展，再从湖冰范围、物候、冰厚3个方面阐述遥感监测或参数反演方法，最后通过对文献的总结，探讨当前湖冰研究热点区域的湖冰变化趋势及影响因素。

图1 2000年—2021年以“lake ice”为主题的SCI论文数量及被引频次Fig.1 Number and citation frequency of SCI papers regarding the topic “Lake Ice” from 2000 to 2021

图2 2000年—2021年湖冰遥感研究热点主题词示意图Fig.2 A diagram of the research hotspot keywords presented in the studies on lake ice by remote sensing from 2000 to 2021

2 湖冰监测遥感数据源发展状况

2.1 湖冰监测遥感卫星发展

遥感从20 世纪70年代开始应用于湖冰监测（陈贤章等，1995），主要方式大致可以分为两大类：光学遥感和微波遥感。光学遥感是接收地面反射太阳能量的被动式系统，因此受云层的限制较大，在云层较厚和极夜情况下无法使用；微波受天气状况的影响较小，对云层具有一定穿透能力，可以全天候地对地表进行监测，是常年多云地区的湖冰监测的重要手段（Lillesand等，2015）。湖冰监测研究中常见的遥感卫星如图3所示。

图3 湖冰监测研究中常见的遥感卫星Fig.3 Remote sensing satellites used for lake ice monitoring

2.1.1 光学遥感

光学遥感主要通过地物的反射光谱来区分地物（赵英时，2003），是确定冰盖存在的重要工具。目前，Terra和Aqua卫星上的MODIS传感器数据由于重访周期短（时间分辨率可达1 d）、单景覆盖范围广，而被广泛应用于大型湖泊湖冰物候的监测（曲斌等，2012）。美国国家海洋和大气管理局NOAA（The National Oceanic and Atmospheric Administration）NOAA 卫星上的AVHRR 传感器数据在湖冰物候研究中也是热门选择（陈贤章等，1995），其时间分辨率达1 d，但受限于较低的空间分辨率（1000 m），AVHRR 仅适用于区域、半球及全球等大尺度湖冰研究。2011年美国发射了搭载VIIRS 传感器的新一代对地观测卫星Suomi-NPP，空间分辨率为370 m，继承了搭载于NOAA系列卫星以及Terra 和Aqua 卫星的对地观测任务，具有重访周期短、扫描带宽等优点。Landsat 系列以及Sentinel-2 A/B 卫星具有更高空间分辨率（部分波段可达10—30 m）、长时间序列的优势，成为研究冰情动态信息的重要手段（汪关信等，2020），但是时间分辨率低（Landsat系列卫星的重访周期为16—18 d，Sentinel-2 卫星的单星重访周期为10 d），不能逐日监测，单一传感器观测难以在湖冰遥感物候监测中使用，若搭配其他遥感影像进行辅助判别（吴其慧等，2019），可以更加准确的提取中小型湖泊的湖冰物候信息。随着国产卫星的不断发展，天宫二号（王琼等，2019）、高分系列卫星等也越来越多的应用于湖冰遥感监测中，GF-1 和GF-6 卫星的多光谱空间分辨率为16 m，二者结合部分地区的重访周期可达2—4 d（庄立超等，2021）。

2.1.2 微波遥感

微波遥感又分为被动微波遥感和主动微波遥感，前者测量物体热辐射，用亮温值来度量地物属性，后者通过发射电磁波获取地物后向散射系数来探测地物属性。与水体相比，冰的亮温值和后向散射系数值都较高（Kouraev等，2007b），且均随着冰厚的增加而增加（Wakabayashi等，1993）。因此，利用水体和冰的亮温与后向散射差异，可以获取湖冰物候（Walker 和Davey，1993）和冰厚信息（Kang等，2014）。

常用于湖冰监测的被动微波传感器包括SMMR（Scanning Multichannel Microwave Radiometer）（Cai等，2017）、SSM/I（Special Sensor Microwave/ Imagery）（Lemmetyinen等，2011）、AMSR-E/2（Advanced Microwave Scanning Radiometer Earth Observing System）（Du等，2017）和MWRI（Microwave Radiation Imager）（阮永俭等，2017）等，其中，MWRI 是中国第二代极轨气象卫星风云三号（FY-3）上搭载的微波成像仪，近年来在湖冰遥感监测中也得到了应用。被动微波数据虽然可以达到每日重访，但空间分辨率都比较低（部分25000 m），岸线混合像元对湖冰识别精度影响较大，一般只适用于大型湖泊（比如＞ 500 km2）的湖冰监测（汪关信等，2020）。

主动微波遥感主要传感器类型包括侧视真实孔径雷达SLAR（Side-Looking Airborne Radar）、合成孔径雷达SAR（Synthetic Aperture Radar）、散射计及雷达高度计RA（Rader Altimeter）（汪关信等，2020）。其中，SAR 是最常见的主动微波传感器，在过去50年里，70%的主动微波湖冰产品都使用了SAR 数据（Murfitt 和Duguay，2021）。随着SAR 的不断发展，也有学者使用SAR 数据进一步研究湖冰类型（Morris等，1995；Gherboudj等，2010）、粗糙度、气泡含量等冰结构（Wakabayashi等，1993）。1987年前，利用主动微波遥感进行的湖冰监测研究是基于SAR 数据的X 波段，随着欧州航天局ESA（European Space Agency）ERS-1 卫星的发射，C波段SAR数据受到越来越多学者的青睐（Murfitt 和Duguay，2021）。利用C 波段SAR 遥感可以很容易地检测到湖水冻结（Hall等，1994），且对提取湖冰物候信息的准确性较高（Geldsetzer等，2010）。主动微波遥感数据重访周期较长，不适合独立应用于湖冰物候监测研究。

2.2 其他遥感数据源发展

野外实地探测时，在湖泊薄冰区域直接搭建仪器作业会有一定的危险性，利用航空遥感平台监测是安全有效的方法。航空遥感搭载体积小、成本低、连续性强的探地雷达系统GPR（Ground Penetrating Radar）在大范围平坦冰面的冰厚监测中发挥着重要作用（刘之平等，2017；靳惠安，2021）。早期的航空遥感采用飞机和直升机载人操作（Arcone 和Delaney，1987），Weeks 等（1981）使用侧视机载雷达观测了阿拉斯加北坡湖冰。但直升机飞行前需要经过严格的审批，投入大量的时间与成本。无人机UAV（Unmanned Aerial Vehicle）的发展为航空遥感提供了新的途径。无人机有机动性强、事故率低、操作灵活、探测区域受限制小等优点（刘辉等，2020），与探地雷达结合可以更好地发挥二者优势。常用的轻小型无人机测绘遥感飞行平台包括固定翼、旋翼和无人直升机等（Watts等，2012）。卫星遥感冰厚监测在精度及适应性上还存在局限性，但机载雷达观测数据可为湖冰厚度遥感反演与模拟提供可靠的验证数据（靳惠安，2021）。

2.3 湖冰遥感的数据产品发展

国内外常用于湖冰监测的积雪范围产品如表1所示。自1966年以来，NOAA 每周都会发布北半球雪冰范围数据产品，其空间分辨率为190 km（Ramsay，1998），主要是通过手工制作，因此耗时较长。为了改进这个流程，生产更及时和精确的产品来替代这一产品，NOAA开发了交互式多传感器冰雪测绘系统IMS（Interactive Multisensor Snow and Ice Mapping System）。IMS 是基于被动微波数据SSM/I和站点数据制作的湖泊冻结面积产品，包含了1997年至今的24 km 分辨率和2004年2月至今的4 km 分辨率2 套北半球冰雪产品（Tekeli等，2016）。2014年起IMS 数据的分辨率已经提高到1 km，该数据产品周期短，适用于大型湖泊的湖冰物候研究（Dauginis 和Brown，2021；Duguay等，2015）。1996年，北温带湖泊长期生态研究项目NTL LTER（North Temperature Lakes Long-Term Ecological Research）完成制作了全球湖泊和河流冰物候数据库LIAG（Lake Ice Analysis Group），该数据集包含了北半球湖泊的湖冰物候信息，主要集中在北美和欧亚大陆（Warne等，2020）。2000年，美国国家冰雪数据中心NSIDC（National Snow and Ice Data Center）推出的MODIS 冰雪产品MOD10A1/MYD10A1，包括了陆地、雪、湖泊、湖冰和不确定5 大类别，因其500 m 的空间分辨率、8 d 时间分辨率等特点，已广泛应用于区域及半球尺度湖冰监测中（黄晓东等，2019）。其中，MOD10A1 数据提供2000年至今的冰雪产品，MYD10A1 数据提供2002年至今的冰雪产品。2011年发射的新一代对地观测卫星Suomi NPP 也推出了冰雪范围覆盖产品NPP_DSCHKD_L3D，空间分辨率为500 m，包含陆地、内陆湖、海洋、云、湖冰与积雪等地类。2020年，欧洲航天局的湖泊气候变化倡议项目基于多源遥感数据制作了全球湖泊产品（CCI Lakes），包括1992年—2020年湖泊冰雪覆盖数据集（Lake Ice Cover，LIC）（Crétaux等，2020）。

表1 国内外用于大区域湖冰监测的积雪范围产品Table 1 Snow cover products used for large-area lake ice monitoring

综合考虑空间分辨率、时间分辨率、数据时间跨度等因素，MOD10A1/MYD10A1 产品在现有湖冰研究中最受欢迎，其空间分辨率（500 m）高于IMS 数据（4 km），准确性也更高（Brown 和Duguay，2012；Murfitt 和Brown，2017）。VIIRS 传感器继承了MODIS传感器的优点，NPP_DSCHKD_L3D 产品的起始时间比MOD10A1/MYD10A1 产品晚了12年，空间分辨率相同，但分类精度有所提高（周敏强等，2019）。

3 湖冰识别与湖冰物候、冰厚遥感监测研究进展

3.1 湖冰遥感识别方法

3.1.1 遥感影像目视解译

目视解译时可以通过波段组合的方式来突出显示水体和冰面的差异。如对Landsat 8 影像按照波段（Band-5/6/2）进行RGB假彩色合成：由于水体对可见光波段的强吸收作用，在湖泊未结冰之前，水体颜色呈黑色，水陆边界明显；而封冻时冰面呈现紫色，纹理特征明显，随着冰厚的增加，冰面颜色也由浅紫色向深紫色过渡。正是水体和冰面颜色、纹理等特征的差异，目视解译才可以很好的将水体和冰面区分开。

3.1.2 单波段/遥感参量阈值法

单波段/遥感参量阈值法利用单一波段或遥感参量的反射率、亮温或后向散射系数的差异来直接区分水和冰。图4展示了包括冰、雪等物体的反射光谱曲线：由于水体在近红外波段的反射率较低（殷青军和杨英莲，2005），在700 nm 以后反射率降低至几乎为0；而冰在350—850 nm 波段仍有较高的反射率，且随着波长的增加反射率逐渐降低。利用水和冰在近红外波段反射率的差异，在晴朗无云的情况下，可以对二者较好的进行区分：设定阈值a，当近红外波段的反射率大于a时，则认为该像元为冰。除此，由于水和冰的热力差异，利用亮温数据也可以区分湖冰和水体（Zhu和Woodcock，2012）。湖冰后向散射系数比水体高，也可以用于较准确的冰水区分（Kouraev等，2007b）。

图4 冰、水以及其他主要地物的光谱反射率曲线图（庞毓雯等，2020）Fig.4 Spectral reflectance curves of ice，water，and several other typical land surface features（Pang et al.，2020）

多波段/遥感参量指数阈值法是利用水和冰在多个波段或遥感参量的特征差异来构建遥感指数间接提取湖冰的方法。归一化差值积雪指数NDSI（Normalized Difference Snow Index）是最常用的指数，由绿光波段和短波红外波段反射率计算得到（Hall等，1995），可以有效地减少植被、建筑阴影等噪声对湖冰监测带来的影响（魏秋方和叶庆华，2010），以MODIS 传感器数据为例，NDSI 的计算公式如下：

式中，Band 4 为MODIS 数据第4 波段（绿光）反射率值；Band 6 为MODIS 数据第6 波段（短波红外）反射率值。

魏秋方（2010）提出了改进的归一化差值积雪指数MNDSI（Modified Normalized Difference Snow Index），由近红外波段和短波红外波段反射率计算得到。这样改进的MNDSI 在计算水体和冰面时结果反差比NDSI 要明显，更有利于区分水体和冰面（勾鹏等，2015）。MNDSI 的计算公式如下：

式中，Band 2 为MODIS 数据第2 波段（近红外）反射率值；Band 6 为MODIS 数据第6 波段（短波红外）反射率值。

还有一种基于被动微波遥感亮温数据的指数阈值法，由海冰密集度计算方法（Cavalieri等，1991）演变而来，是用极化比PR（Polarisation Ratio）和频率梯度GR（Gradient Ratio）之比来区分水体和冰面（曹梅盛，2006；Kouraev等，2007b，2009），计算公式如下：

综上所述，通过对我国现行著作权法的分析可知，在著作权的取得条件上，不论是积极条件还是消极条件，未经许可演绎作品与普通的作品并无区别。未经许可演绎作品侵权事实的存在，仅能引起侵权法律关系的产生，而并不能成为未经许可演绎作品著作权取得的消极条件，从而影响其著作权的取得。因此，只要未经许可演绎创作，符合了著作权取得的条件后，就能依法取得完整的著作权。

式中，TB19V、TB19H、TB37V 分别表示19 GHz垂直、水平和37 GHz垂直极化亮温值。

依据遥感数据源与湖泊所在区域的不同，分类阈值不一定相同，通常是设定一个初始阈值，并以0.0001 递增/递减试错，最终得到最佳阈值。初步阈值的设定可以参考阈值法识别湖冰的相关文献（Zhu 和Woodcock，2012；勾鹏等，2015；Wang等，2021；Hall 和Riggs，2007；孙皓等，2021；祁苗苗等，2018）：红光波段反射率＞0.1，近红外波段反射率＞0.05，红光波段反射率—近红外波段反射率＞0.01，亮温数值＜3.8，NDSI＞0.15。

3.1.4 机器学习方法

传统的机器学习法识别湖冰的方法是通过对遥感影像进行目视解译，选取典型的湖冰和水体像元建立训练样本集，再选择合适的分类器对影像进行分类和湖冰像元的提取。王琼等（2019）基于支持向量机（SVM）分类对色林错湖区的湖冰进行提取，发现支持向量机对于湖冰提取相对传统方法具有更显著的优势，总体分类精度在88.58%以上；随机森林（RF）分类也常用于区分水和冰（Yang等，2022），相较于单波段阈值法和多波段指数阈值法提取精度更高，分类精度为0.9965，验证精度为0.8072（Han等，2020）。Wu等（2021）评价了多个机器学习分类器的湖冰分类精度，包括MLR（多项逻辑回归分析）、SVM、RF、GTB（梯度提升树），其中RF 和GTB 的分类总体精度都达到了98%及以上，且RF 对超参数的选择相对不敏感，有较大潜力用于提取大尺度湖冰分布范围。

随着人工智能技术的发展与突破，基于深度学习的湖冰遥感识别受到广泛关注。这种方法将湖冰检测视为二分类语义分割问题，通过卷积操作提取影像特征，进行湖冰分类，利用深度卷积网络的湖冰识别模型的平均交并比MIoU 指标在90%以上（Tom等，2020）。Ma 等（2021）结合卷积神经网络和条件随机场，通过遥感影像探测湖水的冻结状态，平均总体精度达到93.10%，且对于小型湖泊有很好的应用效果。

3.1.5 湖冰遥感识别方法比较

遥感影像目视解译法识别湖冰虽然有较高的精度（Gatto，1990），但需要依靠人为主观的经验进行判断，且湖泊众多，遥感数据量巨大，难以实现批量化、定量表达。因此现代的湖冰遥感监测以计算机自动化解译方式为主（庞毓雯等，2020），目视解译主要应用于检验阶段。相对而言，机器学习方法具有高度智能化和分类自动化的优势，但机器学习模型用于冰面识别方法目前大多应用于海冰识别。现有湖冰遥感识别研究主要以单波段/遥感参量阈值法和多波段/遥感参量指数阈值法为主。

单波段/遥感参量阈值法操作简单，根据需求选定适合的判别因子即可，重点和难点在于阈值的确定，其大小将直接影响湖冰提取结果的精度。多波段/遥感参量指数阈值法的阈值较易确定，但会有少量云被误分的情况（贾伟等，2021）。一般而言，只用单个波段或数据进行湖冰监测，可能无法消除大气影响和系统误差，提取结果精度较差，单阈值法只是湖冰监测方法的一部分，结合多个阈值方法的效果更好（Wang等，2021）。

在利用光学遥感数据监测湖冰方面，孙皓等（2021）选定红光波段和近红外波段之差和红光波段值阈值，对喜马拉雅山北坡4个典型湖泊的湖冰进行提取；基于长期地表温度，Nonaka等（2007）利用温度阈值来监测湖冰消融日期；NSIDC 基于MODIS 传感器数据利用NDSI 指数阈值法创建的MOD10A1/MYD10A1冰雪产品。对于微波遥感数据，监测湖冰常用阈值法通常是基于后向散射系数和亮温值数据，或利用PR和GR之比来区分水体和冰面。

3.2 湖冰物候遥感监测

湖冰物候主要包括4个关键时间节点：湖面开始结冰的时间点—开始冻结时间FO（Freeze Onset）；湖面首次出现全部冻结的时间点—完全冻结时间FU（Freeze-Up date）；湖冰开始融化的时间点—开始消融时间BO（Break Onset）；湖冰完全融化的时间点—完全消融时间BU（Break-Up date）。由这4个时间节点可以进一步推算湖冰冰期DI（开始冻结和完全消融时间之间的长度）和湖冰完全封冻期DCI（完全冻结和开始消融时间之间的长度）。

湖冰物候遥感监测一般是按照湖冰覆盖占湖泊总面积的比值来确认湖冰物候特征参数（Weber等，2016）。随着湖面温度的下降，湖水由浅水岸边结冰，在新生湖冰形成的过程中，可能会被强风或突然的升温打断（Kropáček等，2013）。为了避免这种偶然情况和湖岸边混合像元的影响，一些学者将湖冰面积占湖泊面积比例超过5%时刻定义为开始冻结时间，湖冰面积占湖泊面积95%时刻定义为完全冻结时间（Kropáček等，2013）。还有一些学者将该阈值分别调整至10%和90%（姚晓军等，2015）。提取湖冰物候信息首先是确定遥感数据源，结冰时湖冰范围每天都在变化，同时云层遮挡也会对湖冰物候监测产生一定的影响，因此研究要求高时间分辨率的遥感数据源，影像去云及填充是数据预处理的关键步骤。可以结合同一天的其他遥感数据源或上下期影像对被云层覆盖的范围进行判断（Gafurov 和Bárdossy，2009）：对于像素A，如果在同期的其他遥感数据中是水体（或其他类型如冰，下同），则该影像中像素A 可确定为被水覆盖；如果日期t的一个像素A 被云覆盖，则通过上一期及下一期影像判断，若上下2期都被水覆盖，则确定日期t的A 像素被水覆盖。再利用3.1 节中介绍的湖冰识别方法提取湖冰信息，确定湖冰面积，计算湖冰占湖泊总面积的比值K，绘制该年份K值曲线，阈值线与K值曲线的交点即为物候信息的时间节点。

湖冰物候监测方法可基于不同的数据源：光学遥感数据中MODIS 传感器数据因其每日的重访周期而最为常用，辅以高空间分辨率的影像数据来验证提取的准确性（邰雪楠等，2022）；微波遥感数据如微波亮温数据通常生成时间序列，通过阈值法在时间序列上提取湖冰物候（Gou等，2017），如滑动t检验MTT（Moving T Test）阈值法可以有效的提取湖冰物候信息（Du等，2017），检查时间序列上的每个点前后一段时间内的亮温数据是否有显著差异，获取突变点作为判断湖冰变化情况的依据；已有的冰雪产品可以直接计算湖冰面积变化；Du 等（2017）基于AMSR-E 和AMSR2 建立了2002年—2015年北半球湖冰物候数据集，利用此数据集也可获得湖冰物候信息。

3.3 湖冰冰厚遥感监测

湖冰厚度和对应冰期时间呈正相关关系，即冰期越长，湖冰越厚。与湖冰物候研究相比，湖冰厚度研究较少，且以海冰和河冰冰厚研究为主，但其遥感监测方法可相互借鉴。湖冰冰厚监测主要采用微波遥感数据，其测算湖冰厚度主要可以归结为3个方法：

（1）利用湖泊的冰热信息，结合能量平衡方程或经验关系模型构建湖冰模型，可用于湖冰物候提取及冰厚模拟（Nakamura等，2009；Wang等，2010）。遥感平台为湖冰模型提供气温、降水、云量等输入数据。湖冰经验模型基于能量收支平衡，即太阳短波辐射经历冰层表面反射，在冰内传输过程中被吸收和散射，最后透射入冰层下的水体（刘煜和吴辉碇，2018）的过程，发展了 如CLIMo（Canadian Lake Ice Model）模 型、HIGHTSI（High Resolution Thermodynamic Snow and Ice Model）模 型、LIMNOS（Lake Ice Model Numerical Operational Simulator）模型等。CLIMo模型应用较为广泛（Dibike等，2012），模拟了在不同的环境条件下的湖冰生消过程，模型的输入参数包括气温、相对湿度、风速、云量和降雪量等环境因素，输出参数除能量平衡各组成要素外，还包括湖冰物候信息和湖冰厚度等（Duguay等，2003）。HIGHTSI 模型更多地应用于计算高纬度湖泊的湖冰生消过程（曹晓卫，2021）。模型法对云和雪很敏感，因为云会阻挡热辐射，雪则对其覆盖下层的冰起到绝缘的作用（Zeng等，2016），从而影响冰厚监测结果。

（2）雷达（Nakamura等，2009；Hvidegaard和Forsberg，2002）和激光测高仪（Kwok 和Cunningham，2008）利用穿透效应反演湖冰厚度。利用波形来识别来自冰面和水面的信号，即识别波形中的两峰值（图5），计算出两个信号之间的时间差，结合微波在冰中的传播速度计算出冰厚（Beckers等，2017）。目前，Jason-1/2/3 卫星作为TOPEX/Poseidon（T/P）卫星的后续任务，有时间跨度长（联合T/P 卫星长达30年）、重访时间短（10 d）以及反演精度高（2.0—4.2 cm）等优势，在长时序、高时间分辨率监测湖泊冰厚方面有效（Li等，2022）。但积雪覆盖是这种方法反演冰厚的最大的不确定性源。由于积雪的深度，这种不确定性可能导致冰厚反演结果误差达到1 m（Kwok等，2004）。

图5 基于卫星测高法反演湖冰冰厚示意图（Li等，2022）Fig.5 A diagram of lake ice thickness measured by satellite altimetry method（Li et al.，2022）

（3）由于湖冰改变了原本微波信号的传输，随着冰厚增加，后向散射系数（Nakamura等，2009）和亮温值（Lemmetyinen等，2009）增加。针对特定湖泊，可结合实测冰厚与同步观测的遥感卫星信号的后向散射系数（Leconte等，2009）或亮温值（Murfitt 和Duguay，2021）建立统计拟合模型，常用的拟合方式有线性、指数、对数和幂函数拟合。但这种统计模型方法不具有普适性，特定湖泊建立的统计模型难以推广到其他湖泊或区域尺度。

4 湖冰研究热点区域

为进一步探究全球湖冰遥感监测研究的趋势和热点，本文在“Web of Science”核心数据集内，按照检索式（（TS=（phenology）OR TS=（thick*）））AND TS=（“lake ice”）AND（TS=（trend*）OR TS=（change*））进行检索，共计有237 篇文章，经过筛选，保留了123篇与湖冰物候、厚度变化趋势高度相关的文章进行后续分析。湖冰的研究热点主要分布在北半球（121篇），尤其是北美（45篇）、北欧（32篇）及青藏高原地区（24篇）。全球超过一半的湖泊分布在北半球，且在北美和北欧存在大面积的湖泊群（吕哲敏，2021），因此北半球湖冰观测比较系统全面：北美的苏必利尔湖、大奴湖、北欧的卡尔湖、奥卢湖以及青藏高原地区的纳木错等湖泊的相关文章数量均在10 篇及以上。南半球的湖泊相对较少且存在结冰期的湖泊大多分布在南极地区，以实地监测为主（雷瑞波等，2011）。

4.1 热点区域湖冰变化情况

随着气候变暖，全球湖泊整体呈现冻结时间推迟、消融时间提前、冰期缩短、冰厚减薄的趋势。我们对前文中检索的相关SCI文章的研究结果进行了总结并合成了北半球湖冰物候变化时空特征分布图（图6），可见：1850年—2000年，北半球湖冰开始冻结时间平均每100年延迟5.8 d，开始消融时间平均每100年提前6.5 d（Magnuson等，2000）。位于北温带的湖泊的结冰率已由1980年的61%降至2020年的43%（Wang等，2021），且这个下降趋势还将持续。据相关研究预测，未来40年（2040年—2079年）内，北半球湖冰冻结日将推迟5—20 d，消融日将提前约10—30 d，从而导致湖冰冰期整体减少约15—50 d，湖冰的最大厚度也将减少10—50 cm（Dibike等，2011）。考虑到研究的年份、数据源和湖泊对象等因素不同，不同学者得出的湖冰物候的变化速率结论也不尽相同：对于北半球60个有超过百年实测记录（107—204年）的湖泊，数据显示，湖泊开始冻结时间平均每100年晚11.0 d，开始消融时间平均每100年早6.8 d（Sharma等，2021）；北半球＞625 km²的湖泊在1979年—2018年开始冻结时间推迟约23 d/100 a，开始消融时间提前约17 d/100 a（Su等，2021）。

图6 北半球100 km²以上湖泊湖冰冻结时间与消融时间变化Fig.6 Lake ice freeze onset date and break onset date variations of lakes larger than 100 km² in Northern Hemisphere

图7 展示了北欧地区100 km²以上湖泊的湖冰冻结时间和消融时间变化情况。该地区的湖冰研究集中在芬兰、瑞典、波兰3国。北欧地区湖泊的冰损失显著，结冰率由1980年的50%降至2020年的24%（Wang等，2021）；1960年—2000年，芬兰北部、中部、南部地区湖泊冻结日推迟速率分别为4.6 d/100 a、3.6 d/100 a、7.9 d/100 a，消融日呈现提前速率分别为7.5 d/100 a、6.6 d/100 a、8.6 d/100 a（Korhonen，2006）。对瑞典地区54 个湖泊湖冰冰期进行长时间（1960年—1990年）分析，有47个湖泊的消融日显著提前，速率在3—96 d/100 a之间（Weyhenmeyer等，2005）。波兰地区的18 个在1961年—2010年有监测数据的湖泊在这50年间开始结冰时间推迟约23 d/100 a，完全消融时间提前了约43 d/100 a，冰期时长减少了约56 d/100 a（Choiński等，2015），Lake Morskie Oko 的冻结日在40年内（1971年—2010年）推迟约41 d/100 a（Pociask-Karteczka和Choiński，2012）。

图7 北欧100 km²以上湖泊的湖冰冻结时间和消融时间变化情况Fig.7 Lake ice freeze onset date and break onset date variations of lakes larger than 100 km² in Northern Europe

北美地区的湖冰研究集中于加拿大、五大湖附近及阿拉斯加等地（图8）。加拿大北极群岛的许多湖泊每年有超过10 个月被冰覆盖，基于AVHRR 数据设定反射率阈值提取湖冰物候，1985年—2004年加拿大近北极地区开始冻结时间平均延迟约12 d/100 a，开始消融时间平均提前约18 d/100 a（Latifovic 和Pouliot，2007），冰厚减少10—30 cm（Dibike等，2012），常年封冻的湖泊减少，转型为季节封冻（Surdu等，2016）。加拿大地区的Great Bear Lake 和Great Slave Lake 湖冰监测比较完善，对这两个湖在2000年—2006年的湖冰物候进行时间序列分析，发现Great Bear Lake 的冰期由2000年的247 d 降至2006年的218 d，Great Slave Lake 冰期也由193 d 降至183 d（Howell等，2009）。阿拉斯加北部地区湖泊在冬季结冰的数量也在减少，湖冰多呈现浮冰状，1991年—2011年，冻结日晚了5.9 d，消融日提前了17.7—18.6 d，冰期减少了约24 d（Surdu等，2014）。模拟研究结果显示，在2041年—2070年，这种趋势还将继续，无积雪时平均最大冰厚将减少10—60 cm，有积雪时平均最大冰厚将减少5—50 cm（Brown 和Duguay，2011b）。

图8 北美100 km²以上湖泊湖冰冻结时间和消融时间变化情况Fig.8 Lake ice freeze onset date and break onset date variations of lakes larger than 100 km² in North America

青藏高原也同样出现湖冰冰期缩短的现象（图9）。青藏高原湖泊冰期平均在176 d 左右，完全封冻期130 d 左右；由于气候的区域差异，高原北部湖区比南部湖区开始冻结期早、完全融化期晚、完全封冻期长（王智颖等，2017）。表2 列举了前人研究中青藏高原典型湖泊的湖冰变化趋势。考虑到所用的遥感数据源、研究年份不同，不同学者对同一湖泊的湖冰变化速率有不同的结论：以纳木错为例，Guo等（2020）建立湖泊表面温度模型，研究1978年—2017年纳木错的湖冰物候，得出开始冻结时间平均每百年延迟约57 d，开始消融时间平均每100年提前约23 d 的结论；Gou 等（2017）对MODIS地表反射率、地表温度和冰雪覆盖数据值设定阈值，纳木错2000年—2015年开始冻结时间平均每100年延迟约58 d，开始消融时间平均每100年提前约9 d；Ke 等（2013）通过多阈值法，利用被动微波数据和MODIS 数据，认为纳木错1979年—2013年开始冻结时间延迟9 d，开始消融时间提前10 d，即开始冻结时间平均每100年延迟约26 d，开始消融时间平均每100年提前约29 d。尽管不同研究对于湖泊湖冰物候时间变化幅度表现较大的差异，但均一致地表明其开始冻结时间延迟、开始消融时间提前的特征。目前，关于青藏高原湖冰厚度的研究较少，但可以确定的是随着温度的升高，青藏高原湖冰冰厚也有减薄的趋势（陈贤章等，1995；Lang等，2021）。

表2 青藏高原典型湖泊的湖冰物候变化趋势Table 2 Ice phenology variations in typical lakes on the Tibetan Plateau

图9 青藏高原100 km²以上湖泊湖冰冻结时间和消融时间变化情况Fig.9 Lake ice freeze onset date and break onset date variations of lakes larger than 100 km² in Qinghai-Tibet Plateau

4.2 湖冰变化影响因素

现有研究一致表明：气温是影响湖冰物候的最重要因素（Leppäranta，2014；Kouraev等，2007a；Caldwell等，2021）。美国中西部、东部和欧洲中部的湖冰受全球变暖的影响，冰期缩短的趋势显著（Sharma等，2021）。基于青藏高原地区湖冰研究结果，如果气温升高2 ℃，冻结日期平均将推迟7.3 d，消融日期平均提前12.4 d，冰期显著缩短，平均缩短19.7 d（吴艳红等，2022）。

风速、积雪量等气候因素对湖冰生消也有重要影响。风会加速湖面气流运动和水动力作用，带走湖冰形成时所产生的潜热，较大的风速会使得薄冰破裂，在初冰期和破冰期时，加速湖冰消融。积雪覆盖在湖冰上，反射部分太阳辐射的同时也隔绝了湖冰与大气的部分热传递，起到一定的保温作用，减缓湖冰消融速率。在湖冰生长初期，湖泊表面温度随着气温的下降而下降，湖水由湖岸边开始冻结，此时的湖冰较薄且不稳定，当风速增大时，新生湖冰易破裂（王智颖等，2017）。湖冰进入稳定增长期后，冰厚往往由气温和积雪量决定（Tedesco等，2014），湖冰厚度随积雪量的增长而增长（Brown 和Duguay，2010），湖冰消融时间因此变晚（Nõges 和Nõges，2014；Brown和Duguay，2011a）。

湖冰物候及厚度的变化也与湖泊自身属性有关，如湖泊面积、形状、水深、湖水透明度、盐度、矿化度等（Cai等，2019），咸水湖的湖冰物候变化较淡水湖更大（王智颖等，2017）。在高纬度地区，湖冰变化也与源自太平洋和大西洋的主要大气环流有关，如南方涛动、太平洋北美涛动、北大西洋涛动等（Ghanbari等，2009），这些大气环流对温度和降雪的产生影响，进而影响湖冰物候及厚度。

5 结语

湖冰变化是气候变化的映射，越来越多的学者聚焦于湖冰研究。多源遥感观测为湖冰研究提供了大规模、长时序、高时间分辨率的数据，为湖冰监测提供了便利，促进了对于全球湖冰物候、冰厚在过去近半个世纪变化规律的掌握。湖冰遥感监测研究多关注于湖冰物候、冰厚变化趋势等方面，取得了显著的研究进展。

湖冰在冻结期间变化表现出高时频的特征，因此需要高时间分辨率的遥感数据。MODIS 传感器数据及被动微波遥感数据因其每日重访的周期被广泛应用于湖冰监测，但受限于其较低的空间分辨率。当前的湖冰研究主要集中于大型湖泊，对中小型湖泊的关注有限，如何结合中高分辨率卫星数据，利用其空间分辨率上的优势，提高湖泊湖冰观测的精度是未来研究重点方向之一。

另外，已有的研究更多着眼于已发生的变化，限于卫星服役年限而无法构建长时序的湖冰信息，缺少对过去遥感技术未兴起时期的湖冰冰情评估，且对未来湖冰变化特征的预测还不充分。随着大数据和人工智能等技术的不断发展，利用遥感大数据和机器/深度学习方法的湖冰遥感监测方法，实现湖冰物候、厚度信息的历史长时序重建与未来变化特征预测是十分关键的研究突破口。

目前，湖冰监测研究集中于北美、北欧地区。青藏高原地区湖冰对气候变化的响应十分敏感，但由于海拔高、地形复杂、通达性差、中小型湖泊数量多等特征，加之国内遥感起步发展相对较晚等原因，青藏高原地区的湖冰研究还不充分，适合该地区的方法与模型和对其他属性如冰厚研究尚处于探索阶段。青藏高原的湖冰物候变化是高山区气候变化的缩影，认识该地区湖冰变化的过去、现在及未来对研究全球气候变化有重要的指示意义，该地区是湖冰研究未来亟需关注的重点区域。

随着气候变暖，全球湖泊整体呈现冻结时间推迟、消融时间提前、冰期缩短、冰厚减薄等趋势特征，势必引发湖泊物理水文、水化学及生态系统的系列连锁反应，进而对流域自然与人居环境造成胁迫，应对措施刻不容缓。遥感只是用来观测其变化的工具，反思气候变化并采取行动才是湖冰遥感监测的意义所在和当务之急。