基于Google_Eart...研究——以普若岗日冰原为例_田梦祺.pdf

田梦祺,段克勤,石培宏.基于 Google Earth Engine 平台的青藏高原冰川变化研究以普若岗日冰原为例 J.地理科学,2023,43(6):943-951.Tian Mengqi,DuanKeqin,Shi Peihong.Glacier changes on the Qinghai-Tibet Plateau based on Google Earth Engine:A case study of the Purog Kangri glacier.Scientia Geographica Sin-ica,2023,43(6):943-951.doi:10.13249/ki.sgs.2023.06.001基于 Google Earth Engine 平台的青藏高原冰川变化研究以普若岗日冰原为例田梦祺，段克勤，石培宏（陕西师范大学地理科学与旅游学院，陕西 西安 710119）摘要摘要：基于 Google Earth Engine（GEE）云计算平台，以青藏高原中部的普若岗日冰原为例，探讨了快速批量处理遥感数据并获取冰川面积变化的方法。结果表明，利用 GEE 平台结合像元级影像合成和最小归一化积雪指数（Nor-malized Difference Snow Index,NDSI)，可快速获取年度合成影像，提取冰川边界。通过对 19882020 年共 512 景遥感影像合成计算，获得了 19882020 年普若岗日冰川面积变化特征，分析发现：33 a 间冰川面积减小了 31.08km2，年均退缩率为 0.23%/a，冰川面积退缩主要发生在冰川末端，部分末端在 20 a 间退缩了 1 506 m。相对于冰川的实地观测或传统遥感监测法，本方法提高了影像利用率和数据处理效率，可快速实现冰川面积变化长时序分析，为现代冰川变化研究提供了新途径。关键词关键词：Google Earth Engine；普若岗日冰原；云计算中图分类号中图分类号：P343.6文献标识码文献标识码：A文章编号文章编号：1000-0690(2023)06-0943-09 在全球变暖背景下，青藏高原冰川正在发生快速的变化1-3，导致冰川处于失稳状态中4，冰川的退缩已经引起了局地水循环的改变5，并引发一系列与冰川退缩相关的灾害6。因此，快速明确青藏高原冰川的变化趋势及幅度，有助于丰富和理解气候变化背景下青藏高原冰川失衡失稳的科学内涵、过程机理，对减缓和应对这一演化趋势具有十分重要的科学意义和应用价值。青藏高原冰川因其高海拔和难以到达的特点，对冰川长期且大规模的现场观测受到极大限制，学者只在容易到达的少数冰川进行了长期的监测7-8。中国第一、二次冰川编目项目，通过野外实地考察或遥感影像目视解译获取冰川变化信息，工作耗时长、效率低9。随着卫星遥感技术的发展，遥感监测逐渐成为冰川研究的重要方法10。利用各类冰川提取算法结合目视解译，可获得青藏高原不同山系冰川分布、冰川面积及长度的变化11-12。通过对比不同时期卫星资料，发现青藏高原大多数冰川呈现加速消融的状态13-15。然而，青藏高原冰川变化存在显著的时空异质性，为明晰冰川变化的气候响应差异机理，首先需要通过海量数据获取大范围冰川变化时间序列数据。但目视解译遥感图像存在工作量大、周期长和主观判断误差等问题，基于单期影像或人工拼接的计算机自动解译，难以快速实现海量数据的同步计算16，在大尺度长序列的研究中耗时较长，导致大多数研究只是集中在个别山系和某一特定时间段。因此，为快速获取青藏高原冰川变化数据，亟需发展一种快速批处理方法。目前冰川遥感监测算法主要包括基于波段组 收稿日期收稿日期：2022-01-22；修订日期修订日期：2022-04-07基金项目基金项目：第二次青藏高原综合科学考察研究项目(2019QZKK0201)、国家自然科学基金项目(41571062)、中国博士后基金项目(2017M610622)资助。Foundation:The Second Tibetan Plateau Scientific Expedition and Research(STEP)Program(2019QZKK0201),Nation-al Natural Science Foundation of China(41571062),the China Postdoctoral Science Foundation(2017M610622).作者简介作者简介：田梦祺（1998），女，山东潍坊人，硕士研究生，主要从事冰川变化研究。E-mail:通信作者通信作者：段克勤。E-mail: 第 43 卷第 6 期地理科学Vol.43 No.62023 年 06 月Scientia Geographica SinicaJune,2023合的分类方法、传统机器学习分类方法和基于神经网络的深度学习方法。波段组合分类算法通过对冰川的特征波段进行组合及运算，自动或人工确定阈值提取冰川边界，如利用归一化积雪指数（Normal-ized Difference Snow Index,NDSI)和波段比值阈值法等。波段组合法在提取冰川范围时易受到积雪、地形及阴影等因素影响17，通常需要结合目视解译提高冰川识别的准确率18。在冰川表碛覆盖区域，由于其光谱特征与非冰川区类似19，并且缺乏连续、高质量的影像，因此表碛覆盖型冰川的提取一直是冰川分类研究中的难题。NDSI 积雪指数等传统分类方法在洁净冰川区识别效果较好，但不能自动准确地提取表碛覆盖区的冰川20，对此，利用随机森林的机器学习算法可较高精度的识别喀喇昆仑山区的冰上碎屑（即表碛覆盖）区域21。遥感大数据时代的到来，数据量的爆发式增长，促使新的遥感数据处理平台，即云计算平台的产生和发展。早期冰川变化遥感监测主要基于本地平台，需要下载大量影像，耗费人力和网络资源。遥感云计算平台的出现，解决了数据获取困难、本地系统建设成本高等问题，使快速获取并处理空间大范围冰川变化数据成为可能。Google Earth Engine(GEE)是目前应用最为广泛的遥感云计算平台，其强大的数据存储及处理分析能力，改变了传统的单机遥感影像处理模式，拓宽了遥感数据的应用范围和时空尺度22，极大提高了遥感监测研究的数据处理效率。GEE 平台在土地利用变化23、森林植被动态监测24、水体时空变化25-26等领域已取得广泛应用。目前也有个别研究基于 GEE 平台对高亚洲冰川变化进行了分析27，但提取方法仍在探索之中。本文的目的是基于 GEE 云计算平台，以青藏高原腹地的普若岗日冰原为例，结合最小 NDSI 合成算法提取冰川边界，探讨传统波段组合算法与云平台结合进行长时序冰川变化动态监测的可行性，旨在为快速获取冰川变化特征提供一种新途径。1 数据与方法普若岗日冰原（8920E8950E，3344N3404 N）位于青藏高原中部（图 1），是中低纬度面积最大的冰原。普若岗日冰原由数个冰帽型冰川组成，20 世纪 80 年代冰川总面积约为 422 km2，冰川雪线海拔 5 6205 860 m，最高峰海拔 6 482 m 28。1.1 数据数据研究采用的影像数据为 19882020 年（由于Landsat 7 ETM+影像存在严重的条带问题，故未使用 2012 年的数据）经过辐射校正和大气校正的Landsat 5 TM 和 Landsat 8 OLI 地表反射率数据集，空间分辨率为 30 m，时间分辨率为 16 d。为确保影像能够覆盖整个研究区，使用了条带号为 139 和140，行编号为 36 和 37，共计 512 景影像（https:/ JavaScript API 接口在线访问和云端处理。图 1 普若岗日冰原地理位置Fig.1 Location of the Purog Kangri glacier944地理科学43 卷 选用 6.0 版本的 RGI（the Randolph Glacier In-ventory）冰川编目数据集作为边界参考数据，检验冰川范围提取的准确性。气象数据选用离普若岗日冰原最近的班戈、安多、那曲、申扎和沱沱河 5 个气象站点的气温和降水量数据（https:/）。1.2 方法方法 1.2.1 影像预处理利用 GEE 中的筛选命令对 landsat 5/8 数据集进行时间、空间及云量的初步筛选，获取 19882020 年（除去 2012 年）59 月云量小于 50%27的研究区遥感影像集。基于 GEE 平台提取冰川面积的流程如图 2 所示。为解决仍有冰川区被云层遮盖的问题，采用像元级云掩膜算法，以无云像元替换有云像元，逐像素合成无云影像。为保证去云效果且高质量影像能够被充分利用，每 3 a 合成一幅无云影像，即在研究时段内以相邻 3 a 为一期（其中 20132014 年为一期），每期数据选取 59 月进行影像合成和后续处理。图 3 为 20182020 年研究区影像云量去除前后对比，可见去云质量控制良好。1.2.2 冰川信息提取冰雪在绿波段具有较高的光谱反射值，而在短波红外波段光谱反射值很低，以这 2 个波段计算NDSI 可以有效区分冰雪与其他地物29。基于 GEE平台计算每期影像集的 NDSI，以各像元位置的最小 NDSI 值合成一幅新影像。最小 NDSI 合成法能够在非冰川区未被积雪覆盖时，排除该区域像素为冰川的可能性，从而在最大程度上减小季节性积雪的影响27。NDSI 计算公式为NDSI=GreenSWIRGreen+SWIRGreenSWIR式中，为绿波段的反射率，在 Landsat 5 中对应波段为 B2，Landsat 8 中对应波段为 B3；为短波红外波段的反射率，在 Landsat 5 中对应波段 图 2 基于 GEE 平台的冰川提取技术流程Fig.2 Glacier extraction process based on GEE platform6 期田梦祺等：基于 Google Earth Engine 平台的青藏高原冰川变化研究以普若岗日冰原为例945 为 B5，Landsat 8 中对应波段为 B6。计算 NDSI 前，在普若岗日冰川附近以 RGI6.0冰川编目数据为基准设置了一个 200 m 的缓冲区，初步排除研究区内积雪斑块等不确定因素的影响。根据多次实验和已有研究30，发现陆地卫星影像中冰雪的 NDSI 普遍高于 0.4，因此将 0.4 作为冰川提取的有效阈值。受积雪、阴影及冰碛等因素影响，影像中冰川内部会出现细小空隙或缺失像素，外围会存在离散斑块31。基于 GEE 平台，运用形态学开闭运算中的膨胀与腐蚀算法，可实现消除影像中细小空隙，平滑较大物体边界的效果，进而提高后续冰川边界提取及面积计算的准确性。1.2.3 冰川面积计算采用 GEE 中的碎斑去除算法，依据碎斑与目标冰川面积大小的差异（即周围像素个数不一致），通过判断连通像素个数可实现不确定性斑块的去除，以减小像元误判和积雪斑块对提取精度的影响32。基于 ArcGIS 软件，并由栅格格式转换为矢量格式，进一步获得冰川面积。1.3 不确定性分析与精度评价不确定性分析与精度评价受季节性积雪、阴影以及影像分辨率的影响，利用遥感影像提取的冰川边界会存在误差，因此需要对提取结果进行精度评估，确保误差在合理范围内。研究采用 Bolch 等33提出的误差评估方法，对提取的冰川边界以遥感影像分辨率的 1/2(TM、OLI 影像为 15 m)作为缓冲区，将缓冲区边界内的冰川面积与原影像提取的冰川面积作差，以此差值与原始影像提取面积的比值作为评价指标。以19882020 年共 11 期冰川提取结果的不确定值为例，各期不确定值均在1.17%1.32%之间，处于合理的范围内19。2 结果分析 2.1 19882020 年普若岗日冰原面积变化年普若岗日冰原面积变化由 GEE 平台，可以快速获取 19882020 年普若岗日冰原的面积变化序列。与早期的研究结果对比，本文结果与前人研究结果28,34-36之间的绝对误差都在 5.6 km2以内，相对偏差都在 1.4%以内(图 4）。为进一步评估 GEE 平台提取冰川面积的准确性，对 1999 年、2004 年和 2019 年的 3 景夏季无云无雪的遥感影像进行目视解译，获取的冰川面积分别为 415.62 km2、409.73 km2和 392.91 km2，与对应年份提取面积结果的误差分别为 0.83%、0.42%和 0.05%。通过对比，证明基于 GEE 平台的最小NDSI 合成法提取冰川面积是可行且可靠的。19882020 年间普若岗日冰原面积呈波动减小趋势，近 33 a 来冰川面积从 19881990 年的424.20 km2缩减到 20182020 年的 393.12 km2，共减小了 31.08 km2，平均减小速率为 0.94 km2/a，年均退缩率为 0.23%/a。不同时段冰川退缩速度存在差异，19881999 年年均退缩率为 0.11%/a，19992011 年年均退缩率为 0.45%/a，即 2000 年左右冰川出现加速退缩趋势。依据 DEM 数据划分高程带并进行坡向分析，发现普若岗日冰原不同高度的面积呈正态分布，海拔 图 3 20182020 年研究区影像云量去除前后对比Fig.3 Comparison of cloud cover before and after image removal in study area in 20182020946地理科学43 卷 5 8006 200 m 之间对应面积最大（图 5a）。自 1988年以来，冰川面积减小主要发生在较低海拔区域，海拔在 5 3005 600 m 之间的冰川末端退缩最为明显，6 200 m 以上冰川面积几乎无变化。普若岗日冰原面积主要分布在北坡、南坡和西南坡（图 5b），19881990 年 3 个坡向面积分别为 65.21 km2、60.07 km2、60.78 km2。19882020 年各坡向冰川均有退缩，但退缩程度存在差异，其中西北坡向面积退缩率最大，为 9.77%，而西南坡向面积退缩率最小，为 5.06%。2.2 19882020 年普若岗日冰原边界变化年普若岗日冰原边界变化冰川面积的变化直接体现到冰川边界的变化上，由图 6 可清晰看出 19882020 年冰川末端边界的变化趋势。普若岗日冰原大部分冰川末端处于退缩状态，但在东北方向存在一条明显前进的冰川（编号 G089238E33905N），其末端在 2000 年之前 呈 退 缩 状 态，2000 年 之 后 呈 前 进 状 态，20002020 年该冰川末端前进了 634 m，年均前进速率为 31.7 m/a。该条冰川附近的其他冰川均呈现退缩趋势，其中 G089190E33882N 冰川退缩明显，在 20 a 间退缩了 1 506 m，年均退缩速率为 75.3m/a，G089189E33837N 冰川 20 a 间退缩了 486 m，年 均 退 缩 率 为 24.3 m/a。位 于 西 南 方 向 的G089122E33894N 冰川 20002020 年共退缩了419 m，年均退缩率为 20.95 m/a。在同一地理位置和气候环境下，不同冰川末端变化特征存在较明显的差异，这与冰川个体特性（如长度、朝向）的差异以及冰川的表面特征和地形特征有关37。2.3 普若岗日冰川对气候变化的响应普若岗日冰川对气候变化的响应为探讨普若岗日冰原面积变化与气候变化之 图 4 19882020 年普若岗日冰川面积及站点年均温和降水量变化Fig.4 The area of the Purog Kangri glacier and annual averagetemperature and precipitation trends in 19882020 图 5 19882020 年普若岗日冰原不同海拔（a）及坡向（b，c）冰川面积分布和变化Fig.5 Distribution and change of glacier area at different altitudes(a)and directions(b,c)of the Purog Kangri glacier from 1988 to 20206 期田梦祺等：基于 Google Earth Engine 平台的青藏高原冰川变化研究以普若岗日冰原为例947 间的关系，选取普若岗日冰原附近的班戈、安多、那曲、申扎、沱沱河 5 个气象站点 19882017 年年平均气温和降水量数据，并计算了每 3 a 的平均值。分析研究区气温和降水的变化趋势（图 4），发现 30a 间升温显著，年均气温以 0.53/10a 的速率增加，而同期年降水量变化趋势不明显。2000 年以来，平均气温相比前 12 a 上升了 1.17，升温速率可达0.62/10a。冰川对气候变化的响应非常复杂，除发生在冰川表面的消融和积累过程外，冰川内部的流动决定了冰川对气候的响应是滞后和非线性的38。不同冰川类型区对气候变化响应的滞后时间存在差异，对处于青藏高原腹地的普若岗日冰原来说，其对气候响应的滞后期可以超过 1020 a28。普若岗日冰原面积退缩主要发生在冰川末端，在短时间尺度上，冰川末端更受气候变化的影响。因此研究认为，19882020 年普若岗日冰川末端的退缩主要是由气温升高造成的，且 2000 年以来气温的持续显著上升使冰川面积加速退缩。3 讨论快速获取冰川变化数据，是明确青藏高原冰川变化趋势及幅度，理解气候变化背景下青藏高原冰川失衡失稳的过程机理，以及减缓和应对这一演化趋势的重要前提。传统的遥感影像受本地处理技术等限制，长时序研究耗时长、效率低。另外，只使用某一特定时间(或某一景)影像提取冰川范围，一方面不能快速获取冰川近期的变化，其次不能反映冰川变化的连续性。大数据背景下的云计算方法节省了影像下载时间和存储空间，使海量遥感数据批量处理成为可能。基于 GEE 云计算平台，使用逐像素合成和去云算法，可在短时间内完成多年影像集合运算，充分利用了目标时段内所有影像，极大提高了影像利用率。通过本文的验证，发现基于 GEE 可快速提取冰川边界，实现长时间序列的冰川动态变化监测，为今后冰川编目等高效数据的获取提供了新途径。图 6 19882020 年普若岗日典型冰川末端前进（d）及退缩(a,b,c)情况Fig.6 Advance(d)and retreat(a,b,c)of the terminus of the Purog Kangri glacier from 1988 to 2020948地理科学43 卷 本文以普若岗日冰原为例，探讨了 GEE 平台在现代冰川变化研究中的优势和使用前景。早期对普若岗日冰原变化的研究28,36，主要基于遥感影像目视解译，每年的可利用影像少，且仅可获得影像质量较好的研究时段的面积。本文基于 GEE 云平台，调用研究区所有有效影像，在数小时内便可完成对 512 景影像的分析，一方面提高了数据利用率，另一方面可以快速获得 19882020 年冰川变化的幅度和趋势，为进一步探讨冰川变化对气候的响应奠定了基础。虽然 GEE 平台的云计算方法比本地处理具有高效、快速等优势27，但仍存在表碛覆盖、季节性积雪等因素对冰川边界提取精度的影响，特别是积雪与冰川表面具有相同的光谱特性而被误判，导致提取的冰川面积比目视结果偏大27。普若岗日冰原位于地形平缓的藏北高原，冰面表碛覆盖很少，因此可不考虑最小 NDSI 合成算法对表碛覆盖型冰川无法准确识别的问题20。在进行影像去云合成时，将影像合成月份扩大到 59 月，可充分利用更多的影像，解决研究区夏季无云影像数量过少的问题。图 4 中普若岗日冰川面积呈现出波动减小趋势，其中 19971999 年和 20032005年冰川面积较前一年略有增大，一方面是气候变化和冰川内部流动造成的，另一方面也可能是存在积雪的影响。总之，基于 GEE 云计算平台可快速准确提取冰川边界，在提高遥感影像利用率的同时，可对冰川动态变化进行及时的监测，为评估冰川变化带来的影响提供基础数据。随着未来算法的改进和数据质量的提高，冰川识别精度将不断提高，大尺度、云计算的遥感分析方法在冰川变化研究领域的应用前景将更为广阔。4 结论GEE 云计算平台与冰川分类算法结合快速提取冰川有效可行，提高了长时间序列冰川变化研究的效率。19882020 年间普若岗日冰川面积总体呈现退缩趋势，近 33 a 来冰川面积已从 424.20 km2缩减到 393.12 km2，按线性趋势减小了 31.08 km2，面积萎缩主要发生在冰川末端。GEE 云计算平台为现代冰川变化研究提供了云端高性能算法和大规模遥感数据资源，克服了传统遥感监测的不足，是实现冰川快速提取的有效工具。本文探讨了云计算平台与传统波段组合算法的结合与应用，验证了二者结合的可行性。未来冰川变化遥感监测研究可进一步探讨云计算平台与深度学习机器分类算法的结合，使 GEE 在大范围研究如整个青藏高原乃至全球冰川变化的研究中发挥更重要的作用，为大空间尺度研究及高效数据处理提供新思路。参考文献（参考文献（References）：）：Liu J,Yao X,Liu S et al.Glacial changes in the GangdisMountains from 1970 to 2016J.Journal of Geographical Sci-ences,2020,30(1):131-144.1 Zhang Q,Chen Y,Li Z et al.Glacier changes from 1975 to2016 in the Aksu River Basin,Central Tianshan MountainsJ.Journal of Geographical Sciences,2019,29(6):984-1000.2 王晶,杨太保,冀琴,等.19902015年喜马拉雅山东段中国和不丹边境地区冰川变化研究J.干旱区地理,2019,42(3):542-550.Wang Jing,Yang Taibao,Ji Qin et al.Change of the mod-ern glaciers in the eastern Himalaya near China and Bhutan bor-der area from 1990 to 2015.Arid Land Geography,2019,42(3):542-550.3 Shan Z,Li Z,Dong X.Impact of glacier changes in the Him-alayan Plateau disasterJ.Ecological Informatics,2021,63:101316.4 张慧,李忠勤,牟建新,等.近50年新疆天山奎屯河流域冰川变化及其对水资源的影响J.地理科学,2017,37(11):1771-1777.Zhang Hui,Li Zhongqin,Mu Jianxin et al.Impact of theglacier change on water resources in the Kuytun River Basin,Tianshan Mountains during recent 50 years.Scientia Geograph-ica Sinica,2017,37(11):1771-1777.5 胡文涛,姚檀栋,余武生,等.高亚洲地区冰崩灾害的研究进展J.冰川冻土,2018,40(6):1141-1152.Hu Wentao,YaoTandong,Yu Wusheng et al.Advances in the study of glacieravalanches in High Asia.Journal of Glaciology and Geocryo-logy,2018,40(6):1141-1152.6 董志文,秦大河,任贾文,等.近50年来天山乌鲁木齐河源1号冰川平衡线高度对气候变化的响应J.科学通报,2013,58(9):825-832.Dong Zhiwen,Qin Dahe,Ren Jiawen et al.Vari-ations in the equilibrium line altitude of Urumqi Glacier No.1,Tianshan Mountains,over the past 50 years.Chinese ScienceBulletin,2013,58(9):825-832.7 朱荣,陈记祖,孙维君,等.青藏高原北部多温型山谷冰川不同海拔处冰温变化研究:以祁连山老虎沟12号冰川为例J.冰川冻 土,2019,41(6):1292-1301.Zhu Rong,Chen Jizu,SunWeijun et al.Ice temperature changing with elevations of apolythermal valley glacier in the northern Tibetan Plateau:Acase study on the Laohugou Glacier No.12,Qilian Mountains.Journal of Glaciology and Geocryology,2019,41(6):1292-1301.8 王宗太,刘潮海.简明中国冰川目录简介J.冰川冻土,2005,27(5):782.Wang Zongtai,Liu Chaohai.An introduc-tion to Brief Catologue of Glaciers in China.Journal of Glaci-96 期田梦祺等：基于 Google Earth Engine 平台的青藏高原冰川变化研究以普若岗日冰原为例949 ology and Geocryology,2005,27(5):782.曹泊,王杰,张忱,等.遥感技术在现代冰川变化研究中的应用J.遥感技术与应用,2011,26(1):52-59.Cao Bo,Wang Jie,Zhang Chen et al.The remote sensing in research of modernglacier changes.Remote Sensing Technology and Application,2011,26(1):52-59.10 王聪强,杨太保,许艾文,等.近25年唐古拉山西段冰川变化遥感监测J.地球科学进展,2017,32(1):101-109.Wang Con-gqiang,Yang Taibao,Xu Aiwen et al.Remote sensing monitor-ing of glacier changes in the western region of Tanggula Moun-tains in recent 25 years.Advances in Earth Science,2017,32(1):101-109.11 Duan H,Yao X,Liu S et al.Glacier change in the TanggulaMountains,Tibetan Plateau,in 1969-2015J.Journal of Moun-tain Science,2019,16(11):2663-2678.12 姚檀栋,余武生,邬光剑,等.青藏高原及周边地区近期冰川状态失常与灾变风险J.科学通报,2019,64(27):2770-2782.Yao Tandong,Yu Wusheng,Wu Guangjian et al.Glacier an-omalies and relevant disaster risks on the Tibetan Plateau andsurroundings.Chinese Science Bulletin,2019,64(27):2770-2782.13 Miles E,McCarthy M,Dehecq A et al.Health and sustainabil-ity of glaciers in High Mountain AsiaJ.Nature Communica-tions,2021,12(1):1-10.14 李耀军,丁永建,上官冬辉,等.19612016年全球变暖背景下冰川物质亏损加速度研究J.中国科学:地球科学,2021,51(3):453-464.Li Yaojun,Ding Yongjian,Shangguan Donghui et al.Cli-mate-driven acceleration of glacier mass loss on global and regionalscales during 1961 2016.Science China Earth Sciences,2021,51(3):453-464.15 刘清,吴君峰,王浩,等.基于Google Earth Engine云平台的黑龙江流域长时序常年和季节性水面提取及变化分析J.环境工程,2021,39(1):80-88.Liu Qing,Wu Junfeng,Wang Hao etal.Long time series extraction and change analysis of perennialand seasonal water surface in Heilongjiang Basin based onGoogle Earth Engine.Environmental Engineering,2021,39(1):80-88.16 赵军,付杰文,付鹏.雪盖指数法提取积雪范围信息的不确定性研究以玛纳斯上游地区为例J.遥感技术与应用,2014,29(2):293-299.Zhao Jun,Fu Jiewen,Fu Peng.Accuracy anduncertainty of snow information based on NDSIA casestudy of upstream region of Manas River.Remote SensingTechnology and Application,2014,29(2):293-299.17 李成秀,杨太保,田洪阵.19902011年西昆仑峰区冰川变化的遥 感 监 测 J.地 理 科 学 进 展,2013,32(4):548-559.LiChengxiu,Yang Taibao,Tian Hongzhen.Variation of West KunlunMountains glacier during 19902011.Progress in Geography,32(4):548-558.18 Paul F,Huggel C,Kb A.Combining satellite multispectralimage data and a digital elevation model for mapping debris-covered glaciersJ.Remote Sensing of Environment,2004,89(4):510-518.19 Robson B A,Nuth C,Dahl S O et al.Automated classificationof debris-covered glaciers combining optical,SAR and topo-graphic data in an object-based environmentJ.Remote Sens-ing of Environment,2015,170:372-387.20 Xie F,Liu S,Wu K et al.Upward expansion of supra-glacial debriscover in the Hunza Valley,Karakoram,during 1990 2019J.Frontiers in Earth Science,2020,8:308.21 Gorelick N,Hancher M,Dixon M et al.Google Earth Engine:Planetary-scale geospatial analysis for everyoneJ.RemoteSensing of Environment,2017,202:18-27.22 郝斌飞,杨洪,马明国,等.基于Google Earth Engine的三峡库区土地利用与陆表参数变化研究J.长江流域资源与环境,2020,29(6):1343-1355.Hao Binfei,Yang Hong,Ma Ming-guo et al.Variation in land use and land surface parameters inthe Three Gorges Reservoir Catchment based on Google EarthEngine.Resources and Environment in the Yangtze Basin,2020,29(6):1343-1355.23 Qin Y,Xiao X,Dong J et al.Improved estimates of forest cover andloss in the Brazilian Amazon in 20002017J.Nature Sustainab-ility,2019,2(17):764-772.24 韩伟孝,黄春林,王昀琛,等.基于长时序Landsat 5/8多波段遥感影像的青海湖面积变化研究J.地球科学进展,2019,34(4):346-355.Han Weixiao,Huang Chunlin,Wang Yunchen et al.Study on the area variation of Qinghai Lake based on Long-Term Landsat 5/8 Multi-Band remote sensing imagery.Ad-vances in Earth Science,2019,34(4):346-355.25 刘垚燚,田恬,曾鹏,等.基于Google Earth Engine平台的19842018年太湖水域变化特征J.应用生态学报,2020,31(9):3163-3172.Liu Yaoyi,Tian Tian,Zeng Peng et al.Surfacewater change characteristics of Taihu Lake from 19842018 basedon Google Earth Engine.Chinese Journal of Applied Ecology,2020,31(9):3163-3172.26 Lei Huang,Zhen Li,Jian Min Zhou et al.An automatic methodfor clean glacier and nonseasonal snow area change estimationin High Mountain Asia from 1990 to 2018J.Remote Sensingof Environment,2021,258:112376.27 蒲健辰,姚檀栋,王宁练,等.普若岗日冰原及其小冰期以来的冰川变化J.冰川冻土,2002(1):87-92.Pu Jianchen,Yao Tan-dong,Wang Ninglian et al.Puruogangri ice field and its vari-ations since the Little Ice Age of the Northern Tibetan Plateau.Journal of Glaciology and Geocryology,2002(1):87-92.2