基于Landsat-8的东南极达尔克冰川季节性表面消融信息提取

璩榆桐 程晓,3,4 刘岩,4

研究论文

基于Landsat-8的东南极达尔克冰川季节性表面消融信息提取

璩榆桐1,2程晓1,2,3,4刘岩1,2,4

(1北京师范大学全球变化与地球科学研究院遥感科学国家重点实验室, 北京 100875;2中国高校极地联合研究中心, 北京 100875;3中山大学测绘科学与技术学院, 广东 珠海 519082;4南方海洋科学与工程广东省实验室, 广东 珠海 519082)

冰盖表面消融是气候变化和全球变暖的敏感指示剂。冰雪消融会降低地表反照率进而影响全球能量平衡, 表面融水会加剧裂隙的传播, 降低冰架稳定性进而影响冰盖物质平衡。当前, 高时空分辨率消融区分布数据的缺乏限制了南极冰盖消融发生机理和时空特征的深入探索。围绕南极冰盖大范围消融区(蓝冰、湿雪和融水)的提取研究, 提出了一种基于改进的冰雪归一化消融指数(Modified Normalized Difference Water Index Adapted for Ice,ice)的消融区自动提取方法, 采用2016年9月—2017年4月18景30 m分辨率的Landsat-8数据, 获取了消融区自动提取的ice阈值, 并以东南极达尔克冰川为例, 实现了高空间分辨率的季节性消融信息提取和分析。结果表明: 在云和地形阴影干扰较小的情况下, 基于Landsat-8反射率数据计算的ice采用单一阈值(0.136)对消融区的提取精度在67.7%—94.2%之间, 平均精度为81.5%; 达尔克冰川消融面积、消融区ice均值表现出明显的季节性时空变化特征; 消融发生的时间不晚于Landsat-8数据观测的最早时间(9月7日); 消融最早出现和主要分布区在地形下降剧烈的东部接地线处。

南极 达尔克冰川 消融 改进的冰雪归一化消融指数

0 引言

南极冰盖表面消融影响冰盖物质平衡和全球能量平衡[1]。一方面, 表面消融形成的融水以三种方式影响南极冰盖的物质平衡[2-3], 融水汇集后从冰盖边缘流出[4]; 渗入裂隙后加剧裂隙的扩张, 破坏冰架稳定性甚至导致冰架的大范围的快速崩解; 渗入冰盖内部, 促进冰盖内部通道的发育, 抵达冰盖底部后减弱冰盖底部运动阻力, 导致冰盖底部滑动[5-6]。另一方面, 南极地表97.8%为雪覆盖[7], 干雪具有高反照率, 而蓝冰、湿雪、融水反照率较低[8], 其吸收的太阳辐射约为干雪吸收的三倍[9-11], 形成“反照率低-吸收太阳辐射多-加剧融化”的正反馈机制[12-13], 因此, 消融范围及持续时间的变化将影响全球的辐射收支[5,14]。

尽管机制有所差异, 但蓝冰、湿雪和融水都是冰雪消融的产物[3,15-16], 本文统称它们为消融区。在大多数年份南极冰盖表面消融区面积占比都小于20%, 远低于占比常年超过40%的格陵兰冰盖, 但南极冰盖表面融化的面积是格陵兰的两倍多[9]。目前, 格陵兰冰盖消融研究体系较完善[17-18], 南极冰盖消融研究相对缺乏[1,19]。南极冰盖消融研究更多为大尺度冰盖整体的研究, 区域性精细研究较少且多集中于南极半岛[20]。从消融的观测对象上看, 冰面融池及河流水系的研究相对深入[21-22], 而湿雪和蓝冰监测有待更多的开展。

遥感技术是冰盖表面冰雪消融大范围观测的最佳手段。湿雪的范围及持续时间的变化可以通过微波辐射计、散射计、SAR以及光学数据监测。前三者为微波数据不受云的影响而光学数据易受到云的影响。微波辐射计数据对于消融的监测主要依赖于干湿雪亮温的显著差异[23-24], 散射计数据对于消融的监测主要依赖于干、湿雪后向散射系数的显著差异[25], 两种数据主要监测大尺度区域冰雪表面消融起止和持续时间、范围随时间的变化, 无法满足对消融特征空间细节方面的描述[26-28]。SAR数据对于湿雪的监测也主要依赖于干、湿雪后向散射系数的显著差异[29-30], 其高空间分辨率可描述消融空间细节特征, 可用于精确监测湿雪范围[31-32], 但重访周期较长, 适用于精确的年际变化分析, 无法满足季节性分析[16,26]。光学数据对于湿雪、融水及蓝冰的监测主要依赖于水、冰和雪光谱特征的差异。例如利用融水和冰雪在蓝光和红光波段的光谱差异使用冰雪归一化水体指数(Normalized Difference Water Index Adapted for Ice,ice)开展冰面融水提取[4,22]; 基于光学数据对南北极水系水文特征的分析[4,22,33-34]; 基于Landsat-7影像数据蓝冰与湿雪裸岩的光谱反射率差异对整个南极蓝冰区的提取分析[35]。光学数据用于湿雪的分析却鲜少开展。综上所述, 冰雪消融的监测难以同时满足高时、空间分辨率, 高时间分辨率的被动微波数据难以满足消融细节特征的描述, 高空间分辨率的SAR及光学数据难以实现季节性变化的相关分析, 而两类数据很难融合。因此, 目前亟需高时、空分辨率冰盖消融的季节性分析。

本文选用Landsat-8数据开展东南极达尔克冰川消融区监测, 其多光谱信息可用于湿雪、蓝冰和融水的提取, 其较高的空间分辨率可满足对冰盖表面消融细节特征的监测。此外, 达尔克冰川刚好处于Landsat-8不同轨道影像的重叠区, 重访周期为2—7天, 可满足融化季节内多时间序列消融观测。本文提出并验证了基于Landsat-8影像的ice消融区自动监测方法, 以此为基础, 对2016—2017年东南极达尔克冰川消融区的时空分布及季节性特征进行了初步分析。

1 研究区与数据

1.1 研究区概况

达尔克冰川位于东南极拉斯曼丘陵东侧(69° 26′S, 76°27′E), 邻接埃默里冰架(图1a), 距离中山站直线距离不超过3 km, 为距离中山站最近的冰川。达尔克冰川流域起源于南极冰盖内部(图1b), 流入接地线东部的冰源为自上游600多千米的高原, 而流入接地线西部的冰源为自上游仅不到10 km的冰盖边缘(图1c), 总面积超过1 900 km2[36]。达尔克冰川南部接地线距离冰川前缘约15 km, 漂浮部分即冰架面积约为20 km2(图1), 是典型的冰盖溢出型冰川。冰川前端入海口宽度为3 km, 随着冰川的不断运动而崩解[37]。

1.2 研究数据

本研究采用2016年9月1日—2017年4月30日覆盖达尔克冰川无云或少云的Landsat-8影像, 此时间段内覆盖达尔克冰川的数据有41景, 目视解译可用于研究的少云或无云影像共有18景影像(表1)。数据来自USGS网站: https://glovis. usgs.gov。影像由于采集时间的不同, 太阳天顶角不同, 日地距离也可能存在差异, 为了降低这些差异的影响, 使得不同时相影像数据具有可比性, 将Landsat-8 Level-1数据的像元灰度值(DN值)转换为大气表观反射率(TOA反射率)。反射率计算采用Kang等[38]的方法, 计算公式来自Landsat手册(http://Landsat.usgs.gov/), 计算所需参数从每个Landsat-8数据集的头文件中读取。此外, 考虑到高纬度地区的同一幅影像, 太阳高度角从中间到边缘的差异较大, 计算采用逐像元计算的太阳高度角替代原始使用的单一中心点太阳高度角[38]。下文中所做的计算及制图全部基于反射率数据。

2 研究方法

2.1 消融区的光谱特征

利用多光谱光学数据识别目标地物的思路是利用目标地物与背景地物在不同波长上的波谱反射特性差异, 选择最佳的波段进行比值运算方式, 通过选择合适的阈值最大程度地区分目标地物与背景地物。本文利用Landsat-8影像识别的消融区, 包含裸露的蓝冰(无论是否发生融化)、湿雪和融水。

图1 达尔克冰川概况. a)达尔克冰川在南极冰盖的位置; b)红色曲面为达尔克冰川流域, 黑色曲线表示南极的各个流域; c)达尔克冰川冰流线; d)外围图框为研究区范围, 其内显示的为18幅影像的试验样本区(7个白框区域)和20170311期影像选取的30个消融区纯像元及30个干雪纯像元的验证样本

Fig.1. Overview of the Dalk Glacier. a)the location of the Dalk Glacier on the Antarctic ice sheet; b)the red curved surface is the Dalk Glacier Basin, and the black curve represents the various basins of the Antarctic; c)the ice flow line of the Dalk Glacier; d)the outer picture frame is the scope of the study area，which shows the test sample area of 18 images (7 white frame areas) and the verification of the 30 ablation zone pure pixels and 30 dry snow pure pixels selected in the 20170311 image sample

蓝冰生成过程中, 冰内的气泡被挤出, 使得冰晶变大, 蓝冰呈现蓝色。而湿雪和融水由于水的存在也显示蓝色, 三者在遥感真彩色波段上均显示蓝色, 区别于干雪(图2)。Landsat-8影像不同地类的光谱信息如图3所示, 蓝冰、湿雪和融水在近红外波段(波段5)表现出强烈的吸收而干雪表现出强烈的反射, 在该波段消融区(蓝冰、湿雪和融水)与干雪、阴影和云差异最为明显, 在蓝光波段(波段2)各地类差别最小。基于此, 本文选择利用近红外波段(波段5)和蓝光波段(波段2)进行比值运算, 对消融区进行提取。

表1 本研究阈值试验所用Landsat-8影像

*其中有云指原始数据云量>20%, 少云指0%<云量≤20%

图2 蓝冰、湿雪、融水、干雪、阴影样本对比图. 底图皆为2016年12月21日Landsat-8反射率数据, 显示方式皆为波段(5,3,2)对应(红绿蓝)标准差拉伸增强图像

Fig.2. Comparison of blue ice, wet snow, melt water, dry snow and shadow samples. The bottom image is the reflectance data of Landsat-8 on December 21, 2016, and the display mode is the standard deviation stretch enhanced image of band (5,3,2) (red, green and blue)

2.2 改进的冰雪归一化消融指数(MNDWIice)

本文采用的改进的冰雪归一化消融指数ice(Modified Normalized Difference Water Index Adapted for Ice)是基于归一化水体指数(Normalized Difference Water Index)及冰雪归一化水体指数ice(Normalized Difference Water Index Adapted for Ice)提出的。归一化水体指数是对绿光波段(G)与近红外波段(NIR)进行归一化差值处理, 以凸显陆地表面的开阔水域[39], 其表达式为:

冰雪归一化水体指数(ice)是对蓝光波段(B)与红光波段(R)进行归一化差值处理, 以凸显冰盖表面融水[22], 其表达式为:

ice最早提出是用于对格陵兰冰盖表面融水的提取[22], 目前已用在南极表面融水深度的确定[4]。本文基于消融区在Landsat-8数据的近红外波段(波段5)和蓝光波段(波段2)的光谱特征的强响应, 提出改进的冰雪归一化消融指数ice为:

式中,blue和nir分别为Landsat-8蓝光波段(波段2)和近红外波段(波段5)的反射率。

基于2016年12月21日获取的两期影像, 选取融水、蓝冰、湿雪、干雪、云和阴影6类地物的纯像元样本, 计算各地类对应、ice和ice的指数值, 如图3(b)所示。试验显示ice对于消融区的区分效果最好, 其他两种指数除对融水的区分度较明显外, 其余几类地物的指数值相差较小, 很难进行区分。

图3 各地物类别反射率及指数特征. a)各地物类别反射率曲线; b)各地物类别对应的各指数值曲线

Fig.3. Reflectance and index characteristics of various types of objects. a) reflectance curve of various types of objects; b) corresponding index value curve of various types of objects

2.3 基于F值法的阈值获取和消融区提取精度评估

为选取最优阈值, 引入机器学习评估方法——精度值法(-Measure), 用值评估分类结果精度。值由准确率(Precision,)和召回率(Recall,)两个度量值计算得到,值越高表明提取效果越好。准确率即为影像分类中的用户精度, 召回率即为影像分类中的生产者精度(制图精度)。目标像元分为四类:,,,。是指消融区被正确划分为消融区的像元数,是指干雪被正确划分为干雪的像元数,是指干雪被错误划分为消融区的像元数,是指消融区被误判为干雪的像元数[40-41]。准确率用于评估被正确提取的消融像元占所有被提取为消融像元的比例, 召回率用于评估被正确提取的消融像元占应该被提取为消融像元的比例。值法是准确率和召回率的加权调和平均。

根据召回率与准确率对于研究的重要性给赋值, 当两者同样重要时,值取1; 当准确率更重要,值取小于1的值; 召回率更重要时,值取大于1的值[40]。本研究需同时考虑消融区被准确分类为消融区的概率和分类结果影像中消融区像元对应原始影像为消融像元的概率, 因此定义值取1。

根据ice阈值选取和分类结果精度评估需要, 我们分别选取了试验样本和验证样本(如图1所示), 为保证阈值选取结果的准确性, 试验样本选择位于消融区和干雪区交界处的容易发生误分的区域, 图1(d)中7个白框即为试验所用的试验样本区(包含干雪区及消融区), 试验样本的面积占研究区面积的9.94%, 各期影像的干雪及消融区试验样本即基于各期影像反射率数据对白框区域采用目视解译获取; 验证样本选择的是30个空间随机分布的纯消融像元或者纯非消融区像元, 每个验证样本像元大小为5×5, 像元需满足纯样本条件, 即像元区域为纯消融区像元或者纯非消融区像元, 由于消融初期消融区面积小, 20160907期影像难以选择一定数量的消融区纯样本, 考虑到验证样本的一致性, 故从20160914期影像选取30个纯消融样本和30个纯非消融样本, 后续影像由于阴影等其他影响不满足纯像元条件的, 选择其他纯像元做补充, 保证验证样本为纯消融或纯非消融样本。试验样本与验证样本存在一定比例的重合, 但各期影像中重合面积不超过试验样本面积的0.95%, 不超过验证样本面积的22.34%。

我们旨在利用单一的ice阈值进行不同时相的消融区的分类, 单一阈值Tice计算方法如下:

式中, TMNDWIice为18期影像利用F值法选取到的每一期最优阈值, Fmax(i)为最优阈值对应的F值。每一期的最优阈值TMNDWIice获取方法: 根据经验设定MNDWIice阈值范围为[0.01,0.2], 以0.001为步长, 利用试验样本数据计算每个阈值分类结果对应的F值, 获取MNDWIice阈值-F值曲线, 选择F值最大值Fmax(i)点处的阈值为最优阈值(图4)。

Fig.4. Experiment of image threshold selection on December 21, 2016

本文基于Landsat-8 level 1数据计算反射率, 利用反射率数据计算得到各时相ice数据, 利用18期影像的ice结合样本区目视解译结果确定各时相最优阈值及单一阈值, 最后利用目视解译的验证样本结果, 对消融区自动提取结果进行精度评估, 具体实现流程详见图5。

3 结果

3.1 基于MNDWIice消融区提取效果评估

基于试验样本的阈值试验, 18期影像消融区提取ice最优阈值如图6a所示, 各时相ice阈值分布范围为0.1—0.17, 根据每一期的最优阈值和对应的值, 依据公式7计算了18期影像消融区提取的单一阈值Tice为0.136。采用各期影像最优阈值对其余18期影像试验样本的提取结果进行值法精度评估(图6a),max()值整体优于65.9%, 准确率优于56.4%, 召回率优于65.3%; 采用单一阈值0.136对其余18期影像试验样本的提取结果进行值法精度评估(图6b),max()值整体优于63.4%, 准确率优于47.2%, 召回率优于59.4%。

图5 基于Landsat-8数据的MNDWIice消融区自动监测方法技术流程图

Fig.5. Technical flow chart of automatic monitoring method foriceablation zone based on Landsat-8 data

图6 18期影像基于试验样本的消融区提取结果. a)各时相最优阈值及对应F值; b)各时相单一阈值提取的召回率、准确率及F值

Fig.6. The results of ablation area extraction based on test samples in 18 phase images. a) optimal threshold and correspondingvalue in each phase; b) recall rate, accuracy rate andvalue of single threshold extraction in each phase

利用17期影像(18期影像除去20160907期影像)的验证样本, 分别对采用单一阈值及最优阈值进行消融区提取的17期影像提取结果进行值法精度评估(表2)。采用单一阈值0.136的提取精度为,max()值整体优于67.7%, 17期影像的max()均值高于81.5%, 准确率优于56.8%, 召回率优于66.4%。采用最优阈值的提取精度为,max()值整体优于71.3%, 17期影像的max()均值高于83.5%, 准确率优于56.8%, 召回率优于85.9%。

表2 17期影像验证样本分类精度评估

图7分别显示了利用单一阈值提取消融区分类结果与试验样本目视解译结果对比,值最低的两期影像和分类结果值最高的一期影像及对应的分类结果图。分类精度较低的分别为20160907及20170104两期影像, 其中20160907期影像精度最低为19.0%, 消融初期太阳高度角低, 受阴影影响大, 因此存在阴影误分为消融区现象; 融化像元较难目视勾选, 试验样本在目视解译时也存在错误分类的现象。20170104期影像的分类结果的值为47.2%, 据参与该时间段南极科考的人员回顾, 一月份刚刚下完新雪, 对提取结果可能存在影响, 且同样受到云及阴影的影响。但两幅影像的分类结果, 目视效果良好(图7)。20170311期影像提取结果最好, 分类结果对应的值达到了78.6%。

图7 单一阈值提取结果对比: 提取精度最低两期影像与提取精度最高一期影像对比图. a),b),c)为该日期TOA反射率影像; d),e),f)为单一阈值提取结果. 蓝色为消融区, 黑色为非消融区

Fig.7. Comparison of single threshold extraction results: comparison of the two images with the lowest extraction accuracy and the one with the highest extraction accuracy. a), b), c) are the TOA reflectance images; d), e), f) are the single threshold extraction results. Blue area is the ablation zone and black area is the non-ablation zone

3.2 达尔克冰川消融区季节性空间分布特征

利用ice采用单一阈值0.136自动提取的2016年9月—2017年3月达尔克冰川的消融区时空分布结果如图8、9所示。从时间分布来看, 消融区面积呈现出较为明显的季节特征(图8), 消融区从9月份或之前开始出现, 面积整体呈上升趋势, 在南极的正夏1月份达到面积最大值, 之后消融区面积开始下降, 与中山站自动气象站温度数据变化趋势基本一致。阈值提取的消融区面积, 12月份的4幅影像单一阈值提取的面积明显大于最优阈值提取的面积, 其余12幅影像单一阈值提取的面积则小于或约等于最优阈值提取的面积。

消融区ice均值随时间变化总体上呈现与消融面积相似的变化趋势, 消融前期均值呈上升趋势, 在2016年12月28日达到最大, 最大为0.119, 随后均值下降, 呈现出明显的季节性变化特征。这表明消融前期消融面积较小, 且ice均值较小, 随着消融的发生, 消融面积与ice均值增大, 到1月份前后均达到最大值, 随后消融面积与ice均值降低。消融发生的时间不晚于Landasat-8数据观测到的最早时间(9月7日), 且此时气象观测数据显示温度低于零摄氏度。

从空间分布来看(图9), 消融主要发生在冰盖前缘, 由海岸线向内扩展的十几公里内。消融最早发生在坡度大的东部接地线处。消融持续时间最长的区域主要分布在东部接地线处以及冰架前端, 由表面纹理可以看出, 这两处区域都覆盖了大量表面裂隙, 表面粗糙度较其他处更大。

4 结论与讨论

本文根据Landsat-8多光谱影像显示出的干雪与消融区(蓝冰、湿雪和融水)的光谱特征差异, 构建了改进的冰雪归一化消融指数ice, 利用18期影像获取了用于提取南极季节性消融区的ice阈值(0.136)。经试验证明, 摒弃太阳高度角度很低、阴影影响很大的一期数据, 采用单一阈值0.136自动提取消融区的平均精度为81.5%, 最低精度为67.7%。另外, 本研究验证样本在随机布点的基础上, 考虑样本均匀分布的同时, 特意保留了干雪验证样本阴影区等易发生误分区域的覆盖, 这会一定程度上造成精度的低估。因为阈值选取所用数据覆盖了9月到次年4月份, 太阳高度角从7.49°到35.62°, 兼顾到消融季节光学数据的复杂性; 试验数据18景, 样本量具备统计学意义; 试验样本及验证样本均匀分布, 满足试验的随机性。因此, 本文认为在精度要求不高于80%时, 基于ice采用单一阈值0.136可用于整个南极冰盖季节性消融区提取。消融区的错分和漏分主要来自于阴影及云的影响, 存在一定程度的干雪阴影区被误提为消融区像元的现象, 后续工作将增加云及阴影指数, 最大程度降低云及阴影的影响, 从而进一步提高提取精度。

图8 消融区的季节变化特征. a)消融区面积随时间变化曲线; b)消融区MNDWIice均值及标准差随时间变化曲线

Fig.8. Characteristics of seasonal variation in ablation area. a) time-varying curves of ablation area; b) time varying curve of mean and standard deviation oficein ablation area

图9 基于18期影像达尔克冰川消融季节变化. 图例由左至右表示观测到的发生融化的时间越来越早

Fig.9. Seasonal variation in the Dalk Glacier's ablation based on 18-stage images. From left to right, the figure shows that the observed melting time is getting earlier

消融区提取结果显示, 达尔克冰川的消融呈现出明显的季节分布, 随着气温升高, 消融区面积呈现上升趋势, 在1月份达到最大值, 说明太阳辐射很可能是达尔克冰川季节性表面消融的主导因素。早期的消融区主要分布在达尔克冰川的东部坡度较大的接地线区, 很可能是坡度大加剧了下降风, 而下降风的侵蚀会促使蓝冰的形成并会带走蓝冰表面的降雪。蓝冰的反照率低, 会加剧表面融化。消融持续时间最长区域为裂隙富集区, 裂隙增加了表面粗糙度, 可能是消融发生的有利条件。由于研究仅局限于达尔克冰川区域且仅做了单年的分析, 要想获取整个南极的消融特征, 需要更大范围和更长时间序列的观测。

1 ABRAM N J, MULVANEY R, WOLFF E W, et al. Acceleration of snow melt in an Antarctic Peninsula ice core during the twentieth century[J]. Nature Geoscience, 2013, 6(5): 404-411.

2 BELL R E, BANWELL A F, TRUSEL L D, et al. Antarctic surface hydrology and impacts on ice-sheet mass balance[J]. Nature Climate Change, 2018, 8(12): 1044-1052.

3 杨康. 格陵兰冰盖表面消融研究进展[J]. 冰川冻土, 2013, 35(1): 101-109.

4 BELL R E, CHU W, KINGSLAKE J, et al. Antarctic ice shelf potentially stabilized by export of meltwater in surface river[J]. Nature, 2017, 544(7650): 344-348.

5 VAN DEN BROEKE M, REIJMER C, VAN DE WAL R. Surface radiation balance in Antarctica as measured with automatic weather stations[J]. Journal of Geophysical Research: Atmospheres, 2004, 109(D9): D09103.

6 SCAMBOS T A, HULBE C, FAHNESTOCK M, et al. The link between climate warming and break-up of ice shelves in the Antarctic Peninsula[J]. Journal of Glaciology, 2000, 46(154): 516-530.

7 HUI F M, KANG J, LIU Y, et al. AntarcticaLC2000: The new Antarctic land cover database for the year 2000[J]. Science China Earth Sciences, 2017, 60(4): 686-696.

8 LENAERTS J T M, LHERMITTE S, DREWS R, et al. Meltwater produced by wind–albedo interaction stored in an East Antarctic ice shelf[J]. Nature Climate Change, 2017, 7(1): 58-62.

9 LIU H X, WANG L, JEZEK K C. Spatiotemporal variations of snowmelt in Antarctica derived from satellite scanning multichannel microwave radiometer and Special Sensor Microwave Imager data (1978–2004)[J]. Journal of Geophysical Research:Atmospheres, 2006, 111(F1): F01003.

10 STEFFEN K. Surface energy exchange at the equilibrium line on the Greenland ice sheet during onset of melt[J]. Annals of Glaciology, 1995, 21: 13-18.

11 BINTANJA R, VAN DEN BROEKE M R. The surface energy balance of Antarctic snow and blue ice[J]. Journal of Applied Meteorology, 1995, 34(4): 902-926.

12 KASHIWASE H, OHSHIMA K I, NIHASHI S, et al. Evidence for ice-ocean albedo feedback in the Arctic Ocean shifting to a seasonal ice zone[J]. Scientific Reports, 2017, 7: 8170.

13 KUIPERS MUNNEKE P, LUCKMAN A J, BEVAN S L, et al. Intense winter surface melt on an Antarctic ice shelf[J]. Geophysical Research Letters, 2018, 45(15): 7615-7623.

14 CHEN A J, LI W P, LI W J, et al. An observational study of snow aging and the seasonal variation of snow albedo by using data from Col de Porte, France[J]. Chinese Science Bulletin, 2014, 59(34): 4881-4889.

15 ZWINGER T, MALM T, SCHÄFER M, et al. Numerical simulations and observations of the role of katabatic winds in the creation and maintenance of Scharffenbergbotnen blue ice area, Antarctica[J]. The Cryosphere, 2015, 9(4): 1415-1426.

16 LIU H X, WANG L, JEZEK K C. Automated delineation of dry and melt snow zones in Antarctica using active and passive microwave observations from space[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(8): 2152-2163.

17 ABDALATI W, STEFFEN K. Greenland Ice Sheet melt extent: 1979-1999[J]. Journal of Geophysical Research: Atmospheres, 2001, 106(D24): 33983-33988.

18 JOSHI M, MERRY C J, JEZEK K C, et al. An edge detection technique to estimate melt duration, season and melt extent on the Greenland Ice Sheet using Passive Microwave Data[J]. Geophysical Research Letters, 2001, 28(18): 3497-3500.

19 LANGLEY E S, LEESON A A, STOKES C R, et al. Seasonal evolution of supraglacial lakes on an East Antarctic outlet glacier[J]. Geophysical Research Letters, 2016, 43(16): 8563-8571.

20 BEVAN S L, LUCKMAN A, HUBBARD B, et al. Centuries of intense surface melt on Larsen C Ice Shelf[J]. The Cryosphere, 2017, 11(6): 2743-2753.

21 LAMPKIN D J, VANDERBERG J. Supraglacial melt channel networks in the Jakobshavn Isbrae region during the 2007 melt season[J]. Hydrological Processes, 2014, 28(25): 6038-6053.

22 YANG K, SMITH L C. Supraglacial streams on the Greenland ice sheet delineated from combined spectral–shape information in high-resolution satellite imagery[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(4): 801-805.

23 LIANG L, GUO H, LI X. Analysis of spatio-temporal variation of snowmelt in Antarctica derived from microwave radiometer data[J]. Journal of Remote Sensing, 2013, 17(2): 423-438.

24 MOTE T L, ANDERSON M R. Variations in snowpack melt on the Greenland ice sheet based on passive-microwave measurements[J]. Journal of Glaciology, 1995, 41(137): 51-60.

25 NGHIEM S V, STEFFEN K, KWOK R, et al. Detection of snowmelt regions on the Greenland ice sheet using diurnal backscatter change[J]. Journal of Glaciology, 2001, 47(159): 539-547.

26 NAGLER T, ROTT H. Retrieval of wet snow by means of multitemporal SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(2): 754-765.

27 ROTSCHKY G, VIKHAMAR SCHULER T, HAARPAINTNER J, et al. Spatio-temporal variability of snowmelt across Svalbard during the period 2000–08 derived from QuikSCAT/SeaWinds scatterometry[J]. Polar Research, 2011, 30(1): 5963.

28 PANDAY P K, FREY K E, GHIMIRE B. Detection of the timing and duration of snowmelt in the Hindu Kush-Himalaya using QuikSCAT, 2000–2008[J]. Environmental Research Letters, 2011, 6(2): 024007.

29 ASHCRAFT I S, LONG D G. Comparison of methods for melt detection over Greenland using active and passive microwave measurements[J]. International Journal of Remote Sensing, 2006, 27(12/13/14):2469-2488.

30 BAGHDADI N, GAUTHIER Y, BERNIER M. Capability of multitemporal ERS-1 SAR data for wet-snow mapping[J]. Remote Sensing of Environment, 1997, 60(2): 174-186.

31 KOSKINEN J T, PULLIAINEN J T, HALLIKAINEN M T. The use of ERS-1 SAR data in snow melt monitoring[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(3): 601-610.

32 NAGLER T, ROTT H, RIPPER E, et al. Advancements for snowmelt monitoring by means of sentinel-1 SAR[J]. Remote Sensing, 2016, 8(4): 348.

33 SMITH L C, CHU V W, YANG K, et al. Efficient meltwater drainage through supraglacial streams and Rivers on the southwest Greenland ice sheet[J]. Proceedings of the National Academy of Sciences of the United States of America, 2015, 112(4): 1001-1006.

34 KINGSLAKE J, ELY J C, DAS I, et al. Widespread movement of meltwater onto and across Antarctic ice shelves[J]. Nature, 2017, 544(7650): 349-352.

35 HUI F M, CI T, CHENG X, et al. Mapping blue-ice areas in Antarctica using ETM+ and MODIS data[J]. Annals of Glaciology, 2014, 55(66): 129-137.

36 LIU Y, MOORE J C, CHENG X, et al. Ocean-driven thinning enhances iceberg calving and retreat of Antarctic ice shelves[J]. Proceedings of the National Academy of Sciences of the United States of America, 2015, 112(11): 3263-3268.

37 JAWAK S D, LUIS A J. Applications of WorldView-2 satellite data for extraction of polar spatial information and DEM of Larsemann Hills, East Antarctica[C]//International Conference on Fuzzy Systems and Neural Computing, February 20, 2011, HongKong. [S.l.]: IEEE, c2011: 148-151.

38 KANG J, CHENG X, HUI F M, et al. An accurate and automated method for identifying and mapping exposed rock outcrop in Antarctica using landsat 8 images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(1): 57-67.

39 MCFEETERS S K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features[J]. International Journal of Remote Sensing, 1996, 17(7): 1425-1432.

40 HE H, CHENG X, LI X L, et al. Aerial photography based census of Adélie Penguin and its application in CH4and N2O budget estimation in Victoria Land, Antarctic[J]. Scientific Reports, 2017, 7: 12942.

41 PERAZZI F, KRAHENBUHL P, PRITCH Y, et al. Saliency filters: Contrast based filtering for salient region detection[C]//2012 IEEE Conference on Computer Vision and Pattern Recognition, June 16-21, 2012, Providence, RI. [S.l.]: IEEE, c2012: 733-740.

EXTRACTION OF SEASONAL SURFACE ABLATION ZONES IN THE DALK GLACIER (ANTARCTICA) BASED ON LANDSAT-8 IMAGES

Qu Yutong1,2, Cheng Xiao1,2,3,4, Liu Yan1,2,4

(1State Key Laboratory of Remote Sensing Science, College of Global Change and Earth System Science(GCESS), Beijing Normal University, Beijing 100875, China;2University Corporation for Polar Research (UCPR), Beijing 100875, China;3School of Geomatics Science and Technology, Sun Yat-sen University, Zhuhai 519082, China;4Southern Marine Science and Engineering Guangdong Laboratory, Zhuhai 519082, China)

Ice sheet surface ablation is a sensitive indicator of climate change and global warming. The melting of ice and snow will reduce the surface albedo and affect the global energy balance. Surface melt water will increase the propagation of cracks, reduce the stability of the ice shelf and affect the material balance of the ice sheet. At present, the lack of high-temporal resolution data on the distribution of ablation zones limits the in-depth exploration of the mechanism and spatial-temporal characteristics of Antarctic ice sheet ablation. Focusing on the research of the extraction of the large-scale ablation zone(blue ice, wet snow and melt water) of the Antarctic ice sheet, an automatic ablation zone extraction method based on theice(Modified Normalized Difference Water Index Adapted for Ice,) is proposed. Using Landsat-8 data with a resolution of 30 m at 18 scenes from September 2016 to April 2017, theicethreshold automatically extracted from the ablation zone was obtained, and the seasonal ablation information extraction and analysis with high spatial resolution were realized by taking the Dalk Glacier in the east Antarctic as an example. The results show that: Under the condition of less cloud and terrain shadow interference, theicecalculated based on the Landsat-8 reflectance data uses a single threshold (0.136) to extract the ablation zone with an accuracy of 67.7% —94.2%, and the average accuracy is 81.5 %; The ablation area of Dalk Glacier and the mean value oficein the ablation zone show obvious seasonal spatiotemporal changes; Ablation occurred no later than the earlier time of Landsat-8 data observation (September 7); Ablation first appeared and mainly occurred at the eastern ground line where the terrain dropped sharply.

Antarctica, Dalk Glacier, ablation,ice

2019年6月收到来稿, 2019年10月收到修改稿

国家重点研发计划项目(2016YFA0600103)、国家自然科学基金(41830536, 41676176, 41676182, 41406211)和钱学森空间技术实验室基金资助

璩榆桐, 女, 1995年生。硕士研究生, 主要从事极地冰盖冻融研究。E-mail: qu.yt@foxmail.com

刘岩, E-mail: lyxixi_2003@163.com

10. 13679/j.jdyj.20190029