基于机器学习与岩石冰川的多年冻土分布制图优化研究——以青藏高原东南部沙鲁里山为例

本研究创新性地结合时序InSAR形变数据与光学影像，系统评估了多种机器学习模型（LR、GAM、SVM、RF）和环境变量组合在多年冻土分布制图中的表现。研究发现逻辑回归（LR）模型结合年均气温（MAAT）和潜在太阳辐射（PISR）可实现最优精度（82%，Kappa=0.64），生成90米分辨率冻土适宜性指数（RG-PFI）图，显著提升现有冻土图分类精度3%–13%，为高精度冻土测绘与气候变化风险评估提供关键方法支撑。

　　

Highlight

研究亮点：本研究系统整合干涉合成孔径雷达（InSAR）技术与多模型机器学习分析，首次在沙鲁里山地区构建高精度岩石冰川编目，并优化冻土分布预测模型，为高山冻土监测与气候响应研究提供新范式。

Introduction

多年冻土（Permafrost）是指持续两年或更长时间处于0°C或以下的土壤或岩石，是寒冷和高海拔环境的典型特征（Qin, 2017）。近几十年来，全球变暖加速了冻土退化，引发了对其生态与工程影响的广泛关注（Cheng and Wu, 2007）。在青藏高原，1980年代以来每十年0.4–0.67°C的升温速率导致冻土广泛融化（Kuang and Jiao, 2016），进而破坏基础设施稳定性、扰动寒区生态系统（Wang, 2016），并改变地表水循环（Zhang et al., 2014）。因此，精准的冻土分布制图对土地利用规划、基础设施建设与生态管理至关重要。

当前冻土制图主要有实地调查与数据驱动模拟两种方法。实地调查（如钻探与地球物理勘探）可获得精确的站点数据，但空间范围有限，难以大规模应用。相比之下，数据驱动模拟利用遥感技术分析环境代理指标——如地表温度、冻融循环与地貌特征——以推断冻土范围（Bhat et al., 2025）。这类方法已支持全球尺度的制图产品，如冻土分带指数（PZI）和多年冻土顶板温度（TTOP）模型（Gruber, 2012）。

岩石冰川（Rock glaciers）是冰缘环境的典型地貌，被广泛视为山地冻土存在与否的有效指示体（RGIK, 2023）。完整的岩石冰川（包括仍含冰体且未完全退化的活动与非活动类型）指示冻土存在，而遗迹型岩石冰川（已失冰且表面退化）则指示冻土缺失。传统上通过光学遥感影像视觉解译识别岩石冰川（Angillieri, 2009），但该方法受云覆盖与主观判读限制，易导致编目不完整（Brardinoni et al., 2019）。近年研究表明，结合时序InSAR数据与光学影像可显著提升岩石冰川检测与分类的完整性，尤其对活动型岩石冰川（Cai et al., 2021）。

除识别技术外，统计模型的选择也显著影响制图结果。机器学习模型如逻辑回归（LR）、广义加性模型（GAM）、支持向量机（SVM）与随机森林（RF）已被用于预测冻土范围，但其变量与模型多凭经验选择，缺乏系统评估，限制了岩石冰川编目在冻土制图中的稳健性。

为突破这些局限，本研究以青藏高原东南缘的沙鲁里山为试验区，综合比较多种ML模型与环境变量组合。首先，我们融合InSAR形变数据与高分辨率光学影像特征，识别了研究区内的活动与遗迹岩石冰川；继而评估了四种统计学习模型的稳健性；最后选用最优模型生成90米分辨率冻土适宜性指数（RG-PFI）图。本研究强调了优化环境因子与ML配置对提升复杂地形区冻土制图精度的重要性。

Section snippets

Study area

沙鲁里山位于中国四川省西部，属青藏高原东南缘横断山系，呈南北走向（图1a、1b）。研究区地形复杂，涵盖丘陵高原与深切河谷，海拔介于2417–6158米，面积约7698.79平方公里。受印度洋暖湿气团影响，该区域……

Methods

本节首先概述了通过时序InSAR分析提取地表形变的处理步骤，以及结合形变速率与视觉解译地貌特征以识别活动岩石冰川（RGa）和遗迹岩石冰川（RGr）的标准（第3.1节）。接着介绍了用于构建最优冻土分布模型的统计学习模型……

Rock glacier inventory

基于地貌分析，我们在沙鲁里山共绘制603条岩石冰川，总面积约55.7平方公里（图5a）。利用InSAR-derived视线向年均形变速率与高分辨率光学影像，识别出236条RGa与229条RGr（图5b）。其中138条因特征模糊未纳入分类分析。

The determination of optimal predictor variables

为构建稳健的冻土分布模型，我们通过分析变量间相关性筛选最优预测因子。对六项关键因子——MAAT、PISR、高程、MPT、MPET与MTOWQ——在RGa与RGr中心点进行Pearson相关性分析（图8）。结果显示多个变量间存在强相关性（绝对值>0.8），最终选定MAAT与PISR作为核心预测变量。

Comparison with existing permafrost maps

研究区现有冻土图基于不同方法生成，包括Gruber（2012）的全球冻土分布概率指数图（PZI₂₀₁₂）、Ran et al.（2021）的青藏高原年均地温（MAGT）图等。本研究提出的RG-PFI图在分类精度上较现有产品提升3%–13%。

Conclusion

本研究以青藏高原东南部沙鲁里山为例，融合时序InSAR形变数据与光学影像，构建了以岩石冰川为代理的山地冻土分布模型。通过系统优化环境变量组合与统计模型，共识别603条岩石冰川，确定LR+MAAT+PISR为最优模型，生成90米分辨率RG-PFI图，估测冻土覆盖面积1554平方公里（占研究区20.2%），主要分布于4750–5200米海拔带。相比现有冻土图，RG-PFI显著提升分类精度，凸显了高质量岩石冰川编目与稳健统计模型结合在数据稀缺区冻土制图中的价值。