基于深度学习的格陵兰冰盖表碛湖亚季节波动监测及其对冰量损失的驱动机制研究

本研究针对格陵兰冰盖(GrIS)表碛湖(SGLs)动态监测的空白，利用Sentinel-2和Landsat 8/9约15万景影像，开发了F1-score达0.959的AttSEResUNet深度学习模型，首次实现全格陵兰10 km网格尺度5天间隔的SGL精准制图，揭示2017-2022年SGL面积在西南流域占比达44.9%的时空异质性，发现2022年9月异常降雨引发的面积激增现象，为评估冰盖物质平衡（-532±58 Gt yr-1）提供了关键水文动态指标。

　　

随着北极放大效应加剧，格陵兰冰盖(Greenland Ice Sheet, GrIS)近年出现创纪录的物质损失（2019年达-532±58 Gt yr^-1），其表面短暂积聚的液态水——尤其是表碛湖(Supraglacial Lakes, SGLs)——通过降低表面反照率、促进基底润滑和径流输出等机制，成为加速冰量损失的关键环节。然而，受限于传统遥感方法在复杂冰川环境中的适应性，以及高时空分辨率数据的处理难度，全冰盖尺度SGL动态监测始终存在空白。南方科技大学的研究团队通过融合多源卫星数据与深度学习技术，首次系统揭示了SGL的亚季节波动特征及其对冰盖消融的驱动机制。

研究团队采用Sentinel-2（10 m分辨率）和Landsat 8/9（30 m分辨率）构建的149,055景5日合成影像，开发了集成通道注意力与空间注意力机制的AttSEResUNet模型。通过优化NIR波段输入策略，模型在独立测试集上达到0.959的F1-score，显著优于传统机器学习方法。研究还结合MAR(Modèle Atmosphérique Régional)区域气候模型，分析了气象要素与SGL动态的关联性。

空间异质性特征
模型输出显示，2017-2022年间SGL面积峰值呈现显著空间分异：西南流域7月峰值占比达全冰盖的44.9%，而东南流域仅占4.2%。值得注意的是，14%的网格在5月或9月出现异常峰值，突破传统6-8月消融期模式，暗示海拔依赖性融化机制的存在。

时间动态规律
月际变化显示，SGL峰值面积从2018年5月的253.18±123.94 km²暴增至2021年8月的5084.90±1043.26 km²。2022年9月西南流域出现的异常峰值，与MAR模型模拟的强降雨事件高度吻合，揭示极端降水对冰盖水文的新影响途径。

冰缘距离效应
距冰缘较远的网格普遍呈现消融季后期（8-9月）的SGL面积峰值，这与西部冰盖观测到的延迟融化现象一致，反映冰盖内部热量传输的时空滞后性。

该研究通过建立首个全格陵兰亚季节尺度SGL数据库，证实SGL动态与冰盖物质损失存在显著耦合：一方面，SGL通过吸收太阳辐射（反照率效应）直接促进表面消融；另一方面，其周期性排水事件通过冰裂隙（crevasses）加速基底滑动。研究特别强调，2022年9月异常降雨引发的SGL激增事件，预示未来气候变化下极端天气对冰盖稳定的潜在威胁。这些发现为改进冰盖物质平衡模型提供了关键参数，成果发表于遥感领域顶级期刊《Remote Sensing of Environment》。