综述：岩石冰川制图中不断演进的遥感与自动化技术综述

《Earth-Science Reviews》：A review of evolving remote sensing and automated techniques in rock glacier mapping

　　

准确的岩石冰川制图对于地貌过程与演化、水文动力学、地质灾害评估、山地生物多样性及多年冻土研究等各类科学与应用研究至关重要。尽管岩石冰川制图实践与方法随地理空间技术进步不断发展，但现有文献尚未系统聚焦于岩石冰川制图的全方法谱系。本综述首次针对岩石冰川，对手动制图、干涉测量辅助制图及机器学习（ML）制图方法进行结构化比较，重点关注空间边界划定、分类、验证与不确定性。研究人员系统分析了各类方法的优势与局限性。尽管遥感技术快速发展，基于地貌特征目视解译的数字化方法仍被广泛使用；相比之下，机器学习模型等自动化技术在岩石冰川范围制图中的应用仍处于探索阶段。研究发现机器学习制图多边形与人工数字化多边形之间存在差异，引发了对岩石冰川制图范围准确性的关注。解决岩石冰川制图中的不确定性不仅关乎制图方法本身的可靠性，更因为这些不确定性会传递至后续研究。当前验证方法主要评估岩石冰川的存在性，而未充分验证其制图范围。为填补这一空白，研究人员建议融合实地制图、不确定性量化、高分辨率数据集的使用，并在适用时纳入当地原住民知识。最后，研究人员倡导共享已制图的岩石冰川数据与机器学习代码，以推动开放、可复现与合作的研究。

1. 1.
   引言
   1.1 背景
   岩石冰川是冰冻圈的关键且复杂的组成部分，也是山区多年冻土最显著的表征。对其地貌单元的分析对于揭示空间分布、地表过程与演化历史至关重要。准确的岩石冰川制图支撑着多项研究：作为多年冻土指示器，岩石冰川可用于反演喜马拉雅、欧洲、新西兰南阿尔卑斯山及安第斯山脉等区域的多年冻土分布；在水文动力学层面，全球岩石冰川储存约62.02±12.40 Gt水，且因碎屑覆盖的隔热效应比其它冰冻圈组分更具气候韧性，是保障干旱与半干旱区及广泛山区未来供水的关键，阿根廷等国已立法将其列为战略水资源储备；在气候相关变量方面，岩石冰川流速受气温与降水影响，被政府间气候变化专门委员会（IPCC）与全球气候观测系统（GCOS）列为基本气候变量，同时其年代测定可为古气候研究提供自然档案；在山地生态中，岩石冰川通过调节局地水文、维持微生境支撑生物多样性；在地质灾害研究中，升温导致的加速运动与不稳定性可能引发碎屑流与斜坡灾害，威胁周边居民点与基础设施。
   然而，岩石冰川的识别与边界划定仍面临挑战：定义多样、多成因起源、分类体系复杂、地貌结果等效性及形态复杂性，使其易与冰碛、岩崩堆积、融冻泥流阶地等地貌混淆；即便正确识别，其边界也因与相邻地貌渐变过渡、自身随地形与气候动态演变而不确定。遥感与地理空间技术的发展提供了多尺度制图工具，但技术应用缺乏统一概念与分析框架，引入的制图不确定性亟需通过可靠的验证方法解决。早期岩石冰川研究以零星实地调查为主，1972年首颗地球观测卫星发射后实现了区域尺度制图，从最初Landsat MSS与TM数据到如今的星载、机载、无人机（UAS）平台，以及多光谱、高光谱、激光雷达（LiDAR）、合成孔径雷达（SAR）等传感器，大幅推进了山区尺度制图，但目视解译仍占主导——源于岩石冰川无独特光谱特征，且解译准确性受影像质量与解译人员经验的主观影响。近十年机器学习（ML）与深度学习（DL）技术逐步应用于自动化制图，但算法、数据源与验证方法的差异阻碍了标准化，且缺乏实地真值验证，亟需建立稳健的验证体系。
   1.2 综述范围
   当前岩石冰川研究存在明显的区域不均衡，分布与变化数据匮乏限制了其在各领域的应用。本综述首次系统聚焦岩石冰川探测、边界划定与分类的方法，评估传统与新兴技术及人工智能（AI）制图进展，具体包括：梳理遥感、机器学习与深度学习在岩石冰川制图中的文献；概述岩石冰川范围与分类的前沿方法；批判性讨论遥感与自动化技术的挑战并提出未来研究方向。
   1.3 综述方法
   研究人员遵循系统综述与荟萃分析优先报告条目（PRISMA）指南开展文献检索，从Scopus、ScienceDirect、IEEE Explore与谷歌学术共获取500篇文献，经同行评审、英文撰写、聚焦遥感与机器学习制图三项筛选标准后纳入69项研究进行深入分析。借助NVivo 14软件对文献进行主题聚类，文献计量分析显示早期研究集中于欧美山区，近年亚洲区域关注度显著上升，详细方法与计量结果见附录。
2. 2.
   岩石冰川范围制图与类型分类
   2.1 岩石冰川的识别与表征
   岩石冰川识别分为形态学与成因两类路径：形态学聚焦脊垄、沟槽、陡前锋与侧缘等地表特征；成因学则围绕多年冻土模式、冰川冰核模式与岩石滑坡模式展开，其中前两种模式的核心争议构成长期存在的“岩石冰川之争”。国际多年冻土协会岩石冰川编目与运动学行动组（RGIK）于2018年成立，将岩石冰川定义为“由冻结地面（多年冻土）的既往或当前蠕变形成的碎屑地貌，具有前锋、侧缘及可选的脊垄表面形态特征”。岩石冰川可通过点、多边形或概率图三种形式表征，其中多边形制图能更好捕捉几何范围，是详细空间分析的首选，RGIK推荐扩展边界（含整个前锋）与限制边界（排除前锋倒石堆）两种划界方案。
   2.2 岩石冰川分类
   岩石冰川按位置、几何形态、活动性、表面起伏与形态可分为多类：按位置分为与倒石锥连接型、与基岩风化坡连接型、与滑坡连接型、与冰川连接型、与冰川前缘连接型、多源连接型及其他型；按几何形态分为宽度大于长度的叶状型、长度大于宽度的舌状型及前部展宽的过渡型；按活动性分为活跃型（年位移＞10 cm，前锋陡立、脊垄发育）、过渡型（年位移1-10 cm，前锋圆化、脊垄减弱）与残余型（几乎无位移，表面植被覆盖）；按表面起伏分为脊垄发育型、脊垄减弱型与无脊垄型；按形态单元分为简单型（形态清晰、流态明确）与复合型（形态模糊、与相邻地貌难区分），按系统可分为单单元与多单元。
3. 3.
   岩石冰川制图方法
   3.1 手动制图
   手动目视解译与数字化是最主流的方法，又称“形态数字追踪”，依托光学影像与高程数据，主要在GIS/摄影测量软件与谷歌地球平台开展。GIS软件（ArcGIS、QGIS等）支持多源遥感数据导入与矢量数字化，摄影测量软件可实现历史影像几何校正；谷歌地球提供1990年至今的多时相亚米级影像与三维可视化功能，便于大范围网格化制图，结果可导出为KML文件进一步分析。常用光学数据源包括Landsat系列（MSS、TM、ETM+、OLI/TIRS）、ASTER、Sentinel-2、SPOT系列、ALOS、Planet及高分系列，空间分辨率从60 m至0.8 m不等。数字高程模型（DEM）是重要辅助，LiDAR DEM（1-2 m）精度最高，其次为航摄正射影像、国家测绘产品、ASTER（30 m）、SRTM（30/90 m）等，可提取坡度、坡向、潜在入射太阳辐射（PISR）等地形变量，结合气温、降水数据用于多年冻土概率制图与水文分析。
   手动制图的优势是门槛低、流程直观、适合区域尺度工作，但存在明显局限：地貌等效性导致识别混淆，解译主观性强——研究显示14名操作员对同一区域的制图面积差异可达70%，数量差异达300%；根带上边界划定任意性强，复合地貌与多单元岩石冰川的边界难以统一，且活动分类依赖植被指标在干旱区不适用，高程等变量量测标准不统一，整体一致性不足。
   3.2 干涉测量辅助制图
   合成孔径雷达（SAR）是主动微波遥感技术，通过发射与接收电磁波获取地表相位信息，不受昼夜与云雨影响。干涉合成孔径雷达（InSAR）通过多时相影像相位差反演地表形变，相位组成包括平地相位、地形相位、形变相位与大气噪声相位，经相位解缠后可计算地表位移。多时相InSAR技术如永久散射体干涉测量（PSI）与小基线子集（SBAS）可提升精度。
   InSAR在岩石冰川研究中主要用于两大方向：一是大范围识别活跃岩石冰川，二是单个或少量地貌的运动学精细分析。Sentinel-1 C波段数据因免费开放最为常用，可探测2.2 cm/a至1.7 m/a的位移，部分研究证实其可识别低至0.35 cm/a的缓慢运动；L波段ALOS PALSAR数据穿透性更强，适用于更大区域。RGIK指南推荐结合升降轨数据以削弱几何畸变影响。
   该方法的核心优势是可定量识别活跃与过渡型岩石冰川，克服光学影像的云覆盖限制，支持季节至年际尺度的运动学分析，降低识别主观性。但局限同样显著：需专业SAR处理技能，否则易误判其他移动地貌；位移测量仅沿卫星视线（LOS）方向，地形朝向不当会导致速度低估；高山陡坡易产生叠掩与阴影畸变，单轨道数据可能遗漏目标；大气噪声、DEM误差与积雪、植被等表面属性变化会引入误差；时间基线过长会限制对快速运动与季节性变化的探测能力。
   3.3 机器学习与深度学习
   人工智能（AI）包含机器学习（ML）与深度学习（DL），ML通过监督、无监督等范式训练统计模型，经典算法包括随机森林（RF）、支持向量机（SVM）等；DL基于人工神经网络（ANN），通过卷积神经网络（CNN）等架构自动提取复杂特征，在图像分割中表现突出。CNN由卷积层、池化层与全连接层构成：卷积层通过滤波器扫描影像提取边缘、纹理等特征，激活函数引入非线性；池化层压缩特征图以降低计算量；全连接层输出像素级类别概率。
   模型性能通过混淆矩阵评估，常用指标包括准确率、召回率、精确率、F1分数、骰子系数（Dice Coefficient）与交并比（IoU），其中后两者更适用于岩石冰川这类小目标分割任务。
   AI在岩石冰川制图中的应用分为三步：输入数据准备、模型训练验证与后处理，核心目标包括范围分割、活动分类与多年冻土概率制图。早期研究尝试用RF、SVM结合地形与光谱变量，证实仅靠多光谱数据不足以实现自动化；后续引入Gabor滤波纹理特征提升了识别效果。DL应用始于2020年，从最初的灰度影像ANN探索，发展到U-Net、DeepLabv