《Water Resources Research》：Machine Learning Driven Glacier Thickness Estimation in Diverse Continental Glaciers Using Innovative Pixel Based Skeletonization Approach
编辑推荐：
本文介绍了一种创新的冰川厚度估算方法。针对传统冰川厚度测量困难且成本高昂、现有模型产品难以更新的问题，研究人员开发了一套基于机器学习（ML）的框架。该研究引入了一种像素级骨架化方法，将冰川轮廓转化为中心线结构，并计算每个像素到该中心线的距离，与高程、坡度一同作为输入特征，用于训练包括随机森林（RF）、XGBoost（XGB）等在内的树模型。结果表明，XGB模型表现最佳，在训练和测试集上R2值分别达到0.82–0.88和0.73–0.82。该方法成功应用于喜马拉雅及全球其他地区的冰川，量化了2000年至2015年间的厚度变化，并显示出高达13%的精度提升。此项研究为快速、灵活地评估冰川厚度随时间变化提供了有力工具，对理解冰川水资源储存及气候变化影响具有重要意义。
在全球变暖的背景下，冰川作为重要的淡水储存库和气候变化的指示器，其厚度的动态监测变得至关重要。然而，直接测量冰川厚度，尤其是在喜马拉雅等偏远山区，是一项既困难又昂贵的任务。传统的地球物理方法，如电阻率、地震、磁法和探地雷达，虽然有效，但受限于冰川的巨大体积、偏远位置和复杂几何形态，难以实现大范围、连续的观测。尽管目前已有一些区域和全球冰厚数据产品，但它们大多只代表某个单一时间点，难以评估冰川厚度如何随时间演变。随着机器学习（ML）应用的日益广泛，研究人员开始探索利用这些算法来获取重要的冰川数据集，例如使用XGBoost（XGB）模型识别跃动冰川，或使用随机森林（RF）模型对冰碛覆盖和洁净冰川进行分类。然而，将机器学习应用于冰川厚度预测仍处于起步阶段，存在巨大的改进潜力。此前的研究开发了多种经验模型来估算冰川厚度，通过建立冰川深度与高程、坡度、流速等特征之间的相关性进行预测。在此基础上，本研究旨在利用ML技术，构建以高程和坡度为主要输入的回归模型来估算冰川厚度，并引入一种创新的骨架化距离方法，以更有效地表示冰川的内部几何形态。
为了达成研究目标，作者主要采用了以下几项关键技术方法：首先，利用Farinotti等人（2019）基于Randolph冰川目录（RGI6）汇编的全球冰川厚度数据集作为训练目标。其次，使用2000年的NASA航天飞机雷达地形任务（SRTM）数字高程模型（DEM）和2015年的哥白尼全球DEM（基于TanDEM-X任务）作为地形数据源。核心创新在于提出了一种“像素级骨架化”方法：利用冰川边界形状文件生成二进制掩膜，通过迭代细化算法提取冰川中心线骨架，进而计算冰川上每个像素到该骨架的欧氏距离，生成“骨架距离”图。此距离与从DEM派生的高程、坡度共同构成三个输入特征。最后，研究训练并比较了四种树基ML模型（随机森林-RF、XGBoost-XGB、AdaBoost-RF、AdaBoost-DT）和一种参数模型支持向量回归（SVR），以评估其预测冰川厚度的能力，并最终选用表现最佳的模型进行厚度变化分析。
4.1 最佳ML模型的选择
通过对Bara Shigri、Gangotri和Zemu三条喜马拉雅冰川的训练与测试，评估了不同ML模型的性能。统计参数（R2和均方根误差RMSE）和空间分布图表明，AdaBoost结合决策树（ADA-DT）虽然在训练集上精度很高，但在测试集上表现下降，存在过拟合问题。AdaBoost结合随机森林（ADA-RF）、随机森林（RF）和XGBoost（XGB）模型在训练和测试集上均表现出较好且稳定的性能，而SVR模型精度显著较低。通过进一步比较冰川体积差异，发现XGB和RF的预测体积与参考体积（Farinotti et al., 2019）最为接近。综合各项评估，XGB模型因其整体上更准确和一致的结果被选为最终用于冰川厚度预测和变化分析的模型。
4.2 冰川厚度变化分析——2000年至2015年
利用筛选出的XGB模型，结合2000年和2015年的DEM及相应的冰川边界，预测了Bara Shigri、Gangotri和Zemu三条冰川的厚度变化。分析显示，在2000年至2015年间，三条冰川均呈现变薄趋势，但存在空间异质性。Bara Shigri冰川平均厚度从~135米减少到~132米，沿中心线厚度减少约8.4%，变薄最显著的区域位于积累区与消融区过渡带。Gangotri冰川平均厚度从~130米减少到~127米，沿中心线减少约2.5%，变薄相对较小，主要发生在主干的消融区。Zemu冰川平均厚度从~102米减少到~100米，但沿中心线厚度减少了约13%，变薄主要集中在冰川中部，而上游高海拔平台区域甚至观测到轻微增厚。
4.3 输入特征对冰川厚度预测的影响
研究通过对比试验和SHapley Additive exPlanations（SHAP）值分析，评估了骨架化距离这一新特征的重要性。结果表明，加入骨架化距离特征后，XGB模型在训练和测试集上的R2平均提升了12.7%和11.6%，RMSE平均降低了15.3%和4.14%，显著改善了预测精度。SHAP分析揭示了输入特征与预测厚度之间的物理一致性：到中心线的距离越大（即越靠近冰川边缘），预测厚度越低，这与冰川中心厚、边缘薄的几何特征相符；坡度越大，预测厚度越低，反映了陡峭地形不利于冰体积累和保存；高程的影响则因冰川特性而异。
5.1 ML模型的性能
本研究发现，树基ML模型（XGB、RF）在冰川厚度预测上普遍优于核方法SVR。树模型能够通过捕捉数据子集的局部模式来处理非线性和空间异质性，而SVR的线性或多项式核倾向于产生过于平滑的厚度趋势。在AdaBoost算法中，基学习器的选择至关重要：以RF为基学习器的ADA-RF比以DT为基学习器的ADA-DT更可靠，后者过拟合严重。模型能够根据每条冰川独特的地形特征（如高程、坡度、距离的分布）自适应调整其超参数，显示了其捕捉区域异质性的能力。SHAP分析进一步证实，模型学习到的特征-厚度关系（如距离与厚度负相关，坡度与厚度负相关）符合冰川物理的基本认知。
5.2 与以往冰川厚度研究的比较
本研究得出的冰川厚度估算结果与多项先前研究具有可比性。例如，Bara Shigri冰川的厚度分布和变薄区域与基于速度的研究结果一致；Gangotri冰川的变薄模式与观测到的表面高程损失和高速流区相符；Zemu冰川的厚度空间分布与其它模型结果大体一致，尽管在绝对数值上存在差异。此外，为检验方法的可迁移性，研究将其应用于阿尔卑斯山的阿莱奇冰川、天山的科克斯卡尔冰川和加拿大的萨斯喀彻温冰川。结果显示，该方法能有效捕捉这些冰川的区域性变薄模式，与已有研究报道的趋势一致。例如，科克斯卡尔冰川消融区（冰碛覆盖区）的显著变薄与先前观测相符。尽管对于阿莱奇冰川，模型在捕捉最大厚度值上存在局限（受训练数据范围限制），但其整体厚度分布模式与基于速度反演的研究结果吻合。与冰川厚度数据库（GlaThiDa）中阿莱奇冰川的探地雷达实测数据对比，模型预测达到了R2= 0.73的精度。
综上所述，这项发表于《Water Resources Research》的研究成功开发并验证了一套基于机器学习和像素骨架化的冰川厚度估算与变化监测框架。该研究的主要结论和重要意义在于：第一，引入的“骨架化距离”特征能有效表征冰川几何形态，将冰川厚度预测的测试精度提升最高达13%，是方法学上的一个重要创新。第二，在对比的多种机器学习模型中，XGBoost（XGB）模型展现出了最优的预测准确性、稳定性以及对不同冰川环境的适应性。第三，应用该框架对2000-2015年间多条冰川的厚度变化分析表明，喜马拉雅及全球其他地区的冰川普遍呈现变薄趋势，且变薄具有空间异质性，主要集中在消融区，尤其是冰碛覆盖的消融区。第四，该方法展示了良好的可迁移性，能够灵活应用于不同气候区和类型的冰川，仅需数字高程模型（DEM）和冰川边界图即可快速生成厚度图，为未来冰川厚度的高频次、低成本监测提供了强大且灵活的工具。这项工作不仅推进了机器学习在冰冻圈科学中的应用，也为在全球变化背景下评估冰川水资源潜力、预测海平面上升及理解冰川与气候的相互作用提供了新的技术视角。
