青藏高原河流冰的光谱细分研究：基于Landsat 5–9和Sentinel-2数据的学习框架及可解释的机器学习方法 作者：张汉文（Hanwen Zhang）和李宏义（Hongyi Li）

《Remote Sensing》：Optical River Ice Spectral Subclassification on the Tibetan Plateau: A Landsat 5–9 and Sentinel-2 Benchmark with Interpretable Machine Learning Hanwen Zhang and Hongyi Li

　　**亮点：主要发现是什么？**
在西藏高原的Landsat 5–9和Sentinel-2数据集中，一致识别出四种可复现的光学河流冰子类型（薄雪覆盖冰、厚冰层、薄冰和冻碎冰）。
河流冰子类型的区分主要受可见光波段亮度、约0.7微米处的光谱转折点以及短波红外波段对冰层厚度和表面湿度的敏感性的控制。

**主要发现的意义是什么？**
本研究为光学河流冰的子类型分类建立了一个基于传感器特征的、可解释的基准，将这一领域从传统的二分冰-水判别方法提升到了新的水平。通过识别出的光谱驱动因素和强大的模型性能，能够更准确地监测河流冰的异质性，并为未来的水文和灾害相关应用提供支持。

**摘要：**
目前，来自光学卫星的河流冰产品主要依赖于二分冰-水或冰-雪的判别方法，而冰内部的光谱异质性尚未得到充分解决。本研究使用Landsat 5/7、Landsat 8/9和Sentinel-2的地表反射率图像，探索了仅通过多光谱反射率就能对西藏高原上的河流冰进行多子类型分类的程度。我们编译了2000年至2024年间在八个西藏高原流域获取的356个冬季场景数据，利用NDSI和RDRI技术划定河流冰范围，并提取了24,674个像素级别的光谱数据。为了定义可复现的子类型，我们应用了K均值聚类算法，并结合了轮廓系数、Davies–Bouldin指数、Calinski–Harabasz指数和间隙统计量进行指导。这种方法一致地识别出四种光学光谱子类型：薄雪覆盖冰、厚冰层、薄冰和冻碎冰。不同传感器之间的分类准确率非常高（总体准确率≥0.948；Kappa值≥0.929），其中反向传播神经网络（BPNN）和树集成模型的表现最佳。重要的是，评估最佳BPNN架构显示出了出色的多维度泛化能力：留一法空间交叉验证的平均准确率超过99%，平均Kappa值超过0.98；而统一的多传感器模型的准确率为90.14%，Kappa值为0.86。最有效的识别特征包括可见光波段亮度、约0.7微米处的反射率转折点，以及短波红外波段对冰层厚度和表面湿度的敏感性。这些结果为实际的光学河流冰光谱子类型分类提供了一个基于传感器特征的基准，并明确了哪些多光谱波段最能限制子类型的区分能力。

**1. 引言**
河流冰是寒冷地区水文学的关键组成部分，因为它影响着冬季的水文过程、热量交换、生态系统以及冰坝灾害。在西藏高原，快速的气温升高和降水增加了对卫星观测的需求，因为实地测量非常有限，且许多河流段难以到达[1]。因此，一个实际的问题不仅在于是否能够检测到河流冰，还在于能否从常规可用的光学传感器中可靠地分辨出冰内部的异质结构。
光学遥感技术已经能够在区域到全球范围内对河流冰进行映射。利用MODIS、VIIRS和Landsat的数据，已经研究了高纬度北方和北极河流的冰层融化时间、长期范围和物候特征；基于NDSI和RDRI的方法也改善了西藏高原上的冰-水和冰-雪的判别[2,3,4,5,6]。然而，这些产品仍然主要以二分或粗略的主题类别为主，因此提供的关于冰内部异质性的信息非常有限。
最近的研究引入了机器学习和其他传感技术来分析河流冰。在复杂地形条件下，机器学习模型在河流冰检测方面优于阈值方法；机载或SAR研究在特定观测条件下展示了更精细的冰类型映射的价值[7,8,9,10,11]；同时，可解释的河流冰相关预测技术也在发展[12]。然而，这些研究尚未确定对于当前的Landsat和Sentinel-2反射率产品来说，仅凭多光谱信息能够稳定支持多大的子类型细粒度，或者哪些波段最能控制子类型的区分能力。

**2. 研究区域和数据**
**2.1 研究区域**
西藏高原被称为“亚洲水塔”[13]，是许多重要亚洲河流的发源地，包括长江、黄河、布拉马普特拉河、湄公河和萨尔温河。该高原面积约为257万平方公里，平均海拔超过4000米，具有独特的水文环境。与平原地区相比，西藏高原上的河流冰表现出更大的空间异质性和环境敏感性[4]。因此，对该地区河流冰进行细粒度分类对于阐明其形成机制和演化模式至关重要，同时也为高海拔寒冷地区的水文建模、冰坝洪水预警和生态管理提供了重要的科学依据。
为了全面覆盖西藏高原的河流冰，我们选择了八个主要流域的代表性河段进行采样：塔里木河、柴达木河、河西内陆河、长江、黄河、青藏高原内陆河、雅鲁藏布-布拉马普特拉河流域和澜沧-湄公河流域。这些流域在地形、地貌和河道特征上存在显著差异；采样位置是根据实际河流冰分布确定的。有关选定的河段、流域和气候区的详细信息见图1和表1。
**2.2 卫星图像**
为了准确划定和分类河流冰，所选的卫星图像必须具备特定的光谱能力（特别是在可见光、近红外和短波红外波段），并且具有足够的空间分辨率以捕捉复杂的河道形态。Landsat和Sentinel-2平台都满足这些要求，提供了中高空间分辨率（10至30米）的全面多光谱覆盖。我们据此编译了356个冬季场景数据，涵盖了2000年至2024年间的河流冰状况。所有经过大气校正的地表反射率图像均通过Google Earth Engine（GEE）平台进行处理[14]。首先，通过平台过滤掉云量小于20%的图像；随后通过视觉 interpretation确定研究区域内的无云图像用于河流冰采样。图像的具体分布、数量和时间覆盖范围见表1。
**2.2.1 Landsat图像**
多时相的Landsat系列图像（Landsat 5 Thematic Mapper、Landsat 7 Enhanced Thematic Mapper Plus、Landsat 8 Operational Land Imager和Landsat 9 Operational Land Imager 2）作为河流冰子类型分类的主要数据源（表S1）。Landsat图像具有中等的空间分辨率（30米）和丰富的波段组合（从可见光到短波红外），有效反映了不同河流冰类型、开放水域、雪和河岸特征之间的光谱差异[5]。具体来说，Landsat 5/7提供了2000年至2012年的157个场景，Landsat 8/9提供了2013年至2024年的96个场景。多代Landsat图像的集成使用实现了时间连续性和光谱一致性，有助于跨十年尺度精细识别和验证河流冰类型。
**2.2.2 Sentinel-2图像**
为了验证河流冰分类系统在多源数据下的有效性，引入了Sentinel-2的多光谱图像[16]，覆盖了2015年至2024年的103个场景。Sentinel-2的MSI传感器覆盖13个波段，最大空间分辨率为10米（表S1）。它具有多个可见光和近红外波段（红色、红色边缘1、红色边缘2、红色边缘3、近红外、红色边缘4），增强了不同河流冰类型的光谱区分能力。将Sentinel-2与Landsat系列图像结合使用，能够有效识别西藏高原复杂河段的冰分布特征，提高分类准确性和时空可比性。
**2.3 遥感光谱特征数据集**
本研究构建的光谱特征数据集包含通过GEE平台提取的24,674个像素级样本，分为三个基于传感器的子数据集：Landsat 5/7数据集（12,401个样本）、Landsat 8/9数据集（6,509个样本）和Sentinel-2数据集（5,764个样本）。针对每个传感器提取了特定的波段：Landsat 5/7数据集提取了6个地表反射率波段（SR_B1至SR_B5，包括蓝色、绿色、红色、近红外、短波红外1）和SR_B7（短波红外2）；Landsat 8/9数据集提取了7个波段（SR_B1至SR_B7）；Sentinel-2数据集则包含了更广泛的12个波段，包括标准可见光和近红外光谱（B2–B4、B8）、关键的红色边缘过渡带（B5–B7、B8A）、短波红外波段（B11、B12），以及气溶胶（B1）和水汽（B9）波段。所有光谱反射率值均通过Google Earth Engine（GEE）平台提取。提取后，基于轮廓系数确定的最佳聚类数量（k = 4）对光谱反射率数据进行了K均值聚类，以获得聚类类别。为了确定每个聚类代表的具体河流冰类型，使用分层随机抽样从每个数据集中的每个聚类中选取了50个样本点进行视觉解释。这些参考标签被解释为具有物理合理性的光学光谱子类型，而不是经过实地验证的冰层厚度类别。

**3. 结论**
本研究为广泛使用的多光谱任务的河流冰光谱子类型分类提供了一个实用的基准，并为未来的迁移和验证研究奠定了基础。总结来说，MODIS LST和SRTM高程数据在样本构建阶段作为辅助输入，用于确认河流冰的状态和确定地理位置，从而提高了分类结果的可靠性和科学严谨性。3. 方法该工作流程包含四个组成部分：河流冰提取、光谱子类发现、监督基准测试和模型解释。其目的不是引入新的分类器架构，而是量化Landsat 5/7、Landsat 8/9和Sentinel-2的波段集在青藏高原河流上支持的最细实用的光谱分类。使用NDSI和RDRI提取河流冰像素并构建特定于传感器的光谱数据集。然后应用轮廓引导的K-means算法来识别数量较少但光谱稳定的子类，并通过分层视觉解释为这些子类分配可解释的标签，并通过方差分析（ANOVA）进行验证。使用九种监督分类器评估了这些特定于传感器的带标签数据集，并利用SHAP来比较不同传感器和模型家族中每个子类的主要波段级驱动因素。3.1 提取河流冰区域为了准确提取河流冰，第一步是将所有冻结表面（冰和雪）与周围环境区分开来。为此，我们使用了归一化差异雪指数（NDSI）[19]，该指数是根据Landsat 5/7、Landsat 8/9和Sentinel-2影像的绿波段和短波红外（SWIR）波段计算得出的。具体使用的波段分别为Landsat 5/7的SR_B2和SR_B5，Landsat 8/9的SR_B3和SR_B6，以及Sentinel-2的B3和B11。我们采用了0.4的标准阈值，超过此阈值的像素具有典型的雪/冰反射特性，从而将其与非冻结特征区分开来。虽然NDSI能有效屏蔽非冻结表面，但它无法区分河流冰和相邻的雪覆盖。为了进一步将河流冰与一般的雪/冰区域分开，本研究采用了相对差异河流冰指数（RDRI）[5]。RDRI方法的基础在于观察到河流冰在可见光和近红外（NIR）波段的反射率差异大于其他物体。此外，雪在NIR和SWIR1波段的反射率之和通常高于河流冰，这进一步有助于区分两者。公式如下：(1) 其中RRED、RNIR和RSWIR分别代表红波段、近红外波段和短波红外波段的反射率。使用这种方法时，必须校准阈值。需要注意的是，在广阔的高程梯度上应用统一阈值需要仔细考虑大气条件和背景水体浊度的变化。首先，输入数据集使用了经过大气校正的表面反射率（SR）产品，而RDRI本身是基于相对波段差异制定的；这种数学设计本质上规范并抑制了线性地形光照变化和大气衰减。此外，我们对RDRI阈值在[0.10, 0.15]范围内进行了敏感性评估。分析显示，较低的阈值会在低海拔流域引入由于水体浑浊导致的假阳性结果，而较高的阈值则会导致高海拔源头处的薄冰或边缘冰被遗漏。因此，统一采用的RDRI阈值为0.13，并非随意确定，而是作为平衡遗漏和漏检的最佳通用基线，适用于高度异质的研究区域。RDRI方法需要红波段、近红外波段和短波红外波段，但不同传感器的波段指定各不相同。对于专题制图仪（TM）和增强型专题制图仪Plus（ETM+）数据，RDRI使用SR_B3（红）、SR_B4（近红外）和SR_B5（短波红外1）波段计算；对于操作陆地成像仪（OLI）数据，使用SR_B4（红）、SR_B5（近红外）和SR_B6（短波红外1）波段；对于Sentinel-2数据，使用B4（红）、B8（近红外）和B11（短波红外1）波段。选择SWIR1波段而不是SWIR2波段，是因为河流冰和雪在SWIR1波段的反射率更加稳定，且SWIR1的应用范围比SWIR2更广，后者主要适用于地质应用。3.2 子类定义和统计验证在自然聚类和分类河流冰样本之前，确定最佳聚类数量（K）是构建稳定且可解释的子类系统的关键步骤。不同类型的河流冰之间的光谱差异是连续且复杂的；设置过多或过少的类别可能会导致子类混淆或特征丢失。因此，本研究使用一系列有效性指标系统地评估了不同K值下的聚类质量，包括轮廓系数[20]、Davies–Bouldin（DB）指数[21]、Calinski–Harabasz（CH）指数[22]和间隙统计量[23]。这种多指标方法确保定义的河流冰子类在光谱空间具有良好的结构完整性和物理合理性，从根本上提高了后续分类和关键光谱因素识别的可信度。确定最佳子类数量后，采用K-means聚类方法[24]根据样本点与聚类中心之间的欧几里得距离对河流冰样本进行划分。然而，统计聚类缺乏固有的物理意义。为了确定每个聚类在环境中的实际物理属性，我们在每个聚类内部进行了分层采样进行视觉解释。首先，根据样本点到聚类中心的欧几里得距离从最近到最远排序样本点。然后按以下方式提取样本：前20%（30个样本）作为核心区样本，中间20-80%（10个样本）作为过渡区样本，最后20%（10个样本）作为边缘区样本，从而全面确定聚类的属性。其次，在视觉解释过程中，根据河流冰及其周围环境识别河流冰类型（薄雪覆盖冰、厚冰覆盖冰、薄冰和霜冻冰），并为采样点分配具有物理意义的视觉解释参考标签。最后，通过统计分析采样点中视觉解释参考标签的分布，确认每个聚类对应的实际河流冰类型。最后，为了进一步验证定义的河流冰子类是否具有统计显著性，本研究引入了一元方差分析（ANOVA）[25]来测试聚类类别之间的光谱差异的显著性。这不仅从统计角度量化了每个子类的光谱差异，还为后续分类模型构建和关键光谱因素识别提供了严格的基础验证。轮廓系数、Davies–Bouldin指数、Calinski–Harabasz指数、K-means聚类和ANOVA的原理详细列在表S2中。3.3 在特定传感器数据集上的监督基准测试本节评估从聚类得出的光谱子类是否可在每个特定传感器的特征空间中被学习到。因此，这些监督实验被视为标签构建后的子类分离性的基准测试，而不是独立现场验证的替代方法。对于每个传感器数据集，使用光谱反射率波段作为九种分类器的输入：CART [26]、随机森林 [27]、GBDT [28]、XGBoost [29]、KNN [24]、朴素贝叶斯 [30]、BP-NN [31]、CNN [32] 和 SVM [33]。我们将这些算法系统地分为六个不同的数学家族：神经网络（BP-NN、CNN）、树集成（随机森林、GBDT、XGBoost）、核方法（SVM）、决策树（CART）、基于距离的（KNN）和概率模型（朴素贝叶斯）。使用整体准确性（OA）和Cohen’s kappa来比较在相同特定传感器标签定义下的性能。每种算法的数学机制和原理详细列在表S3中。通过证明这四种类结构可以在所有六种根本不同的数学架构中一致地被识别，我们旨在数学上证明所提出的子类的高光谱分离性是光学数据本身的稳健内在属性，而不是任何单一算法非线性拟合能力的产物。然后从非线性特征交互和波段相关性的角度解释算法之间的差异。3.4 多维度泛化验证为了严格评估所提出的四类系统的实用性和稳健性，我们设计了一个双维验证框架，重点关注跨不同流域的空间迁移性和在不同卫星平台上的光谱一致性。为了打破在用于聚类的同一特征空间的随机分割上评估监督模型的固有循环性，我们设计了一个严格的留一基流域（LOBO）空间交叉验证实验。为了代表光谱特征的最大信息提取潜力，我们选择了性能最佳的BP-NN架构作为代表性模型。在这个LOBO框架中，模型在七个流域的样本上迭代训练，并且仅在完全保留的第八个流域上进行评估。为了确保绝对零数据泄漏，每次迭代都严格使用训练集参数进行独立特征标准化。这种非循环评估是证明所提出的河流冰子类在青藏高原上真正空间泛化性的主要基准。除了空间稳健性之外，我们还通过建立多传感器联合训练框架来进一步评估跨传感器的泛化能力。为了实现不同卫星平台之间的特征一致性，我们协调了六个常见的光谱波段——蓝波段、绿波段、红波段、近红外（NIR）和两个短波红外（SWIR1和SWIR2）波段。具体来说，将Sentinel-2的B2、B3、B4、B8、B11、B12波段，Landsat 8/9的SR_B2–B7波段，以及Landsat 5/7的SR_B1–B5、SR_B7波段映射到一个统一的功能空间中。然后使用聚合的表面反射率数据集来训练一个全局BP-NN分类模型。这种联合建模方法旨在验证四种河流冰子类是否在波段配置和中心波长的特定于传感器变化下保持一致且可传输的光谱定义。3.5 主要光谱驱动因素的识别为了解释分类结果，对训练模型应用了Shapley Additive explanations（SHAP）来量化每个光谱波段对子类决策的贡献。我们对基于树的模型使用TreeSHAP，对神经网络使用DeepSHAP，对基于核和距离的模型使用KernelSHAP [34]。SHAP风格的解释在河流冰相关预测应用中也已被证明是有用的 [12]。SHAP方法的数学原理和具体实现细节在补充材料文本S1中提供。分析重点不是单独强调模型特定的解释，而是关注跨模型的共识：哪些波段反复出现为主要的驱动因素，这些驱动因素是否在各个传感器中一致，以及它们如何映射到合理的河流冰光学行为上。4. 结果 4.1 确定河流冰子类为了客观确定最佳河流冰子类数量并避免仅依赖主观的物理性解释，本研究利用河流冰样本的光谱特征作为无监督K-means聚类的输入。我们使用一系列有效性指标评估了不同聚类数量（K ∈ [2, 10]）下的聚类质量：轮廓系数（图2a）、Davies–Bouldin（DB）指数（图2b）、Calinski–Harabasz（CH）指数（图2c）和间隙统计量（图2d）。理论上，当轮廓系数和CH指数达到最大值或明显的局部峰值（表示高聚类内凝聚力和聚类间分离度），DB指数最小化（表示聚类间的结构重叠低），以及间隙统计量呈现峰值或结构“拐点”（表示添加另一个聚类带来的边际信息增益显著减少）时，达到最佳分割状态。图2. 使用多指标有效性指数确定最佳河流冰子类数量。(a) 轮廓系数，(b) Davies–Bouldin指数，(c) Calinski–Harabasz指数，(d) 间隙统计量作为聚类数量（K = 2–10）的函数，适用于Sentinel-2、Landsat 5/7和Landsat 8/9。垂直虚线表示选定的最佳聚类数量K = 4。定量结果表明，K = 2在所有三种图像来源中自然产生最高的轮廓分数，分别为Landsat 5/7的0.5356，Sentinel-2的0.4395，Landsat 8/9的0.3570（图2a）。在多光谱遥感中，二分法本质上捕获了高反射表面（厚冰/雪）和暗表面（薄冰/水）之间的主要宏观差异。然而，尽管在数学上是最优的分割方式，但这代表了严重的欠分割，在水文学上不足以表征河流冰冻结的内部形态差异和过渡阶段。超越这一二元基线，对综合统计指标的系统性评估（图2a–d）揭示了所有三种传感器中K = 4的显著数学共识。对于Landsat 5/7，K = 4在CH指数上达到了30,853.47的绝对全局最大值（图2c），甚至超过了二分的K = 2基线。同时，DB指数保持了优异且稳定的低值0.6750（图2b），轮廓系数也稳定恢复到0.3136（图2a）。这在数学上证明了四类方案在Landsat 5/7特征空间中代表了最自然连贯的拓扑结构。对于Sentinel-2，K=4时轮廓系数出现一个明显的局部峰值0.3635（图2a）。此外，间隙统计量在K=4时显示出结构上的“拐点”（图2d），此时信息增益从K=4时的0.188显著下降到K=5时的0.111。更重要的是，DB指数是一个关键的警告信号，表明过度分割正在发生；随着K值从4增加到5，指数从0.9434急剧下降到1.0490（图2b），超过了表示严重簇内重叠的临界阈值1.0。因此，K=4是最大的安全分辨率边界。对于Landsat 8/9，K=4时轮廓系数开始进入一个平台期，其值在0.2908到0.2999之间波动（图2a）。此时，DB指数达到1.0390（图2b），随后进入一个长期停滞的平台期，K=5时为1.0045，K=6时为1.0079。这一数学平台期表明，一旦确定了四个基本的物理子类，进一步的划分将不会带来结构上的改进，只会强制在连续数据中产生任意的分割。与相邻状态的系统比较进一步验证了这一选择在所有三个传感器数据集中的有效性。在K=3时（欠分割），算法无法识别出基本的物理结构。在Landsat 5/7数据集中，强制K=3会导致CH指数降至27,462.91（图2c）。对于Sentinel-2，K=3未能达到局部结构峰值，轮廓系数为0.3520（图2a），低于K=4时的值。同样，对于Landsat 8/9，间隙统计量显示在K=3时信息增益为2.6547，而K=4时增加到2.7393（图2d），这表明仍需要进一步的分割来获得显著的 ??增益。从物理上看，这种数学上的不足对应于不同冰状态的混合，形成了一个嘈杂的簇。相反，在K=5时（过度分割），各项指标严格表明了所有传感器中的结构重叠开始。在Sentinel-2中，DB指数急剧下降，从K=4的0.9434降至K=5的1.0490（图2b），超过了表示严重簇内重叠的临界阈值1.0。Landsat 5/7的DB指数也从K=4的0.6750下降到K=5的0.7928（图2b），CH指数也随之下降到30,430.59（图2c）。同时，Landsat 8/9的CH指数从5652.54下降到5279.49（图2c），进入了一个数学上的停滞平台期，进一步划分不再带来有意义的结构改进。除了这些统计指数外，降维可视化也为子类选择提供了直观的证据。在二维主成分分析（PCA）空间中（图3），所有三个图像来源的河冰样本在K=4时显示出清晰的簇分离和边界结构，表明在光谱空间中有良好的可分性和稳定性。综合多指标有效性指数的统计共识、PCA可视化结果以及河冰形成的物理可解释性，本研究确定河冰可以最优地划分为四个子类。图3. 样本级光谱的二维PCA可视化。(a–c) 分别是Sentinel-2、Landsat 5/7和Landsat 8/9的PCA散点图，按四个河冰子类着色。黑色叉号表示PCA空间中的簇中心，椭圆表示每个子类的95%置信区域。为了进一步定义这些子类在自然环境中的物理形态，我们从三个传感器中提取了每个簇的50个样本点（30个核心区样本、10个过渡区样本和10个边缘区样本）进行视觉解释验证。第一个子类被指定为薄雪覆盖的冰，对应于图3中的蓝色簇。对样本点的视觉解释确认了它们在所有传感器中的高纯度（图4）。具体来说，在Sentinel-2中，有30个核心区、9个过渡区和10个边缘区的样本被识别为薄雪覆盖的冰，只有1个过渡区样本被误识别为厚冰覆盖。同样，Landsat 5/7数据中有30个核心区、10个过渡区和9个边缘区的样本属于这一类，其中1个边缘区样本为厚冰。Landsat 8/9数据中有30个核心区、8个过渡区和10个边缘区的样本，其中2个过渡区样本为厚冰。因此，薄雪覆盖的冰在这个簇中占据主导地位（Sentinel-2：98%，Landsat 5/7：98%，Landsat 8/9：96%）。在图像中，这一子类表现为高亮白色的冰体，通常分布在雪覆盖区域附近。图4. 多个传感器中不同河冰类型的特征。从上到下的行分别代表薄雪覆盖的冰、厚冰覆盖、薄冰和冰凌。列分别对应Sentinel-2、Landsat 5/7和Landsat 8/9。每个面板左侧显示河冰图像（红色点代表该特定河冰类别的采样像素），右侧显示相应的分层解释摘要。第二个子类被指定为厚冰覆盖，对应于图2中的橙色簇。进一步的采样验证了这一分类（图3）：在Sentinel-2中，有30个核心区、9个过渡区和8个边缘区的样本被验证为厚冰覆盖，其中1个边缘区样本为厚冰，另有1个边缘区样本被误识别为薄雪覆盖的冰。Landsat 5/7数据中有30个核心区、10个过渡区和9个边缘区的样本属于这一类，其中1个边缘区样本为冰凌。Landsat 8/9数据中有30个核心区、8个过渡区和10个边缘区的样本属于这一类，其中2个过渡区样本为厚冰。这一高度一致的分布表明厚冰覆盖在这个簇中占主导地位（Sentinel-2：94%，Landsat 5/7：98%，Landsat 8/9：96%）。从形态上讲，这一子类在图像中表现为颜色较深的透明冰体，其结构稳定性表明冻结时间较长，厚度较大，通常形成在河流较宽的河道中连续的带状分布。第三个子类被指定为薄冰，对应于图3中的绿色簇。分层视觉验证（图4）显示，在Sentinel-2中，有30个核心区、9个过渡区和9个边缘区的样本被严格识别为薄冰，其中1个边缘区样本被误识别为薄雪覆盖的冰，另有1个过渡区样本被误识别为薄冰覆盖。对于Landsat 5/7，有29个核心区、9个过渡区和9个边缘区的样本属于这一类，其中1个核心区样本和1个过渡区样本为厚冰覆盖，另有1个边缘区样本为冰凌。这与Landsat 8/9的结果非常相似，其中也有30个核心区、9个过渡区和9个边缘区的样本被识别为薄冰，其中1个过渡区样本为厚冰覆盖，另有1个边缘区样本为冰凌。因此，薄冰在所有传感器中都占主导地位（Sentinel-2：96%，Landsat 5/7：94%，Landsat 8/9：96%）。在遥感图像中，这一子类表现为颜色较深的透明冰体，主要出现在较窄的河道中。它表征了未成熟的冰发展，表面较薄，通常表明处于冻结或融化阶段。第四个子类被指定为冰凌，对应于图3中的紫色簇。对样本点的解释（图4）确认，在Sentinel-2中，有30个核心区、9个过渡区和10个边缘区的样本被识别为冰凌，只有1个过渡区样本被误识别为薄冰。Landsat 5/7数据中有28个核心区、8个过渡区和10个边缘区的样本属于这一类，其中2个核心区样本和2个过渡区样本为厚冰。Landsat 8/9数据中有30个核心区、9个过渡区和9个边缘区的样本属于这一类，其中1个过渡区样本和1个边缘区样本为厚冰。因此，冰凌构成了这个簇的大部分（Sentinel-2：98%，Landsat 5/7：92%，Landsat 8/9：96%）。从形态上看，冰凌在图像中表现为颜色较深的冰体，分布分散。它通常出现在河岸附近或完全冰盖的活跃边缘附近。总之，视觉解释表明，四个无监督簇对应于图像中的一致的光谱子类：薄雪覆盖的冰、厚冰覆盖、薄冰和冰凌。这些标签为后续的基准测试提供了可解释的子类词汇，但仍需要进一步的实地验证来确认它们的物理边界。4.2. 四个子类的光谱特性根据对四个河冰子类的确定，从Landsat 5/7、Landsat 8/9和Sentinel-2样本中提取了每个子类的平均反射光谱，以比较不同波段的相对强度和光谱形状变化。结果表明，尽管三个传感器在波段配置和数量上存在差异，这四个子类在可见光到近红外范围内展现出一致且可重复的光谱区分结构（图5）。在所有三个数据集中，薄雪覆盖的冰在可见光到近红外范围内表现出最高的整体反射率（Landsat 5/7：SR_B1-SR_B4；Landsat 8/9：SR_B1-SR_B5；Sentinel-2：B1–B9），而冰凌在所有波段的反射率最低。厚冰覆盖和薄冰在约0.7 μm处显示出稳定的光谱分离；具体来说，厚冰在可见光范围内的反射率高于薄冰，但在红到近红外范围内，厚冰的反射率迅速下降并反转（Landsat 5/7从SR_B4开始，Landsat 8/9从SR_B5开始，Sentinel-2从B7开始）。这一现象在所有三个传感器中都存在，表明河冰子类的核心鉴别信息集中在可见光范围内的整体亮度差异和0.7 μm（红-NIR过渡）附近的光谱形状变化上。图5. 四个河冰子类在传感器间的光谱特征和波段可分性。(a–c) Sentinel-2、Landsat 5/7和Landsat 8/9的平均反射光谱及其±1标准差范围。灰色垂直条带表示约0.7 μm的过渡区域和SWIR1/SWIR2窗口。(d–f) 显示了相应传感器每个波段的一元方差分析（ANOVA）可分性（以log10 (F统计量)表示）。所有波段都显示出高度显著的子类差异（p < 0.001）。在Sentinel-2数据集中（图5a），薄雪覆盖的冰在B1-B9波段的平均反射率显著高于其他三个类别。厚冰覆盖和薄冰在B1–B6波段的反射率较高，而从B7开始，薄冰的平均反射率超过厚冰。冰凌在所有波段的反射率最低。由于Sentinel-2的波段数量较多（包括红色边缘波段），它在0.7 μm附近更细致地表征了厚冰和薄冰之间的光谱分离过程。在Landsat 5/7数据集中（图5b），薄雪覆盖的冰在SR_B1-SR_B4波段的平均反射率显著更高。厚冰覆盖在SR_B1-SR_B3（可见光波段）的反射率高于薄冰，但从SR_B4（近红外波段）开始，薄冰的反射率超过厚冰。冰凌在所有波段的反射率最低。这清楚地表明，厚冰在可见光波段更亮，但在近红外波段迅速下降。在Landsat 8/9数据集中（图5c），薄雪覆盖的冰在SR_B1-SR_B5波段的反射率显著更高。厚冰在SR_B1-SR_B4（可见光）的反射率高于薄冰，而从SR_B5（近红外）开始，薄冰的反射率超过厚冰。此外，Landsat 8/9还包括了超蓝/沿海气溶胶波段，这更全面地表征了蓝波段附近的差异，但这并不改变整体的光谱区分规律。统计测试结果提供了进一步的定量证据。虽然一元方差分析显示所有三个图像来源的所有波段都达到了统计显著性（p < 0.05，表S4），但我们注意到由于样本量非常大（n = 24,674），传统的p值可能变得不那么有意义。为了提供一个稳健的衡量这些光谱差异的方法，我们计算了所有ANOVA结果的效应量（η2，Eta-squared）；“大效应”的标准阈值通常是η2 > 0.14 [35]。值得注意的是，所有光谱带都表现出巨大的效应大小，远远超过了这一基准（表S4）。具体来说，在Sentinel-2数据集中，η2值的范围是0.559到0.834；在Landsat 5/7数据集中是0.386到0.931；在Landsat 8/9数据集中是0.411到0.724。这些显著的η2值有效地表明，所提出的细分方案从根本上解释了总光谱方差的大部分。除了这些总体效应大小外，具体的F值突出了最具区分性的区域：对于Sentinel-2，F值在红边/红边缘波段附近最高（例如，B5：F = 9692.24，B4：F = 8934.52），这与0.7 μm附近的光谱分离关键现象相符（图5d）。对于Landsat 8/9，F值在可见光波段总体上较高（例如，SR_B3：F = 5776.08，SR_B2：F = 5369.07），表明可见光波段对四个类别具有高度敏感性（图5e）。Landsat 5/7在红边SR_B3（F = 5463.20）和SWIR SR_B5（F = 5115.48）显示出最大的类别间差异，反映了SWIR波段在河冰分类中的重要性（图5f）。总的来说，这些独特的光谱特征和显著的效应大小确认了这四个子类别在所有三个传感器上都具有统计上稳健的光学特征，为后续部分评估的监督机器学习基准奠定了严格的数据基础。

4.3 内部监督基准结果
为了评估所提出的光谱子类别的可学习性和内部光谱一致性，我们分别在Landsat 5/7、Landsat 8/9和Sentinel-2标记的数据集上训练了九个监督分类器。得到的OA和kappa值总结了每个传感器特定特征空间如何一致地支持四类结构（图6）。图6. 机器学习算法在特定传感器数据集上进行河冰细分类的适用性。(a) 在Sentinel-2、Landsat 5/7和Landsat 8/9上评估的九个分类器的整体准确性。(b) 相同分类器和数据集的Cohen’s kappa值。所有传感器特定的基准都显示出高性能（OA ≥ 0.948；kappa ≥ 0.929），表明这四个子类别标签在多光谱特征空间中是强烈可区分的。因此，关键结果并不是跨传感器转移的声明，而是表明在三个常用的光学任务中可以复现密切相关的子类别结构。
在测试的模型中，BP-NN在所有三个特定传感器的数据集上获得了最高的分数。其在Landsat 5/7、Landsat 8/9和Sentinel-2上的OA分别为0.998、0.999和0.998，kappa值分别为0.998、0.998和0.997。这些结果表明，高阶光谱相互作用包含足够的信息来复现子类别标签，几乎没有任何数据集内的歧义。
基于树的集成（XGBoost、GBDT和RF）和SVM紧随其后，在三个特定传感器基准上的OA为0.991–0.995，kappa为0.988–0.993。它们的一致性能表明，子类别结构不依赖于单一模型家族，可以通过几种非线性决策机制来捕捉。
CART和KNN也表现良好（CART OA：0.983–0.991；KNN OA：0.982–0.987），但在不同传感器数据集之间的性能分散略大。它们相对于集成的较低稳定性与对局部决策边界和特征空间噪声的更高敏感性一致。
CNN没有超越其他非线性方法（OA：0.980–0.988；kappa：0.973–0.983）。这是预期的，因为实验是在像素级别的光谱向量上操作的，而不是空间图像块，限制了卷积特征提取的优势。与IceSegNet [36]和基于图的河冰分类方法 [37] 等空间架构不同，当前的基准是有意以光谱为中心的。
朴素贝叶斯产生了最低的分数（OA：0.948–0.966；kappa：0.929–0.954），这反映了其条件独立性假设与多光谱河冰反射率之间的强烈波段相关性不匹配。

总体而言，算法比较表明，所提出的四类方案可以从每个特定传感器的数据集中的光谱中容易地学习到。表现最好的模型是那些能够利用非线性跨波段关系而不是单波段阈值的模型。

4.4 空间稳定性和跨传感器转移性
为了严格评估所提出的四类系统的实际效用和真正的转移性，我们进行了双维度验证，重点关注不同流域的空间稳健性和不同卫星平台上的光谱一致性。
为了打破传统的循环评估设计——其中监督模型通常在同一空间域上进行验证——我们进行了留一库（LOBO）空间交叉验证。为此，我们采用了在内部一致性测试中表现出色的最佳BPNN架构。LOBO结果显示，在所有卫星传感器数据集上都具有异常稳定和出色的空间泛化性能（表2）。总体而言，模型在Sentinel-2上的平均空间泛化准确性（OA）为99.04%，Kappa系数为0.9854；在Landsat 5/7上的OA为99.60%，Kappa系数为0.9938；在Landsat 8/9上的OA为99.34%，Kappa系数为0.9904。值得注意的是，预测性能在八个截然不同的保留流域中保持了显著的稳健性。具体来说，Sentinel-2的OA严格介于98.00%到99.98%之间，Landsat 5/7的OA介于99.36%到99.85%之间，Landsat 8/9的OA在98.61%到99.89%之间波动。Kappa值的空间变化紧密反映了这些OA趋势，Sentinel-2的范围是0.9720到0.9981，Landsat 5/7的范围是0.9899到0.9976，Landsat 8/9的范围是0.9802到0.9985。鉴于我们研究区域内的巨大高程梯度和多样化的水文状况，这种跨所有三个传感器数据集的高水平跨流域稳定性特别显著。

表2. 通过留一库（LOBO）交叉验证评估的最佳BPNN模型的空间泛化性能。该表详细列出了在青藏高原八个保留流域上，Sentinel-2、Landsat 5/7和Landsat 8/9数据集的独立预测指标，包括整体准确性和Kappa系数。此外，为了验证所提出的基准在不同卫星星座上的泛化能力，我们评估了一个多传感器联合训练框架。为了确保特征的一致性，我们在三个传感器组中协调了六个共同的光谱波段——蓝色、绿色、红色、近红外（NIR）和两个短波红外（SWIR1和SWIR2）。通过聚合这些表面反射率样本，开发了一个基于反向传播神经网络（BPNN）的全球分类模型来重新分类组合数据集。这个统一模型在多传感器测试集上实现了90.14%的整体准确性和0.86的Kappa系数。这一出色的性能表明，尽管传感器特定波段配置和中心波长存在细微差异，但这四个河冰子类别仍然保持着高度一致和可转移的光谱定义。

这些全面的验证确认了所识别的类别（薄雪覆盖的冰、厚冰覆盖、薄冰和浮冰）代表了在青藏高原多样化的 climates 中保持高度一致和可转移的光谱特性的稳健、通用物理结构。

4.5 主要的光谱驱动因素
使用SHAP来确定在监督基准之后哪些光谱带在子类别决策中起主导作用。这项分析的目的是测试学习到的决策规则是否集中在物理上合理的光谱区间内，而不是任意的模型特定伪影中。
在特定于传感器的模型中，主要的归因模式反复出现在三个波长区域：可见光（<700 nm）和红边缘（>1000 nm）。这与ANOVA结果一致，表明子类别的可区分性是由一组紧凑的亮度、坡度和吸收线索控制的。
对于薄雪覆盖的冰，SHAP分析一致地指出可见光和红边缘/近红外（Red Edge/NIR）的高反射率是主导因素。可见光波段贡献了大约63%的重要性，而红边缘/近红外贡献了大约26%（图7d）。图7显示了一致性重要性点（蓝色）集中在左侧的可见光区域和700 nm附近的红边缘区域。具体来说，Sentinel-2的红边缘1（B5）和红光（B4）、Landsat 5/7的蓝光（SR_B1）和红光（SR_B3）以及Landsat 8/9的红光（SR_B4）和近红外（SR_B5）贡献最大，较高的反射率增加了这种分类的可能性。这与薄雪覆盖增强多方向散射的物理特性相符，同时在红边缘附近保持高反射率。

图7. 从跨模型SHAP共识中得出的河冰细分类的关键光谱驱动因素。(a–c) 对于Sentinel-2、Landsat 5/7和Landsat 8/9，点的大小表示作为九个分类器平均值的归一化均值（|SHAP|）计算的交叉算法一致性重要性，其中较大的点表示更高的重要性。每个子类别的前两个波段被标出，最上面的波段也被标记。(d) 对于总重要性的平均分配比例，分别分配给可见光（VIS）、红边缘/近红外（Red Edge/NIR）和短波红外（SWIR）区间，跨传感器平均。对于厚冰覆盖，SHAP分析表明可见光、近红外（NIR）和短波红外（SWIR）波段具有综合效应。可见光波段贡献了大约46%，而红边缘/近红外（Red Edge/NIR）和短波红外（SWIR）各自贡献了大约27%（图7d）。一致性重要性点（橙色）在三个光谱区间均匀分布。主要贡献者包括Sentinel-2中的SWIR2（B12）和红边缘1（B5）；Landsat 5/7中的近红外（NIR）（SR_B4）和短波红外（SWIR2）（SR_B7）；以及Landsat 8/9中的红光（SR_B4）和蓝光（SR_B3）。从物理上讲，厚冰在可见光范围内保持体积散射亮度，但随着波长增加到近红外（NIR）和短波红外（SWIR），吸收增加，光路径长度增长，抑制了短波红外信号。因此，模型使用“相对较高的红-近红外对比度”来稳定地表征厚冰覆盖。
对于薄冰，SHAP清楚地显示短波红外（SWIR）波段是最关键的区分区间，贡献了大约62%的重要性（图7d）。图7清楚地显示薄冰的区分信息集中在短波红外（SWIR）波段（绿色点）。最高贡献者是Sentinel-2中的SWIR2（B12）和SWIR1（B11）；Landsat 5/7中的SWIR1（SR_B5）和SWIR2（SR_B7）；以及Landsat 8/9中的SWIR1（SR_B6）和SWIR2（SR_B7）。这反映了短波红外对有效厚度和表面水膜/湿度变化的敏感性，其中薄冰与厚冰和其他子类别形成稳定差异。（Sentinel-2还利用了短波端（B1）作为低散射/亮度特征的补充约束。）

对于浮冰，SHAP显示可见光和红边缘/近红外（Red Edge/NIR）的低反射率是主要特征。可见光波段贡献了大约55%，而红边缘/近红外（Red Edge/NIR）贡献了大约28%（图7d）。一致性重要性点（红色）分布在可见光和近红外区域。主要贡献者包括Sentinel-2中的红边缘1（B5）和红光（B4）；Landsat 5/7中的近红外（NIR）（SR_B4）和红光（SR_B3）；以及Landsat 8/9中的蓝光（SR_B2）和超蓝光（SR_B1）。从物理上讲，边缘区域通常涉及更高的水含量和杂质包含，增强了吸收和散射损失，使可见光和近红外光谱变暗。

总之，SHAP结果将四类基准简化为三个反复出现的光学控制因素：可见光亮度、红边缘/近红外（Red Edge/NIR）的转变和短波红外（SWIR）的湿度/厚度敏感性。这些控制在不同模型家族之间的一致性支持了这样的解释，即基准化的子类别源自结构化的光谱行为，而不是模型特有的特性。

5. 讨论
5.1 提出的子类别的地位
这里提出的子类别应被解释为光学光谱子类别，而不是替代基于过程的河冰分类法[38]。现有的指数方法，如NDSI和RDRI，主要是为冰-水或冰-雪区分设计的[5,19]，而本研究提出了一个不同的问题：一旦隔离出河冰，可以从多光谱反射率中恢复多少额外的结构。
在这个框架内，四个子类别是有意义的，因为它们在三个特定于传感器的数据集中反复出现，并且得到了可见光反射率、红边缘/近红外（Red Edge/NIR）光谱形状和短波红外（SWIR）吸收的稳定差异的支持。薄雪覆盖的冰、厚冰覆盖、薄冰和浮冰的标签为这些光学状态提供了一个可解释的缩写，但它们的确切物理边界仍应被视为视觉上支持的，而不是实地验证的。从物理上讲，这些河冰子类别的遥感光谱差异主要由雪/冰/水系统中的三种入射辐射过程控制：表面散射、内部冰散射/吸收和冰-水界面反射。不同的子类别在表面粗糙度/薄雪覆盖、冰厚度/内部结构和水分/杂质包含方面存在系统差异，导致在可见-近红外范围内的反射率水平和光谱形状转变中稳定分离。覆盖薄雪的冰以增强的多方向表面散射为主，导致在可见近红外（Vis-NIR）波段的整体反射率较高；厚冰层在可见光范围内的反射率更高，这是由于体积散射增强所致，而当波长超过0.7微米时，由于吸收增加和光路延长，反射率会急剧下降；薄冰在可见光下的反射率较低，这是由于其厚度和体积散射较少，但在红近红外（Red-NIR）波段由于界面/表面反射成分更加明显而显示出相对较高的反射率；而霜冻冰（Frazil ice）在整个光谱范围内保持最低的反射率，这是由于高含水量和杂质导致的吸收增强和能量损失。这表明不同类型的河流冰在0.7微米附近的整体亮度梯度和光谱形状斜率上表现出关键的特征差异。相对于以往的河流冰研究，本研究的主要贡献是一个基于传感器的基准测试。航空和合成孔径雷达（SAR）的研究表明在其他传感几何条件下也可以实现更精细的冰层类型分类[7,8,9,39]，而基于Landsat和Sentinel在青藏高原上的研究则主要集中在检测和物候学分析[4,5,11]上。本研究通过定义一个实用的分类粒度，结合了这些成果，这种粒度可以被长时间存档的光学反射数据支持。这样的基准测试很有用，因为它区分了两个经常被混淆的问题：一个类别是否可以通过当前的光学波段集进行映射，以及该类别是否已经作为一个物理过程类别被独立验证。第一个问题在这里得到了解答；第二个问题需要未来的实地调查和转移实验来解决。

5.2. 算法差异的解释
算法的排名与特征空间的结构一致；这些子类具有很强的内在光谱分离性，即使是基础的概率模型也能捕捉到这种核心结构。例如，朴素贝叶斯（Naive Bayes）所建立的高性能基础（OA > 94%）从数学上证明了这四个子类的光谱边界并不是高度复杂的非线性函数逼近器的产物，而是代表了光学数据的稳健物理特性。虽然基本模型是有效的，但能够学习非线性跨波段相互作用的模型，如BP-NN和树集成模型，成功地捕捉到了剩余的边际方差，因此表现出更好的性能。这些结果与最近的方法学进展密切相关；特别是，最近的一项研究强调了使用Sentinel-2数据对黄河上的河流冰进行分类时SVM算法的有效性[40]。我们的综合基准测试通过展示这种光谱分离性不仅限于特定的算法或单一河流流域，而是代表了在多个卫星平台和六个不同数学家族中都成立的稳健物理特性，进一步深化了这一理解。通过提供这种系统的多家族比较，该基准测试成为了遥感领域的一个多功能参考工具。对于 operational mapping 来说，最有用的意义在于，虽然简单的阈值指标无法利用子类信息，但非线性模型可以自信地恢复这种结构，并且在高度多样化的水文条件下保持一致的光谱驱动力。这种架构灵活性使得未来的操作系统可以根据特定的计算约束选择分类器，而不损害子分类的基本物理有效性。

5.3. 含义和局限性
河流冰的子分类具有实际价值，因为在冰完全融化之前，冰内的结构变化就已经很重要了。因此，基于光谱定义的子类产品可以支持对冬季栖息地条件、水力粗糙度变化以及流域尺度上冰塞易发性的监测[41,42,43]。具体来说，这些子类为河流冰的生态学和水文学提供了新的见解。例如，视觉解释表明霜冻冰与早期冰层形成、活跃的热力学交换以及河岸边缘动态相关[44]。薄冰反映了初始的热增长或高热通量区域[45]，而厚冰层和覆盖薄雪的冰代表了稳定的连续冰层，显著改变了冬季河道的水力特性，并为水柱提供了热绝缘[46]。然而，也应明确几个限制因素。首先，子类标签是基于分层的视觉解释，而不是同步的实地厚度、雪深或粗糙度测量。因此，尽管这些物理解释得到了光谱证据和已建立的河流冰热力学的强烈支持，但目前它们代表的是稳健的物理推断，而不是经过实地验证的事实，因此直接的原位验证对于未来的研究来说是高度优先的。其次，当前的基准测试依赖于像素级的光谱特征，这本质上没有考虑到空间背景。在复杂的河流环境中，特别是在狭窄的河道内或沿着不均匀的河岸边缘，光学观测容易受到混合像素（例如冰-水或冰-陆地混合物）的影响。这种空间混合可能会产生过渡性的光谱特征，从而模糊了子类之间的区别，如霜冻冰和薄冰之间的差异。尽管我们的评估包括了卷积神经网络（CNN），但它被实现为一个仅关注光谱特征的1D像素模型。因此，转向空间-光谱架构（例如2D/3D-CNN或基于块的网络），这些架构明确整合了邻域信息，是未来更好地捕捉形态模式和进一步减轻混合像素影响的关键方向。第三，当前的数据集旨在建立一个光谱基准，而不是评估区域空间变异。由于样本是基于NDSI和RDRI阈值 opportunistically 提取的，样本密度受到图像质量、云层覆盖以及卫星过境时冰的可见性的严重影响。因此，样本数量反映了遥感覆盖范围，而不是青藏高原八个流域中子类的实际物理比例。从像素级的基准测试过渡到连续的、壁到壁的映射，以准确模拟区域冰形成的空间模式和气候驱动力，仍然是未来应用的重要目标。第四，虽然我们的跨传感器联合训练框架成功地展示了子类的泛化能力（OA > 90%），但这种多平台的协调本质上涉及方法上的妥协。为了构建一个统一的特征空间，模型被限制在六个常见的光谱波段内，这需要排除特定传感器的特征——例如Sentinel-2的高区分度红边波段。此外，直接的波段到波段映射并不能完全消除由于光谱响应函数（SRF）的细微差异、不同的空间分辨率以及不同卫星程序中的基线大气校正算法而产生的残差辐射度差异。未来的大规模监测工作可能需要更严格的辐射度归一化或先进的领域适应算法来完全解决这些传感器间的不一致性。

6. 结论
本研究使用Landsat 5/7、Landsat 8/9和Sentinel-2的地表反射数据对青藏高原上的河流冰的光学光谱子分类进行了基准测试。重点在于定义当前多光谱波段集能够支持的最细粒度子类，并确定使这种粒度可学习的光谱控制因素。(1) 在这三个特定传感器的数据集中，始终支持四个光学光谱子类：覆盖薄雪的冰、厚冰层、薄冰和霜冻冰。(2) 这些子类的可区分性主要由三个反复出现的光谱控制因素决定：可见光段的亮度、红到近红外过渡附近的光谱转变，以及SWIR对有效厚度和表面湿度的敏感性。(3) 在特定传感器标记的数据集中，非线性分类器的准确率非常高（OA ≥ 0.948；kappa ≥ 0.929），其中BP-NN和树集成模型表现最佳，表明四种类别方案可以从多光谱反射率中有效地学习。(4) 使用最优性能的BPNN分类器进行评估时，所提出的四类系统显示出卓越的空间和光谱泛化能力。留一法（LOBO）交叉验证得出的平均OA > 99%，平均Kappa > 0.98，而统一的多传感器模型达到了90.14%的OA和0.86的Kappa。这证实了这些子类代表了可推广的物理结构。(5) SHAP分析显示，主要的决策驱动因素集中在物理上合理的波段中，并且在不同的模型家族中大致一致，为所提出的基准测试提供了可解释的基础。综上所述，这些结果为当前光学卫星存档中的河流冰光谱子分类定义了一个实用且可解释的基准。

补充材料
以下支持信息可以在此下载：https://www.mdpi.com/article/10.3390/rs18091437/s1，文本S1：SHAP（Shapley Additive Explanations）方法原理；表S1：本研究中使用的传感器的详细规格，包括Landsat 5 TM、Landsat 7 ETM+、Landsat 8/9 OLI/OLI-2和Sentinel-2 MSI的光谱波段、波长范围和空间分辨率；表S2：用于确定和验证河流冰子类的方法和原理；表S3：本研究中使用的九种机器学习算法的总结：类型、核心机制和数学公式；表S4：本研究中使用的三个遥感特征数据集（Sentinel-2、Landsat 8/9和Landsat 5/7）的光谱波段的单因素方差分析结果。该表列出了每个波段的F统计量、p值和Eta-squared（η2），量化了光谱分离性的统计显著性和效应大小。