综述：从光谱指数到人工智能：遥感技术在冰川测绘中的应用综述 艾哈迈德·埃尔扎因（Ahmed Elzein）、 穆罕默德·贾韦德·纳比扎达（Mohammad Jawed Nabizada）、 艾哈迈德·法里德·纳比扎达（Ahmad Farid Nabizada）和 穆罕默德·弗里沙（Mohamed Freeshah）

《Remote Sensing》：From Spectral Indices to Artificial Intelligence: A Review of Remote Sensing Methodologies for Glacier Mapping Ahmed Elzein, Mohammad Jawed Nabizada, Ahmad Farid Nabizada and Mohamed Freeshah

　　**亮点**

- **主要发现是什么？**
该综述强调了技术上的重大转变，从传统的光谱指数转向更复杂的机器学习（ML）和深度学习（DL）模型。这些方法现在分别占近期冰川测绘研究的20%和56%。

- **数据融合的作用是什么？**
特别是结合光学传感器、合成孔径雷达（SAR）和地形测量数据，能够持续实现比单一传感器方法更高的冰川测绘精度。

**主要发现的意义是什么？**

- **向自动化、数据驱动系统的转变**
使得对复杂特征（如覆盖碎片的冰川和冰川前端）的精确、大规模监测成为可能，而这些特征在过去难以描述。

- **未来进展的依赖性**
未来的进步依赖于克服“真实地面”数据的瓶颈，这需要通过社区主导的努力来开发标准化、高分辨率的基准数据集，并提高模型在不同地理区域的适用性。

**摘要**

冰川是全球气候变化的关键指标，其加速退缩对海平面上升、水资源和生态系统稳定性具有深远影响。准确及时的冰川范围测绘对于监测这些变化至关重要。本综述全面概述了冰川测绘遥感技术的发展历程，从传统的光谱指数到当前的机器学习（ML）和深度学习（DL）模型。我们分析了各种方法的优缺点，包括归一化差异雪指数（NDSI）等指数的计算效率、随机森林（RF）等ML算法的分类能力，以及U-Net及其变体在冰川语义分割中的卓越表现。我们的分析突显出向自动化、数据驱动方法发展的明确趋势，这些方法显著提高了冰川界定的精度和范围。然而，由于缺乏标准化的高分辨率训练和验证数据集，获取准确“真实地面”数据的困难以及过度依赖少数模型架构等问题，进展受到了阻碍。未来的进展将依赖于社区主导的努力，以创建稳健的基准数据集、探索更多样化和高效的模型架构、发展先进的数据融合技术，并提高模型的通用性和不确定性量化能力。通过将尖端人工智能与改进的数据实践相结合，遥感社区可以提供理解并应对气候变化影响所需的关键数据。

**1. 引言**

冰川对全球环境的影响深远，尤其是在气候变化及其对全球地表温度和海平面的广泛影响的背景下[1,2]。作为气候变暖的敏感指标，冰川正在以加速的速度退缩，这一趋势具有重大的全球性后果[3,4]。历史上，在20世纪后半叶，主要冰盖以外的冰川贡献了大约15-20%的观测到的海平面上升[5]。这一趋势加剧了；自2000年以来，全球冰川每年平均损失2730亿吨冰[6]。这种全球性的下降对行星系统和人类系统都至关重要，因为冰川融水直接影响天气模式、水循环和海平面上升[7]。在安第斯山脉和喜马拉雅山脉等地，融水减少威胁着维持农业生产和粮食安全所需的淡水资源，可能导致水资源短缺、资源竞争以及重大的社会经济挑战[8,9]。政府间气候变化专门委员会（IPCC）的预测表明，这种冰冻圈的衰退将在21世纪持续。相对于1986-2005年的基准情况，2015至2100年的冰川质量损失预测显示，在低排放情景（RCP2.6）下减少22-44%，在高排放情景（RCP8.5）下减少37-57%。在冰川较少的地区，如欧洲阿尔卑斯山、比利牛斯山脉和热带安第斯山脉，预计到2100年冰川质量的损失将超过80%[10]。这凸显了冰川在维持全球气候稳定性和区域生态完整性方面的关键作用[10]。

为了应对监测这些广阔、偏远且常常难以到达的冰川环境的挑战，遥感已成为不可或缺的工具。各种配备不同传感器的卫星平台被用来获取电磁波谱中的数据。光学传感器（如Landsat和Sentinel-2任务中的传感器）捕捉地球表面的光谱反射率，从而根据独特的特征区分雪和冰与岩石、植被和水。补充这些的是合成孔径雷达（SAR）传感器，它们具有穿透云层并在任何光照条件下工作的关键优势，确保在多云山区的一致数据采集[11,12,13]。此外，这些遥感技术对于生成提供地形更深入理解的先进地理空间产品至关重要[14]。例如，数字高程模型（DEMs）被创建以提供表面的3D视图[15]，这又是地形测量和土地形态定量分析的基础[16,17]。从DEMs中可以计算出坡度等关键参数，这些参数直接影响积雪量、太阳辐射和雪崩风险等因素。此外，热传感器能够推导出地表温度（LST），这是监测表面能量平衡和模拟雪及冰川融化过程的关键变量。这些衍生产品将原始卫星数据转化为可用于分析复杂环境系统的可操作信息。从这些传感器获取的数据构成了提取和监测冰川特征的各种分析技术的基础。其中最基本的是光谱指数，它们利用不同光谱带之间的数学比率来增强冰和非冰表面之间的对比度。更先进的方法利用经典机器学习（ML）算法进行复杂的图像分类，在涉及阴影或覆盖碎片的冰的情况下提高精度。最近，深度学习（DL）模型的出现使该领域取得了进展，它们能够自动从图像中学习复杂的空间和光谱特征，为高精度和完全自动的大规模冰川监测提供了途径。根据Scopus上以“Ice Sheet”、“Glacier”和“Remote sensing”为关键词的调查显示，过去三十年中利用遥感技术研究冰盖和冰川的出版物数量不断增加，自2014年以来增长尤为显著（见图1）。

**图1. 1995-2025年利用遥感技术研究冰盖和冰川的出版物数量**

在卫星遥感技术广泛可用之前，冰川测绘主要依赖系统的现场调查、航空摄影和摄影测量技术。[18]的早期开创性工作提供了加拿大北极地区最早的全面冰川清单，证明了标准化测绘对于理解区域冰川分布和质量平衡的重要性。在此基础上，20世纪60年代末和70年代在Fritz Müller和Gunnar ?strem的领导下启动了大规模冰川清查计划，特别是在斯堪的纳维亚、瑞士的罗讷河冰川以及北方水域项目等其他山区[19,20,21,22]。这些项目建立了使用航空照片和地形图进行冰川识别、分类和制图表示的一致方法[23,24,25,26]。?strem领导的斯堪的纳维亚冰川清查计划通过将长期质量平衡测量与空间清单相结合，进一步推进了定量冰川测绘，为将冰川范围变化与气候变率联系起来奠定了基础[27]。总的来说，这些早期努力为现代冰川清单（如世界冰川清单和Randolph冰川清单（RGI）奠定了概念和方法论基础，并强烈影响了向基于卫星的冰川测绘框架的转变。

随着全球冰川退缩的加速，对自动化、可重复和可扩展的冰川测绘方法的需求变得越来越迫切。早期的冰川清单提供了冰川范围的静态快照，但持续的气候变化需要在大面积且常常难以到达的地区进行频繁更新。在这种情况下，如全球陆地冰测量空间（GLIMS）倡议和RGI这样的全球冰川数据库已成为不可或缺的参考框架。GLIMS旨在系统地从卫星图像中收集和标准化冰川轮廓，同时保留区域专业知识和元数据[24,25]。RGI随后将多个区域清单整合成一个全球完整、时间一致的数据集，适用于气候建模和大规模变化检测[26]。这些清单不仅提供了冰川轮廓，还提供了重要的历史和背景信息，包括冰川朝向、海拔范围和区域环境，这对于解释观察到的变化以及训练和验证自动化测绘算法至关重要。

2000年代中期到2010年代初的早期综述论文主要集中在建立和巩固基础遥感技术方面。例如，关于冰川测绘的综合综述总结了来自Landsat、高级星载热辐射计（ASTER）和中分辨率成像光谱辐射计（MODIS）等任务的光学卫星数据的广泛采用[27,28,29,30,31,32,33,34]。主要讨论的技术是使用光谱指数，特别是归一化差异雪指数（NDSI），它利用雪和冰在可见光和短波红外反射率之间的强烈对比。这些综述指出的主要挑战是持续且根本性的：频繁的云层覆盖遮挡视线、高海拔地形中的地形阴影导致数据丢失，以及覆盖碎片的冰舌与周围岩石的光谱相似性，使得简单的基于指数的方法无效。为了解决云层和阴影的问题，这些综述提出了多时相图像合成和使用数字高程模型（DEMs）进行地形校正的解决方案。

到2010年代中期，新一代综述文章开始记录向多传感器数据融合和经典ML应用的转变。这一时期的综述讨论了光学数据与SAR和热图像的协同使用，以解决最困难的分类问题[2,35,36,37,38,39]。SAR因其全天候、昼夜成像能力而受到重视，而热数据有助于区分覆盖碎片的冰（保持较凉）和相邻的受阳光加热的moraine。主要挑战从简单的数据可用性转变为整合这些不同数据集的复杂性。如该时期综述所述，解决方案是应用监督分类算法，如最大似然、支持向量机（SVM）和RF。这些方法可以整合多层数据（例如光谱带、SAR后向散射、纹理和地形参数），从而比任何单一传感器方法都能实现更稳健和准确的冰冻圈特征分类。

从遥感图像中准确识别和划定冰川是一个重大且多方面的挑战，由于高山环境的光谱和空间复杂性。主要困难在于区分冰川冰与其他光谱相似或视觉上模糊的表面特征。干净的冰川冰可能与季节性积雪混淆，特别是在积雪期间，而将其与大型冰盖或常年积雪区分开来则需要上下文和地形分析。冰川上方的和冰川前的水体也存在，它们具有独特的光谱特征，但使精确划定冰川边界变得复杂。

三个最持久和困难的挑战是覆盖碎片的存在、积雪覆盖和地形阴影。随着冰川退缩，覆盖碎片的冰舌越来越普遍，它们在光谱上常常与周围的碎石和裸露的岩石无法区分，成为冰川清单中低估的主要原因。相反，新鲜的积雪覆盖可能会掩盖冰川的真实范围，使其边缘难以与相邻的积雪 terrain 区分。最后，冰川地区的极端地形 relief 产生了广泛的阴影区域，这会破坏光学传感器记录的光谱信息，可能导致阴影中的冰或雪被错误分类为水或裸露的地表。将冰川与这些特征以及其他标准土地覆盖类别（如植被和土壤[40,41,42,43]）区分开来，需要的不仅仅是简单的光谱分析。

本综述的重要性在于，过去几十年来，克服这些挑战推动了遥感领域的创新。早期方法在处理碎屑、阴影和积雪方面的局限性促使人们开发出更先进的技术。从最初无法有效应对这些问题的基本光谱指数，到结合多种数据源以提升分类效果的传统机器学习算法，再到能够自动推断上下文关系的现代深度学习模型，这一技术进步显著体现了科学的进步。本综述通过提供一个全面的、面向未来的综合分析，为该领域增添了独特价值，同时支持了战略性的研究规划。

**方法类别的比较分析：**与以往的调查不同，本研究对比了光谱指数、机器学习算法和深度学习模型，评估了它们在不同冰川环境中的性能、效率及适用性。

**数据融合趋势的记录：**我们分析了向多源集成转变的趋势，强调了结合光学和SAR数据、整合数字高程模型（DEM）以及使用LiDAR辅助制图在克服感知限制方面的必要性。

**研究空白与未来方向的识别：**通过评估当前的技术水平，我们指出了关键瓶颈，如缺乏标准化的“真实值”基准数据集以及提高模型可转移性的需求，为未来的研究和监测系统提供了明确的路线图。

本综述总结了遥感技术在冰川提取方面的进展，特别关注了三个方法论领域：光谱指数、机器学习和深度学习方法。文章强调了这些方法的优点、局限性及其相对有效性，指出了知识空白，并讨论了可能塑造未来冰川监测研究的新兴趋势。

**方法论：**本研究采用了一种全面的方法来识别、评估和综合现有的关于利用遥感数据进行冰川测绘的研究。研究框架分为三个主要阶段：（1）通过数据库识别研究文献；（2）基于关键词筛选经过同行评审的文章；（3）分析和准备手稿。这种结构化的方法确保了对当前技术水平的透明、可复制和无偏见的评估。

**2.1 冰川表面：**
冰川化地形通常包含一系列结构、动态和活动程度不同的冰相关地貌。清洁冰川和覆盖有碎屑的冰川代表活跃的冰川系统，具有连续的冰芯和动态流动。相比之下，埋藏冰或残留冰则出现在以碎屑为主的地形中，这里的冰是不连续的，并经常被表面物质部分隔离。死冰是指不再流动的古老冰川残余，可能仍然存在于碎屑覆盖之下。岩冰虽然含有大量冰，但其变形特性主要由蠕变驱动，可能介于冰川过程与冰缘过程之间。尽管这些地貌在许多山区环境中具有遗传上的关联，但它们在冰连续性、动态和地貌表现上存在差异，这使得区分它们对于冰川学解释和遥感分析至关重要。

**2.2 卫星数据用于冰川测绘：**自动绘制冰川边界在很大程度上依赖于卫星遥感数据。近几十年来，一系列覆盖电磁波谱的太空传感器在推动冰冻圈科学的发展中发挥了关键作用。本综述分析的文献主要使用了来自核心卫星任务的图像数据，并经常结合地貌测量数据来完善冰川提取。我们将用于冰川测绘的卫星数据分为五类：光学图像、SAR图像、SAR与光学的结合、地貌测量与光学的结合，以及地貌测量、光学和SAR数据的全面融合。

**2.2.1 光学卫星图像：**光学传感器能够捕捉从地球表面反射的太阳辐射，是冰川测绘中最常用的数据来源。长期运行的Landsat计划（NASA和美国地质调查局的联合项目）提供了无可比拟的历史档案，用于监测长期的冰川变化。研究文献经常使用Landsat-5上的Thematic Mapper（TM）、Landsat-7上的Enhanced Thematic Mapper Plus（ETM+）以及Landsat-8上的Operational Land Imager（OLI）的数据。这些传感器提供的多光谱波段，尤其是在可见光/近红外（VNIR）和短波红外（SWIR）范围内，对于区分冰川与周围岩石、土壤和植被等特征至关重要。

**2.2.2 合成孔径雷达（SAR）图像：**为了克服光学图像的局限性（如云层覆盖和极地冬季缺乏光照），许多研究采用了合成孔径雷达（SAR）数据。SAR是一种主动遥感系统，通过发射微波脉冲并测量反射信号来获取图像，因此不受天气条件或时间的影响。本综述的研究文献广泛使用了ESA的Sentinel-1任务数据。其他被引用的SAR传感器包括TerraSAR-X、ERS-1/2、Envisat和ALOS PALSAR。SAR数据特别适合用于划分冰川前端、识别接地线以及区分不同的冰相，因为它对表面粗糙度、结构和液态水的存在非常敏感。

**2.2.3 地貌测量数据：**地貌测量数据提供了区分不同冰川表面所需的关键地形信息，通过量化冰的形状和形态来实现。数字高程模型（DEM）作为基础数据集，提供了所有其他指标的计算依据。从DEM中可以计算出坡度和朝向，从而判断冰川表面的陡峭程度和方向，这对于识别平坦堆积区和陡峭的冰落区以及模拟驱动融化的太阳辐射至关重要。此外，曲率（包括轮廓和平面形态）和粗糙度等指标有助于突显详细的纹理特征。通过结合这些定量测量结果，研究人员可以有效地分类和绘制不同的冰川区域，如堆积区、消融区、裂隙场和冰落区。

**3. 冰川测绘技术：**冰川测绘是冰冻圈研究的关键组成部分，为理解气候变化、海平面上升、区域水文提供了重要数据，特别是对于理解冰川动态、质量平衡以及气候变化的影响。过去几十年来，遥感已成为这一领域的主要工具，促使了一系列方法的发展。这些技术大致可以分为光谱指数、光谱解混以及越来越多的机器学习和深度学习方法。本综述综合了当代的冰川测绘方法，强调了它们的优点及其应用场景。

**3.1 光谱指数在冰川测绘中的应用：**光谱指数是最常见且计算效率最高的冰川测绘方法。这些技术利用冰和雪与其他地表类型的独特光谱特性。核心原理是将数学公式（通常是波段比率）应用于多光谱图像。经典的光谱指数示例包括NDSI，它利用雪和冰在可见光绿色波段的高反射率以及短波红外（SWIR）波段的强吸收。随后，研究人员开发了许多专门的指数以解决特定问题。例如，文献[52]提出了调整后的标准化差异雪指数（ANDSI），以克服NDSI的局限性，更准确地区分冰川和水体。传统NDSI在绿色和短波红外波段难以区分冰川和水体，而ANDSI通过加入红色和近红外波段解决了这一问题，使其在多湖泊地区成为更可靠的冰川测绘指标。该方法包括选择纯净的冰川像素和非冰川像素来开发指数，然后使用2 ± 0.5的阈值进行冰川制图。AGEI的有效性通过多种方法进行了验证，包括混淆矩阵、亚像素分析以及与Google Earth影像和手动划界的比较。结果表明，AGEI始终优于其他指数，在测试区域内的整体准确率高达86%至90%，与参考数据的相关性很强（r2 = 0.878）。表2总结了所研究的内容，重点介绍了用于冰川制图的指数技术。表2. 1995-2025年用于冰川制图的光谱指数研究总结。

3.2. 机器学习模型在冰川制图中的应用
机器学习（ML）通过将遥感图像映射到多维特征空间，提供了一种与固定阈值的光谱指数截然不同的方法。ML模型将每个像素视为一个特征向量，该向量包含光谱带（如VNIR和SWIR）、派生指数以及海拔、坡度和朝向等辅助变量。这种方法有效地将图像“扁平化”为表格格式，每个像素对应一行，每个变量或光谱带对应一列。这使得ML算法能够检测到传统基于指数的方法无法捕捉到的复杂非线性关系。这种同时处理多个输入的能力为ML相比光谱指数提供了显著优势。虽然像NDSI这样的指数依赖于少数几个光谱对比度，但机器学习模型可以整合多个光谱带、DEM的地形特征、热数据甚至纹理度量。因此，ML方法在复杂环境中表现出色，包括被碎屑覆盖的冰川、阴影区域和混合表面。例如，加入SAR后向散射可以在云层较多或光照较低的情况下提高性能，而DEM派生的特征有助于区分被碎屑覆盖的冰和周围的岩石。此外，结合地形变量（如坡度、曲率和海拔）和热信号，ML模型可以通过物理上下文而非仅仅依靠光谱差异来区分冰川表面和周围地形。图5展示了基于机器学习的冰川提取典型工作流程。

Amsssong等人的ML算法、SVM [65,66,67,68,69,70,71] 和随机森林（RF）[65,66,67,68,72,73,74,75,76,77] 在冰川制图中表现出强大的性能。SVM在高维特征空间中特别有效，因为它能够构建优化决策边界（超平面），即使训练数据有限也能最大化类别分离。这使其非常适合遥感应用，因为在这些应用中训练样本通常稀缺或不平衡。相比之下，RF作为一种集成学习方法，构建多个决策树并汇总它们的输出，从而提高鲁棒性和减少过拟合。其优势在于能够处理异构数据集并捕捉变量之间的复杂相互作用，特别是在结合光谱、地形和纹理特征时特别强大。此外，多项研究还成功应用了决策树（DT）[70,78] 和k-最近邻（k-NN）[68,70,79] 等基础算法进行包含冰川特征的土地覆盖分类，由于数据输入的多样性取得了良好结果。

尽管这些模型的有效性依赖于训练数据的质量和代表性，但ML仍然比基于指数的方法更具可扩展性和适应性。它充当了传统静态指数和完全自动化的深度学习技术之间的重要中介，促进了在多样化环境中绘制冰川所需的基于特征的学习。表3概述了1995-2025年用于冰川提取的各种ML算法和数据集。

3.3. 深度学习模型在冰川制图中的应用
深度学习在冰川制图中的出现标志着从传统的基于特征的分类向端到端表示学习的重大转变。与早期依赖于手工工程化输入的方法不同，DL模型可以直接从原始图像中自动提取层次化的空间-光谱特征，从而能够精确描绘复杂的冰川特征，如被碎屑覆盖的冰川和混合表面的冰川。DL在冰川制图中的先驱是CNN，它们能够有效地从图像中提取空间层次结构（例如，参见研究[82,83,84,85]）。这些模型处理图像张量，在学习局部和全局上下文的同时保持空间结构。该机制使用可学习的卷积操作：低级滤波器捕获边缘，中级滤波器检测裂缝等纹理，高级滤波器编码冰川范围等结构。局部加权操作帮助网络学习平移不变的模式，这对于跨不同位置映射特征至关重要。卷积之后，激活函数（如ReLU）引入非线性以建模光谱关系，而池化（最大值或平均值）降低分辨率、扩展感受野、减少计算成本，并提高对噪声、阴影和变异性的鲁棒性。

随着在具有挑战性的环境中进行边界勾画的需求增加，该领域采用了U-Net及其变体等编码器-解码器架构。编码器通过卷积和池化提取特征，而解码器通过上采样构建分割图。跳跃连接将深层语义特征与浅层细节相结合，有效用于冰川分割。研究人员[86,87,88,89,90,91,92,93,94,95,96,97,98] 使用这些架构在全球范围内绘制冰川并监测格陵兰和南极冰盖上的接地线等特征。认识到冰川环境的独特光谱和形态特征，科学界已从通用模型转向特定领域的架构。一个典型的例子是GlacierNet [99]，它是专门为高山冰川制图设计的，后来在GlacierNet2 [100] 中进行了改进。通过结构设计选择进一步优化了性能，而DeepLabv3+等模块利用扩张卷积来捕获从融池到整个冰川盆地的多尺度空间特征，而不丢失分辨率，这对于管理冰川景观的异质性至关重要。

最近的进展更倾向于基于Transformer的模型，而不是侧重于局部特征的CNN。Transformer使用自注意力来捕捉长距离依赖性，帮助它们识别大规模模式，如冰川连续性。混合模型如LGT-U-Net [92] 和GlaViTU [101,102] 结合了用于局部特征的卷积层和用于全局上下文的Transformer模块。像AMD-HookNet [103] 这样的注意力门控架构改善了复杂崩解前沿的特征表示。与ML一样，DL也融合了多模态数据，利用深度特征进行更好的分类。典型的DL冰川分类工作流程（图6）从通用CNN转向了专门的混合模型（表4），说明了AI在冰川科学中日益重要的作用。需要注意的是，关于冰川湖的研究由于数量较多而被移至补充文件S1。图6. 基于DL的冰川分类和分割工作流程。表4. 1995-2025年用于冰川制图的DL研究总结。

4. 讨论和未来研究方向
从遥感数据中提取冰川由于山脉地形的复杂性和冰川表面的异质性（包括阴影、碎屑覆盖、积雪、融水、可变反照率以及频繁的云层遮挡）而面临相当大的挑战。近年来，从传统的光谱比率技术到更先进的ML和DL框架，冰川提取方法有了显著的发展。每种方法都有其独特的优势，但也存在固有的局限性，尤其是在应用于多样化的冰川环境时。然而，由于研究区域和数据集的差异，比较所有研究的结果是一项具有挑战性的任务。尽管如此，仍然可以评估选择的光谱指数、ML和DL技术，为该领域的研究人员提供全面的概述。使用深度学习的研究占所研究内容的约56%，其次是用于冰川制图的光谱指数（24%），最后是涉及机器学习的研究（约20%），如图7所示。不同冰川特征的研究重点分布显示了明显的方法层次结构。研究重点在图8中清楚地展示了这种层次结构。深度学习是最通用的方法，在所有领域都处于领先地位，尤其是在干净的冰川制图（19项研究）和冰川湖检测（11项研究）方面。对于干净的冰川（10项研究）和被雪覆盖的冰川（4项研究），光谱指数至关重要，因为它们具有高反射率。对于如被碎屑覆盖的冰川这样的复杂任务，机器学习（5项研究）和深度学习（8项研究）比指数（3项研究）更受欢迎，因为它们可以更好地区分光谱相似性和地形。监测崩解前沿主要依赖于深度学习，这强调了其在处理冰架边缘复杂性方面的能力。图7. 按方法分类的回顾研究百分比分布：光谱指数（24%）、机器学习（20%）和深度学习（56%）。图8. 不同冰川特征和方法类别的研究重点比较：深度学习（DL）、机器学习（ML）和光谱指数。

4.1. 光谱指数：性能、挑战和未来方向
基于光谱指数的技术仍然是最广泛使用的冰川提取方法之一，特别是因为它们在计算上简单且在识别干净或被雪覆盖的冰川方面有效。BRs（如NDSI）利用雪和冰在可见光谱中的强反射率以及它们在短波红外（SWIR）中的吸收，使其特别适合使用Landsat和Sentinel等中等分辨率传感器进行大规模监测。尽管它们很受欢迎，但传统的光谱指数在应用于被碎屑覆盖或混合表面的冰川时存在显著的限制，因为与周围地形的光谱混淆会降低分类准确性。为了克服这些挑战，研究人员提出了修改后的指数、替代的BRs和光谱解混方法，通常与DEM和LST等辅助数据集结合使用。

在回顾的文献中，65%的研究采用归一化差异雪指数（NDSI）作为主要的冰川勾画方法，经常将其性能与其他指数或新提出的指数进行基准测试。这突显了NDSI作为区分雪和冰的基准工具的长期作用。然而，大约42%的研究引入了新的指数，这些指数提高了准确性，而一小部分研究将光学数据与数字高程模型（DEM）、LST或合成孔径雷达（SAR）数据结合起来，以提高分类的可靠性。回顾的研究中的一个共同主题是阈值校准的关键作用——阈值的小变化可能会大幅改变冰川范围的估计，特别是在被碎屑覆盖或阴影区域。大约25-30%的研究将光谱指数与DEM和LST等辅助变量结合使用，以提高复杂地形中的制图精度，这强调了仅靠光谱信息不足以进行可靠的冰川制图的认识。大约三分之一的研究提出了新的或修改后的指数（如ANDSI、AGEI、SWI、RDRI）来克服NDSI的局限性，特别是在区分冰川与水体、雪或冰川上覆碎屑方面。虽然传统的指数如NDSI在干净冰条件下表现可靠，但在混合或碎屑覆盖的环境中，它们的有效性会下降，而混合或新开发的指数则始终表现更好。在各项研究中，普遍认为光谱指数仍然快速且计算效率高，但它们在不同区域和传感器之间的移植性仍然是一个挑战，许多指数高度依赖于具体背景。总体而言，这些发现表明正在向针对特定背景的多指数方法和集成地形及热变量的方法转变，以提高准确性。为了说明这些趋势，几项关键研究提供了代表性示例。例如，在中国，参考文献[46] 使用多角度BRDF观测开发了归一化差异冰-雪指数（NDISI），以增强对雪、冰和变质冰-雪的区分。该指数基于560-580 nm和1600-1680 nm波段的反射率，使用来自阿尔泰、青海湖和八宝河流域等地区的光谱测量进行了验证。实地调查证实，NDISI在分离雪、冰和冰-雪类型方面优于传统指数。类似地，参考文献[51]评估了多种BR方法（NIR/SWIR和Red/SWIR）、NDSI和多传感器数据（Landsat-9和Sentinel-2）。他们报告说，在干净的冰川冰制图中，2.75的阈值对两种BR都是最佳的，而NDSI在0.40的阈值下表现最好。在所有测试的方法中，Sentinel-2 MSI NIR/SWIR BR始终表现最佳，特别是在阴影和被碎屑覆盖的区域，因为其具有更高的空间分辨率和更优的辐射校准。其他研究并行比较了多种自动化方法[51,55]。例如，参考文献[63] 使用ASTER影像、历史航空照片和实地调查研究了新西兰中部阿尔卑斯山（1978-2002年）的冰川面积变化。研究测试了三种自动化分类技术——NDSI、ASTER BR (3/4) 和监督最大似然分类。其中，ASTER 3/4 BR取得了最高的准确率（97.01%），而NDSI达到了96.74%。尽管整体性能很高，但自动化方法在处理被碎屑覆盖的冰川时遇到了困难，需要手动数字化进行改进。与照片解释的轮廓和基于GPS的实地制图相比的验证证实冰川面积减少了约17%，这突显了多光谱方法的有效性和局限性。几项研究进一步将光谱指数与DEM、LST和SAR数据结合使用，以 refined 分类结果 [53,58,63]。例如，参考文献[63]使用Landsat-5影像、DEM数据和气象记录研究了1975年至2010年间秘鲁Nevados冰川群的退缩情况。通过NDSI大于0.5来识别干净冰面，而通过决策树规则（涉及NDSI小于0.5、坡度小于24°以及特定的LST阈值）来划分覆盖有碎片的区域。与国家水资源管理局（ANA）的数据集进行验证的结果显示，无论是干净冰面还是整个冰川面积都存在一致的退缩现象，证实了Cordillera Blanca地区在这几十年内冰川显著缩减。总体而言，这些研究表明，虽然光谱指数仍然是冰川测绘的核心，但综合性和适应性方法对于捕捉冰川环境的复杂性越来越重要。未来的研究应重点解决文献中发现的几个关键问题，包括开发能够在不同冰川环境下可靠应用的通用且稳健的指数，特别是针对覆盖有碎片的区域和阴影区域，并建立标准化的阈值协议以提高跨区域和传感器的可比性和可重复性。此外，整合高光谱、光学和地貌数据的多传感器数据集可以显著提高测绘精度和跨传感器一致性。通过高分辨率或基于实地的真实数据扩大系统验证也至关重要，以减少对视觉解译的依赖并提高自动化分类的可靠性。最后，利用云计算平台（如Google Earth Engine (GEE)）实施长期冰川监测框架将支持高效的时间序列分析和自动化。通过关注这些优先事项，未来的研究可以提高冰川测绘方法的准确性、可转移性和操作适用性，从而更深入地理解并有效监测持续气候变化下的冰川变化。

4.2 机器学习：性能、挑战和未来方向
机器学习技术在方法论上比传统光谱指数有了显著进步，提供了更加稳健和数据驱动的冰川分类框架。通过利用监督算法，ML模型可以学习光谱数据、地形变量和土地覆盖类别之间的复杂非线性关系，比固定阈值方法更为细致和准确。这些模型在处理冰川环境的固有复杂性方面尤为有效，因为在这些环境中，覆盖有碎片的冰川和阴影区域常常导致光谱混淆。文献中应用ML的技术从基础的基于像素的分类器发展到更复杂的集成和基于对象的方法。早期或比较性研究通常采用SVM、DT和K-NN等算法，虽然有效，但这些单一分类器对噪声数据敏感。随着集成方法的广泛应用，性能取得了重大飞跃，其中radio-forest (RF)成为最主流和成功的算法。大约60%的ML研究使用了RF分类器。其优势在于能够处理高维数据，并有效整合多源输入（如光学波段、SAR数据和DEM衍生参数）以生成高度精确的分类结果。文献中普遍认为，ML分类器，尤其是RF，在复杂地形中始终优于传统光谱指数方法。例如，研究青藏高原冰川相和南极半岛土地覆盖的研究报告称，使用RF和SVM模型的整体准确率分别超过了98%和97%。一个明显的趋势是辅助数据的日益整合；超过80%的ML研究将来自DEM的地形变量（如坡度、朝向、曲率）作为关键输入特征，表明仅靠光谱信息不足以进行可靠的冰川测绘。

尽管报告了高准确率，但仍存在分歧和挑战。对于最佳输入特征组合没有普遍共识，不同研究发现了各种光谱、纹理和地形数据的组合成功案例。ML模型的性能高度依赖于训练数据的质量和代表性，而这些数据集的创建需要大量人工努力，这是一个重大瓶颈。此外，准确绘制覆盖有碎片的冰川的持续挑战仍然是关键限制，即使对于先进的ML模型也是如此。一个重要的研究空白是缺乏标准化的验证协议和基准数据集，这使得不同研究之间难以直接比较模型性能。

4.3 深度学习：性能、挑战和未来方向
深度学习代表了当前冰川测绘的最先进技术。通过使用深度神经网络，这些方法可以直接从原始影像中自动学习复杂的空间和光谱层次结构，使其在复杂的半自动分割任务中表现出色。深度学习模型在准确划分冰川边界方面表现优异，尤其是在像覆盖有碎片的冰川、深山阴影和动态崩解前沿这样的挑战性环境中。文献中深度学习模型的发展显示出明显且快速的进步。初期研究使用了基础的CNN，但很快就标准化为编码器-解码器架构，其中U-Net成为最普遍和有影响力的模型。其独特的架构具有保留细粒度空间信息的跳跃连接，非常适合精确的边界划分。超过50%的深度学习研究使用了U-Net或其变体，这巩固了其作为冰川分割事实标准的地位。在此基础上，更先进的架构如DeepLabv3+也得到了成功应用，该架构利用卷积捕捉多尺度上下文，在比较研究中经常实现顶级性能。例如，在Central Karakoram的一项研究中，七个不同的深度学习模型进行了测试，发现DeepLabv3+在绘制覆盖有碎片的冰川时的交并比（IoU）达到了86.23%。文献中的一个显著趋势是高度专业化的、针对冰川学挑战的模型的发展。研究人员不再局限于调整现成模型，而是创建了专门的架构，如GlacierNet及其后续版本GlacierNet2。这些模型专门设计用于处理干净冰川、覆盖有碎片的冰川和积雪覆盖的冰川的独特特征，通过整合多源数据实现了高达88.39%的IoU分数。最近的研究开始结合变压器架构（如GlaViTU、LGT-U-Net）和专门的注意力机制（如AMD-HookNet），以更好地捕捉全局上下文并优化特征表示，进一步推动了分割精度的高级发展。在所有研究中，普遍认为深度学习模型始终优于光谱指数和传统的ML分类器。几乎所有深度学习研究（超过90%）都结合了地貌数据与光学影像，以实现最先进的成果。然而，主要瓶颈仍然是它们依赖于大型且标注准确的训练数据集，这些数据的创建耗时且需要专业知识。此外，训练这些复杂模型的计算成本也是一个重要因素。虽然模型在其特定研究区域通常表现优异，但它们转移到具有不同冰川特征的新地理区域的可行性仍是一个主要的研究空白。关于哪种具体架构普遍更优仍存在分歧，表明模型性能通常取决于任务和数据。

深度学习模型在传统方法常常失败的复杂冰川学条件下表现良好。在光谱对比度高的干净冰区，它们仅比光谱指数略有改进。然而，在覆盖有碎片的冰川上，由于冰和冰碛之间的光谱相似性限制了基于指数的技术的效果，深度学习模型依赖于从卷积滤波器中学习到的空间纹理和形态线索来提高分类准确性。同样，在有地形阴影的区域，深度学习模型利用周围地形的信息来识别冰川，克服了光谱限制。它们能够结合多种数据源，包括来自DEM的坡度和朝向等因素，进一步提高了性能，考虑了影响冰川分布的物理因素。这些特征使深度学习在多样化和变化的冰川系统中特别有效，尽管它们需要更多的数据和计算能力。深度学习在复杂环境中最为有用，而简单方法可能仍适用于清晰、定义明确的冰川表面。在这种情况下，方法的选择主要取决于冰川特征和数据的复杂性。对于光谱对比度高的清晰、定义明确的冰川表面，光谱指数就足够了。机器学习技术通过结合各种特征在中等复杂情况下提高准确性，而深度学习方法在高度多样化的条件下（如覆盖有碎片的冰川、阴影区域或活动变化的冰川系统）至关重要。

展望未来，有几个机会可以推进冰川提取技术的发展。首先，结合光谱指数、解混技术和深度学习的多传感器方法（包括光学、热成像、SAR和LiDAR数据集）能够有效解决单一技术的局限性。其次，多时相和时间序列分析可以通过区分永久性冰川和季节性积雪以及捕捉与气候变化相关的年际变化来改进边界检测。第三，深度学习方法的进步，包括迁移学习和半监督学习，可以减少对大型标注数据集的依赖，而可解释的AI框架的开发将提高这些模型的可解释性和可信度。最后，开放访问的高分辨率卫星数据（如Sentinel-1/2、Landsat-9、ICESat-2、GEDI）与像GEE这样的云计算平台的结合，为实现自动化、近实时的冰川监测系统提供了前所未有的机会。这些系统对于支持从区域到全球尺度的科学理解、水资源管理和气候变化适应策略至关重要。

4.4 地貌-分类难题
除了干净、积雪覆盖的冰川、覆盖有碎片的冰川和冰川上的湖泊外，岩冰川也是与冰川密切相关的重要冰冻圈地貌，应在冰川测绘框架中得到明确考虑。在以碎片为主的环境中，区分几种相关但不同的表面类型非常重要，包括具有活跃连续冰核的覆盖有碎片的冰川、埋藏或残余的冰层（位于以碎片为主的地形中）、死冰体和岩冰川。岩冰川是被碎屑覆盖的冰体，通常包含大量冰川冰，在许多山区，它们起源于覆盖有碎片的冰川或停滞的河谷冰川，而不仅仅是永久冻土过程。尽管最近的机器学习文献主要将岩冰川视为永久冻土的指标[115,116,117,118]，但越来越多的冰川学证据表明，冰川、覆盖有碎片的冰川和富含冰的岩冰川在冰含量和演化路径上是遗传相关的[119]。然而，这些特征在冰的连续性和动态方面存在差异：覆盖有碎片的冰川通常保持活跃，而埋藏的冰和死冰代表停滞或退化的残余物，而岩冰川以蠕动驱动的运动为特征。从遥感的角度来看，这种区分至关重要，因为大多数方法（包括光学、SAR和ML/DL方法）主要检测表面特征，如纹理、反射率和形态，而不是直接识别地下冰的连续性。因此，这些不同的与冰相关的地貌在影像中可能看起来相似，高分类精度并不一定意味着冰川学的有效性。根据GLIMS框架[24,25,26]提供的指导，岩冰川应包括在综合的冰川测绘工作中。排除岩冰川可能导致系统性地低估冰川相关的冰体积并误解长期的冰冻圈变化，而错误分类则突显了仔细解释自动化测绘结果的必要性。

光学影像特别受到覆盖有碎片的冰与周围冰碛之间的光谱相似性的限制，而SAR数据可以捕捉表面结构但不能可靠地确认内部冰的连续性，ML/DL模型主要学习表面模式而非地下属性。

4.5 自动化历史冰川清单以用于测绘
尽管最近的ML和DL方法在自动化冰川划分方面表现出色，但文献中发现的一个反复出现的局限性是历史冰川记录的整合不足。许多研究开发了特定区域的模型，但没有明确参考过去的冰川清单数据，尽管冰川学历史（包括长期退缩趋势、高低测绘和受朝向控制的融化模式）对于理解冰川对气候变化的响应至关重要。将自动化方法与GLIMS和RGI等现有清单联系起来可以确保时间一致性，便于跨区域比较，并允许在更广泛的气候和地貌背景下解释新的轮廓。最近的冰川研究开始通过将基于ML的分类与现有清单和长期数据集相结合来解决这一空白。例如，Alifu等人[68]和Baraka等人[120]将多传感器卫星数据与基于清单的验证相结合用于覆盖有碎片的冰川测绘，而Bouchayer等人[121]和Qiu等人[122]强调了使用基于历史轮廓的自动化方法进行长期冰川变化分析。最近的研究[123]进一步展示了清单链接的深度学习的价值，以确保模型在不同区域和年代间的可转移性。这些研究清楚地表明，未来自动冰川测绘的进步应优先考虑与现有冰川清单和历史记录的紧密整合。

4.64.7. 数据融合对模型性能的影响
输入数据的选择是任何用于冰川映射的机器学习（ML）或深度学习（DL）模型性能的决定性因素。综述的研究表明了一个明确且一致的趋势：多源数据融合通过克服单一传感器类型的固有局限性，显著提高了分类准确性。本节分析了基于五类数据输入的模型性能：仅使用光学数据、仅使用合成孔径雷达（SAR）数据，以及这些数据与地貌测量数据的各种组合。

**光学数据集：**
仅使用光学数据（如Landsat或Sentinel-2图像）训练的模型可以实现高准确性，特别是在清晰冰体的界定上。例如，使用U-Net架构并仅输入Landsat或Sentinel-2数据的研究报告了高达94.65%的F1分数和超过95%的总体准确性[87,90,109]。尽管有效，但仅使用光学数据的模型的性能从根本上受到气象条件（如云层覆盖）的限制，并且由于光谱相似性，它们往往难以准确区分被碎屑覆盖的冰舌和周围地形。

**SAR数据集：**
SAR数据（如Sentinel-1的数据）的主要优势在于能够穿透云层并且不受太阳光照的影响。这种全天候能力使得这些数据对于持续监测来说非常宝贵。仅依赖SAR的研究显示出了强劲的结果，其中一个U-Net模型的交并比（IoU）达到了87.7%[124]，另一项使用Sentinel-1 SAR数据的研究达到了93.3%的F1分数[125]。然而，仅使用SAR的方法容易受到噪声、重叠效应和陡峭地形中的阴影效应的影响，以及由于表面湿度变化导致的后向散射信号模糊的问题。

**地貌测量数据与光学数据融合：**
将光学图像与从数字高程模型（DEM）中得到的地貌参数相结合，在性能上取得了显著提升，特别是在映射被碎屑覆盖的冰川时。诸如坡度、曲率和海拔等地形特征提供了关键的信息，有助于区分光谱上模糊的被碎屑覆盖的冰与稳定的岩石碎屑。这种方法取得了优异的结果，以GlacierNet2模型为例，它使用Landsat和ALOS DEM数据实现了88.39%的总体准确性[100]。

**光学数据与SAR数据融合：**
结合光学和SAR数据可以将前者的丰富光谱信息与后者的结构和纹理敏感性相结合，产生一个更具弹性的输入集，部分弥补了每种传感器类型单独使用时的弱点。光学图像为清晰冰体的区分提供了高光谱分辨率，而Sentinel-1 SAR的后向散射能够实现不受云层影响的观测，并捕捉到有助于区分被碎屑覆盖的冰与周围地形的表面粗糙度对比。Lin等人[82]通过训练一个CNN，使用Sentinel-2、Landsat-8和Sentinel-1图像来映射喜马拉雅山脉中部和喀喇昆仑山脉的被碎屑覆盖的冰川，实现了89.2–93.7%的F1分数。在更大范围内，Maslov等人[101]表明，在光学Sentinel-2/Landsat输入中加入SAR的相干性和后向散射能够一致地提高所有测试区域的准确性，他们的GlaViTU模型在全球范围内的IoU超过了0.85，在以清晰冰为主的区域则超过了0.90。

**地貌测量数据、SAR数据和光学数据的三重融合：**
在综述的文献中，光学数据、SAR数据和地貌测量数据的三重融合始终能够产生最准确和可靠的结果。这种组合同时利用了光谱、纹理和地形信息，使得模型能够在广泛的条件下有效映射清晰和被碎屑覆盖的冰。这种方法的优势在于报告的最高性能指标；例如，一项利用RF模型、Landsat、Sentinel-1和DEM的研究实现了98.14%的总体准确性和97%的Kappa值[81]，而另一项DL研究使用类似的数据融合策略报告了97.2%的F1分数。这种多传感器方法显然已成为实现自动化冰川映射领域最佳性能的标准。

图9中的桑基图（Sankey diagram）分析了冰川映射研究中的趋势，揭示了对某些特征的明确关注和对特定建模技术的强烈偏好。清洁冰川是研究最多的特征，很可能作为模型开发的基准，其次是冰川湖泊和被碎屑覆盖的冰川，后者由于其带来的风险而受到重视。被雪覆盖的冰川受到的关注最少。在方法论上，深度学习占据了主导地位，标志着向复杂的自动化特征提取的转变。传统的机器学习仍然相关，而较老的光谱指数仍然被广泛使用，尤其是在雪覆盖方面，它们非常有效。

深入研究具体算法，U-Net和DeepLabV3+已成为映射清晰冰川和冰川湖泊的标准架构。对于机器学习应用，随机森林（RF）和支持向量机（SVM）是最常见的分类器。在映射被碎屑覆盖的冰川这一复杂任务中，采用了更加多样的方法论，DL和ML模型都在积极探索中。光谱指数的使用高度针对目标特征进行定制，（NDSI）对于雪和清晰冰体很受欢迎，而各种以水为中心的指数（如NDWI）用于湖泊。指数在被碎屑覆盖的地形上的有限有效性强调了先进DL和ML模型在此项挑战性任务中的必要性。

关于冰川映射的遥感研究显示了显著的全球不平衡（图10）。高山区（包括喜马拉雅山脉、青藏高原和喀喇昆仑山脉）占研究的57%。这种现象是由于该地区冰川覆盖广泛、作为水源的重要性以及那里快速发生的气候变化所致。与此同时，南极洲、格陵兰岛和欧洲阿尔卑斯山等地区的研究很少。北美西部、北极地区、高加索地区、新西兰和低纬度冰川的研究也非常有限，通常仅限于少数几个跨区域或全球视角的研究。

这种不平衡显著影响了模型开发和可迁移性。大多数机器学习和深度学习模型都是基于高山区的数据集进行训练的，那里的冰川通常有厚厚的碎屑覆盖并且有明显的季节性变化。因此，这些模型可能会学习到该地区特有的特征，这些特征不太能推广到其他环境，特别是在碎屑覆盖稀少或冰体纯净的极地和高山区域。例如，在格陵兰[49,91]和南极洲[75,88]等极地地区进行的研究往往依赖于不同的光谱和结构特征（如冰川前缘和清晰冰体），这些特征在高山区训练的模型中并未得到很好的体现。因此，文献中报告的性能指标可能无法可靠地预测这些模型在全球范围内的表现。

这些发现强调了需要更多样化的数据集和跨区域验证。这将提高模型的可靠性，并确保在各种气候和地貌条件下的准确冰川映射。

4.8. 主要挑战和未来研究需求
文献综述强调了几个相互关联的挑战，这些挑战为未来的冰川映射研究设定了关键优先事项。这些问题包括获取可靠、标准化实地真实数据的困难；整合多源数据集（如DEM、SAR和InSAR）的挑战；以及维护FAIR（可查找、可访问、可互操作和可重用）数据原则的问题。其他障碍包括有限的地理定位精度、对衍生数据集的访问受限，以及映射被碎屑覆盖和过渡性冰川的复杂性。这些问题共同影响了模型在不同地区的可靠性、可重现性和可迁移性。尽管个别研究关注特定问题，但综合这些挑战为推进自动化冰川监测的方法和数据实践提供了一个更清晰的框架。

4.9. 冰川映射方法的操作准备情况
尽管在冰川映射方法上取得了重要进展，但其实际应用范围仍然很广。基于光谱指数的方法对于大规模和接近实时的监测仍然最有用，因为它们成本低廉、需要较少的训练，并且与Google Earth Engine（GEE）等平台配合良好。机器学习方法可以在中等复杂的环境中提高准确性，但它们需要组织良好的训练数据集和仔细的特征选择，这可能限制了它们的应用。

深度学习方法在困难条件下（如被碎屑覆盖和混合表面的冰川）显示出最佳效果。然而，在实践中使用它们具有挑战性，因为它们需要大量的计算资源、依赖于大型标注的数据集，并且在不同地区的迁移能力有限。因此，许多深度学习应用仍处于研究或实验阶段，尚未完全投入实际使用。

实际上，结合光谱指数、机器学习或深度学习模型和基于云的平台提供了可扩展和接近实时的冰川监测的最佳途径。未来的工作应该致力于减少数据需求、提高模型的泛化能力，并将自动化工作流程整合到操作系统中。

5. 观点与展望
尽管机器学习和深度学习现在主导了这个领域，但不可忽视光谱指数的基础作用。对于快速的大规模评估，特别是对于清晰冰体和雪体，像NDSI这样的指数仍然计算效率高且易于实现。然而，文献清楚地表明了一个趋势，即向开发更强大的指数（如ANDSI）的方向发展，以应对区分冰和水等特定挑战。指数的未来可能不是作为独立的工具，而是作为更复杂的机器学习和深度学习模型的强大输入特征，为这些模型提供光谱信息的基准，以便进一步细化。

受监督的机器学习和深度学习模型在冰川映射中的有效性在很大程度上取决于训练数据的质量、一致性和代表性。大多数研究使用手动绘制的冰川边界或现有的清单（如RGI和GLIMS）作为“实地真实数据”。然而，这些并不是真正的实地真实数据，因为它们基于半自动化或专家方法，具有不同的空间分辨率、时间一致性和假设。一个关键问题是被碎屑覆盖的冰川在光学图像中被系统性地低估了，导致训练数据中遗漏或错误分类冰川区域。这造成了偏见，使得模型从不准确的标签中学习，未能反映冰川的真实范围和状态。虽然实地调查提供了更精确的参考数据，但它们的范围有限且难以实施。因此，当前的方法依赖于不完美的参考数据集，这限制了可靠的模型比较、区域泛化和准确的冰川清单开发。因此，开发符合FAIR原则的标准化、高分辨率和物理一致的基准数据集是科学界的优先事项。

DL表格显示U-Net及其变体（如Res-Unet、R2UNet、SAU-Net）的明显优势。虽然U-Net是一种强大的图像分割架构，但该领域可以从探索其他模型架构中受益。例如，计算效率更高的模型（如Mobile-Unet）对于大规模的、实时的冰川监测系统来说可能至关重要。此外，还需要进一步研究超参数优化以及针对冰川测绘特定挑战定制的新损失函数，例如冰川像素与非冰川像素之间的不平衡问题。虽然许多研究现在结合了多种数据源，如光学图像、SAR和DEM，这是克服每种传感器类型固有局限性的积极趋势，但这一领域仍有许多值得探索的地方。未来的研究应重点关注如何最好地融合具有不同空间和时间分辨率的数据，如何在深度学习框架中纳入较少使用的数据类型（如高光谱或热成像），以及开发超越简单数据堆叠的更复杂的融合技术。大多数研究都专注于为特定区域开发模型，但还需要更多关于这些模型是否可移植到具有不同冰川类型和环境条件的其他地理区域的研究。例如，在喜马拉雅山脉训练的模型可能无法在安第斯山脉或阿尔卑斯山的冰川上表现出良好性能，因为这些地区的冰川形态、气候条件和训练数据分布存在差异。覆盖着碎屑的冰川由于其光谱特征与周围地形相似，且受碎屑厚度、热绝缘性和表面动力学的影响，是最难以绘制的对象之一。未来的研究应侧重于结合热数据、表面速度和地貌指标的物理基础方法，以更准确地检测碎屑下的活跃冰层。尽管许多研究展示了机器学习和深度学习在自动化冰川测绘中的潜力，但实际将这些模型应用于实时监测系统的例子仍然很少。弥合研究与实际应用之间的差距是未来的关键挑战。

6. 冰川测绘中的偏差和不确定性
6.1. 定义遥感中的偏差
在冰川测绘中，偏差是指系统性地导致结果朝某一方向扭曲的系统误差，从而导致冰川规模的过高或过低估计。与随机噪声不同，偏差通常源于数据收集、环境因素或算法设计中的固有局限性。识别和测量这些偏差对于确保观察到的冰川质量变化真正反映了气候趋势而不是方法引入的误差至关重要。
6.2. 偏差和系统不确定性的来源
从手工绘制到自动化深度学习（DL）模型的转变引入了特定形式的偏差，本综述将其分类如下：
- 数据集和地理偏差：大多数最先进的模型都是在高质量、标准化的数据集上训练的，这些数据集往往集中在特定区域（例如欧洲阿尔卑斯山），这导致了模型的迁移能力不足，使得模型在具有不同特征的冰川（如热带或高纬度北极冰川）上的表现不佳。
- 真实值和标注偏差：冰川测绘的进展受到获取准确真实值数据难度的限制。许多研究依赖于RGI和GLIMS等清单，这些清单虽然重要但存在不确定性。由于测绘方法、分辨率和解释的差异，这些清单经常与专家的划定结果有所不同。覆盖着碎屑的冰川由于表面碎屑遮挡了冰层，常常被低估或误分类，这些问题会影响监督式机器学习和深度学习模型的准确性，可能会继承并放大这些不精确性。高性能指标可能反映了偏差而非真实的冰川学准确性，从而影响模型在不同区域或数据质量下的泛化能力。
- 大气和地形偏差：Landsat和Sentinel-2等光学传感器常常受到云层和阴影的影响，导致部分冰川区域被忽略。SAR传感器虽然减少了云层干扰，但在陡峭地形中引入了几何失真，可能影响冰川测量的准确性。
- 覆盖碎屑的冰川测绘偏差：覆盖碎屑的冰川因其表面特征与周围地形相似而具有独特的不确定性，它们依赖碎屑厚度、热绝缘性和表面动力学。基于光学和SAR的技术主要检测表面特征，可能无法准确反映冰层下的情况，从而导致这类冰川的错误分类。

7. 结论
本综述概述了使用遥感数据进行冰川测绘技术的演变过程，从传统的光谱指数到目前由复杂的机器学习和深度学习模型主导的时代。我们的分析揭示了一个清晰且显著的趋势：自动化、数据驱动的方法的采用显著提高了冰川划分的准确性、效率和规模。方法已经从NDSI等计算简单的指数发展到RF和支持向量机之类的具有精细分类能力的算法。然而，当前的格局明显受到深度学习的影响，U-Net及其衍生模型在语义分割方面表现出无与伦比的性能，尤其是在识别覆盖碎屑的冰川和崩解 Front 等具有挑战性的任务中。尽管该领域已经接受了数据融合（结合光学、SAR和DEM数据），但仍有很大的空间可以发展更先进的融合技术，并探索未充分利用的数据源的潜力。目前对少数几种模型架构（主要是U-Net）的过度依赖凸显了探索更多模型架构的必要性，包括关注计算效率和超参数优化，以便将研究成果应用于实际监测。文献中的一个主要挑战是高质量、透明且可重复使用的真实值数据的持续短缺。这个问题不仅涉及数量，还包括数据可访问性、详细文档记录和准确地理位置等问题。许多研究缺乏具体的地理位置细节（如精确的十进制坐标），这阻碍了研究的可重复性并降低了数据集的实用性。为特征提供机器可读的地理坐标（如十进制纬度和经度）将提高互操作性，便于跨研究比较，并能够与新兴框架（包括大规模语言模型和自动化地理空间推理）集成。模糊的空间参考或地图边界坐标效果较差，不符合FAIR标准。未来的冰川测绘不仅依赖于机器学习的进步，还需要文化上的转变，即采用开放、文档齐全且地理位置精确的数据集。应用FAIR原则、提高真实值的透明度并严格执行地理空间标准对于实现可扩展、可靠的冰川监测至关重要。总之，机器学习和深度学习的应用彻底改变了冰川测绘，提供了监测气候变化关键指标的强大工具。该领域的未来在于解决本综述中指出的关键限制。进步不仅将由更先进算法的发展推动，还将取决于整个社区在创建健壮的验证数据集、提高模型可移植性和不确定性量化方面的共同努力，以及弥合差距以实现实时的冰川监测系统。通过将前沿人工智能与改进的数据实践相结合，遥感社区可以提供理解并应对全球气候变化影响所需的关键数据。

补充材料
以下支持信息可在此下载：https://www.mdpi.com/article/10.3390/rs18101496/s1
表S1：关于冰川湖泊检测的深度学习研究总结。
参考文献[124,125,126,127,128,129,130,131,132,133,134]见补充材料。