利用基于多个亮度温度指标的决策树方法对格陵兰冰盖表面的融化情况进行检测

《International Journal of Digital Earth》：Surface melt detection over the Greenland Ice Sheet using a decision-tree approach based on multiple brightness temperature indices

　　摘要
监测格陵兰冰盖（GrIS）的融化情况对于理解冰冻圈变化和全球海平面上升至关重要。现有的被动微波方法受到分辨率较低和检测偏差的限制。本研究开发了一种新型的多指数决策树方法用于格陵兰冰盖融化检测。该方法应用于高分辨率亮度温度数据（最高可达3.125公里），结合了37 GHz垂直极化波段的日变化幅度（DAV）动态阈值处理和19 GHz水平极化波段的高斯混合模型（GMM）分类，能够精确识别多种融化类型，包括零星/间歇性融化、持续性融化以及冰盖表面湖泊的形成。与传统方法（245 K和MEMLS）相比，我们的方法显著提高了准确性，总体准确率达到95.81%。在高融化区域，自动气象站（AWS）记录的融化日中有76.82%被正确分类。长期分析（1988–2023年）显示格陵兰冰盖融化期明显延长：融化开始时间每年提前0.31天，融化结束时间每年推迟0.50天， annual融化天数每年增加0.35天（p < 0.01）。这些趋势与负的北大西洋涛动（r = ?0.62）和增强的格陵兰阻塞现象（r = 0.71，p < 0.01）相关。该融化检测框架为研究冰盖表面过程提供了观测基础，并支持更可靠地评估气候变化下的融化相关影响。

关键词：格陵兰冰盖；表面融化；被动微波遥感；融化检测

1. 引言
作为全球气候系统的关键组成部分，冰盖通过淡水输入和反照率反馈机制严重影响海洋环流和区域能量平衡（IPCC 2023年引用）。随着格陵兰冰盖（GrIS）加速融化，准确监测表面融化情况变得至关重要，这有助于评估全球海平面上升和极端气候事件的风险（Hanna等人2024年引用；Li等人2025年引用；Shepherd等人2020年引用）。被动微波遥感是监测冰盖融化的核心技术，能够实现全天候观测、高时间分辨率和长期数据记录（Liang等人2021年引用）。其有效性依赖于卫星搭载的辐射计的被动微波信号（以亮度温度Tb表示）对液态水的敏感度。干燥的冬季积雪由于冰晶的体积散射，会导致较低的Tb值（Picard等人2022年引用）。随着液态水含量（LWC）的增加，散射现象转变为以表面为主，从而导致Tb值显著增加（Tedesco 2009年引用）。这种机制使被动微波遥感能够捕捉冰盖表面的日变化相位，为持续多云的极地地区提供连续的监测。

基于卫星Tb观测的冰盖表面融化检测方法大致可以分为三类。第一类是边缘检测方法，这些方法通过在干雪向湿雪转变过程中检测Tb的突然变化来确定融化的开始和结束时间。例如，Joshi等人（2001年引用）应用高斯差分（DoG）方法提取19 GHz Tb曲线的上升和下降边缘，并通过试错方法确定了融化的开始和结束的边缘强度阈值。一些学者使用小波变换将Tb曲线分解成多尺度成分，在多个尺度上进行自动边缘检测，然后利用方差分析和高斯曲线拟合技术确定最佳阈值（Liang等人2013年引用；Liu等人2005年引用）。这种方法用于区分由融雪引起的有效边缘和由随机信号和噪声引起的弱边缘。然而，边缘检测方法更适合识别具有明确开始和结束时间的持续性融化事件。相反，在零星或间歇性融化条件下，Tb时间序列通常表现出不规则的波动，导致边缘特征不明显，容易被忽略或误认为是噪声。

第二类是固定阈值方法，Tb值在干雪和湿雪条件下存在明显差异。基于阈值的方法利用这种差异来判别雪是否正在融化。这些阈值是从经验和历史数据中得出的静态值。例如，Tedesco（2007年引用）和Tedesco、Abdalati、Zwally（2007年引用）使用分层积雪微波发射模型（MEMLS）研究了雪层中不同LWC对37 GHz Tb的影响，发现当LWC达到0.2%时Tb显著增加，并据此确定245 K的Tb值可以区分干雪和湿雪。在融化季节的初期和后期，常见的日冰融循环（白天融化、夜间重新冻结）通常无法通过上述方法检测到。因此，Ramage和Isacks（2003年引用，2002年引用）提出了日变化幅度（DAV）方法。该方法利用37 GHz垂直极化波段的Tb在白天（升轨道）和夜间（降轨道）观测值之间的差异（DAV > 10）来捕捉日冰融循环事件。虽然固定阈值方法在识别间歇性融化和日冰融循环方面比边缘检测方法更有效，但其阈值选择高度依赖于有限的样本数据，从而限制了其普遍适用性。积雪特性，如雪深、密度和颗粒大小，对微波信号有显著影响（Picard等人2022年引用）。例如，在冬季，深雪区域的Tb值远低于浅雪区域，使得在融化期间难以达到融化检测阈值。

第三类是动态阈值方法，其关键优势在于能够每年在像素级别重新计算和更新阈值，而不是依赖于固定的、区域统一的阈值。Ashcraft和Long（2006年引用）将融化阈值定义为干雪冬季平均Tb和湿雪Tb的加权组合。具体来说，湿雪Tb固定在273 K——该值来自物理模型模拟，该模型预测了当雪层LWC达到1%时19 GHz水平极化波段的Tb（TB19H）。同样，Tedesco（2009年引用）利用MEMLS模型模拟了5厘米厚雪层中湿雪（LWC为0.2%）和干雪的Tb值，并据此开发了一个简单的线性回归模型，使融化阈值（湿雪Tb）随干雪冬季平均Tb动态变化。然而，ALA和MEMLS方法的明显局限性在于它们对湿雪层特性的理想化假设。例如，这些方法采用的湿雪层厚度（如5厘米）和LWC（如1%）参数是固定的。实际上，冰盖上湿雪层的厚度和LWC在融化过程中存在显著的时空变化。这种固定参数的假设限制了模型准确捕捉这些高度动态变化的能力。

冰盖融化涉及多种类型或不同阶段，而现有算法通常依赖于单一频段的Tb数据，难以准确捕捉融化过程的动态演变。例如，在冰盖表面融化的早期阶段，低频微波的变化相对较小，而高频微波更为敏感。随着融化加剧，低频通道的Tb值变化更为显著，而高频信号可能因表面水含量增加而接近饱和甚至减小（Colliander等人2023年引用；Kelly等人2003年引用）。此外，如果冰盖表面形成冰盖表面湖泊，由于其低发射率，Tb值可能低于冬季干雪的值（Gabarró等人2022年引用；Picard等人2022年引用）。然而，这些融化情景在以往的研究中很少被考虑，可能导致融化强度或范围的估计不准确。此外，粗略的空间分辨率（约25公里）从根本上限制了检测能力，无法准确识别小尺度的融化事件或详细变化。

为了克服现有方法的局限性，本研究开发了一种基于像素的动态监测框架来监测格陵兰冰盖表面融化情况。该框架基于多指数决策树算法，结合了日变化幅度（DAV）和高斯混合模型（GMM）分类。应用于高分辨率被动微波Tb数据（最高3.125公里），该算法利用多频观测的穿透特性来捕捉多种融化类型和阶段，包括零星/间歇性融化、持续性融化以及冰盖表面湖泊的形成。

2. 数据集
2.1. 高分辨率被动微波数据
本研究使用从国家冰雪数据中心分布式主动档案中心（NSIDC DAAC）获得的校准后高分辨率被动微波每日EASE-Grid 2.0亮度温度（CETB）地球系统数据记录（Brodzik等人2016年引用）。CETB数据提供最高3.125公里的空间分辨率。与传统被动微波数据集（25公里）相比，CETB通过辐射计散射仪图像重建（rSIR）算法实现了显著更高的空间分辨率。对CETB数据集中的特殊传感器微波/成像仪（SSM/I）和传感器微波成像仪/测深仪（SSMIS）的Tb测量进行了系统性的跨传感器校准。基于重叠时期的线性回归模型（如SSM/I-F13和SSMIS-F17）用于消除系统偏差，校准后的Tb差异小于1 K（R2 > 0.98）（Brodzik等人2016年引用）。因此，我们使用了1988–2023年间SSM/I和SSMIS传感器的37 V（3.125公里）和19 H（6.25公里）Tb测量数据来获取格陵兰冰盖表面融化情况。具体使用了SSM/I-F8（1988–1990年）、SSM/I-F11（1991–1995年）、SSM/I-F13（1995–2009年）、SSMIS-F17（2009–2010年）和SSMIS-F18（2010–2023年）的数据。这些数据提供了跨多个频率和极化的每日两次观测（升轨道/降轨道）。

在本研究中，融化开始日（MOD）和融化结束日（MED）分别定义为一年内第一个和最后一个连续三天融化事件的第一天和最后一天。融化期是从MOD到MED的持续时间，annual融化天数（MD）是融化天数的累计值。此外，使用Sen的斜率估计器和Mann-Kendall（M-K）检验评估了格陵兰冰盖范围内MOD、MED和MD的趋势和统计显著性，以便进一步分析表面融化的时空模式。

2.2. 气温数据
为了评估1988年至2023年被动微波遥感数据的检索结果，我们使用了格陵兰气候网络（GC-Net）内的自动气象站（AWS）的现场测量数据作为验证数据（Vandecrux等人2023年引用）。GC-Net由24个AWS组成，这些AWS连续记录气象变量，包括气温（Tair）、风速、风向、湿度和大气压力。每个站点的Tair由安装在冰盖表面以上2米的传感器测量，提供每小时和每日平均值。由于某些站点数据缺失，我们选择了14个最佳代表格陵兰海拔范围的站点（表1），优先考虑观测记录较长且连续的站点。每日最高Tair是从每小时测量数据中得出的。所选AWS的空间分布如图1所示。

图1. 格陵兰冰盖概览及AWS分布。根据Rignot和Mouginot（2012年引用），格陵兰冰盖分为六个盆地：NO（北部）、NE（东北部）、SE（东南部）、SW（西南部）、CW（中西部）和NW（西北部）。

图片详细说明：
地图显示格陵兰冰盖分为六个盆地：NO、NE、SE、SW、CW和NW。海拔高度用灰度梯度表示，从小于500米（最暗）到大于3200米（最亮）。横轴范围是西经110度到东经20度，纵轴范围是北纬60度到北纬75度。许多自动气象站用圆点标记，GC-Net站点用红色圆点表示，PROMICE站点用橙色五边形表示。比例尺表示0至500公里。

表1. 自动气象站信息。

为了进一步评估我们的方法在极端融化年份的表现，我们使用了格陵兰冰盖监测计划（PROMICE）AWS的每小时Tair数据进行了验证。选择了2019年的四个代表性PROMICE站点（图1），并从其每小时观测数据中得出每日最高Tair值。

2.3. 光学遥感图像
为了提取格陵兰冰盖表面湖泊的信息，我们使用了欧洲航天局（ESA）提供的Sentinel-2多光谱仪器（MSI）Level-2C表面反射率产品。我们利用Sentinel-2图像的可见光和近红外波段（空间分辨率10米，云盖覆盖率小于25%）来绘制格陵兰冰盖表面湖泊的空间分布。辅助数据
冰盖高度数据来源于格陵兰冰层测绘项目（GIMP）提供的30米分辨率数字高程模型（DEM），该模型由NSIDC提供（Howat, Negrete和Smith引用2014）。GIMP冰盖掩模被用来定义GrIS的范围（图1）。为了分析表面融化的驱动因素，我们还使用了国家海洋和大气管理局（NOAA）提供的赫雷尔北大西洋涛动（NAO）指数（Hurrell引用1995）和格陵兰阻塞指数（GBI）（Hanna等人引用2015）。

3. 方法
3.1. GrIS表面融化检测方法
3.1.1. 昼夜幅度变化方法
在融化的初期和末期，积雪在白天吸收太阳辐射，导致部分融化并产生液态水。夜间温度下降，使液态水重新冻结。这种昼夜冻结-融化循环在早晨（Tbm，冻结）和傍晚（Tbe，湿润）的过境点之间产生了显著的Tb对比。DAV值（定义为DAV=|Tbm–Tbe|）在这些时期会增加。当DAV超过某个阈值时，就认为发生了表面融化事件（Ramage和Isacks引用2002）。先前的研究表明，DAV方法对于检测微波观测中的昼夜冻结-融化循环是有效的。长期观测表明，DAV可以减少雪的物理性质变化对微波信号的影响，并在不同表面条件下可靠地识别局部融化事件（Marco Tedesco引用2007；Ramage和Isacks引用2003）。在高海拔的NASA-E站点，尽管总体DAV幅度相对较小（图2b），但观察到的DAV峰值与空气温度升高到0°C以上的时间段相匹配（图8b）。这种模式反映了短暂的日间融化后随夜间重新冻结，表明即使在有限的融化条件下，DAV方法仍能有效地检测到间歇性的冻结-融化循环。在低海拔的JAR-1站点（964米），由于冻结-融化循环，DAV值在融化初期和后期会变大（图2a）。然而，在仲夏（7月至8月），持续的高温阻止了夜间重新冻结，导致Tbm和Tbe都升高，减少了昼夜幅度，从而导致持续融化的检测不足。

图2. 2019年AWSs JAR-1（a）和NASA-E（b）在37 GHz频率下的日TB变化和昼夜幅度变化（DAV）时间序列。
这个双面板线图显示了从1月1日到12月31日的日TB和DAV时间序列。面板a标记为JAR-1，左侧纵轴表示120至280 Kelvin之间的TB，右侧纵轴表示0至120 Kelvin之间的DAV。水平轴表示时间从1 over 1到12 over 31。绘制了三条线：TB37V_M、TB37V_E和DAV。TB37V_M和TB37V_E通常在200至280之间变化，其中TB37V_M在6 over 1到9 over 1之间有明显的下降。DAV在第一年的前三分之一时间内保持较低，低于30，然后在6 over 1到9 over 1之间出现大幅波动，接近90，之后再次回到较低水平。面板b标记为NASA-E，具有相同的轴标签和范围。TB37V_M和TB37V_E的线条紧密跟随彼此，从200逐渐增加到7 over 1时接近230的峰值，然后在12 over 31期间逐渐减少到190。DAV线条在整个年度内保持较低，大多低于10。

3.1.2. 高斯混合模型（GMM）
当冰盖表面冻结时，干雪中的冰晶和空气孔隙的体积散射显著降低了微波Tb。随着雪水含量（LWC）的增加，体积散射减弱，允许从下方发射的辐射穿透雪层并到达传感器，从而增加Tb。因此，Tb的年度概率分布通常呈现双峰模式：较低的模式对应于冻结的雪，而较高的模式代表湿润的雪。基于这种双峰性，GMM将Tb观测值近似为两个高斯分布的混合（图3）。混合分布的概率密度函数（PDF）表示为：
(1) P(x)=ω1N(x|μ1,σ12)+ω2N(x|μ2,σ22)
其中x是Tb，ω1和ω2是两个高斯分布的混合权重，N(x|μk,σk2)是第k个高斯分量的概率密度函数：
(2) N(x|μk,σk2)=1/2πσk2e^(x?μk)2/σk2 (k=1,2)
其中μk是平均Tb，σk2是每个状态内Tb观测值的分布范围。

图3. 使用基于TB19H数据的高斯混合模型（GMM）对干雪和湿雪进行了无监督分类。两个显著的峰值分别对应于冻结雪和融化雪的Tb值。红星表示GMM模拟的冻结/融化分界阈值。

线图“高斯混合模型拟合”在纵轴上显示0到0.06之间的概率密度，在横轴上显示170到260 Kelvin之间的TB。浅蓝色直方图显示了具有两个主要簇的分布。叠加了三条线：一条标有“Frozen”的红线，一条标有“Melt”的绿线，以及一条标有“GMM”的蓝线。红色“Frozen”线在TB per Kelvin 187时达到约0.055的峰值，然后下降到TB per Kelvin 205时的接近零。绿色“Melt”线在TB per Kelvin 205时从接近零开始，在TB per Kelvin 245时达到约0.035的峰值，然后在TB per Kelvin 260时下降到0.01。蓝色“GMM”线跟随直方图的总体形状，在TB per Kelvin 187时达到约0.038的峰值，在TB per Kelvin 245时达到约0.01的峰值。红星标记位于TB per Kelvin 209处，这是红色“Frozen”线和绿色“Melt”线在水平轴上的交点。

GMM的参数使用期望最大化（EM）算法估计。初始化过程如下：将混合权重均匀设置（ω1=ω2=0.5）以避免偏向任何一方，同时使用K均值聚类初始化均值和方差。这些参数在EM迭代过程中进行更新。在期望步骤中，后验成员概率（γki）计算为：
(3) γki=ωkN(xi|μk,σk2)∑j=1/2ωjN(xi|μj,σj2) (k=1,2)
其中i是Tb观测值的索引，γki是Tb数据点（xi）属于融化状态的概率。在最大化步骤中，使用后验概率更新参数，直到对数似然收敛：
(4) μknew=∑i=1/2Nγikxi∑i=1/2Nγik (k=1,2)
(5) σk2(new)=∑i=1/2Nγik(xi?μk)2/∑i=1/2Nγik (k=1,2)
(6) ωknew=1/2N∑i=1/2Nγik (k=1,2)
其中N是数据点的总数，μknew是更新后的平均Tb（所有数据点的加权平均值），ωknew是更新后的混合权重（第k个高斯分布中的数据比例），σk2(new)是新方差。最后，通过解决两个高斯PDF的交点来确定动态阈值：
(7) ω1N(TGMM|μ1,σ12)=ω2N(TGMM|μ2,σ22)
其中TGMM是两个分布具有相等概率密度的分界阈值。Tb≥TGMM的像素被分类为融化状态，而TbTBMar37Vˉ+3TBMar_sd
(9) DAV37V>DAVMar37Vˉ+6DAVMar_d
其中TB37V是37V的日Tb，DAV37V表示37V的DAV值。TBMar37Vˉ和TBMar_sd37V分别表示3月37V的日Tb的平均值和标准差。同样，DAVMar37V?和DAVMar_sd37V表示3月DAV的平均值和标准差。为了最小化与昼夜气温波动相关的错误检测，只有当满足以下两个条件时，像素才被分类为融化：
(方程8(8) TB37V>TBMar37Vˉ+3TBMar sd
(方程9(9) DAV37V>DAVMar37Vˉ+6DAVMar_d
(Kimball等人引用2021)。然后使用DAV方法识别为融化的像素进入步骤2。

步骤2：使用GMM检测持续融化。将GMM应用于TB19H时间序列，基于双峰分布假设和无监督学习将状态分类为“冻结”或“融化”。在没有融化的区域，Tb观测值呈现由Tair变化主导的单峰分布，这可能导致误分类（图5）。为了避免这种情况，在应用GMM之前施加了两个约束：

图5. 高斯混合模型（GMM）对单峰分布Tb时间序列的错误分类。(a) 含有偶发融化事件的TB19H时间序列。虚线表示GMM阈值；(b) GMM的错误冻结/融化分类。

两面板图显示了面板a中的时间序列数据和面板b中的高斯混合模型拟合的概率密度直方图。面板a是一个线图，横轴表示从1 over 1到12 over 31的时间，纵轴表示140到230 Kelvin之间的TB。橙色线标记为TB19H_M，在7月时波动在160到170 Kelvin之间，峰值达到200 Kelvin。紫色线标记为TB19H_E，紧密跟随橙色线。虚线紫色线标记为TGMM，在TB per Kelvin 172时保持恒定。面板b是一个条形图，横轴表示160到210 Kelvin之间的TB，纵轴表示0到0.12之间的概率密度。浅蓝色条形图在170 Kelvin附近形成峰值。红色线标记为Gauss1，在180 Kelvin附近达到峰值。绿色线标记为Gauss2，在170 Kelvin附近形成较窄的峰值。蓝色线标记为GMM，在170 Kelvin附近形成复合峰值。

约束1（年变化约束）：如果像素的年标准差（TBsd19H）低于30 K，则将其分类为无持续融化（M. Tedesco, Abdalati和Zwally引用2007）。TBsd19H ≥ 30 K的像素进入下一步。

约束2（季节变化约束）：表现出持续融化的像素还必须满足：
(10) MSmax19H?MW19H≥2TBsd19H
其中MSmax19H是夏季（6月至8月）的最大月平均TB，MW19H是冬季（12月至2月）的平均TB。

当两个约束都满足时，进行GMM分类。然而，当只有浅层雪发生持续融化时，TB19H时间序列会逐渐增加而不是急剧变化。这可能导致GMM误估融化阈值。因此，如果GMM模拟的阈值（TGMM）低于190 K，则提取所有超过TGMM的Tb值。这些值的算术平均值（TGMMnew）随后替代了TGMM。第三步：检测与冰川表面湖泊相关的强烈融化现象。在这一阶段，冰川表面湖泊的形成可能导致Tb值下降，可能使夏季的Tb值低于冬季平均水平，从而违反约束条件2。因此，当融雪季节的TB19H低于3月份的TB19H平均值时，就被识别为融化事件。最后，应用一种后分类空间滤波器，通过在移动窗口内进行多数投票来校正局部不一致性。然后使用5×5、7×7和9×9像素的窗口大小迭代执行多尺度去噪。这些多尺度滤波器主要用于抑制随机噪声和孤立异常像素，从而提高时间序列的稳定性。空间滤波主要去除分散的噪声像素，同时对大规模融化的空间分布和长期融化趋势影响最小。该方法在3.125公里网格上生成二值的冻结-融化数据（0：冻结；1：融化）。尽管输出网格为3.125公里，但有效空间分辨率受输入通道原生分辨率的影响。第一步采用基于TB37V（3.125公里）数据的DAV动态阈值方法来生成初始的冻结-融化分类，从而检测到间歇性/零星的融化事件。第二步和第三步仅应用于第一步中被分类为融化的像素。为了保持空间一致性，在处理之前将TB19H数据（6.25公里）双线性重采样到3.125公里。这种重采样确保了网格对齐，但不增加空间信息；因此，细化步骤仍受TB19H原生6.25公里分辨率的限制。

3.2. 验证方法
3.2.1. 多指标组合决策树分类方法
冰川表面湖泊的范围是根据Yang和Smith（Citation2013）提出的适用于冰盖的归一化差异水体指数（NDWI）从Sentinel-2多光谱图像中得出的。该指数定义为：
(11) NDWI = BLUE ? RED / (BLUE + RED)
其中BLUE表示蓝光波段（Band B2），RED表示红光波段（Band B4）。根据（Bell等人，Citation2017），应用NDWI阈值0.12来划定GrIS上的冰川表面湖泊。

3.2.2. 与AWS数据的验证
由于直接观测冰盖表面融化的数据稀缺，本研究使用AWS在表面上方2米处的空气温度测量来间接验证融化事件（Tedesco Citation2009）。冰盖表面融化受辐射平衡、风速和积雪热导率的影响，可能在低于冰点的Tair温度下发生。为了更好地捕捉这种变化性，本研究使用每小时AWS数据的日最高温度。应用了三个常用的阈值（0°C、-1°C和-2°C）来进行更全面的验证和性能评估（Colosio等人，Citation2021；Zhang等人，Citation2023）。
准确性验证指标包括误报率（CE）、漏报率（OE）、总体准确率（OA）、Cohen's kappa系数（κ）、真正例率（TPR）、假正例率（FPR）和F1分数：
(12) CE = (FM + FF + MF + MM) × 100%
(13) OE = (FM + FF + MF + MM) × 100%
(14) OA = (FF + MMFF + FM + MF + MM) × 100%
(15) κ = 2 × (FF × MM - MF × FM) / (FF + MF) × (MF + MM) × 100%
(16) TPR = (MMMM + FM) × 100%
(17) FPR = (FMFF + MF) × 100%
(18) FNR = (FMFF + MF) × 100%
(19) F1分数 = 2 × (精确度 × 召回率)
其中MF是错误分类为冻结的像素数量，FF表示正确的情况，FM是错误分类为融化的像素数量，MM是正确的情况。

3.2.3. 方法比较验证
以往的研究评估了各种遥感反演算法，报告称MEMLS方法获得了最高的OA（Zhang等人，Citation2023），而245K阈值方法在检测持续融化方面有效（Colosio等人，Citation2021）。因此，本研究选择了MEMLS方法和245K阈值方法与所提出的方法进行比较验证。
(1) MEMLS方法
MEMLS算法假设湿雪层的厚度为5厘米，液态水含量（LWC）的值为0.2%（Tedesco Citation2009）。融化检测阈值（Tc）是通过线性回归模型从MEMLS模拟的Tb中得出的：
Tc = (1 + η) × Tbwinter + ω
其中Tbwinter代表冬季平均Tb，ω和η是从模拟的Tb中得出的回归系数，本算法中ω=128K，η=-0.52。

(2) 245K阈值方法
应用37GHz下的固定阈值245K来分类冰盖表面状态：Tb≥245K的像素被分类为融化状态，而Tb<245K的像素被分类为冻结状态（Marco Tedesco Citation2007）。

4. 结果
4.1. 不同类型融化的识别
首先，我们检验了所提出方法在检测五种融化类型方面的性能：无融化、周期性融化、间歇性融化、持续融化以及与冰川表面湖泊形成相关的强烈融化（图6和图7）。在Summit站，2018年整个期间的日最高Tair温度始终低于0°C。我们的方法正确地将该站点分类为无融化状态（图6a）。在Humboldt站，2018年7月31日和8月8日观察到了两次融化事件。所提出的方法基于DAV的动态阈值，成功检测到了这两种零星/间歇性的融化事件，这些事件与AWS记录中日最高温度超过0°C的时期一致（图6b）。在Swiss Camp站，2014年5月和9月发生了间歇性融化，而从6月到8月观察到了持续融化（图6c）。在持续融化期间，冰面在白天和夜晚都处于融化状态，使用DAV方法很难检测到。在这种情况下，应用GMM模型对TB19H时间序列进行处理，准确检测到了所有持续融化事件。

图6. 融化类型分类：(a) 无融化；(b) 周期性融化；(c) 间歇性和持续融化。实线表示亮度温度指数或空气温度（Tair），虚线表示用于融化检测的阈值。最上面的蓝色/红色条形表示不同方法确定的冻结/融化状态。
这个三面板折线图垂直排列，左侧纵轴显示开尔文单位的亮度温度，右侧纵轴显示37V波段的DAV和摄氏度的空气温度，所有数据都绘制在水平轴上随时间变化。A面板（AWS Summit）显示了2018年1月至12月的TB19H_E、DAV和Tair。TB19H_E（紫色实线）在160到200开尔文之间波动，7月左右达到峰值。DAV（绿色实线）在0附近波动。Tair（红色实线）始终低于0摄氏度。0摄氏度的虚线表示一个阈值。B面板（AWS Humboldt）显示了2018年1月至12月的TB37V_M（橙色实线）、TB37V_E（蓝色实线）、DAV（绿色实线）和Tair（红色实线）。TB37V_M和TB37V_E通常从220开尔文降至180开尔文，7月左右急剧上升到260开尔文。DAV在0附近波动，有峰值达到20开尔文。Tair的温度范围大约在0到负50摄氏度之间，其中有两天超过0摄氏度。C面板（AWS Swiss Camp）显示了2014年1月至12月的TB19H_E（紫色实线）、DAV（绿色实线）和Tair（红色实线）。TB19H_E在210到270开尔文之间波动。DAV在0附近波动，有峰值达到90开尔文。Tair的温度从冬季的负40摄氏度升至零以上。

图7. 不同年份与冰川表面湖泊形成相关的强烈融化事件。红色框标记了19GHz水平偏振亮度温度（19H）显著低于3月份平均值的时刻，这些都对应于Sentinel-2图像中出现的冰川表面湖泊。
这个四面板折线图垂直排列，显示了四个点的亮度温度和随时间的变化。A面板（Point-A）显示TB 19H在180到270开尔文之间波动，红色框表示2016年4月至8月TB 19H显著较低的时期。DAV 37V在0到100开尔文之间波动。B面板（Point-B）显示TB 19H在180到270开尔文之间波动，红色框表示2017年4月至8月TB 19H显著较低的时期。DAV 37V在0到100开尔文之间波动。C面板（Point-C）显示TB 19H在180到270开尔文之间波动，红色框表示2019年4月至8月TB 19H显著较低的时期。D面板（Point-D）显示TB 19H在180到270开尔文之间波动，红色框表示2020年4月至8月TB 19H显著较低的时期。所有面板都显示夏季TB 19H值普遍较低的趋势，与红色框指示的时期相对应。
在2016年6月12日、2017年9月8日、2019年8月30日和2020年5月30日获取的Sentinel-2图像中清楚地识别出了冰川表面湖泊（图7）。对于这些事件，相应位置的TB19H时间序列在湖泊形成期间明显低于3月份的平均值（TB?Mar19H，图中用红色框标出）。所提出的方法正确地将这一时期分类为融化事件，与观察到的冰川表面湖泊存在情况一致。相比之下，245K方法和MEMLS方法都没有检测到这个冰川表面湖泊事件，表明传统方法可能无法捕捉到与冰川表面湖泊形成相关的融化过程。

图8. 不同年份从Sentinel-2图像中得出的冰川表面湖泊的空间范围：(a) 2016年5月29日；(b) 2017年9月8日；(c) 2019年8月30日；(d) 2020年5月30日。
这个四面板地图以2x2网格的形式显示了格陵兰岛冰川表面湖泊的空间范围。每个面板都包含一个缩放区域的格陵兰岛地图，用红色方块标示。A面板（标记为Point A）显示的地图颜色刻度为105到152 MD/天，右上角显示较高值。B面板（标记为Point B）显示的地图颜色刻度为70到203 MD/天，右上角显示较高值。C面板（标记为Point C）显示的地图颜色刻度为106到149 MD/天，右上角显示较高值。D面板（标记为Point D）显示的地图颜色刻度为64到160 MD/天，右上角显示较高值。所有面板都包含一个20公里的比例尺。

4.2. 使用AWS观测数据进行定量准确性评估
我们使用14个GC-Net AWS的Tair记录，评估了1995年至2023年间从所提出的方法、245K阈值方法和MEMLS方法得出的GrIS表面融化检测的准确性（表2）。结果表明，随着温度阈值的降低，所有三种方法的遥感反演误差都在减少。在大多数情况下，CE小于OE，表明遥感反演方法通常会低估融化的发生，特别是在应用固定245K阈值时。所提出的方法显示出略高的CE（0.73–2.22%），但OE显著较低（1.35–4.39%），与其他方法相比，其平均误差（定义为CE和OE之和，C + O-M）最小，为4.19%。MEMLS方法的性能介于245K方法和所提出的方法之间，C + O-M为4.34%。此外，所提出的方法在平均一致性方面始终优于其他两种方法，获得了最高的Kappa系数（κ-M=53.87%）和总体准确率（OA-M=95.81%）。
表2. 1995–2023年间不同遥感反演方法在GrIS上检测表面融化的准确性。
由于在高海拔地区融化事件极为罕见，冻结样本在验证数据集中占主导地位，导致三种方法之间的OA只有很小差异。因此，我们进一步评估了遥感反演结果与AWS观测结果在站点层面的一致性（表3）。在所有站点中，所提出的方法获得了最高的平均一致性（69%）和最低的错误率（FPR=31%，FNR=2%），优于MEMLS（64%的一致性）和245K固定阈值方法（58%的一致性）。在JAR1、Swiss Camp和Petermann ELA等融化频繁且强度高的低海拔站点，0°C阈值下的一致性分别达到了86%、90%和75%。在-2°C阈值下，Swiss Camp的方法一致性仍高达78%，而MEMLS方法为75%，245K方法为67%，这凸显了所提出方法在高融化环境中的稳健性。相比之下，在Summit和South Dome等高海拔站点，由于融化事件罕见，所有方法的一致性普遍较低。对于年平均融化周期超过四天的站点，所提出的方法在0°C阈值下显示出最高的分类一致性。该方法正确地将76.82%的AWS融化天数分类为融化，而仅3.31%被我们方法分类为融化的天数被AWS分类为冻结。这表明，尽管平均OA的差异相对较小，本研究提出的方法在识别实际融化事件方面表现出更强的能力。表3. AWS测量结果与遥感反演结果之间的日融化一致性。下载CSV显示表格。

为了评估季节性性能，计算了年平均融化持续时间超过四天的AWS站点的每月F1分数（5月至9月）（表3）。考虑了三个空气温度阈值（0°C、-1°C和-2°C）。由于季节性模式在各个阈值下高度一致，因此平均F1分数以标准差作为不确定性区间呈现（图9）。结果显示，所有方法在7月达到最佳性能，在5月和9月性能较低，这反映了融化条件的过渡。然而，所提出的方法在所有月份中始终 achieves最高的F1分数，特别是在早期和晚期融化季节（5月：所提出的方法0.274，MEMLS 0.236，245K 0.244；9月：所提出的方法0.219，MEMLS 0.195，245K 0.169）。此外，所提出的方法显示出最窄的不确定性区间，表明其对空气温度阈值的选择敏感度降低，且季节性稳定性更强。

图9. 不同融化检测方法的季节性性能。对于年平均融化天数超过四天的AWS站点，我们展示了5月至9月期间，所提出的方法与MEMLS和245K阈值方法的每月平均F1分数（以标准差作为不确定性区间）进行比较。

为了评估不同融化检测方法在季节性方面的表现，我们计算了年平均融化持续时间超过四天的AWS站点的每月F1分数（5月至9月）。考虑了三个空气温度阈值（0°C、-1°C和-2°C）。由于不同阈值下的季节性模式高度一致，因此平均F1分数以标准差作为不确定性区间呈现（图9）。结果显示，所有方法在7月表现最佳，而在5月和9月表现较弱，这反映了融化条件的过渡。然而，所提出的方法在所有月份中始终表现出最高的F1分数，特别是在早期和晚期融化季节（5月：所提出的方法0.274，MEMLS 0.236，245K 0.244；9月：所提出的方法0.219，MEMLS 0.195，245K 0.169）。此外，所提出的方法显示出最窄的不确定性区间，表明其对空气温度阈值的选择敏感度降低，且季节性稳定性更强。

2019年，格陵兰冰盖（GrIS）上发生了一次前所未有的表面融化事件（Marco Tedesco和Fettweis引用2020）。为了评估不同方法在这次极端融化事件期间的表现，我们将所提出的方法、MEMLS方法和245K阈值方法得出的GrIS表面融化天数进行了比较（图10）。所提出的方法识别的融化范围明显大于其他两种方法。位于GrIS最高海拔的Summit站点在2019年记录了四天每日最高气温Tair超过0°C的情况。鉴于Summit站点融化事件的历史罕见性（大约每150-600年发生一次）（Nghiem等人引用2012），2019年的事件可能代表了一次几乎覆盖整个冰盖的极端融化事件。因此，所提出的方法捕捉到的更广泛的融化分布与这一异常事件更为吻合。

图10. 2019年GrIS平均表面融化持续时间的空间比较，分别由(a)所提出的方法、(b)MEMLS方法和(c)245K阈值方法得出。绿色点标记了代表性验证站点的位置。

这张三面板地图显示了格陵兰岛的融化持续时间。a面板标记为“本研究”，显示一个中央蓝色区域，周围区域逐渐过渡为绿色、黄色、橙色和红色，表示融化持续时间逐渐增加。五月时，本研究的值为0.28，MEMLS为0.25，245K为0.25。六月时，三者的值都约为0.65。七月时，本研究达到0.73的峰值，MEMLS为0.72，245K为0.71。八月时，本研究为0.65，MEMLS为0.64，245K为0.59。九月时，本研究为0.22，MEMLS为0.20，245K为0.18。每个线条周围都有阴影的不确定性区间。

进一步分析表明，所提出的方法在检测间歇性融化事件方面也更加有效。在Point A，虽然传统方法未能检测到由融化引起的短暂波动，但所提出的方法成功识别出了这些波动（图11a）。同样，在NASA-E（图11b），245K方法未能检测到任何融化现象，而MEMLS错误地将一天分类为融化，尽管当天Tair低于冰点。相比之下，所提出的方法准确识别出了真实的融化事件，体现了其对间歇性融化的更高敏感性。

六面板折线图展示了2019年1月至12月六个站点的融化检测结果。每个面板都有日期的横轴和两个纵轴：左侧是每Kelvin的TB，右侧是每摄氏度的DAV或Tair。a面板标记为Point A，显示TB19H_E、TB37V_E和DAV线，以及一个阈值线和一个MEMLS线。DAV线总体较低，在七月达到峰值。b面板标记为NASA-E，显示类似的线条以及一个Tair线，在七月波动在0摄氏度左右。c面板标记为KAN_L，包括GMM、MEMLS和DAV线，Tair显示多次融化事件。d面板标记为KPC_U，显示出与KAN_L相似的模式，Tair指示融化条件。e面板标记为THU_U，展示了所提出的方法、MEMLS和245K阈值方法识别的复杂融化事件模式。f面板标记为UPE_U，也显示了全年多次融化事件，其中融化状态通过阴影灰色区域表示。

为了进一步评估三种反演方法在不同地区的性能，我们使用PROMICE网络中的四个代表性站点进行了详细分析（图11c-f）。在KAN_L和KPU_U，由于MEMLS方法的阈值过低，它在晚期融化季节产生了持续的误报。相比之下，在THU_U，MEMLS方法经常错过融化事件，因为其阈值过高。在UPE_U，所提出的方法得出的GMM阈值与MEMLS的阈值仅略有不同。尽管如此，所提出的方法始终能够捕捉到8月份观察到的主要间歇性融化现象，表现优于MEMLS和245K阈值方法。

所提出的方法、245K阈值方法和MEMLS方法的反演结果一致表明，与北部和内陆地区相比，南部和边缘地区的MOD开始得更早，MED结束得更晚，MD的数量更多（图12）。然而，在具体空间分布和数值方面，各方法之间存在显著差异。例如，245K和MEMLS方法估计的最早平均MOD分别发生在二月初（第32和33天），主要集中在格陵兰东南部。所提出的方法在四月初（第98天）得出了最低的平均MOD（图12a-c）。在经历强烈夏季融化导致冰盖上形成湖泊的地区，融化开始于四月底（图8c）。这表明245K阈值和MEMLS方法在检测冰盖边缘地区的融化开始方面存在显著误差，而所提出的方法能够抑制虚假的早期融化信号。关于MED，245K方法得出的最早年度平均MED（第211天）早于MEMLS方法（第213天）和所提出的方法（第215天），特别是在NO盆地（图12d-f）。

所提出的方法平均估计的融化天数（29.54天/年）多于MEMLS（23.74天/年）和245K方法（23.02天/年）。这些方法之间的差异在格陵兰北部尤为明显（图12g-i）。该地区的低温导致间歇性融化或短暂的海冰融化。由于245K方法对持续融化更敏感，而MEMLS对间歇性融化更敏感（Colosio等人引用2021），MEMLS在格陵兰北部检测到的融化天数多于245K方法。然而，所提出的方法对间歇性/短暂的海冰融化更敏感，因此在该地区检测到了大部分融化天数。

我们还对三种方法得出的年度平均MOD、MED和MD的标准化直方图进行了比较分析（图13）。结果显示，格陵兰东南部和西南部的MOD发生得明显较早，大规模融化最早在五月开始，并持续到七月初。相比之下，其他盆地的年度平均MOD峰值通常出现在七月（第180-210天）。东南部和西南部许多地区的融化季节持续到九月，而大多数其他盆地的MED集中在七月底到八月初（第190-220天）。因此，东南部和西南部的年度MD明显长于其他盆地，某些地区超过100天。相反，NO、NE、CW和NW盆地的MD大多少于30天，其中约60%的地区融化天数不超过五天。由于高海拔区域面积较大，这些地区的年度平均MOD、MED和MD的直方图分布与NO、NE、CW和NW盆地相似。

21个面板的直方图网格显示了七个地区的融化开始天数、融化结束天数和融化天数，比较了三种方法。网格分为七行三列。第一列的横轴是MOD d，范围从90到270。第二列的水平轴是MED d，范围从150到330。第三列的水平轴是MD d，范围从0到150。所有面板的垂直轴是直方图，范围从0到0.1。图例表示三种方法：本研究、MEMLS和245K。每一行代表一个地区：NO、NE、SE、SW、CW、NW和GrIS。在第一列MOD d中，所有地区在三种方法上显示出相似的趋势，峰值通常在150到210之间。在第二列MED d中，所有地区在三种方法上显示出相似的趋势，峰值通常在180到270之间。在第三列MD d中，所有地区在三种方法上显示出相似的趋势，峰值通常在0到60之间。

尽管这三种方法在格陵兰冰盖（GrIS）上的整体融化趋势相似，但在某些流域仍存在显著差异。这些差异主要反映了所提出方法对偶发或间歇性融化事件的更高敏感性。如前所述，现有的MEMLS和245K方法倾向于将SE流域一些低海拔边缘地区的MOD错误地分类为发生在四月之前。相比之下，所提出的方法正确地识别了这些事件，在该流域产生了明显的MOD峰值。在NE和CW流域，所提出的方法显示年度平均MOD峰值出现在七月底（第200-210天），捕捉到了高海拔地区的零星夏季融化事件。此外，我们的方法还揭示了SW、CW、NW和NO流域的MD峰值超过90天的情况，证明了其能够检测到格陵兰冰盖边缘更广泛和持久的融化（图12）。

5. 讨论

5.1. 格陵兰冰盖融化的趋势
我们分析了1988年至2023年间格陵兰冰盖（GrIS）上MOD、MED和MD的时空变化趋势（图14）。MOD、MED和MD的变化在格陵兰冰盖的边缘地区更为明显，而中部高海拔地区的变化最小。MOD总体上显示出提前开始的趋势（每年0.31天，图15），尤其是在格陵兰冰盖边缘地区（p<0.05），特别是在东南边缘（图14a和d）。MED的变化幅度大于MOD（延迟了每年0.50天，图14b），主要位于格陵兰冰盖的西部边缘地区（图14e），特别是在西南部。MD主要呈现出增长趋势（每年0.35±0.10天，图17），有43.74%的格陵兰冰盖区域显示出统计上显著的增加（图14c和f）。格陵兰冰盖边缘地区夏季MED的普遍延迟似乎是观察到的地表融化增加的主要驱动因素。所有流域的MD都表现出显著的年际增加趋势（图16），其中SW流域的变化最为明显（每年0.81±0.23天，p<0.01）。在NO流域，MD的增加率为每年0.45±0.07天（p<0.01），这比1988至2023年期间的平均MD值高出79.00%（图16）。

图14. 1988年至2023年格陵兰冰盖融化开始日（MOD）、融化结束日（MED）和融化日（MD）的趋势空间分布。面板（a-c）分别显示MOD、MED和MD的趋势。面板（d-f）表示（d）MOD、（e）MED和（f）MD的统计上显著变化（p<0.05）。

六幅面板地图系列展示了格陵兰冰盖的融化趋势及其统计显著性，分为两排每排三幅面板。面板a、b和c分别显示每十年融化开始日、融化结束日和融化日的变化趋势。面板a显示，整个冰盖上融化开始日普遍减少，变化范围从每十年负17.9天到0天；面板b显示融化结束日普遍增加，变化范围从0天到每十年35天；面板c显示融化日普遍增加，变化范围从0天到每十年37.2天。面板d、e和f分别表示融化开始日、融化结束日和融化日的统计上显著变化。面板d显示，西部和南部海岸的融化开始日显著减少；面板e显示，大部分冰盖地区的融化结束日显著增加；面板f也显示，大部分冰盖地区的融化日显著增加。

图15. 1988年至2023年格陵兰冰盖平均融化开始日（MOD）和平均融化结束日（MED）的趋势。

线图显示了1988年至2023年的融化开始日MOD和融化结束日MED。水平轴代表1988至2023年的年份，垂直轴代表天数，范围从120到240天。MOD系列用方块标记，总体上略有下降；MED系列用圆圈标记，总体上呈上升趋势。一条虚线黑色直线表示MOD的线性拟合公式yMOD等于-0.313x+156.36，R平方等于0.1155；一条虚线红色直线表示MED的线性拟合公式yMED等于0.499x+225.74，R平方等于0.3982。

图16. 格陵兰冰盖融化日（MD）的趋势及相对于每个流域年均值的相对变化（百分比，0到100）。黑色星号表示95%（**）和99%（***）置信水平下的趋势显著性（双尾t检验）。

条形图显示了七个地区（NW、CW、SW、SE、NE、NO和GrIS）的两个数据系列。左侧垂直轴显示每年融化日的变化，范围从0到1.0；右侧垂直轴显示融化日的相对变化百分比，范围从0到100。融化日趋势由浅蓝色条形表示；相对变化由连接到水平轴的橙色圆形标记表示。对于融化日趋势，NW的条形最高，达到0.8；NW、CW、SE、NE、NO和GrIS的趋势分别为0.25、0.35、0.38、0.2、0.45和0.35。对于相对变化，NO的值最高，为80%；NW、CW、SW、SE、NE和GrIS的相对变化分别为42%、62%、52%、32%和45%。条形上方的星号表示显著性：NW、CW、SW、NE、NO和GrIS有三个星号，而SE有两个星号。

我们关于格陵兰冰盖融化趋势的发现与之前的研究大体一致（Fettweis等人，引用2007年、引用2011年）。观察到的趋势与之前的定量估计非常吻合。Colosio等人（引用2021年）使用高分辨率被动微波数据报告了1988至2019年间融化开始提前（每年-0.254天）、融化结束延迟（每年0.396天）以及融化持续时间增加（每年0.291天），这与我们的结果（分别为-0.31天、0.50天和0.35天）相符。尽管研究时期略有不同，但重叠年度的趋势高度一致。空间模式也类似，东南部融化开始提前，西部海岸融化结束延迟。这些发现与自20世纪50年代以来格陵兰冰盖融化范围和持续时间的增加（Fettweis等人，引用2011年）以及相对于1981-2010年基线的融化条件高于平均水平的近期观察结果（Moon等人，引用2020年）是一致的。与之前研究的一致性证实了我们的方法能够很好地捕捉到格陵兰冰盖融化季节性的变化趋势。

然而，方法上的差异仍然是改进雪融评估的核心挑战。尽管所有监测方法都一致地捕捉到了整体融化增加的趋势，但在局部尺度（即单个像素）或关键时期，不同算法之间存在显著差异（Kimball等人，引用2021年；表3）。这些不一致性导致了对季节性参数的空间分布（图12）和统计分布（图13）的不同描述。在极端融化年份（例如2019年），这种不一致性尤为明显，特别是在融化频率相对较低的內陆地区（图10）。245K和MEMLS方法对薄而湿润的雪层敏感性较低，常常无法检测到低强度的融化（图11）。格陵兰岛近60%的融水可能通过雪层孔隙空间的再冻结而保留在冰盖内（van den Broeke等人，引用2016年），低融化频率的内陆地区成为融水储存的主要场所。我们对该地区融化条件的准确估计对于预测格陵兰冰盖融水储存能力的未来变化至关重要。

5.2 格陵兰冰盖表面融化的驱动力
1988年至2023年间，格陵兰冰盖MD与大气环流指数之间的相关性分析显示，格陵兰冰盖MD与NAO呈显著负相关（r=?0.62，p<0.01），与GBI呈显著正相关（r=0.71，p<0.01）（图17）。在NAO负相位期间，冰岛低压区的减弱和亚速尔高压区的北移导致格陵兰岛上持续存在一个反气旋脊（阻塞高压）（Hanna等人，引用2016年；McLeod和Mote，引用2016年）。这种阻塞高压的长期存在破坏了西风的正常纬向输送，而其西侧经常形成强烈的纬向暖空气平流。这些空气团起源于低纬度甚至亚热带地区，并持续被高压系统引导至格陵兰岛（Hanna等人，引用2021年；Woollings等人，引用2008年）。同时，阻塞高压有效抑制了来自加拿大北极和北极洋的冷空气侵入。这些过程使格陵兰岛经历长时间的异常温暖、干燥和稳定的大气条件，大大增强了冰盖表面的净辐射能量输入，为雪和冰的融化提供了有利的热力学条件（Tedesco和Fettweis，引用2020年）。

图17. 格陵兰冰盖融化日（MD）与夏季北大西洋涛动（NAO）和格陵兰阻塞指数（GBI）的比较（夏季月份：6月至8月）。

双面板线图显示了MD、NAO和GBI随时间的变化。两个面板的水平轴都是年份，范围从1990年到2020年。下面的面板在垂直轴上显示每年MD（天数），范围从10到40。MD线从1990年到2020年总体上呈上升趋势，峰值出现在2010年和2018年左右。上面的面板在左侧垂直轴上显示GBI，在右侧垂直轴上显示标准化NAO，范围从-1到1。NAO线从1990年到2010年总体上呈下降趋势，然后上升。GBI线从1990年到2020年总体上呈上升趋势。文本注释表示r MD-NAO等于-0.62，P<0.01；r MD-GBI等于0.71，P<0.01。

除了大气环流之外，海冰的快速减少在北极放大效应的背景下对加速格陵兰冰盖表面融化发挥了关键协同作用。这种效应在格陵兰岛西侧的巴芬湾尤为明显。海冰退缩降低了表面反照率，增加了海洋对太阳辐射的吸收。这提高了海表温度（SST），使上覆大气变暖并湿润（Screen和Simmonds，引用2010年）。海冰损失引起的这种海洋-大气暖反馈进一步促进了温暖湿润空气团向内陆的输送。这一过程不仅扩大了冰盖边缘的融化范围，还提前了融化开始时间并延长了其总体持续时间（Jiping Liu等人，引用2016年；Stroeve等人，引用2017年）。值得注意的是，这种海冰介导的融化放大效应在格陵兰岛西部最为显著（Zheng等人，引用2025年），与本研究中确定的“MD显著增加区域”（图14f）紧密吻合，从而证实了区域海冰减少与格陵兰冰盖表面融化之间的强烈联系。此外，夏季NAO及其相关的阻塞高压与北极海冰范围有着复杂的相互作用。这些相互关联的过程共同调节了格陵兰冰盖融化的时空变化，并进一步增强了其对全球气候变化的敏感性。

5.3 限制
第一个限制是遥感反演验证中的一个常见问题。与大多数先前的研究（Kim等人，2017年；Liang等人，2013年）类似，我们利用原位Tirami计观测数据来验证格陵兰冰盖（GrIS）上的融化检测结果。由于极地环境的恶劣条件，冰盖上基于地面的气象站的空间分布相对稀疏。我们选取了代表不同融化强度或类型的站点（图1）。然而，其中大多数站点位于低海拔的消融区，只有少数站点（例如Summit）位于特征为融化不频繁的广阔内陆地区。为了解决这一限制，我们额外分析了中部高海拔地区的Tirami计时间序列数据（图11），并将我们的检索结果与冰面湖分布区域的光学遥感图像进行了比较（图7和8）。此外，一些研究还通过区域气候模型的输出来验证遥感融化产品（Colosio等人，2021年）。然而，包括雪反照率和表面辐射平衡在内的关键过程的参数化存在不确定性，这些不确定性在模型模拟中引入了较大的偏差（Fettweis等人，2011年）。

其次，使用Tirami计来确定积雪是否融化存在相当大的不确定性，这是卫星检索中的一个主要偏差来源（Zhang等人，2023年）。相变需要能量积累和时间，并表现出滞后效应（Willmes等人，2009年）。当采用每日最大Tirami计值作为融化阈值时，它能够更敏感地捕捉到辐射加热对表面融化的即时影响。随着阈值的增加（-2°C至0°C），指示的融化程度逐渐增强，表现为更大的融化深度和更长的融化持续时间。验证结果表明，当融化阈值设定为0°C时，三种检索方法与原位气象站观测结果的一致性最高（图2和3）。这一发现表明，在0°C的阈值下，雪表层中有足够的液态水能够在微波观测中产生明显的融化信号。

第三，格陵兰冰盖表面的快速变化，特别是消融区的扩张和雪线的向上迁移，可能会引入额外的不确定性。Zheng等人（2025年）报告称，在1000-1800米高度的关键过渡区内融化水产量显著增加，这可能导致夏季裸露冰面的扩张和冰面湖向内陆迁移（Leeson等人，2015年），从而进一步扩大融化面积（Ryan等人，2019年）。虽然在持续融化的地区，Tirami计时间序列通常保持较高且稳定，仅在融化开始和结束时出现波动（图11c-f），但格陵兰岛东南边缘地区表现出明显的异常。这些异常包括整个融化期间复杂的、不规则的和突然的Tirami计波动——这与典型的融化模式有显著不同。这些异常可能与冰面湖和裸露冰的普遍存在有关，加剧了冰盖边缘融化检测的不确定性。为了减少这些不确定性，需要更准确的冰盖边界产品（Kimball等人，2021年）。此外，高分辨率光学图像可以用来界定消融区内的冰面湖和裸露冰，进一步揭示地表径流和裸露冰如何影响被动微波信号在融化检测中的作用。

最后，本研究使用的19 GHz和37 GHz的Tirami计观测仅限于检测冰盖近表层（约1米以内）的融化水。它们无法捕捉到表面重新冻结过程中的亚表面融化水保留等关键过程（Colliander等人，2023年）。相比之下，低频L波段（1.4 GHz）在干燥雪中具有很强的穿透能力（可达数十米），并且对液态水含量（LWC）具有线性敏感性而不会饱和，从而能够检测到较高微波频率无法分辨的深层融化水（例如粒雪含水层）（Houtz等人，2019年；Mousavi等人，2021年）。未来的工作应关注多频段检索算法（1.4-37 GHz），以研究格陵兰冰盖内融化水垂直分布的时空变异性，为评估冰盖质量平衡和预测海平面上升提供关键的观测约束。

6. 结论

本研究提出了一种基于多指标的组合决策树分类方法，用于检测格陵兰冰盖上的融化。该方法利用了分辨率提高的亮温数据（最高可达3.125公里），整合了基于37 GHz的DAV动态阈值方法和基于19 GHz的GMM分类方法。这种整合使得能够精确识别多种类型的格陵兰冰盖融化过程，包括偶发性融化、间歇性融化、持续性表面融化以及冰面湖的形成。具体来说，DAV方法有效地捕捉了由冻结-融化驱动的偶发性/间歇性融化事件；GMM方法减少了夏季中期融化期间的漏检；而在融化季节末期识别Tirami计降低信号则提高了强烈融化过程的检测能力。与传统的245 K固定阈值和MEMLS算法相比，所提出的方法展现了显著改进的检测性能。基于自动气象站（AWS）空气温度观测的验证结果表明，所提方法的总体准确度达到了95.81%。站点间的比较显示，该方法在与AWS观测结果的一致性方面表现最佳。对于每年融化天数超过四天的站点，所提方法正确分类为融化的融化天数为76.82%。使用这种方法的长期监测结果（1988-2023年）显示，格陵兰冰盖的融化季节显著延长。格陵兰冰盖的年融化天数平均每年增加了0.35天，其中43.74%的面积经历了融化天数的显著增加（p < 0.05）。本研究获得的格陵兰冰盖融化检测结果预计将为评估极地冰盖对人为气候变化的响应提供更可靠的科学依据。

补充材料

- 下载MS Word文件（32.1 KB）
- 数据可用性声明：校准后的高分辨率被动微波每日EASE-Grid 2.0亮温数据集可在https://nsidc.org/data/nsidc-0630/versions/1获取；Sentinel-2多光谱仪器二级urface反射率产品可在https://dataspace.copernicus.eu/获取；GC-Net数据集可在https://github.com/GEUS-Glaciology-and-Climate/GC-Net-level-1-data-processing获取；PROMICE数据集可在https://dataverse.geus.dk/dataverse/PROMICE获取；北大西洋涛动指数可在https://climatedataguide.ucar.edu/climate-data获取；格陵兰阻塞指数数据可在https://psl.noaa.gov/gcos_wgsp/Timeseries/GBI_UL/获取。

本文的补充材料可在以下链接获取：https://doi.org/10.1080/17538947.2026.2663626