受全球气候变暖的影响，极端天气现象频发，越来越多的人开始关注研究气候问题。气候变化与人们的生活生产息息相关，影响着人们的生存环境，威胁人类的生命财产安全。冰川是气候变化的指示器，因此研究冰川变化成为研究气候变化的重要方法[1]。我国冰川发育共46 298条，占我国国土面积的0.6%，拥有如此众多的冰川，不论是对经济或是气候都有巨大的影响[2]。各拉丹冬冰川作为长江正源沱沱河的发源地，有着重要的研究意义。随着现代化发展进程的不断加快，越来越多的温室气体不断排放，气候问题日益严峻，冰川变化也随之加快。在这种背景下，加快对各拉丹冬冰川研究的频率显得十分重要。

在现有的对各拉丹冬地区冰川研究中，大部分研究利用的都是遥感方法。比较早的有邓晓峰等人的研究，研究得出各拉丹冬雪线倒数第2次冰期雪线高度为5 238 m[3]。鲁安新等研究了各拉丹冬地区1969～2000年的冰川变化情况，根据研究结果，各拉丹冬地区冰川在2000年比1969年面积退缩了1.7%，最大的冰川退缩速度为45 m/a[4]。王媛等研究了各拉丹冬地区1964～2010年的冰川变化，发现各拉丹冬冰川有进也有退，在大多数冰川处于退缩的状态下，有9条冰川有前进的现象[5]。

现阶段提取冰川最常用的方法是人工勾绘提取，已有实验证明手动勾绘具有相当的精度[6]。但人工勾绘有一定的局限性，人工勾绘方法适用于较小范围的冰川和地形，不能适应大范围且地形复杂的冰川调查[6-7]。对于地形复杂的大范围冰川而言，手动勾绘一方面比较耗时耗力，另一方面则难以客观地提取冰川。手绘方法提取冰川会受到主观因素的制约，不同的勾绘者提取的冰川会有差异，而且提取结果得不到有效验证。除了手绘方法提取之外还可以使用监督分类、非监督分类、冰雪指数法提取冰川，但这些提取方式都有一定的主观性[8-9]。为了提高分类的客观性和避免主观因素对地物提取的制约，科研人员开发了人工神经网络分类方法、决策树分类方法和多源数据专家系统等。其中决策树分类方法具有相当的精度，得到广泛的应用[10]，但决策树方法应用于冰川提取并不多见。决策树分类方法具有条理清晰、可重复操作性、效率高、灵活直观等特点，在遥感图像分类中具有很好的效果[10]。决策树算法方面目前较流行的有C5.0算法和分类回归树CART(classification and regression trees)算法，CART决策树算法分类精度明显优于C5.0算法，且具有结构清晰等优势[11]。本文将利用决策树方法探索冰川地物提取。

1 研究区概况

各拉丹冬位于青海省海西藏族蒙古族自治州的唐古拉地区，经纬度范围为90°45′～91°20′E,33°00′～33°40′N。各拉丹冬是长江源沱沱河的发源地，该地区是三江源冰川作用最为广泛的地区。各拉丹冬海拔高度为6 621 m，海拔高度在6 000 m以上的山峰有40余座，最高的山峰为各拉丹冬峰。主要冰川集中在海拔5 300～6 500 m范围内，该地区发育冰川130条，冰川覆盖面积大约1 000 km2，典型的有岗加曲巴冰川、姜古迪如南支冰川、姜古迪如北支冰川，有少量的冰川在前进，大部分在退缩。各拉丹冬冰川受全球气候变暖的影响，有着不同程度的退缩。1969～2000年面积共退缩1.7%，近几年退缩速度不断加快。

2 研究资料与方法

2.1 研究资料

本研究利用的资料有：各拉丹冬地区TM(Landsat Thematic Mapper，陆地资源卫星专题制图仪)影像3景，一景OLI_TIRS影像，时间分别为1992，2002，2009，2015年，分辨率为多光谱30 m和全色15 m，来源于美国地质调查勘察局USGS(http://www.usgs.gov)。选取的遥感卫星影像结合现有的数据，本研究选取的都是本年内受冰雪和云层影响最小的影像(详情可见表1)。冰川形成属于长年的冰雪堆积，年内月份不同对冰川面积、长度的影响可以忽略不计[12]，最主要的影响是冰雪堆积造成对冰川的误判。DEM数字高程模型来源于SRTM(Shuttle Radar topography mission ,http://www.gscloud.cn)，分辨率为30 m。数据处理和分析使用中国冰川编目数据、ENVI4.8、ArcGis10.2等软件。

2.2 影像处理

遥感影像的处理首先要进行辐射定标，再进行Flash大气校正。影像一般需进行系统的辐射校正和根据地面控制点进行几何校正，利用DEM高程数据进行正射校正。已有实验证明USGS提供的、经过正射校正后的影像具有相当的精度，故本文不再对TM影像做进一步的校正处理[13]。TM影像和OLI_TIRS的投影是统一的，投影为横轴墨卡托投影，坐标为WGS-1984-UTM-Zone-46N。DEM数字高程模型使用的是Geographic投影，所有数据的坐标、投影需统一为UTM(通用横轴墨卡托)、椭球体投影WGS84。所以需要把DEM投影影像转化横轴墨卡托投影，WGS-1984-UTM-Zone-46N。最后对所有影像进行统一的裁剪。

2.3 方 法

根据现有的数据构建多源数据库。对遥感影像通过波段运算方式，算出归一化雪被指数(Normalized Difference Snow/Ice Index，NDSI)、归一化植被指数(Normalized Difference Vegetation Index, NDVI)[14-15]。通过DEM数据计算坡度、坡向数据。把遥感影像、DEM高程数据、冰雪指数(NDSI)、坡度、坡向数据叠加到一起，形成一个多源数据集。NDSI和NDVI的计算公式为

NDSITM=(TM2-TM5)/(TM2+TM5)

NDSILandsat8=(B3-B6)/(B3+B6)

NDVI=(IR-R)/(IR+R)(近红外波段比红外波段)

使用CART决策树根据训练样本进行数据挖掘。CART决策树分类原理是根据学习区域变量和目标变量进行循环分析，以二叉树的结构形式对目标变量进行判断的一种分类方法。因此CART决策树分类需要有学习的样本，类似监督分类需要选择样本进行判断。

根据现有的数据集，利用ENVI4.8进行假彩色显示。用影像的4，3，2波段进行显示，选择感兴趣区域，本文选择的感兴趣区域(Region of Interest，ROI)为3类，冰川、水体、裸地。利用CART决策树，根据学习变量进行决策树规则获取，规则生成后对规则进行最优剪枝，使分类精度达到预期精度[16-17]。决策树剪枝完成后运行，对得到的分类结果做进一步的分类后处理，然后提取冰川将其转化为矢量文件。矢量文件在ArcGis10.2平台的支撑下，通过冰川编目和原始影像做进一步校正，最终得到冰川面积。详细流程如图1所示。

2.4 决策树规则

按CART决策树规则进行最优剪枝后，得出两条最主要的规则：① 规则1。107.6<TM1<117.2 and TM2>173.9 and TM4>26.8 and TM3>26.8，此规则中数值范围偏大，冰川在图像上较为明亮，数值大，规则符合冰川的特征属性，此规则适用TM影像。② 规则2。OLI_TIRS7<24.4 and高程<5226 and -0.02< NDVI<-0.04 and NDSI>0.4，此规则中冰川在OLI影像波段7上偏暗数值范围偏小。资料显示，各拉丹冬高程在5 200～6 600 m之间符合高程范围；植被指数中，非植被为负值，冰川属于非植被，雪被指数大于0.4的为冰雪，规则符合冰川特征，此规则适用于OLI_TIRS影像。

2.5 提取精度验证

目前，冰川提取公认的最佳提取方式为手动勾画冰川边界，为验证CART决策树多源数据挖掘方法提取冰川的可靠性，本文将手动勾画方式与多源数据挖掘法进行对比验证。如图1(a)为手动勾画提取方式提取的冰川，(b)为多源数据挖掘提取的冰川(红色线条为所提取冰川信息的边界)。手动勾画提取的冰川面积为3.75 km2，多源数据挖掘提取的冰川面积为3.57 km2，相对误差为4.8%，满足提取的精度要求，证明本文使用方法对冰川信息提取有效。

3 结果和分析

3.1 冰川面积变化

本文研究了1992，2002，2009，2015年各拉丹冬冰川面积的变化。研究得出各拉丹冬冰川1992年的面积为918.16 km2，2002年为896.43 km2，2009年为870.78 km2，2015年为839.19 km2。从各年冰川的总面积可以看出，各拉丹冬冰川面积呈现逐年递减的趋势，而且随着年份的增加，冰川面积的变化呈现加速递减的状态。1992～2015年23 a的时间里，冰川总面积共减少了78.97 km2，相对变化率为-8.6%，平均每年退缩面积为3.4 km2。各拉丹冬冰川1992～2015年有退缩冰川也有前进冰川，1992～2002年间冰川面积前进27.51 km2，面积退缩49.25 km2。2002～2009年前进21.56 km2、退缩47.21 km2。2009～2015年前进7.54 km2、退缩39.43 km2，各年的变化率为-2.43%，-2.95%，-3.80%。各年详细变化情况如表2所示。通过对各拉丹冬冰川面积的提取，发现各拉丹冬冰川一直处于不断退缩的状态。本文研究所得到的结果与王媛等研究各拉丹冬冰川1964～2010年冰川变化结果一致[5]。本文研究发现各拉丹冬冰川退缩速度还在不断加快。各拉丹冬冰川不断退缩与现今全球气候不断变暖有关，由此可以看出全球气候变

暖速度正在缓慢加速。从本文研究中得出，冰川变化有退缩也有前进，但是退缩冰川多于前进冰川，如图3所示。

3.2 冰川面积随海拔高度的分布

1992～2015年各拉丹冬冰川最低海拔为5 200 m，随着海拔增加冰川分布范围变大。在5 200～5 800 m范围内冰川分布处于上升状态，这是由于低海拔地区气温达不到冰川存在的最佳状态，而随着海拔高度的增加气温降低，此时冰川形成具有优势。因此冰川分布范围最广的地段处于一个中间位置。海拔6 000～6 600 m范围内的冰川分布明显小，这是由于高海拔地区虽温度条件已经具备，但是地形条件不具备。高海拔地区相比低海拔地区地势险峻，地面陡峭，冰雪附着力小，不利于冰川的形成，所以高海拔地区的冰川分布较少[18]。

海拔在5 200～5 400 m地区冰川分布处于一个持续减少的状态，由1992年的2.36%减少到2015年的1.09%，这样的减少验证了当今热门话题全球变暖的现状。低海拔冰川厚度低，消退速度高于高海拔冰川，低海拔地区的冰川所受到全球变暖的影响非常明显。1992～2015年海拔在5 400～5 600 m的冰川分布，呈下降趋势，但2002年有所上升。海拔5 600～5 800 m冰川分布最广，这个海拔区间处于冰川发育最佳区间，因此分布最为广泛。海拔5 600～5 800 m区间内，1992～2015年冰川分布随时间的变化不明显，各年的冰川分布处于一个稳定的状态没有大的波动。从上述冰川分布和消退情况来看，各拉丹冬冰川的退缩上限为5 800 m。6 000～6 600 m海拔区间冰川分布随海拔高度上升而明显减少。表3列出了各拉丹冬冰川在海拔上的具体变化情况。

3.3 冰川面积随朝向的分布变化

各拉丹冬冰川按照坡向划分为8个朝向[7]，分别是北(N)、东北(NE)、东(E)、东南(SE)、南(S)、西南(SW)、西(W)、西北(NW)、北(N)，见图4。由于各拉丹冬冰川处于北纬33°00′～33°40′N正南，为朝阳向，朝阳向所受到的太阳辐射最高，因此朝阳向的温度在所有朝向中为最高。冰川在正南分布的比例最低，1992，2002，2009，2015年分别为9.71%，10.21%，9.81%，9.77%。温度高的一侧不利于冰川的形成，所以正南的冰川分布为最少。如表4以正南为中心，冰川分布向两端递增，这是因为两端所受到的太阳辐射在不断的减少。分布比例最高为东北分别为14.24%，14.43%，14.30%，14.22%。东北向为各拉丹冬地区的朝阴向，东北向所受到的太阳辐射在所有朝向中最少，温度低，有利于冰雪的形成。

3.4 各拉丹冬典型冰川长度变化分析

上述研究从面积、海拔、朝向等方面做了分析，接下来本文将对具体的冰川进行分析。根据冰川提取结果，把5条典型的冰川从1992～2015年的冰川长度进行计算统计分析。具体统计数据见表5。

本文分析的各拉丹冬典型冰川共有5条，分别为岗加曲巴、5K451F0001、5Z221H001、5Z213B0001、5K451F0050。比较典型的5条冰川中变化最大的冰川为岗加曲巴冰川。岗加曲巴冰川在1992～2002年10 a时间内退缩速度很快，平均每年退缩142.28m。2002年之后岗加曲巴冰川退缩速度有所放缓，但依旧处于退缩的状态，1992～2015年冰川共退缩1 603 m。编号为5Z213B0001冰川1992～2015年间的变化有增有减，1992～2002年冰川长度增加了33 m，2002 ～2015年一直处于退缩的状态。其余3条冰川都处于退缩的状态，退缩最快的是5Z221H001冰川，1992～2015年共退缩了2 061 m，平均每年退缩89.61 m，也是5条典型冰川中退缩最快的一条冰川。各拉丹冬冰川有进有退，在所有进退冰川中退缩冰川多于前进冰川。从典型冰川的长度来看，冰川持续退缩和气候变暖有着重要的联系。

4 结 语

通过研究各拉丹冬冰川23 a间的变化，得到了4个时间上的冰川变化情况。从冰川总面积上来看，1992年到2015年23 a间，减少78.97 km2，退缩率为8.6%，平均每年的退缩率为0.4%。该变化率小于天山乌鲁木齐河流域变化率。以天山乌鲁木齐河流域为例，2005年至2014年退缩率为17.87%，平均每年退缩率为1.99%[7]，高于鲁安新等对青藏高原各拉丹冬地区冰川变化的研究结果，各拉丹冬地区冰川1969年到2000年的退缩率1.7%，平均每年的退缩率为0.05%[4]。从年平均退缩率来看，各拉丹冬冰川比天山乌鲁木齐河流域冰川退缩速度慢。从同一地区不同时间来比较，各拉丹冬冰川退缩速度在不断加快。各拉丹冬冰川最低海拔下限为5 200 m，最高海拔上限为6 600 m，海拔5 600～5 800 m范围内的冰川分布比例最大，在1992～2015年4个时间段里没有大的波动，根据喜马拉雅山的退缩上限和已有数据，推算出各拉丹冬冰川的退缩上限为5 800 m。从朝向上看，正南向的冰川分布比例最小，分布最多的是东北向。各拉丹冬位于北半球，正南向为朝阳向，正南向的冰川受到的太阳辐射高于其他朝向的冰川，消融速度快，分布小。东北向所受到的太阳辐射少，冰雪消融量小，利于冰川发育，因此东北向的冰川分布最多。本文以冰川变化的方式展现了气候变化造成的影响，对气候研究具有一定意义。在今后的研究中，还需要进一步探索气候与冰川之间的关系，以此了解气候变化的规律。

参考文献：

[1] 上官冬辉,刘时银,丁良福，等.1970-2000年念青唐古拉山脉西段冰川变化[J].冰川冻土，2008，30(2):204-210.

[2] 刘潮海,施雅风,王宗太,等.中国冰川资源及其分布特征——中国冰川目录编制完成[J].冰川冻土，2000(2):106-112.

[3] 邓晓峰,张文敬.唐古拉山各拉丹冬峰东坡第四纪冰川与环境演变[J].冰川冻土,1992,(2):153-160.

[4] 鲁安新,姚檀栋,刘时银,等.青藏高原各拉丹冬地区冰川变化的遥感监测[J].冰川冻土，2002,24(5):559-562.

[5] 王媛,吴立宗,许君利,等.1964-2010年青藏高原长江源各拉丹冬地区冰川变化及其不确定性分析[J].冰川冻土,2013(2):255-262.

[6] 白金中,李忠勤,张明军，等.1959-2008年新疆阿尔泰山友谊峰地区冰川变化特征[J].干旱区地理，2012,35(1):116-124.

[7] 蒙彦聪，李忠勤，徐春海，等.中国西部冰川小冰期以来的变化——以天山乌鲁木齐河流域为例[J].干旱区地理，2016(3):486-494.

[8] 齐乐，岳彩荣.基于CART决策树方法的遥感影像分类[J].林业调查规划，2011(2):62-66.

[9] 刘敬，李俊，蔡宏.TM图像在城市绿地调查中的应用[J].云南地理环境研究，2006(3):25-28.

[10] 张会，闫金凤.基于MODIS影像多特征的CART决策树分类[J].地理空间信息，2013(2):111-113.

[11] 刘勇洪,牛铮,王长耀.基于MODIS数据的决策树分类方法研究与应用[J].遥感学报，2005(4):405-412.

[12] 徐兴永.崂山古冰川的形成及其环境效应的研究[D].青岛：中国科学院研究生院(海洋研究所),2004.

[13] 郭万钦,刘时银,许君利,等.木孜塔格西北坡鱼鳞川冰川跃动遥感监测[J].冰川冻土,2012，34(4):765-774.

[14] Sharma V,Mishra V D,Joshi P K.Snow cover variation and stream flow simulation in a snow-fed river basin of the Northwest Himalaya[J].Journal of Mountain Science，2012,9(6):853-868.

[15] Birtwistle A N,Laituri M,Bledsoe B,et al.Using NDVI to measure precipitation in semi-arid landscapes[J].Journal of Arid Environments，2016(131):15-24.

[16] 金姗姗,张永红,吴宏安.近40a长江源各拉丹冬冰川进退变化研究[J].自然资源学报,2013,28(12):2095-2104.

[17] 李梦莹,胡勇,王征禹.基于C5.0决策树和时序HJ-1A/B CCD数据的神农架林区植被分类[J].长江流域资源与环境,2016(7):1070-1077.

[18] 聂勇,张镱锂,刘林山,等.近30年珠穆朗玛峰国家自然保护区冰川变化的遥感监测[J].地理学报,2010,65(1):13-28.