冰川随气候变化而波动， 对气候变化极为敏感， 在全球气候变化评估中常以冰川波动来反映气候的变化^［1-7］。受冰川分布区交通和环境制约， 长期以来能够持续定位监测的冰川较少^［8-11］。随着科学技术不断进步和观测方法不断更新， 冰川学研究的方法也呈现出多元化， 从单点的地面观测到先进的全球卫星测量， 观测技术和数据获取方式的不断更新， 研究数据越来越丰富^［12-20］。例如， 王祎婷等^［21］利用Landsat卫星MSS/TM影像对冰川范围的变化进行了识别， 并通过地形图和SRTM计算了那木纳尼峰地区冰川厚度的变化。Pieczonka等^［22］则通过SRTM、 MSS/TM/ETM+、 SPOT5以及Hexagon KH-9影像， 对1975 - 2008年中天山AK-Shirak区域的冰川物质平衡变化进行了评估， 表明冰川物质平衡平均每年为（-51±0.36） m w.e. （water equivalent， 水当量， 简称w.e.）， Inylchek和托木尔地区的物质平衡平均每年分别为（0.20±0.44） m w.e.和（0.33±0.30） m w.e.。

长期以来， 地面观测主要集中于单点、 小区域冰川， 而卫星遥感关注于全球尺度冰川， 受时间和空间尺度的限制， 在实际研究中， 二者的尺度往往过小或者过大， 彼此之间很难融合。近年来， 由于无人机（Unmanned Aerial Vehicle， 简称UAV）技术的发展和完善， 使其在不同空间尺度上可以按需连续获取高时空分辨率影像。因此， 有学者尝试利用中小型无人机解决冰川学问题， 并获得了较好的试验结果， 目前试验区主要集中于阿尔卑斯山、 斯瓦尔巴岛以及喜马拉雅山等地区冰川^［23-29］。基于阿尔卑斯山Morteratsch冰川和北极斯瓦尔巴岛Austre Lovénbreen冰川的试验表明， 多旋翼无人机可以满足冰川区高分辨率影像获取和大比例尺地形图的绘制^［25-26］。无人机航测正射影像能更好地反映冰面高程变化和末端退缩， 在表碛、 冰崖以及湖泊分布区的研究中也有广泛应用^［27］。如大多数喜马拉雅山冰川消融区被表碛广泛覆盖， 直接观测难度较大， 但利用无人机的多期航测影像， 可以有效地提取表碛区冰川运动速度和表面高程信息^［28-29］。总之， 基于无人机航测技术可以获取冰川区高时空分辨率影像， 在表碛区冰川消融、 运动速度研究以及地形图绘制等方面具有明显的优势^［30］。然而， 目前国内无人机技术在冰川学研究中的应用相对较少。

绝大多数遥感影像在解决山区科学问题时， 易受天气（云、 雨和雪等）影响。海洋性冰川具有强积累、 强消融、 运动速度快等特点， 使地面监测难度非常大。同时， 云雨天气频繁， 山区可用的卫星光学影像极少， 影像在时空尺度上很难同时满足研究需求。而传统航空摄影和雷达测量成本较高， 且易受区域和环境条件的限制。中小型无人机飞行时间和高度自主性大， 可以选择合适的时间窗口， 避开云雨天气和在风力允许时云下飞行作业。同时， 具有机动性强、 分辨率高、 操作简单以及成本低等优势， 在未来冰川研究中具有很大潜力， 尤其是观测难度较大的海洋性冰川。

本文选取白水河1号冰川末端复杂地形区， 开展冰川无人机航测试验。通过中小型无人机航测技术， 获取了复杂地形条件下冰川高时空分辨率的正射影像和数字地表模型（Digital Surface Model， 缩写为DSM）， 丰富了白水河1号冰川的资料， 为下一步无人机监测冰川物质平衡奠定基础， 也可为解决复杂地形下冰冻圈的科学问题提供借鉴。

玉龙雪山（27°10′~27°40′ N， 100°9′~100°20′ E）位于青藏高原东南山区， 隶属于横断山系， 南北长约40 km， 东西宽约15 km， 最高峰为扇子陡， 海拔5 596 m a.s.l.， 是中国最南的一座雪山。从地质构造角度分析， 玉龙雪山是青藏高原东南边缘横断山脉中一个受新构造运动强烈抬升而形成的褶皱断块山。山顶与峡谷底部的相对高差约达4 000 m， 多为悬崖峭壁。山区大气环流较为复杂， 主要受西风环流和南亚季风天气系统影响。但由于其特殊的地理位置， 西风环流到该地区所携带的水汽较少， 降水主要来源于南亚季风， 包括来自西太平洋的东南季风和孟加拉湾的西南季风。时间上， 区域气候有非季风期（10月 - 次年5月）和季风期（6 - 9月）之分^［31-32］。非季风期， 受较微弱的西风环流南支控制， 由于其携带水汽较少， 导致降水也稀少； 而季风期， 自6月开始， 南亚季风北进控制山区， 西风环流被迫向北移动至30° N以北区域， 整个山区开始进入雨季， 6 - 10月降水可占到全年降水的60%~90%。

基于定位观测和相关研究表明^［33-35］， 1982 - 2013年期间， 玉龙雪山冰川减少至16条， 面积退缩至4.76 km²。截至2017年， 玉龙雪山分布冰川13条， 面积4.48 km²。其中， 白水河1号冰川为该区面积最大冰川， 长度减少至2017年的1.90 km， 面积减少至1.32 km²。结合本研究目的和研究区地形特征， 参考其他遥感影像， 本次主要在白水河1号冰川末端， 于2018年5月20日对冰川末端位置进行深入研究（图1）。图1（a）为2018年2月11日OLI影像， 图1（b）为Google Earth提供的Pléiade卫星影像产品； 图中冰川边界来源于中国第二次冰川编目数据^［36］。

本研究冰川区所用影像主要包括Google Earth提供的Pléiade卫星影像产品、 高分一号（GF-1）影像、 无人机航测影像以及Landsat 8 OLI影像。需要说明的是， Google Earth提供不同阶段的历史影像， 但时间间隔不固定、 现势性较差， 本文下载的是Google Earth提供的Pléiade影像重采样至1.2 m的影像产品， 即利用LocaSpaceViewer软件下载历史影像中最近的研究区影像（表1）， 采集时间为2015年11月21日， 空间分辨率为1.2 m（对应17级分辨率）。

GF-1是我国于2013年4月26日发射的对地观测系统中第一颗高空间分辨率、 多光谱卫星， 重访周期为41天， 时间分辨率较低。本文使用GF-1全色多光谱相机数据， 包括2 m空间分辨率的PAN和8 m空间分辨率的MSS影像。结合研究区冰面特性、 天气状况以及数据成本等因素， 选用较清晰的2013年11月13日卫星影像， 数据来源于中国科学院西北生态环境资源研究院高分数据中心。为了便于不同数据源影像的比较， 基于ArcGIS和ENVI平台， 利用地形图将本研究中所有影像进行空间配准， 并将坐标系转换至WGS1984坐标系。需要说明的是： 地形图进行空间几何配准时选取控制点的平均误差月为10 m， 再利用地形图对Landsat 8 OLI影像进行空间配准， 后期整个数据处理过程中以Landsat 8 OLI影像为参照影像， 且利用Landsat 8的全色波段将其Band5、 Band4、 Band3影像融合为15 m空间分辨率影像。此外， 文中关于玉龙雪山冰川现状分布数据， 由玉龙雪山冰川与环境观测研究站提供。

基于无人机航空测量已有经验和研究区特征， 综合无人机安全性能等因素， 本次试验选用多旋翼无人机： DJ Phantom 4p， 后期数据处理使用Pix4Dmapper软件， 最终目的为获取空间分辨率优于0.10 m的白水河1号冰川末端正射影像和DSM数据模型， 整个项目实施流程如图2所示。需要说明的是， 无人机航测获取的是DSM， 而非DEM（数字高程模型）， 二者之间存在差异^［37］： DEM主要描述区域自然地貌形态的空间分布， DSM是除了包含区域自然地貌形态外， 还包含地表建筑物、 桥梁和树木等高度的地面高程模型。鉴于本次项目为高海拔作业， 故将作业时间定为2018年5月20日上午11时， 计划任务三架次： 第一架次主要感受飞机升力、 飞机姿态、 高空风速以及飞机高度与山体的视觉高差， 避免视觉误差造成飞机撞山、 炸机等事故。第二架次按计划飞行， 采用正射航测。第三架次， 根据第二架次航测效果决定是否需要补摄或重摄。白水河1号冰川末端冰裂隙发育， 地形复杂， 难以布设地面像控点， 但末端冰面差异性大、 特征点明显， 因此， 本次试验采用无像控点航测。为了保证影像拼接和最终成果的精度， 航测设计时， 需注意： 航向重叠一般为60%~80%， 最小不得小于53%； 旁向重叠一般为15%~60%， 最小不得小于8%； 倾斜摄影时需要考虑相片倾斜角、 旋转角以及不同切斜角下的像片数等^［38］。需要说明的是本次无人机飞行模式为GPS模式， 航测相对高度为90 m， 影像重叠率为90%左右， 每架次航时为15分钟。

本文对白水河1号冰川末端相同区域的冰川面积进行人机交互式解译， Landsat 8 OLI（融合后的15 m空间分辨率影像）在用地形图校准和评估时， 选取控制点的平均误差约为14 m。冰川面积的误差主要通过以下公式评估^［39-41］：

式中： U_T为冰川末端不确定性误差； U_A为冰川面积不确定误差； λ为每幅影像的空间分辨率； ε为基于参照影像的空间几何配准误差。通过计算， 可知GF-1影像解译面积的误差为0.24×10^-3 km²， Pléiade影像解译面积的误差为0.21×10^-3 km²， UAV影像解译面积的误差为0.19×10^-3 km²。

为了评估无人机航测冰川末端数据， 将航测正射影像与GF-1、 Pléiade影像进行空间对比分析， 如图3。GF-1影像时间为2013年11月13日， 空间分辨率为2 m， 除冰面有少量积雪， 周围无积雪覆盖。因此， 基本可以确定末端冰川边界［图3（a）］； 同理， Google Earth提供的Pléiade影像重采样产品为2015年11月21日影像［图3（b）］， 空间分辨率为1.2 m， 影像清晰度优于GF-1。由于太阳高度角和卫星拍摄姿态， GF-1和Pléiade影像中冰川均不同程度的受部分山体阴影影响， 其中GF-1所受影响相对较大， 而无人机航测正射影像基本无山体阴影遮挡［图3（c）］。

人机交互式解译方法的关键是解译者的经验知识和影像质量， 本文的研究成员在该冰川频繁监测， 对冰川具有较为丰富的经验， 具备解译的先验知识条件。就空间分辨率而言， 无人机航测影像最高（0.09 m）， 但航测冰川范围有限［图3（c）］。GF-1和Pléiade空间分辨率低于无人机影像， 但覆盖范围较大， 可以较清晰的读取冰川末端边界。因此， 基于ArcGIS平台， 利用人机交互式解译方法分别确定GF-1和Pléiade影像中冰川末端边界。同时， 利用ArcGIS中矢量数据分析功能， 对解译的冰川末端范围面积进行计算（图3）。结果表明： 2013年GF-1影像解译的冰川末端面积为（89.6±0.24）×10^-3 km²， 2015年Pléiade影像解译的末端面积为（75.0±0.21）×10^-3 km²， 而无人机在该冰川末端区域的航测范围为（62.1±0.19）×10^-3 km²。GF-1和Pléiade影像中冰川末端冰碛石、 周围岩石与冰川的地形特征相同， 在影像中表现出非常相近或几乎一致的光谱特性和纹理结构， 尤其是空间分辨率相对较粗的GF-1， 即使对该区域具有非常丰富的经验知识， 在读取冰川边界和冰面地貌形态时仍然存在一定的困难。而无人机轻便灵活、 迅速成像， 可以现场成像比对， 使其在冰川区正射影像成图上具有较大优势。此外， 无人机影像在时间分辨率和空间分辨率上也具有明显优势， 尤其是云下航测成像， 是卫星遥感所不具备的。

冰面高程模型在冰川学研究中具有重要地位。本次试验中， 无人机航测正射采集影像信息时， 同步获取冰面地形点云数据， 经后期软件处理， 生成航测冰川区DSM数字模型， 其空间分辨率为0.09 m， 信息采集时间为2018年5月20日。如图4（a）和4（b）， 无人机航测生成的DSM中， 冰川末端冰面高程变化与实际分布相符， 且冰川末端东北区域高程相对最低， 约为4 400 m a.s.l.。同时， 由DSM数字模型分布图［图4（b）］可知， 冰川末端4 500 m a.s.l.以下区域冰面较陡、 地形复杂， 该现象在正射影像［图4（a）］中也有所体现。同理， 在航测范围的西南区域， 冰面坡度变化较缓， 与现场观测一致。总体而言， 无人机航测DSM数字模型与正射影像在空间上具有较好的一致性， 均能很好地反映冰川末端航测区域的冰面特征和地貌形态。

为进一步定量评估DSM数字模型对冰川末端地形的表达能力， 在航测区域特选取三条特征线： L1、 L2、 L3， 其中L1沿主流线， L2和L3为经向特征线， 如图4（a）所示。根据特征线位置， 结合ArcGIS空间分析模块， 进行空间叠置分析， 提取冰川末端表面高程信息［图4（c）~4（e）］。主流线L1方向高程波动较频繁， 且高程存在突然的升高或降低现象， 说明该冰川末端地形相对复杂、 横向裂隙较多， 冰面破碎化程度较高。经向特征线L2区域冰面地形相对L3波动较大， 说明越接近末端， 冰面地形越复杂、 裂隙越发育。同时， L2位于冰面高程4 500 m a.s.l.以下， 该区域冰面地形较陡、 变化复杂。由此可知， 无人机航测生成的DSM数字模型， 能够很好地表达冰川末端地貌形态， 且对一些微地貌特征也能所反映。

全球气候变暖背景下， 白水河1号冰川末端自20世纪中期以来， 呈退缩趋势。基于本次冰川末端实验结果， 结合早期地形图数据， 进行空间分析。需要说明的是， 玉龙雪山地形图是1968年基于1957年航空摄影拍摄的航空像片绘制而成的， 且假定1957年冰川末端位置是准确的。因此， 地形图中冰川末端位置的初始时间为1957年， 与2018年5月20日航测正射影像进行空间匹配和叠置分析。结果如图5所示， 白水河1号冰川末端位置， 1957 - 2018年5月期间， 共累积退缩平面距离为646.27 m。考虑到地形图几何配准时的误差约为10 m， 而利用式（1）计算的UAV航测冰川末端的误差U_T 为14.08 m。所以， 白水河1号冰川最终的平面退缩距离为（646.27±12.04） m。

山区复杂地形条件下， 获取高分辨率正射影像和数字高程模型是冰川学研究的关键。本文利用小型无人机对白水河1号冰川末端复杂地形区进行低空飞行试验， 获取了分辨率优于0.10 m的冰川末端正射影像和DSM数字模型， 为复杂地形冰川区精确大比例尺地形图的制作提供了技术支持和资料基础。地形特征和地物光谱特性易造成不同空间分辨率影像上冰川与附近岩石纹理结构相近的混合区域， 容易使人对冰川范围和微地形产生误判。而中小型无人机机动性强、 操作简单， 低空飞行可获取冰面高分辨率正射影像和点云数据， 不仅能够清晰解读冰面微地貌特征， 还在冰川地表模型构建方面具有明显的优势。结合地形图数据， 试验表明白水河1号冰川末端在1957 - 2018年平面距离累积退缩了（646.27±12.04） m。

本次试验表明： 复杂地形冰川区， 尤其是观测难度较大的海洋性冰川， 无人机航测获取正射影像和冰面数字高程模型的数据时， 在时间和空间尺度上具有较好的灵活性。尽管本次试验未能对整条冰川进行航测， 但冰川末端的试验成功获取了正射影像和冰面高程信息， 为下一步白水河1号冰川物质平衡的无人机监测提供了技术保障。此外， 无人机也受天气系统影响， 如云层高度影响飞机航高， 雾、 霜、 雨、 雪等天气影响飞机稳定性和相机镜头清晰度。大风天气作业， 飞行姿态受影响， 容易出现失控。另外， 无人机由于续航能力有限， 相对卫星遥感， 单次作业其空间覆盖范围相对较小， 航飞作业中要时刻关注电量， 确保安全返航。因此， 无人机作业时， 必须避开不利天气， 并随时关注飞行区气象变化， 如低空风切变等。总而言之， 中小型无人机在未来冰川研究中具有非常大的潜力， 尤其是冰川正射影像获取、 DSM模型构建以及大比例尺地形图制作方面， 可以有效弥补地面观测和卫星遥感的不足， 为解决传统冰川物质平衡观测困难及其不足提供技术支撑。