冰川冻土, 2023, 45(3): 833-845 doi: 10.7522/j.issn.1000-0240.2023.0064

第二次青藏高原综合科学考察研究

基于延时摄影监测冰川表面运动过程的研究

秦彩霞,1,2, 刘时银,1,2,3, 吴坤鹏1,2, 高永鹏1,2, 潘兮然1,2, 段仕美1,2, 张晨扬1,2, 张子凡1,2

1.云南大学 国际河流与生态安全研究院, 云南 昆明 650500

2.云南省国际河流与跨境生态安全重点实验室, 云南 昆明 650500

3.中国科学院 西北生态环境资源研究院 冰冻圈科学国家重点实验室, 甘肃 兰州 730000

Monitoring of glacier surface movement by time-lapse photography

QIN Caixia,1,2, LIU Shiyin,1,2,3, WU Kunpeng1,2, GAO Yongpeng1,2, PAN Xiran1,2, DUAN Shimei1,2, ZHANG Chenyang1,2, ZHANG Zifan1,2

1.Institute of International Rivers and Eco-security，Yunnan University，Kunming 650500，China

2.Yunnan Key Laboratory of International Rivers and Transboundary Eco-security，Kunming 650500，China

3.State Key Laboratory of Cryospheric Science，Northwest Institute of Eco-Environment and Resources，Chinese Academy of Sciences，Lanzhou 730000，China

通讯作者: 刘时银，研究员，主要从事冰冻圈变化研究. E-mail： shiyin.liu@ynu.edu.cn

收稿日期: 2022-09-08   修回日期: 2023-05-03  

基金资助: 第二次青藏高原综合科学考察研究项目.  2019QZKK0208
国家自然科学基金项目.  42171129
国家重点研发计划政府间国际科技创新合作项目.  2021YFE0116800
云南大学人才引进项目.  YJRC3201702
云南大学研究生科研创新项目.  2021Y363
国家冰川冻土沙漠科学数据中心开放基金项目.  2020D04

Received: 2022-09-08   Revised: 2023-05-03  

作者简介 About authors

秦彩霞，硕士研究生，主要从事冰川运动速度研究.E-mail：caixiaqin@mail.ynu.edu.cn , E-mail：caixiaqin@mail.ynu.edu.cn

摘要

延时摄影因可靠、高效和低成本的优势，在冰川监测中应用广泛，特别是对于获取冰川表面连续变化信息而言。本文基于2020年3月—2021年9月物候相机拍摄的梅里雪山明永冰川末端照片及多期无人机影像，利用地面摄影测量技术和互相关算法，提取了日尺度冰川表面运动速度。结果表明：通过物候图像获取的冰川表面运动速度分辨率高，从海拔2 880~3 150 m a.s.l.，冰川总位移介于（129.38±7.76）~（669.95±247.88） m，年均表面运动速度达（79.14±4.74）~（412.86±152.75） m·a-1，呈从中间向两侧减缓的空间分布特征。冰川表面运动速度随季节变化，夏季流速［（0.13±0.06）~（1.99±0.37） m·d-1］快于冬季流速［（0.07±0.06）~（1.35±0.37） m·d-1］。与冬季流速相比，夏季流速受降水和气温升高的影响不稳定。根据流速分离结果，明永冰川末端底部全年处于融化或压融状态，底部滑动对冰川表面运动速度的贡献介于76%~93%。冬季底部滑动占表面流速高达82%，夏季底部滑动对冰川运动起绝对主导作用。本文采用的技术为进一步研究季风海洋型冰川的运动机制提供了参考方案。

关键词： 物候相机 ; 无人机 ; 冰川运动速度 ; 底部滑动 ; 明永冰川

Abstract

Time-lapse photography is widely used in glacier monitoring due to its advantages of reliability， high efficiency and low cost， especially for obtaining continuous change information of glacier surface. Based on the photos of the Mingyong Glacier terminus in Meri Snow Mountain taken by the phenological camera from March 2020 to September 2021 and multi-period UAV images， this study uses ground photogrammetry technology and cross-correlation algorithm to extract the daily glacier surface velocity. The results show that the resolution of glacier surface motion velocity obtained by phenological images is high. From the altitude of 2 880~3 150 m a.s.l.， the total displacement of glaciers is （129.38±7.76） to （669.95±247.88） m， and the average annual surface motion velocity is （79.14±4.74） to （412.86±152.75） m·a-1， showing a spatial distribution characteristic of slowing down from the middle to both sides. The surface velocity of the glacier varies with the seasons. The velocity in summer ［（0.13±0.06） to （1.99±0.37） m·d-1］ is faster than that in winter ［（0.07±0.06） to （1.35±0.37） m·d-1］. Compared with the winter current velocity， the summer current velocity is unstable due to the increase of precipitation and temperature. According to the results of velocity separation， the bottom of the Mingyong Glacier terminus is in a state of melting or pressure melting throughout the year， and the contribution of basal sliding to the surface velocity of the glacier is between 76%~93%. The basal sliding accounts for 82% of the surface velocity in winter， and the basal sliding plays an absolutely dominant role in glacier movement in summer. The techniques used in this study provide a reference for further study of the mechanism of monsoon ocean-type glacier movement.

Keywords： phenological camera ; UAV ; glacier velocity ; basal sliding ; Mingyong Glacier

PDF (12192KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

秦彩霞, 刘时银, 吴坤鹏, 高永鹏, 潘兮然, 段仕美, 张晨扬, 张子凡. 基于延时摄影监测冰川表面运动过程的研究[J]. 冰川冻土, 2023, 45(3): 833-845 doi:10.7522/j.issn.1000-0240.2023.0064

QIN Caixia, LIU Shiyin, WU Kunpeng, GAO Yongpeng, PAN Xiran, DUAN Shimei, ZHANG Chenyang, ZHANG Zifan. Monitoring of glacier surface movement by time-lapse photography[J]. Journal of Glaciology and Geocryology, 2023, 45(3): 833-845 doi:10.7522/j.issn.1000-0240.2023.0064

0 引言

冰川区别于其他自然冰体的主要标志是在自身重力作用下从上游向下游运动［1］。依据冰川运动机理，表面运动速度由厚度主导的冰体蠕变速度和底部有效应力控制的滑动速度组成［2-3］。不同类型的冰川运动速度受地形、冰厚、冰温、冰下融水以及底碛等影响不同［4］。冷冰川的冰温低，冰体甚至与底床冻结在一起，冰川运动主要由蠕变速度决定，底部滑动速度对表面运动速度贡献较低。相比冷和多温性冰川，温性冰川（海洋型）消融期长且冰温高，大量融水进入冰床使底部处于滑动状态，这些因素导致该类冰川的滑动速度较大，蠕变速度对表面运动速度的贡献较少，平均运动速度普遍高于其他类型冰川。近年来，高亚洲地区冰川运动速度的主要表现为减缓趋势，主要是受冰体厚度减薄导致蠕变速度下降影响［5］，但底部滑动速度是否受冰厚减薄影响仍是个未知问题。相关研究表明，冰川底部滑动是青藏高原及其周边区域冰崩、冰川跃动及相关灾害的重要原因［6］。因此，研究冰川运动过程和流速分量，对于认识冰川运动机理和防灾减灾有理论和现实意义。

冰川运动监测方法分为传统的定位观测和遥感监测［7-8］。定位观测主要采用花杆在冰面上测量表面位移，其精度较高，但因人力投入较大使得难以大范围推广。随着遥感技术的发展，大量卫星遥感数据开放共享，推动了区域或全球尺度的冰川表面运动速度研究［7］。光学遥感监测受重访周期、云量、降雨、雾和积雪等影响，难以获取日尺度的冰川表面运动速度［8-9］。SAR影像在地势崎岖的高山区域受叠掩、透视收缩等影响难以匹配，同时也受重访周期限制无法获取日尺度流速数据。近年来，无人机技术的进步，推动了该技术提取冰川运动速度的研究工作，其研究结果与地面测量结果相一致，误差小，是获取局部冰川运动速度的有效手段［10-11］。随着无人机和近景摄影测量等技术引入冰川变化监测，尤其是该方法能达到与传统定位观测相媲美的精度，在冰川运动速度监测方面成为传统定位观测的替代方法。

单视场延时摄影是一种以近似视觉印象的照片记录地物，通过透视投影原理重构三维表面的简单、经济遥感监测方法［12］，已在冰川摄影测量中有广泛应用，特别是监测冰川表面速度［13-15］。早期基于摄影测量技术提取的流速单位为pixel·d-1［16］，进一步发展到将像素映射为实际速度单位（m·d-1）［17］，其结果与卫星流速结果相差小于8%。此外，延时摄影也可集成多时相的DEM数据，提取表面速度场的水平和垂直分量［18］等。相机拍摄的照片分辨率高，数据连续性好，研究结果与地面测量结果一致，表明延时摄影能够获取高时空分辨率冰川表面运动速度［19-20］。另一方面，获取高时空冰川表面位移的变化也能够推算出冰体坍塌概率［21］，确定坍塌的运动阈值，通过分析位移与坍塌体积关系量化坍塌冰［22］等。随着技术的发展，数字延时摄影影像处理算法和系统自动化程度不断提高，一些集成处理模块如Pointcatcher［17］、Environmental Motion Tracking（EMT）［14］、或开源工具箱如Image GeoRectification and Feature Tracking（ImGRAFT）［23］、Python Tracking（PyTrx）［15］等的出现，推动了地面摄影测量在冰川运动学研究中的应用。

梅里雪山地区受印度季风影响，是海洋型（温性）冰川的发育地。该地区常年被云雨覆盖，山高谷深，难以获取高质量的卫星遥感影像数据。目前仍无高质量的冰川表面运动速度产品，在该地区开展地面观测工作较困难，限制了对本地区冰川运动特征的认识。吴坤鹏等［24］在2018—2019年对明永冰川末端开展无人机航测工作，提取了表面高程变化信息。在此基础上，本研究选择在梅里雪山明永冰川末端开展延时拍摄和无人机重复航测工作，利用地面摄影测量技术和互相关算法，获取长时序的日尺度表面运动速度，分析冰川表面运动时空变化特征，并分离冰川表面运动速度分量，计算各分量对表面流速的贡献，为开展冰川动力学研究提供参考。

1 研究区概况

明永冰川［图1（a）］位于梅里雪山最高峰卡瓦格博峰东坡，呈东北—西南向走向，是横断山区冰舌末端位置最低、长度居于第二的海洋型冰川。据第二次中国冰川编目（2015年）统计，该冰川面积为12.38 km2［25］，海拔范围介于2 700~6 740 m a.s.l.，雪线位于4 800~5 200 m a.s.l.［26-27］。近年来，冰川末端随全球变暖逐步退缩，退缩速度在22 m·a-1以上［28］。有研究表明，明永冰川是横断山区运动速度最快的冰川，冰川运动速度达533 m·a-1（1991年—1998年）［26］。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   明永冰川末端概况：明永冰川位置（a），无人机航测制图（2021-10-07）（b），物候相机（c），坡度（d）

Fig. 1   Overview of the Mingyong Glacier terminus： the position of Mingyong Glacier （a）， UAV aerial mapping （October 7， 2021） （b）， the phenology camera （c）， the slope （d）


从西至东，明永冰川末端的海拔逐步降低［图1（b）］，海拔3 150 m a.s.l.以下的区域受地形影响呈冰瀑布状。该区域地势陡峭，坡度介于10°~70°之间。冰瀑布区的冰川表面裂隙因伸张流发育较多，形成冰面弧拱，这些表面特征为冰川表面运动速度的反演提供了条件。冰川因冰舌宽度变窄时有冰体崩塌［图1（b）红框］，表面特征的丧失增加了延时摄影提取冰川表面运动速度的不确定性。随着冰川加速消融排水，在冰川末端出水口发育冰湖。

2 数据与方法

2.1　研究数据

2.1.1　延时相机及数据预处理

延时摄影单元包括NetCam XL 3MP物候相机、镜头、安装支架、太阳能供电模组等，机身、电源和延时控制器等置于防水箱内［图1（c）］。相机以8 mm焦距拍摄2 048×1 536像素大小的RGB图像，工作环境介于-40~48 ℃（http：//www.stardot-tech.com/netcamxl/index.html）。相机安装在距冰川末端东北侧约160 m，海拔3 036.175 m a.s.l.（镜头距支架底座1.595 m）的游客观景台上。镜头有效监测冰川面积约0.05 km2，长约400 m，海拔落差约300 m。

相机设置半小时拍摄一次，在弱光下的成像质量较低，因此选择中午前后两个小时光线条件好、照片清晰的图像。本文根据图像质量（亮度、细节、是否模糊等）和相近时间，对2020年3月—2021年9月野外采集的数据进行人工筛选，筛选的数据如表1所示。受冰川表面运动速度大小和冰面特征维持时间的限制，冬季（当年10月—次年2月）和夏季（3—9月）的图像分别采用2 d、1 d间隔挑选一景，但数据连续性受降雪、降雨、云遮挡等影响而中断。

表1   物候图像数据

Table 1  Phenological image data

2020年具体拍摄时间（0.5 h拍摄1张）2021年具体拍摄时间（0.5 h拍摄1张）
3月13：05—13：358月11：05—12：351月12：35—13：056月12：35—14：05
4月12：05—14：059月11：05—14：352月12：05—13：057月11：35—13：35
5月12：05—13：3510月12：35—14：353月12：35—13：358月12：05—14：05
6月13：05—14：0511月12：35—13：354月12：05—14：059月11：35—13：35
7月12：05—14：0512月12：35—13：355月12：05—14：05

新窗口打开| 下载CSV


2.1.2　无人机数据

本研究采用大疆创新科技有限公司生产的PHANTOM 4 RTK（P4R）无人机，对明永冰川末端进行了四次航飞拍摄（表2）。航摄时采用海达UBase GPS接收机作为基站系统，水平精度和垂直定位精度在RTK工作模式下分别达到±1 cm、±2 cm（https：//www.zhdgps.com/）。航拍结束后解算数据的位置和姿态（POS，position and orientation system），将解算的POS信息和无人机相片进行空三测量，生成密集点云，构建三维不规则三角网（TIN），最终得到高分辨率的数字表面模型（DSM）和正射影像。通过正射影像和DSM为物候相机运动速度估计结果提供地理编码信息，并计算冰川表面运动速度。详细野外航测飞行和处理过程参照文献［24］。

表2   无人机数据

Table 2  UAV data

影像对日期航测面积/km2分辨率/ （m·pixel-1）用途
12020-04-26， 2020-05-090.220.70冰川表面运动速度
22020-11-06， 2021-11-090.11高程变化

新窗口打开| 下载CSV


2.2　数据处理

物候图像以2020-11-06的无人机影像作为配准和地理编码参考，通过互相关算法计算冰川表面运动速度（详见2.2.2节）。图像分辨率因近景摄影方式不一致，以每个速度矢量起始和结束位置的0.5个像元作为均方根误差，在剔除流速异常值后，对有效值进行反距离权重法插值，最后通过3×3的中值滤波平滑冰川表面运动速度，整个数据处理流程见图2。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   物候图像数据处理流程

Fig. 2   Phenological image data processing flow


2.2.1　地理编码

图像平面通过相机模型转换为三维面。常用的相机模型包含内、外方位参数［17］，内参数包括像主点、焦距，外方位参数包括由相机位置和姿态确定的旋转和平移参数［29］，表示相机与拍摄场景的几何关系。本研究采用了相机自标定法获取相关参数，该方法因极佳的实用性和灵活性，在近景摄影测量中应用广泛［30］。此外，高精度的相机坐标也能弥补自标定的不足［31］。

由图3可知，图像以行列式(u,v)记录地物P点在图像上的位置，根据各坐标的关系将行列式坐标经内参数转换成二维成像平面坐标、相机坐标，再通过外方位参数经旋转和平移将P点坐标换算为3D坐标［32］。基于以上关系建立方程并求解参数［33］，公式表达如下：

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   相机成像模型［34］

Fig. 3   Camera imaging model［34］


suv1=fx0cx0fycy001r11r12r13r21r22r23r31r32r33t1t2t2XYZ1，
其中Rt=r11r12r13r21r22r23r31r32r33t1t2t2

式中：（X，Y，Z）为地物在无人机影像上的3D坐标；［R|t］为包括旋转和平移的外参矩阵，等式右边第一项为内参矩阵；s为缩放因子；像主点（cx，cy ）为相机光轴与图像平面的交点；fx 、fy 为焦距f在x、y上的行、列焦距。此外，数据处理过程中也修正了由透镜引入的径向和切向畸变［35］。

基于同时段物候图像和无人机影像（2020-11-06）上的同名点，构建初始参考相机模型［图4（a）和（b）］。受影像质量、同名点位置、地势和相机视角等影响，同名点在X、Y、Z的绝对平均误差分别为0.141、0.108、0.141 m［图4（c）］。根据非冰川稳定区的匹配结果修正初始参考相机模型，获取其他月序列的初始相机模型，若匹配结果精度不够则参考相近时间；其次，基于月序列的初始相机模型，通过匹配结果修正剩余相机模型。经相机模型编码后的流速结果与无人机坐标相同。此外，非参考日期的地理编码需考虑冰面高程变化。通过对2020-11-06和2021-11-09、2018年11月和2019年11月的DSM影像对差分计算，监测区内冰面高程变化值分别为平均减薄8.59 m·a-1、平均增厚0.67 m·a-1［24］。因野外航测基站位置不同，2019年11月—2020年11月的冰面高程变化值为两次高程变化平均值（-3.96 m·a-1）。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   同名点位置和投影误差［1~11为同名点编号，（a）、（b）为同名点在无人机、物候图像上的位置，（c）为投影误差］

Fig. 4   Tie point position and projection errors ［1~11 are the numbers， （a） and （b） are the positions of tie points in the UAV and phenological images， （c） is the projection error］


2.2.2　归一化互相关

归一化互相关算法（NCC）过程以图5为例，根据预设参考窗口和搜索窗口大小、步长和阈值，在经地理配准的影像对上搜索相关系数最大的点，同名点的位移量为该点相对于参考影像的位置差，并通过相关系数和几何约束（流速大小和方向等）消除伪匹配［36-37］，公式表达如下［38］：

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   基于NCC跟踪冰川表面特征

Fig. 5   Tracking glacier surface features based on NCC


NCC(i,j)=∑k,l[s(i+k,j+l)-μs][r(k,l)-μr]∑k,l[s(i+k,j+l)-μs]2∑k,l[r(k,l)-μr]2∈-1,1

式中：NCC(i,j)为参考窗口(k,l)的相关系数；(i,j)为搜索窗口的位置；r为参考窗口的像元值；s为搜索窗口像元值；μr、μs分别为参考影像、搜索影像中窗口的平均像元值，系数越大相关性越高。相机镜头受风、热等影响产生轻微偏移，因此在处理过程中首要配准非冰川区的固定岩石点，在第二次冰川特征匹配过程中消除偏移。其次通过阈值分割过高或过低灰度值（阴影和积雪等）、边界掩膜，相关系数、信噪比和移动方向等约束提高流速精度。最后基于分辨率（m·pixel-1）将像元映射为实际速度单位。镜头受安装环境限制，无法保证完全稳定，未来可考虑固定镜头，减少外界因素的干扰。

2.2.3　人工特征跟踪

基于无人机影像提取冰川表面流速受控制点定位精度［39］、特征点位移量、时间间隔［40］、冰面积雪、微地形和阴影［36］等影响。对野外观测和时序照片分析发现，明永冰川末端表面特征变化较快，冰舌部分区域受降雪影响在间隔13天（2020-04-26和2020-05-09）的正射影像对上失特征。因此在无人机正射影像上，采用人工特征检测和NCC方法同步提取冰川表面流速。结果表明，基于无人机影像提取流速的精度较高，两种方法的流速绝对差平均值为3% m，均方根误差为5% m。本研究通过基于NCC的无人机流速和同期物候图像像元运动结果（pixel·d-1）提取冰川在图像中的分辨率，将像元映射到实际速度单位。

2.2.4　流速误差评估

物候图像的运动速度不确定性与分辨率特征、互相关精度和地理编码有关。表面流速的不确定度量通过计算每个速度起始和结束位置的0.5个像元大小获取。式（3）中rexo,yo和rexd,yd分别表示起始位置和结束位置的0.5个像元。本研究在MATLAB环境下，结合ImGRAFT开源工具箱［23］完成数据处理。

RMSE=∑i=1nrexo,yoi2+rexd,ydi2n
2.2.5　蠕变和滑动速度计算

冰川表面运动速度由冰体蠕变速度和底部滑动速度构成［2，41］，则：

vs=vb+vd

其中，

vd=2AfρgHn∇snn+1H

式中：vs 、vb 和vd 分别为表面运动速度、底部滑动速度和冰体蠕变速度；vd=vsα，α为冰体蠕变速度在表面运动速度中的占比，范围介于0.01~1；A为蠕变参数，其值为2.4×10-24（S-1·Pa-3）；f为形态因子，范围介于0.7~1；ρ、g和▽s分别为冰川密度900 kg·m-3、重力加速度9.8 m·s-2以及冰川表面坡度；n根据Glen流动定律设为3。

冰体蠕变速度vd依赖于厚度，明永冰川末端无实测厚度数据。本文采用时间上相近、滑动处理技巧契合温性冰川的Millan等［41］研究的厚度（简称HM）作为参考值，通过物候图像冬季流速估算明永冰川末端冰体厚度，最后根据流动定律估算蠕变和滑动速度，计算各分量在表面流速中的占比。

3 结果与分析

3.1　流速误差

流速误差评估结果如图6所示，受分辨率和局部地势条件显著影响，误差与相机距离成反比。最大误差（超过0.3 m·d-1）位于海拔3 150 m a.s.l.处，最小误差（低于0.08 m·d-1）位于海拔2 880 m a.s.l.处。评估结果表明，物候图像流速的误差从海拔2 880~3 150 m a.s.l.介于0.06~0.37 m·d-1。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   表面流速不确定性评估结果

Fig. 6   Surface velocity uncertainty assessment results


3.2　表面运动速度变化

本研究利用互相关算法，在人工挑选的图像对（共244对）上提取明永冰川末端表面运动速度。流速空间分布如图7（a）所示，海拔从2 880~3 150 m a.s.l.，总位移（2020年3月—2021年9月）介于（129.38±7.76）~（669.95±247.88） m，年流速（2020年3月—2021年2月）达到（79.14±4.74）~（412.86±152.75） m·a-1。冰川表面运动速度从中间向两侧减缓，受冰川走向影响，海拔带3 150 m a.s.l.南边的流速（≥390 m·a-1）大于中间的流速（370~390 m·a-1）。每日流速（2020-05-17—18、2020-08-03—04和2020-12-10—12）的空间分布特征与总位移相似［图7（b），（c）和（d）］。日流速更易捕捉到冰面特征短暂的变化，如图7（d）红框内所示，受冰体断裂拉伸的影响，该区域的流速大于周围流速，而这类特征往往在长时间间隔下被平滑。冰川主流线缓冲区内（5 m×5 m）的总位移、每日流速随海拔、坡度变化情况如图8所示，总位移和每日流速随海拔上升，高流速区受地形显著影响。冰川运动在坡度减缓处（海拔约3 035 m a.s.l.）下降，之后在海拔约3 060 m a.s.l.处，流速随坡度增加而增加。随着冰川物质从上游向下游输送，每日流速下降的位置比总位移提前或延后。相关性分析表明总位移、每日流速与海拔的R2超过0.90，但与坡度的R2差异较大，分别为0.63和0.20左右。因此流速与海拔的一致性更高，而坡度对流速的作用次之。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   冰川表面流速空间分布图［（a）为总位移量，（b）~（d）为每日流速］

Fig. 7   The spatial distribution of glacier surface velocity ［（a） is the total displacement， （b）~（d） is the daily velocity］


图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   流速和地形的主流区剖面图

Fig. 8   Velocity profile along the flowline of the glacier： the total displacement （a）， the daily mean velocity （b）


为探究日尺度流速时空变化，本文分析主流线缓冲区内（5 m×5 m）的表面流速在整个研究时段的变化过程和特征。每月有效数据量受天气影响不同，结果如图9所示，2020年与2021年的流速都随季节明显波动，夏高冬低，流速峰值出现在夏季的5—7月，流速峰谷位于冬季的11—12月。夏季流速介于（0.13±0.06）~（1.99±0.37） m·d-1，冬季流速在（0.07±0.06）~（1.35±0.37） m·d-1之间，夏季流速比冬季流速快约2倍。随着气温升高，冬季2月中旬的流速明显提速，但大部分冬季流速介于（0.07±0.06）~（1.13±0.37） m·d-1。此外，流速在主流线距离350 m以上（海拔约3 100 m a.s.l.）的区域最高，流速在主流线距离50 m（海拔约2 900 m a.s.l.）以下的区域最低，两者相差约8倍。海拔带3 100~3 150 m a.s.l的最高流速出现在夏季的5—6月，而海拔带2 880~2 900 m a.s.l.的最高流速受地势影响，出现在7月。受强降水和高气温影响，大量融水降低冰床底部的摩擦力，促进底部滑动提高表面流速，这些因素导致夏季流速比冬季流速不稳定。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9   冰川表面流速时空变化图

Fig. 9   Temporal and spatial variation of glacier surface velocity


3.3　冰川运动速度构成

在冬季，冰体厚度主导的蠕变速度对表面流速贡献较大，因此本文以2020年10月—2021年1月冬季的表面运动速度以及坡度估算明永冰川末端厚度，以HM为参考，分离蠕变速度和底部滑动速度。不同f、α值的冰厚误差如图10所示，误差随蠕变占比α先减后增，而f影响较小。最小冰厚误差为53.6602 m，对应的f和α分别为0.83、0.18，即冰体蠕变在2020年10月—2021年1月期间贡献了18%的表面运动速度。基于最小误差的厚度和蠕变速度如图11所示，冰厚在末端中段较大，从中间向两侧减薄，符合冰川厚度的分布规律。本文冰厚估计结果是Farinotti等［42］计算的厚度2倍多。根据厚度推算的蠕变速度介于0.02~0.16 m·d-1，随海拔增加而增加。冰厚的不确定性主要与HM精度、流速和坡度有关，以及缺少温度校准的蠕变参数A等。

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10   冰厚误差

Fig. 10   Ice thickness error


图11

新窗口打开| 下载原图ZIP| 生成PPT

图11   明永冰川末端厚度（a）和蠕变量（b）

Fig. 11   The thickness （a） and ice deformation （b） at the Mingyong Glacier terminus， respectively


假设蠕变速度在2020年3月—2021年9月期间恒定不变，从日尺度流速计算的冰川表面每月运动位移中分离底部滑动速度，计算滑动速度占比。由结果可知（图12），明永冰川末端全年存在底部滑动并超过冰体蠕变速度对表面流速的贡献，冬季滑动速度占表面流速介于76%~89%，夏季底部滑动对冰川运动起绝对主导作用，占比介于80%~93%。在季节变化上，滑动速度与表面运动速度接近，随季节变化波动，最高、低滑动速度分别出现在夏季的6—7月、冬季的11月。

图12

新窗口打开| 下载原图ZIP| 生成PPT

图12   每月的底部滑动量占比

Fig. 12   The ratio of monthly basal sliding velocity to monthly surface velocity


4 讨论

4.1　流速不确定性分析

地理编码虽不影响流速绝对值，但与流速分布的位置有关。分析同名点（图4点1、4、5、8、9、10）在各相机模型下的编码误差，发现地理编码的平均均方根误差为0.7 m。准确的同名点是获取高精度地理编码的关键之一。受野外环境限制，同名点位置的选取较为难度，地势崎岖无法做控制点。从图7中看出，速度在一定区域内变化较小，而差异大的流速在异常值处理过程中被剔除，因此认为该误差对结果影响较小。在地势环境不复杂的区域，结合控制点的编码精度更高。本研究架设的相机位置受限于当地旅游政策，无法获取最佳观测视角。此外，该监测方法也受拍摄角度、局部地形条件和相机像素的影响，在野外实施时要充分考虑监测位置、天气因素和控制点的布设等问题。

其他开源流速产品的分辨率无法与物候图像流速的分辨率匹配，对同时段内的无人机平均流速和物候图像流速进行比较分析，无人机数据参数见表1，物候图像对分别为2020-04-27—30、2020-05-01—02、2020-05-02—04、2020-05-04—06、2020-05-06—09。分析结果如图13所示，物候图像流速与无人机流速相关系数高达99%，标准差为0.25 m，每日流速的均方根误差介于0.041~0.075 m·d-1，平均流速的均方根误差最小（0.031 m·d-1）。日尺度流速对特征变化更敏感，如裂隙的扩张、不稳定的冰川边界等，而平均流速通过平滑作用减少不确定性。

图13

新窗口打开| 下载原图ZIP| 生成PPT

图13   无人机流速和物候图像流速相关性分析

Fig. 13   Correlation analysis diagram of UAV velocity and phenological image velocity


4.2　底部滑动占比比较

春季、秋季考察期间观察到明永冰川末端出口有排水现象。其末端底部全年处于融化或压融状态，来自表面和底部的融水（混合降雨）驱动冰川沿底床滑动，与本文底部滑动分离结果相符，这些现象和结果说明该冰川属温性冰川。对比分析其他温性冰川底部滑动速度（表3），多数冰川的地势较平缓，流速在数百米之内，厚度从数米到数百米不等。无论是低纬还是高纬地区的冰川，底部滑动占比多超过50%，量值大小因冰川（观测时间和地点）而异。传统上将乌鲁木齐河源1号冰川归为亚大陆型，在该冰川末端的冰冻观测试验中得知，1981年和1982年底部滑动量分别为2.1 m·a-1、4 m·a-1，滑动速度远小于明永冰川，但滑动速度占比与本研究相近。阿尔卑斯山的Morteratsch冰川是在多年观测数据基础上统计所得，其结果可比性有待进一步考证。Rhonegletscher和Nisqually冰川末端发现到冰川表面运动以滑动为主导，明永冰川在一些时段也有类似现象。贡嘎山的海螺沟冰川与明永冰川同属季风海洋型冰川，冰川末端中部的滑动速度占比在夏季为83%。从以上分析结果可知，本文基于表面运动速度估算冰川厚度方案具有较好的参考性，底部滑动的分离可信度较高。这也从侧面说明对于海洋型冰川或亚洲高山区大部分冰川而言，获取冰川表面运动速度的过程数据，并考虑冰川形态的参数优化有效改善冰川厚度估算的精度。

表3   冰川底部滑动速度与总运动速度之比

Table 3  Ratio of the basal sliding velocity to the total velocity

名称地理位置冰川性质海拔/m a.s.l.坡度/（°）流速/（m·a-1）厚度/mvb/vs
乌鲁木齐河源1号冰川［43］

43°06′ N，

86°49′ E

底部接近压融约3 700平均值约224.87—约82%（1980s）
海螺沟冰川［44］

29°34′21″ N，

102°59′04″ E

温约3 100约1065.7125约83%（1990s夏季）
Worthington冰川［45］

61°10′ N，

145°45′ W

温800~1 000平均值2~350~86180~20060%~70%（1990s夏季）
Morteratsch冰川［46］

46°23′ N，

9°56′ E

温2 100~4 05020.40~1250~35030%（2000s）
Tsanfleuron冰川［47］

46°20′ N，

7°15′ W

温2 500~2 8509.33~50<135>80%（2000年夏季）
Rhonegletscher冰川［48］

46°37′ N，

8°24′ E

温1 880~3 50014.1>2020约100%（2007—2009年夏季 冰川终点）
Nisqually冰川［49］

46.85° N，

121.72° W

温1 450~4 38010~6030~3705~10093%~99%（2012年夏季冰川终点）
Saskatchewan冰川［50］

52.150° N，

117.174° W

温1 700~2 400<3039~64122~16960%~80%（2011年和2019年夏季）
Argentière冰川［51］

45°55′ N，

6°57′ E

温2 320~2 4007.520~80250约90%（2018—2020年）
Athabasca冰川［52］

52.19° N，

117.26° W

温3 500~2 2403~102~3020~29083%（2020年）
明永冰川

28°27′ N，

98°45′ E

温2 880~3 15010~7079.14~412.8630~14083%~88%（2020—2021年）

新窗口打开| 下载CSV


5 结论与展望

延时摄影的监测范围有限，但该技术能够获取高时空分辨率的数据，是监测冰川运动速度的可靠系统。本文利用物候相机和UAV监测明永冰川末端的表面运动，研究结果表明：

（1）通过物候图像获取的冰川表面运动速度分辨率高，数据连续性好，能够以日尺度记录冰川表面的运动情况。从海拔2 880到3 150 m a.s.l.，物候图像流速的误差为0.06~0.37 m·d-1，物候图像流速与无人机平均流速相一致。

（2）根据计算结果，总位移量（2020年3月—2021年9月）介于（129.38±7.76）~（669.95±247.88） m，年均运动速度达（79.14±4.74）~（412.86±152.75） m·a-1。冰川表面运动速度随海拔增加而增加，从中间向两侧减缓并受冰川走向的影响。进一步分析发现，海拔带3 100~3 150 m a.s.l.的冰川运动受坡度明显影响。日尺度表面流速随季节变化，夏季流速（0.13±0.6）~（1.99±0.37） m·d-1快于冬季流速（0.07±0.06）~（1.35±0.37） m·d-1。与冬季流速相比，夏季流速受降水和气温升高的影响不稳定。

（3）明永冰川末端底部全年处于融化或压融状态，底部滑动全年存在并超过蠕变对表面流速的贡献，占比介于76%~93%。冬季底部滑动速度占表面流速高达82%，夏季底部滑动对冰川运动起绝对主导作用。与其他温性冰川的滑动速度占比值相近，因此基于表面运动速度估算冰川厚度方案具有较好的参考性。

本文研究为该方法或海洋型冰川的运动过程研究提供参考方案。基于该结果为进一步挖掘流速与气象因子的响应关系，获取其他海洋型冰川的滑动特征和探讨流速构成含义提供可能。

参考文献

Xie Zichu， Liu Chaohai. Introduction to glaciology［M］. Shanghai： Shanghai Popular Science Press， 2010.

[本文引用: 1]

谢自楚， 刘潮海. 冰川学导论［M］. 上海： 上海科学普及出版社， 2010.

[本文引用: 1]

Cuffey K， Paterson W S B. The physics of glaciers［M］. 4th ed. Amsterdam： Elsevier， 2010.

[本文引用: 2]

Heid T， Kääb A.

Repeat optical satellite images reveal widespread and long term decrease in land-terminating glacier speeds

［J］. The Cryosphere， 2012， 6（2）： 467-478.

[本文引用: 1]

Satyabala S P.

Spatiotemporal variations in surface velocity of the Gangotri Glacier， Garhwal Himalaya， India： study using synthetic aperture radar data

［J］. Remote Sensing of Environment， 2016， 181： 151-161.

[本文引用: 1]

Dehecq A， Gourmelen N， Gardner A S， et al.

Twenty-first century glacier slowdown driven by mass loss in High Mountain Asia

［J］. Nature Geoscience， 2019， 12（1）： 22-27.

[本文引用: 1]

Farinotti D， Immerzeel W W， de Kok R J， et al.

Manifestations and mechanisms of the Karakoram glacier anomaly

［J］. Nature Geoscience， 2020， 13（1）： 8-16.

[本文引用: 1]

Paul F， Bolch T， Kääb A， et al.

The glaciers climate change initiative： methods for creating glacier area， elevation change and velocity products

［J］. Remote Sensing of Environment， 2015， 162： 408-426.

[本文引用: 2]

Berthier E， Vadon H， Baratoux D， et al.

Surface motion of mountain glaciers derived from satellite optical imagery

［J］. Remote Sensing of Environment， 2005， 95（1）： 14-28.

[本文引用: 2]

Yasuda T， Furuya M.

Dynamics of surge-type glaciers in West Kunlun Shan， northwestern Tibet

［J］. Journal of Geophysical Research： Earth Surface， 2015， 120（11）： 2393-2405.

[本文引用: 1]

Wang Puyu， Li Hongliang， Li Zhongqin， et al.

Seasonal surface change of Urumqi Glacier No. 1， eastern Tien Shan， China， revealed by repeated high-resolution UAV photogrammetry

［J］. Remote Sensing， 2021， 13（17）： 3398.

[本文引用: 1]

Bearzot F， Garzonio R， Di Mauro B， et al.

Kinematics of an Alpine rock glacier from multi-temporal UAV surveys and GNSS data

［J］. Geomorphology， 2022， 402： 108116.

[本文引用: 1]

Bozzini C， Conedera M， Krebs P.

A new monoplotting tool to extract georeferenced vector data and orthorectified raster data from oblique non-metric photographs

［J］. International Journal of Heritage in the Digital Era， 2012， 1（3）： 499-518.

[本文引用: 1]

Kienholz C， Amundson J M， Motyka R J， et al.

Tracking icebergs with time-lapse photography and sparse optical flow， LeConte Bay， Alaska， 2016—2017

［J］. Journal of Glaciology， 2019， 65（250）： 195-211.

[本文引用: 1]

Schwalbe E， Maas H G.

The determination of high-resolution spatio-temporal glacier motion fields from time-lapse sequences

［J］. Earth Surface Dynamics， 2017， 5（4）： 861-879.

[本文引用: 1]

How P， Hulton N R J， Buie L， et al.

PyTrx： a python-based monoscopic terrestrial photogrammetry toolset for glaciology

［J］. Frontiers in Earth Science， 2020， 8： 21.

[本文引用: 2]

Evans A N.

Glacier surface motion computation from digital image sequences

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2000， 38（2）： 1064-1072.

[本文引用: 1]

Ahn Y， Box J E.

Glacier velocities from time-lapse photos： technique development and first results from the Extreme Ice Survey （EIS） in Greenland

［J］. Journal of Glaciology， 2010， 56（198）： 723-734.

[本文引用: 3]

James M R， How P， Wynn P M.

Pointcatcher software： analysis of glacial time-lapse photography and integration with multitemporal digital elevation models

［J］. Journal of Glaciology， 2016， 62（231）： 159-169.

[本文引用: 1]

Vernier F， Fallourd R， Friedt J M， et al.

Fast correlation technique for glacier flow monitoring by digital camera and space-borne SAR images

［J］.EURASIP Journal on Image and Video Processing， 2011， 2011（1）： 1-15.

[本文引用: 1]

Giordan D， Allasia P， Dematteis N， et al.

A low-cost optical remote sensing application for glacier deformation monitoring in an alpine environment

［J］. Sensors， 2016， 16（10）： 1750.

[本文引用: 1]

Faillettaz J， Funk M， Vagliasindi M.

Time forecast of a break-off event from a hanging glacier

［J］. The Cryosphere， 2016， 10（3）： 1191-1200.

[本文引用: 1]

Giordan D， Dematteis N， Allasia P， et al.

Classification and kinematics of the Planpincieux Glacier break-offs using photographic time-lapse analysis

［J］. Journal of Glaciology， 2020， 66（256）： 188-202.

[本文引用: 1]

Messerli A， Grinsted A.

Image georectification and feature tracking toolbox： ImGRAFT

［J］. Geoscientific Instrumentation， Methods and Data Systems， 2015， 4（1）： 23-34.

[本文引用: 2]

Wu Kunpeng， Liu Shiyin， Zhu Yu， et al.

High-resolution monitoring of glacier dynamics based on unmanned aerial vehicle survey in the Meili Snow Mountain

［J］. Progress in Geography， 2021， 40（9）： 1581-1589.

[本文引用: 3]

吴坤鹏， 刘时银， 朱钰， 等.

基于无人机摄影测量的梅里雪山明永冰川末端表面高程动态监测

［J］. 地理科学进展， 2021， 40（9）： 1581-1589.

[本文引用: 3]

Liu Shiyin， Yao Xiaojun， Guo Wanqin， et al.

The contemporary glaciers in China based on the Second Chinese Glacier Inventory

［J］. Acta Geographica Sinica， 2015， 70（1）： 3-16.

[本文引用: 1]

刘时银， 姚晓军， 郭万钦， 等.

基于第二次冰川编目的中国冰川现状

［J］. 地理学报， 2015， 70（1）： 3-16.

[本文引用: 1]

Zheng Benxing， Zhao Xitao， Li Tiesong， et al.

Features and fluctuation of the Melang Glacier in the Mainri Mountain

［J］. Journal of Glaciology and Geocryology， 1999， 21（2）： 145-150.

[本文引用: 2]

郑本兴， 赵希涛， 李铁松， 等.

梅里雪山明永冰川的特征与变化

［J］. 冰川冻土， 1999， 21（2）： 145-150.

[本文引用: 2]

Lan Yongru， Liu Gaohuan， Shao Xuemei.

Variation of the Melang Glacier in Mount Kawa Karpo in the past 40 years， based on dendrochronolog

［J］. Journal of Glaciology and Geocryology， 2011， 33（6）： 1229-1234.

[本文引用: 1]

蓝永如， 刘高焕， 邵雪梅.

近40 a来基于树轮年代学的梅里雪山明永冰川变化研究

［J］. 冰川冻土， 2011， 33（6）： 1229-1234.

[本文引用: 1]

Wang Shijin， Che Yanjun， Wei Yanqiang.

Spatiotemporal dynamic characteristics of typical temperate glaciers in China

［J］. Scientific Reports， 2021， 11： 657.

[本文引用: 1]

Weng J， Cohen P， Herniou M.

Camera calibration with distortion models and accuracy evaluation

［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1992， 14（10）： 965-980.

[本文引用: 1]

Luhmann T， Fraser C， Maas H G.

Sensor modelling and camera calibration for close-range photogrammetry

［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2016， 115： 37-46.

[本文引用: 1]

Kaddoura Y O， Wilkinson B， Merrick T， et al.

Georeferencing oblique PhenoCam imagery

［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2022， 190： 301-321.

[本文引用: 1]

Zhang Guangjun. Machine vision［M］. Beijing： Science Press， 2005.

[本文引用: 1]

张广军. 机器视觉［M］. 北京： 科学出版社， 2005.

[本文引用: 1]

Bradski G.

The openCV library

［J］. Dr. Dobb’s Journal： Software Tools for the Professional Programmer， 2000， 25（11）： 120-123.

[本文引用: 1]

Shu Na.

Research on camera calibration method

［D］. Nanjing： Nanjing University of Science and Technology， 2014.

[本文引用: 2]

舒娜.

摄像机标定方法的研究

［D］. 南京： 南京理工大学， 2014.

[本文引用: 2]

Sun Qian， Wang Xiaoyi， Xu Jiping， et al.

Camera self-calibration with lens distortion

［J］. Optik， 2016， 127（10）： 4506-4513.

[本文引用: 1]

Kääb A， Vollmer M.

Surface geometry， thickness changes and flow fields on creeping mountain permafrost： automatic extraction by digital image analysis

［J］. Permafrost and Periglacial Processes， 2000， 11（4）： 315-326.

[本文引用: 2]

Kääb A.

Monitoring high-mountain terrain deformation from repeated air- and spaceborne optical data： examples using digital aerial imagery and ASTER data

［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2002， 57（1/2）： 39-52.

[本文引用: 1]

Heid T， Kääb A.

Evaluation of existing image matching methods for deriving glacier surface displacements globally from optical satellite imagery

［J］. Remote Sensing of Environment， 2012， 118： 339-355.

[本文引用: 1]

Karimi N， Sheshangosht S， Roozbahani R.

High-resolution monitoring of debris-covered glacier mass budget and flow velocity using repeated UAV photogrammetry in Iran

［J］. Geomorphology， 2021， 389： 107855.

[本文引用: 1]

Fey C， Krainer K.

Analyses of UAV and GNSS based flow velocity variations of the rock glacier Lazaun （Ötztal Alps， South Tyrol， Italy）

［J］. Geomorphology， 2020， 365： 107261.

[本文引用: 1]

Millan R， Mouginot J， Rabatel A， et al.

Ice velocity and thickness of the world’s glaciers

［J］. Nature Geoscience， 2022， 15（2）： 124-129.

[本文引用: 2]

Farinotti D， Huss M， Fürst J J， et al.

A consensus estimate for the ice thickness distribution of all glaciers on Earth

［J］. Nature Geoscience， 2019， 12（3）： 168-173.

[本文引用: 1]

Wang Zhongxiang， Song Genhai， Li Gang.

Observation and experiment on inner flow characteristics of Glacier No. 1 in the Urumqi River headwaters， Tianshan： investigation on artificial tunnel， Part 1

［J］. Journal of Glaciology and Cryopedology. 1985， 7（2）： 123-132.

[本文引用: 1]

王仲祥， 宋根海， 李纲.

天山乌鲁木齐河源1号冰川冰体流变的现场观测与试验研究——人工冰洞研究之一

［J］. 冰川冻土， 1985， 7（2）： 123-132.

[本文引用: 1]

Huang Maohuan， Wang Maohai， Song Guoping， et al.

Hydraulic effects in the ablation area of the Hailuogou Glacier

［J］. Journal of Glaciology and Geocryology， 1996， 18（）： 46-50.

[本文引用: 1]

黄茂桓， 王茂海， 宋国平， 等.

海螺沟冰川消融区的水力状况

［J］. 冰川冻土， 1996， 18（）： 46-50.

[本文引用: 1]

Harper J T， Humphrey N F， Pfeffer W T.

Three-dimensional deformation measured in an Alaskan glacier

［J］. Science， 1998， 281（5381）： 1340-1342.

[本文引用: 1]

Zekollari H， Huybrechts P， Fürst J J， et al.

Calibration of a higher-order 3-D ice-flow model of the Morteratsch glacier complex， Engadin， Switzerland

［J］. Annals of Glaciology， 2013， 54（63）： 343-351.

[本文引用: 1]

Chandler D M， Hubbard A L， Hubbard B P， et al.

A Monte Carlo error analysis for basal sliding velocity calculations

［J］. Journal of Geophysical Research： Earth Surface， 2006， 111（F4）： F04005.

[本文引用: 1]

Tsutaki S， Nishimura D， Yoshizawa T， et al.

Changes in glacier dynamics under the influence of proglacial lake formation in Rhonegletscher， Switzerland

［J］. Annals of Glaciology， 2011， 52（58）： 31-36.

[本文引用: 1]

Allstadt K E， Shean D E， Campbell A， et al.

Observations of seasonal and diurnal glacier velocities at Mount Rainier， Washington， using terrestrial radar interferometry

［J］. The Cryosphere， 2015， 9（6）： 2219-2235.

[本文引用: 1]

Stevens N T， Roland C J， Zoet L K， et al.

Multi-decadal basal slip enhancement at Saskatchewan Glacier， Canadian Rocky Mountains

［J］. Journal of Glaciology， 2023， 69（273）： 71-86.

[本文引用: 1]

Vincent C， Gilbert A， Walpersdorf A， et al.

Evidence of seasonal uplift in the Argentière glacier （Mont Blanc area， France）

［J］. Journal of Geophysical Research： Earth Surface， 2022， 127（7）： e2021JF006454.

[本文引用: 1]

Armstrong W H， David P， Martin T， et al.

Declining basal motion dominates the long-term slowing of Athabasca Glacier， Canada

［J］. Journal of Geophysical Research： Earth Surface， 2022， 127（10）： e2021JF006439.

[本文引用: 1]