帕万·辛格 | 萨劳拉布·维杰 | 莫罕默德·法鲁克·阿扎姆
印度理工学院鲁尔基分校土木工程系，印度鲁尔基
**摘要**
高喜马拉雅地区（海拔超过4000米）缓慢移动的冰川（年移动速度<100米）的冰速季节性变化记录较少，这主要是由于缺乏陆地观测数据以及基于卫星的技术存在较大不确定性。在本研究中，我们首次提供了来自陆地延时摄影系统（TLC）的德拉恩·德拉翁冰川（33.76°N, 76.30°E）的高频观测数据，时间跨度为2023年10月至2025年4月。德拉恩·德拉翁冰川的大部分冰前端终止于一个湖泊中，只有一小部分延伸到陆地上。我们发现冰川在湖泊终止区和陆地终止区的冰速存在空间异质性：湖泊终止区的年平均冰速为35.4米/年，而陆地终止区为19.5米/年。在这些区域，我们观察到冰速的第一个周期性变化——6月至9月加速，9月至11月减速，这与气温和太阳辐射的升高相吻合。这种行为可能是由于融水导致的冰下水系从低效通道网络向高效通道网络的演化所致。TLC图像还捕捉到了活跃的冰下水文过程及其季节性变化。第二个加速周期（11月至1月）和随后的持续减速（直到2月）表明，粘性变形引起了通道闭合以及被困水的压力作用。6月至10月期间，垂直冰速出现了显著变化（-0.9至-2.0米/月），而在其他时期则几乎没有变化。亚周观测结果显示，冰川加速、湖泊浑浊度变化及冰前端抬升同时发生，这也暗示了基底水压对冰速的控制作用。我们的结果与现场GNSS测量的冰速值一致，并表明ITS_LIVE速度产品显著低估了德拉恩·德拉翁冰川的表面冰速。
**1. 引言**
山地冰川对气候变化非常敏感，因此可作为环境变化的实用指标（Haeberli等人，1999年；Rounce等人，2023年；Verma等人，2025年）。冰川冰速是了解气象变量作用的关键参数之一，同时还能反映局部控制因素（如冰川几何形状、厚度）和影响冰川动态的基底过程（Nanni等人，2023年；Alley，2011年；Bindschadler，1983年；Jiskoot，2011年）。表面融化引起的冰下水文变化、重力驱动应力、底部和边缘的阻力应力以及由于支撑变化导致的冰湖相互作用等因素，可能导致长期趋势（超过10年；King等人，2018年）、季节性波动（Moon等人，2014年；Vijay等人，2021年）以及快速短期事件（Guillet等人，2022年）。全球一致的表面冰速产品（如ITS_LIVE，its-live.jpl.nasa.gov）已经绘制了数千条冰川的地图，其中包括海拔超过4000米的冰川。ITS_LIVE整合了Landsat和Sentinel-2卫星的图像数据，通常为光学传感器提供12-18天的时间分辨率，足以捕捉快速流动冰川（年移动速度>500米）的季节性模式。结合卫星观测，现场GNSS（全球导航卫星系统）测量提供了高精度的位置数据，可用于计算这些地点的冰速。Patel等人（2022年）利用西喜马拉雅地区昌德拉盆地的四条冰川的差分GNSS测量数据，发现小面积（4.4±0.4平方公里）的碎石覆盖的巴塔尔冰川表面冰速为6.2米/年，而大面积（78.9±6.3平方公里）的干净冰层萨穆德拉·塔普冰川表面冰速高达64.3米/年。Quincey等人（2009年）利用基于卫星的雷达和GNSS数据，研究了喀喇昆仑山脉最大的碎石覆盖冰川之一巴尔托罗的15年季节性和时间变化。类似地，Mandal等人（2020年）结合了2002-2019年间肖塔·希格里冰川18年的现场冰速测量数据，分析了质量平衡、气象条件、流量和表面冰速之间的相互关系。极地地区和其他快速流动的山地冰川的季节性冰速变化也有详细记录（Bartholomaus等人，2008年；Moon等人，2014年；Harper等人，2007年）。极地地区的快速流动冰川（年移动速度>5公里/年）每年内部的速度变化范围通常超过500米，夏季月份的速度增幅可达100%-150%（Nanni等人，2023年）。Nanni等人（2023年）研究了帕米尔山脉费德琴科冰川在春夏季节的加速现象（150%-300%）。Troilo等人（2024年）在蒙特布朗山区也观察到类似现象，小型快速流动冰川的冬夏速度差异为50%-100%，最大速度通常出现在8月至9月。这些变化归因于冰下水文系统的演变：融化初期效率较低的排水系统导致高水压和基础滑动加剧，随后随着高效排水系统的形成而减速（Röthlisberger等人，1972年；Nye等人，1953年；Nye等人，1976年）。然而，关于高海拔地区（海拔超过4000米）缓慢移动（年移动速度<100米）冰川的季节性变化知之甚少。
基于卫星的冰速估计依赖于特征跟踪，存在约30-50米的不确定性，尤其是在缓慢移动的山地冰川情况下，这限制了其解析短期变化的能力（Chudley等人，2022年；Sam等人，2018年；Shukla和Garg，2020年）。基于点的GNSS观测也仅能提供年度尺度的数据，缺乏空间覆盖范围。
陆地延时摄影系统（TLC）为连接卫星观测和现场GNSS观测提供了独特的能力。在格陵兰和南极洲，TLC被用来通过捕捉亚每日速度波动来更好地理解冰川动态，这些波动具有6小时的周期性和10%-50%的振幅（Mallalieu等人，2017年；Kneib-Walter等人，2021年），以及 melts高峰期20%-100%的日变化，直接将表面融化与基底滑动联系起来（Ahn和Box，2010年）；在斯瓦尔巴群岛，TLC还捕捉到冰川崩解事件的瞬时速度响应，速度变化可达200%-500%并向上游传播（How等人，2019年）。在巴塔哥尼亚，TLC记录了与冰下水系排水和降雨事件相关的短暂加速事件（Dematteis等人，2024年）。尽管TLC在其他冰冻圈地区已广泛应用于研究短期动态，但在喜马拉雅地区的应用仍然有限（Brun等人，2016年；Watson等人，2017年；Kneib等人，2022年）。在喜马拉雅地区，TLC被用来研究冰崖的质量损失率，时间尺度涵盖次季节性（Kneib等人，2022年）、季节性（Brun等人，2016年）和年度尺度（Watson等人，2017年），精度达到厘米级别。
在本研究中，我们在西喜马拉雅地区的德拉恩·德拉翁冰川（33.76°N, 76.30°E）侧缘的侧碛附近部署了一台单目TLC。该系统从2023年10月持续运行至2025年4月，每90分钟拍摄一次图像，提供了喜马拉雅地区任何冰川中最高频、最长期的观测记录之一。
**2. 研究区域**
德拉恩·德拉翁冰川（DDG；33.76°N, 76.30°E）是西喜马拉雅赞斯卡山脉最大的冰川（RGI2000-v7.0-G-14-26914），截至2020年覆盖面积为69.6平方公里（Azam等人，2025年；RGI Consortium，2023年）。冰川长度约为24公里，平均坡度约为18°。DDG主要终止于一个名为德拉恩·德拉翁湖的冰前湖中，该湖位于海拔约4060米处。冰川末端包括湖泊终止段和邻近的陆地终止段，导致流动条件具有空间差异。DDG具有延长的山谷形态，明显的积累区和消融区。它被归类为相对干净的冰川，其表面只有约9%（6.4平方公里）被碎石覆盖，主要集中在末端附近，碎石厚度可达30厘米（Azam等人，2025年；Racoviteanu等人，2022年；Brun等人，2018年）。最近的现场冰川测量表明其质量损失率为每年约0.7米水当量，消融率在-1.8至-8.3米水当量之间（Azam等人，2025年）。1971年至2019年间，DDG体积减少了约12%（Mehta等人，2023年）。同期，冰川末端后退了约850米，2014年形成了一个冰前湖（Mehta等人，2023年；Rashid和Majeed，2018年；Shukla和Qadir，2016年）。自2014年以来，冰川后退导致湖泊面积扩大至0.28平方公里，2021年的调查显示其体积为0.18×10^6立方米（Ramsankaran等人，2023年；Verma和Vijay，2025年）。一条名为多达河（或斯托德河）的出口河道将冰前湖的水流排出，向东南方向流入赞斯卡河，最终汇入印度河。DDG是印度喜马拉雅地区最容易到达的冰川之一，距离最近的可通行公路约1.5公里。本研究重点关注冰川在其下部消融区的动态，大约在末端上游400米范围内。值得注意的是，DDG的研究区域可以同时观察到多种冰川特征，包括湖泊终止区、陆地终止区、干净冰区和碎石覆盖区（图1）。
**3. 数据和方法**
**3.1 延时摄影系统的安装和数据采集**
为捕捉DDG的陆地图像，我们使用了由Greenland Guidance开发的TLC系统。这是一个全天候系统，设计用于极端环境条件下运行。TLC系统配备了Harbortronics延时摄影包，包括一台Canon 2000D数码单反相机和24毫米定焦镜头。太阳能板为系统供电，外部电池在光线不足或云层覆盖时间长时提供备用能源，确保系统持续运行。2023年7月5日，TLC被安装在海拔33.84°N, 76.36°E（4363米）的稳定位置，旁边放置了一块大石头以减少潜在的滑坡风险，确保长期稳定性。使用DigiSnap Pro应用程序，相机被编程为在白天每90分钟拍摄一次图像，每天生成9-10张照片。由于现场没有互联网连接，无法远程传输数据，因此需要定期亲自前往相机位置进行数据检索。
**3.2 TLC重新安装、数据检索和质量评估**
2023年10月的初次数据检索中发现TLC受损，可能是由于动物或人为干扰所致。2023年10月，系统被修复并重新安装在同一位置。2024年8月的后续数据检索成功恢复了大约2900张图像。2024年2月中旬至5月初，相机完全被雪覆盖，未能拍摄到冰川的任何图像，但记录了约800张雪覆盖下的冰川视图。此外，约200张图像因恶劣天气条件（包括镜头反光、光线不足、暴风雪和雾天）而被排除。2025年7月的第三次数据检索中发现，延时摄影系统在2025年4月停止了工作。虽然图像文件记录至4月，但由于雪完全遮挡，2月之后的冰川表面已不可见，因此2025年春季和夏季没有可用图像。这增加了2100张新图像，但由于类似原因（例如相机浸没和恶劣天气），最后两次检索又排除了约750张图像。总体而言，TLC系统在2023年10月至2025年7月期间提供了3250张可用图像，缺失的数据主要发生在春季时期。在2025年7月的现场考察中，我们发现时间延迟摄像机在2025年4月被完全埋在雪中后停止了工作。尽管在4月之前都有图像文件被记录下来，但由于雪的完全遮挡，从2月份开始冰川表面就不再可见了。因此，2025年春季和夏季没有可用的图像，也无法生成这些时期的速度估计值。3.1.3. GNSS控制测量 使用大地测量级Emlid Reach RS2 GNSS接收器（Cobb等人，2019年）对TLC系统和几个地面控制点（GCPs）进行了测量。为了达到厘米级的精度，使用来自Abru村（33.69°N, 76.58°E, 3732.78 m a.s.l）的永久性基站的参考（基础）站数据对单点GNSS观测进行了后处理，该基站由印度测绘局（Kushwaha等人，2024年）安装和运营。这种高精度的观测确保了从时间延迟图像到公制单位的速度值的可靠缩放。3.2. 基于像素的冰川运动跟踪 在这里，我们采用了特征跟踪方法来使用TLC图像对获取冰川表面冰速度（图2）。我们选择了在当地时间约1300时捕获的每日图像，以确保闪电条件一致，从而得到大约370张图像的数据集。由于每次检索图像时TLC位置都会略有变化，我们将图像对分为三组并分别处理，以保持每个时间段内的几何一致性。我们使用自适应直方图均衡化（Hummel，1977年）来提高图像质量，以减少与光照相关的不一致性。特征跟踪的性能随着图像增强而提高，与测试的其他增强方法相比，adapthisteq产生了最稳健和丰富的特征检测（图S1）。下载：下载高分辨率图像（308KB）下载：下载全尺寸图像 图2. 从地面时间延迟图像中提取冰川冰速度的工作流程，包括图像增强、SIFT（尺度不变特征变换）特征检测和KLT（Kanade–Lucas–Tomasi）光流处理，随后进行RANSAC滤波和运动缩放，以得出水平和垂直冰川运动。3.2.1. 定义感兴趣区域 为了分析冰川冰速度的空间变化，在Drang Drung冰川上定义了三个感兴趣区域（ROIs）（图1b和1c）。ROI1（距TLC约900米）代表外围的干净冰区，即湖泊末端区域，而ROI2（距TLC约700米）位于同一湖泊末端区域的中心线附近。根据冰川厚度估计（Millan等人，2022年），ROI1位于冰川较厚的部分。ROI3（距TLC约450米）对应于陆地末端、被碎屑覆盖的区域。此外，还选择了一个靠近湖泊边缘的稳定、不动的区域（距TLC约900米）用于运动校正和不确定性评估（图1b和1c）。3.2.2. 特征检测和运动向量估计 在图像增强之后，我们采用了混合SIFT-KLT工作流程来识别和跟踪表面特征。尺度不变特征变换（SIFT）提供了独特且不受光照影响的特征位置，这些特征位置对光照变化、阴影、雾和季节性积雪具有很强的鲁棒性（Lowe，1999年）。这些SIFT派生的关键点仅作为初始特征位置；我们没有使用SIFT描述符进行匹配（Bansal等人，2021年；Karami等人，2017年）。随后，应用Kanade-Lucas-Tomasi（KLT）光流算法来跟踪每对图像中与这些关键点相关的像素窗口（Tomasi和Kanade，1991年）。KLT提供了高效且亚像素级的运动估计，但单独使用时对弱纹理和亮度变化敏感。该算法使用最大双向错误阈值来确保高质量的匹配。双向错误度量比较前向和后向跟踪结果以验证一致性。跟踪过程产生了一组表示二维位移的坐标对。之后，使用RANSAC和仿射变换作为运动模型来移除异常对应关系（Fischler和Bolles，1981年；Bebis等人，1999年）。选择仿射模型是因为图像平面中的明显冰川运动不仅包括平移，还包括由速度梯度、地表地形和相机方向变化引起的一阶变形（旋转、剪切和轻微的差异化缩放）。仅使用简单的平移或刚体模型无法准确表示这些效应，否则会导致残差夸大或拒绝有效匹配。这种处理生成了多个过滤后的运动向量，每个向量代表ROI内单个特征对的运动幅度和方向。为了进一步提高对异常值和计算错误运动向量的鲁棒性，计算了所有运动向量的中值幅度。对于方向过滤，那些显著偏离从地面观测得出的平均冰川流动方向的运动向量也被丢弃。过滤程序有效去除了可能由不匹配、瞬态阴影、相机错位和光照不一致引起的异常值。3.3. 摄影测量缩放和冰川冰速度的不确定性估计 在特征跟踪之后，最初以像素坐标获得位移估计，然后使用摄影测量缩放方法将其转换为公制单位。该方法利用TLC参数（相机传感器大小、图像分辨率和焦距）以及特征与相机位置之间的实际测量距离来建立精确的空间缩放关系（Northey，1916年；Dematteis等人，2024年；Giordan等人，2016年）。我们使用GNSS和科学测量带收集的已知尺寸和位置的实地对象（如图S2所示）来验证公制转换的准确性。为了考虑研究期间由于数据检索处理（第3.1.1节）和特征跟踪算法限制导致的相机移动误差和不确定性。为了校正这些偏移，我们使用了3.2.1节中提到的稳定、不动的地形区域，并计算了图像对中稳定特征的表面位移。通过从冰川运动估计中减去稳定区域的中值位移来消除系统性的相机引入的偏差（Hoaglin等人，1982年；Höhle和Höhle，2009年），同时使用稳定区域位移的标准化中值绝对偏差（NMAD）作为不确定性度量（Pieczonka和Bolch，2015年）。3.4. 辅助数据集 我们结合了每年两次（2022年9月至2023年9月）基于GNSS数据记录的消融桩处的冰速度值，得到了年均23.64米/年的结果。此外，我们还使用了ITS_LIVE（冰川速度和海拔的跨任务时间序列）速度数据产品进行对比和评估。ITS_LIVE结合了Sentinel-1、Sentinel-2和Landsat数据，以120米的空间分辨率计算不同时间段（1985年至今）的冰川速度（Gardner等人，2018年）。我们还使用了ERA5-Land再分析数据（0.1°分辨率；Copernicus气候变化服务，2019年）来推导2023年10月至2025年2月期间的季节性标志和累积正度日。需要注意的是，ERA5数据仅作为背景信息；再分析中的潜在不确定性不会影响我们运动跟踪结果的准确性。4. 结果 4.1. Drang Drung冰川上冰速度的异质模式 我们在位于冰川湖泊末端和陆地末端的ROI中发现了冰速度的空间异质性。湖泊末端区域（ROI1和ROI2）的速度始终高于陆地末端区域（ROI3）（图3）。2023年10月至2024年10月期间，ROI1的年均速度几乎是ROI3的1.8倍（35.4米/年对比19.5米/年）。在这些区域，我们观察到了冰川流动的量化季节性。在ROI1，夏季速度（6月至9月）比冬季-春季速度（2月）高42%，而ROI2和ROI3则分别增加了约35%和55%。各个速度估计的不确定性范围通常在±0.3至±1.2米/年之间，相当于季节性冰速度的1%至5%。由于2月之后无法看到冰川（见第3.1.2节），因此尚不清楚减速持续了多久，在春季加速的阶段以及何时开始加速（见图4）。冰川冰速度进一步分为水平分量（平行于冰川表面）和垂直分量（垂直于冰川表面），因为相机设置的角度接近垂直于冰川冰流方向。水平分量表现出类似的季节性，每年有两个加速和减速周期，年度最大值出现在7月和8月（图5）。ROI1的水平速度在24至28米/年之间波动，ROI2在18至24米/年之间，ROI3在6至14米/年之间，最大值出现在6月至9月，最小值出现在10月和2月至3月。为了比较连续年份相同时间段的速度变化（2023年10月至12月对比2024年10月至12月；2024年1月至2月对比2025年1月至2月）（图5），我们在ROI1之间观察到速度略有下降，从26-27米/年降至24-25米/年，在ROI2从19-22米/年降至18-20米/年，在ROI3从11-13米/年降至9-10米/年。在1月至2月的比较中也观察到类似的模式，ROI1的速度基本保持不变（约24至约24-25米/年），而ROI2从约19-20米/年降至约17-18米/年，ROI3从约10-11米/年降至约8-9米/年（表S1）。垂直分量在6月至10月期间表现出显著变化，而在其他时期几乎没有变化（图6）。所有区域的垂直速度在7月至8月达到峰值，ROI1为-2.0米/月，ROI2为-1.4米/月，ROI3为-0.9米/月。下载：下载高分辨率图像（233KB）下载：下载全尺寸图像 图3. 2023年10月至2025年1月期间，三个感兴趣区域（ROIs）的冰川特征速度的季节性变化。下载：下载高分辨率图像（493KB）下载：下载全尺寸图像 图4. 在冬季（2023年12月至2024年1月），冰川特征运动向量主要由水平分量主导，较短的向量表示表面流动减少。相比之下，夏季（2024年6月至7月）表现出增强的水平流动和明显的角度分量，水平和垂直向量分量都表明冰速度增加和表面变薄。下载：下载高分辨率图像（201KB）下载：下载全尺寸图像 图5. 通过时间延迟图像分析得出的三个感兴趣区域（ROIs）的水平冰川表面速度随时间的变化。不同颜色的虚线表示每个ROI的ITS_LIVE速度估计。粗黑虚线代表ROI2附近现场观测的速度数据。下载：下载高分辨率图像（282KB）下载：下载全尺寸图像 图6. 2023年10月至2025年1月期间，ROI1、ROI2和ROI3的季节性垂直速度分别用深色水平线条表示，不确定性用浅色框表示。下载：下载高分辨率图像（690KB）下载：下载全尺寸图像 图7. (a) 显示2024年6月短期水平冰速度（红点）和ERA5日射净辐射（灰点）的图表。红星代表时间上的局部速度最大值，(b, c) 分别表示6月12日至13日和17日至18日冰川末端的垂直速度向量。下载：下载高分辨率图像（1MB）下载：下载全尺寸图像 图8. 6月期间，PlanetScope卫星图像（左）和地面相机观测（右）显示的冰前湖的变化。我们还在6月附近冰川末端观察到了亚周速度变化，当时我们手动检测到了冰前湖中的冰裂隙以及裂隙扩展和冰川表面融化条件的变化（图8）。通过将移动窗口应用于6月的速度时间序列，我们发现了时间上的局部最大值。6月份共有五天的局部最大值（图7），其值范围从23.0米/年到27.8米/年。4.2. 季节期间冰前湖的演变 我们结合了卫星（PlanetScope）和我们的TLC图像来识别冰前湖的演变。6月12日时，湖面主要被冰覆盖，水体相对清澈；到6月25日，湖面变得非常浑浊，含有大量沉积物（图8）。这种时间演变经历了不同的阶段。6月12日，湖面主要被冰覆盖，开阔水域的浑浊度有限。这种情况持续到6月16日，随后冰融化加速，浑浊区域扩大，可见沉积物羽流。到6月19日，浑浊度显著发展，形成了明显的沉积物输送途径，并在6月25日完全转变为浑浊的含沉积物水体。相反，10月9日至25日期间，湖泊经历了从浑浊到清澈蓝水的逆向转变。5. 讨论 5.1.季节性冰川速度及其可能的驱动机制
我们在Drang Drung冰川的不同区域发现了冰川冰速度的季节性波动。在ROI1区域，冰川在晚春和夏季（6月至9月）加速了40%，速度达到了每年40米。ROI2和ROI3区域也观察到了类似的速度增加（峰值约为31米/年和18米/年），但速度增幅较小。这种季节性加速与温度升高和太阳辐射增强有关，导致表面融化改变了冰下水文状况并加速了冰川运动（图S4；Wendleder等人，2023年）。我们预计，随着融化季节的开始，冰下水道无法容纳通过冰裂隙和冰川孔洞从表面输送的融水。因此，系统变得受压，从而导致冰川加速。一旦冰下水道能够有效地引导融水，冰下水压就会减小，进而使冰川速度减慢（Bartholomew等人，2012年）。我们将速度降至最低点（10月至11月）的现象归因于此。已有研究表明，冰川速度与表面融化引起的冰下水文变化之间存在关联（Larsen等人，2023年；Sole等人，2011年；Nanni等人，2023年；Vincent等人，2016年）。
像ROI1这样的冰川区域，其末端位于水体中，整个季节的速度都比像ROI3这样的陆地末端区域更高。这表明湖泊终端对冰川速度有额外的影响（Howat等人，2008年；Pronk等人，2021年；Sommers等人，2024年）。ROI2（也是湖泊终端）的速度低于ROI1，可能是因为ROI2的冰层厚度减少了5-10米（Millan等人，2022年），从而导致的驱动应力较小。我们还推测，ROI1的冰层更干净，有许多冰裂隙和冰洞，使得更多的融水进入冰下水环境，促进了更好的水道形成。
冬季速度保持较低水平，但在ROI1和ROI2地区与秋季最低速度相比有大约10%–15%的轻微加速。相比之下，ROI3的冬季速度增加了近40%。我们认为，ROI3的水道系统不如ROI1和ROI2高效，导致更多的水被截留并产生压力，从而加快了冰川速度。在覆盖有碎屑的冰川中，排水效率低下经常会引起冬季加速现象。关于喜马拉雅山脉和其他高海拔地区覆盖有碎屑的冰川的类似水文控制机制的研究也有很多（Fyffe等人，2019年；Zhou等人，2024年）。
秋季从浑浊水变为清澈水反映了冰川水文的季节性关闭过程。随着温度下降，融水量减少，由于粘性变形，排水路径崩溃，减少了沉积物 transport 并恢复了水的清澈度。这种模式表明了冰前湖泊系统对季节性温度波动的敏感性及其作为更广泛冰川水文状态指标的实用性。这种方法在难以进行连续野外测量的偏远冰川区域特别有价值。
5.2. 非常短期的速度变化及其相关机制
2024年6月，一系列五个明显的速度峰值揭示了冰川对不断变化的水文条件的动态响应。6月9日的第一个峰值（23.0米/年）可能是由终端处冻结湖冰的崩解引起的，这一事件在同一天也被观察到（图8），我们认为这导致静水压力迅速增加，从而降低了基底摩擦力。随后在6月12日和6月18日分别出现了第二个和第三个峰值（25.4米/年和27.8米/年），这些峰值伴随着末端分别上升了2米和0.75米（图7b和7c）。这些上升现象直接证明了基底水压接近漂浮状态，进一步促进了冰川加速。第四个（6月21日）和第五个（6月28日）峰值出现在净辐射量较高的时期，表明持续的融水输入继续驱动了短暂的加速。总体而言，这些峰值表明冰下水道系统进行了快速调整，冰川流动受到波动的静水力的动态调节。6月12日至6月25日期间Drang Drung湖的颜色变化为这一速度变化提供了背景信息，这可以作为冰川排放动态和冰下水道效率的代理指标（Swift等人，2002年；Hodson等人，2004年）。6月初的浑浊度较低表明融水流量较小，而6月中旬表面融化的加剧导致大量含沉积物的水流入湖泊（Bartholomew等人，2012年），这证实了冰下水文活动的增加（图8）。
5.3. 冰川垂直速度与冰川变薄的比较
最近的基于野外的质量平衡观测（Azam等人，2025年）为我们的垂直速度提供了独立验证。将2021-22年和2022-23年开发的回归方程应用于ROI2对应的高度，我们估计平均变薄量为-8.04米（Azam等人，2025年），这与我们在融化季节125天内基于TLC测量的7.5米变薄结果一致（图S3和S5）。这些当前估计值明显低于2015-2020年在同一ROI位置记录的长期大地测量变薄率-3.6±3.4米/年（Hugonnet等人，2021年）。这种基于野外的观测结果与早期卫星数据得出的平均值之间的差异主要是由于近年冰损失加速（图S6），原因是整体降雪量减少以及降雪时间从12月初推迟到2月底。这些变化导致雪的停留时间缩短，裸露的冰面提前暴露，使冰川在季节早期开始融化并延长了融化期。此外，对于短期数据（<10年）的地测量观测也存在较大不确定性，这也导致了差异。
5.4. 水平冰川运动与野外和ITS_LIVE观测的比较
我们将基于TLC的冰川速度与ROI2附近的一个GNSS观测结果以及基于卫星数据得到的ITS_LIVE速度产品进行了比较。2022年9月至2023年9月期间，在一个消融标桩处记录的年表面速度为23.64米/年。相比之下，我们的TLC观测显示ROI2在2023年10月至2024年10月期间的年速度约为20.3米/年。虽然略低，但这种差异可以由年际变化、空间采样差异（基于点的GNSS与ROI平均TLC估计值）以及观测时间窗口的不同来解释。相比之下，ITS_LIVE速度产品大大低估了DDG地区的表面速度（ROI1为13米/年，ROI2为9米/年，ROI3为3.5米/年；图5）。尽管ITS_LIVE中使用的autoRIFT算法适用于快速流动的极地冰川（Charrier等人，2025年；Gardner等人，2018年；Lei等人，2022年），但对于移动缓慢的高海拔喜马拉雅冰川，其准确性受到限制。此外，ITS_LIVE中使用的相关窗口大小针对较大且流动更快的冰川进行了优化，这可能导致在表面对比度较低或位移较小的区域特征检测能力下降和不确定性增加。TLC和ITS_LIVE速度之间的差异还由于空间分辨率的不同。ITS_LIVE提供的速度是基于平均每个120米网格单元的，这会平滑强烈的局部梯度并在单个像素内混合不同的表面类型。相比之下，TLC测量能够在更精细的空间尺度（<2-5米）上解析运动，捕捉到卫星数据产品中可能被均匀化的局部变化。因此，为了保持一致性，我们将TLC速度报告为约100米ROI范围内的平均值（图1b）。我们在Drang Drung冰川的清洁区和覆盖有碎屑的区域进行的年度观测显示，速度范围为10-25米/年，这与邻近的西喜马拉雅冰川系统的观测结果相当，包括Chenab河流域的Bhut和Warwan次流域的冰川（约10-15米/年；Garg等人，2025年）、Suru次流域的Kangriz冰川（约15-20米/年；P.K. Garg等人，2022年）以及Pensilungpa冰川（<5-20米/年；S. Garg等人，2022年）等。这些结合了分辨率和算法限制的因素可能解释了ITS_LIVE为何系统性地低估了Drang Drung冰川的速度，突显了高频、高分辨率地面观测对于小型和缓慢移动的喜马拉雅冰川系统的重要性。
6. 结论
这项研究表明，地面延时相机（TLC）可以有效地应用于高海拔地区（如喜马拉雅山脉）移动缓慢的冰川的短期速度变化研究。当基于卫星的冰川速度产品不足（例如ITS_LIVE数据中的低估值）且现场观测稀缺时，此类数据集对于研究高海拔山区冰川的季节性冰动力学至关重要。我们的结果清楚地识别了不同区域（如湖泊终端或陆地终端、覆盖有碎屑或干净冰面的区域）之间空间异质性的周际到季节性变化，强调了冰川速度与季节性变化的冰下水道系统之间的可能联系。我们的TLC观测为存在水道化的冰下水道系统提供了关键证据，表现为湖水颜色从清澈变为浑浊的明显转变。
Pawan Singh：撰写 - 审稿与编辑、撰写 - 原稿、可视化、验证、软件、方法学、调查、正式分析、数据管理、概念化。
Saurabh Vijay：撰写 - 审稿与编辑、监督、资源管理、项目运作、资金获取、概念化。
Mohd Farooq Azam：撰写 - 审稿与编辑、资源管理。
**关于手稿准备过程中使用生成式AI和AI辅助技术的声明**
在准备这项工作时，作者使用了ChatGPT/OpenAI来提高手稿的清晰度和语言使用效果。使用该工具/服务后，作者根据需要对内容进行了审查和编辑，并对发布的文章内容负全责。
**资金支持**
这项研究得到了印度理工学院Roorkee分校的教师启动基金（项目编号FIG-100918）的资助、工业咨询以及印度教育部的奖学金支持。
打赏
