前瞻科技
| 科技焦点
2026, 5(3): 92-102
极地冰盖内部结构遥感探测技术现状及展望
全屏
全屏
作者信息
- 1中山大学土木工程学院, 珠海 519082
- 2中山大学遥感科学与技术学院, 珠海 519082
马会环，教授，博士研究生导师。主要从事海洋结构力学与极地探测研究。主持“十四五”国家重点研发计划课题、国家自然科学基金、广东省基金等纵横向科研项目10余项。获广东省科技进步奖二等奖、广东省钢结构科学技术奖一等奖、中国钢结构协会创新人才奖等奖项。发表论文80余篇，授权发明专利20余项，出版专著2部。电子信箱：mahh5@mail.sysu.edu.cn
程晓，教授，博士研究生导师。国家杰出青年科学基金获得者。主要从事极地遥感与全球变化研究。先后参加中国第16、22、24和32次南极科学考察，并多次进入北极地区开展考察。在极地冰冻圈多要素多源遥感反演、监测与变化机制分析等方向取得系统性研究成果，牵头推动我国“极鹰”系列极地遥感无人机体系建设、极地遥感小卫星“冰路”卫星应用，以及“中山大学极地”号科考船建设。获北京青年“五四奖章”、“中国极地考察先进个人”等荣誉称号。发表论文百余篇。电子信箱：chengxiao9@mail.sysu.edu.cn。
通信作者:
Remote Sensing Techniques for Detecting Internal Structures of Polar Ice Sheets: Current Status and Prospects
Affiliations
- 1School of Civil Engineering, Sun Yat-sen University, Zhuhai 519082, China
- 2School of Geospatial Engineering and Science, Sun Yat-sen University, Zhuhai 519082, China
出版时间: 2026-09-20
doi: 10.3981/j.issn.2097-0781.20260014
文章导航
摘要
收起
极地冰盖稳定性是影响未来全球海平面变化和极地环境演化的关键科学问题。相比传统基于表面高程、流速和质量平衡等指标的宏观观测，冰盖内部结构信息能够更直接反映冰体的沉积历史、流变特征、损伤演化和基底边界条件，是冰盖稳定性分析的重要约束。文章以冰盖内部层状结构、裂隙结构和冰下水文系统等典型结构为例，系统总结了极地冰盖内部结构的主要遥感识别方法及其研究进展，并分析了这些结构对冰流动力学特性、断裂演化过程和整体稳定性的影响。在此基础上，归纳了内部结构信息在物理模型约束、时序遥感监测预警和数据驱动预测中的应用进展。最后，针对现有研究在观测分辨率、多尺度过程描述和结构参数表达方面的不足，提出未来应加强新型探测技术研发和多源遥感协同反演，利用内部结构信息约束流变、损伤和基底摩擦等模型参数的取值，并发展基于动力学过程的稳定性预测方法。
极地冰盖
/
内部结构
/
遥感探测
/
稳定性预测
/
多源遥感
The stability of polar ice sheets is a key scientific issue influencing future sea-level variation and polar environmental evolution. Compared with conventional macroscopic observations based on indicators such as surface elevation, flow velocity and mass balance, information on internal ice sheet structures can more directly reflect the depositional history, rheological properties, damage evolution and basal boundary conditions of ice bodies, serving as critical constraints for ice sheet stability analysis. By taking typical structures such as englacial stratigraphy, crevasse structures and basal hydrological systems as examples, this paper systematically summarizes the major remote sensing methods employed to detect internal structures of polar ice sheets, and reviews research progress in this field. Furthermore, it analyzes the influence of these structures on ice-flow dynamic properties, fracture evolution, and overall stability. On this basis, the application progress of internal structure information in physical model constraints, time-series remote sensing monitoring and early warning, and data-driven prediction is also reviewed. Finally, in view of limitations of existing studies in observational resolution, multi-scale process representation and the parameterization of structural information, it is proposed that future research should strengthen the development of new detection techniques and the joint inversion of multi-source remote sensing data, employ internal structure information to constrain the values of rheology, damage and basal friction parameters, and develop dynamic process-based stability prediction methods.
polar ice sheet
/
internal structure
/
remote sensing detection
/
stability prediction
/
multi-source remote sensing
马会环, 周宇, 程晓.
极地冰盖内部结构遥感探测技术现状及展望.
前瞻科技,
2026
, 5
(3)
: 92
-102
.
DOI: 10.3981/j.issn.2097-0781.20260014
Huihuan MA, Yu ZHOU, Xiao CHENG.
Remote Sensing Techniques for Detecting Internal Structures of Polar Ice Sheets: Current Status and Prospects[J].
Science and Technology Foresight,
2026
, 5
(3)
: 92
-102
.
DOI: 10.3981/j.issn.2097-0781.20260014
正文
收起
冰盖内部结构既是冰体积累、压实、变形和再冻结等演化过程的记录，也是控制冰体各向异性流变特征、应力传递、断裂扩展和基底滑移行为的重要因素。因此，获取并解析冰盖内部结构信息，已成为认识冰盖力学行为和提升冰盖稳定性预测能力的关键前提。近年来，冰穿透雷达对内部反射层和底界面的探测，合成孔径雷达（Synthetic Aperture Radar, SAR）、干涉合成孔径雷达（Interferometric Synthetic Aperture Radar, InSAR）对冰面形变与裂隙变化的高时空分辨率监测，ICESat-2（Ice, Cloud, and Land Elevation Satellite-2）激光测高数据对微小高程变化和冰下湖排水引起的冰面响应的精细刻画，以及基于深度学习的裂隙自动识别方法，正在推动极地冰盖研究由冰面几何与运动状态观测向内部结构探测拓展，并逐步将内部结构信息引入冰盖稳定性数值模拟与预测分析中[6,12]。
文章系统综述冰盖内部结构的遥感识别研究进展、内部结构对冰体力学响应的影响，以及内部结构信息在稳定性预测中的应用。在此基础上，进一步梳理当前研究在多尺度结构表征、力学过程耦合和参数化表达方面的关键问题，以期为该领域研究提供系统性认识与发展方向参考。
1 冰盖内部结构遥感识别研究进展
收起
文章主要关注可通过遥感手段识别的典型结构特征，包括层状结构、裂隙结构和冰底结构与冰下水文系统等。这些结构信息对于认识冰体的变形过程和稳定性具有重要意义。在缺乏内部结构约束的情况下，冰盖动力学模型通常将冰体简化为连续介质，难以反映层理变形、裂隙扩展和基底条件变化等过程所引起的局部非均质性，从而限制了对冰体断裂演化和局部失稳行为的准确预测。
近年来，冰穿透雷达、SAR、InSAR、激光测高和高分辨率光学遥感等技术的快速发展，显著提升了对冰盖内部层状结构、裂隙分布、冰底结构和冰下水文系统的识别能力，为冰盖内部结构研究提供了更加可靠的观测约束。图1展示了极地冰盖典型内部结构和主要遥感探测方式。
1.1 层状结构识别
层状结构是冰盖最基本的内部结构形态，其几何形态与连续性反映了冰体在积累、压实和流动变形过程中的演化特征，并对冰体的力学响应和整体稳定性产生重要影响。一般而言，层间连续性较好的区域对应相对稳定的沉积−变形过程，而层理中断、褶皱或错断则往往反映局部应变集中、基底扰动或复杂流动机制，这些异常层理特征及其反映的动力学过程可能进一步影响冰流稳定性。
对这类结构的识别主要利用冰穿透雷达开展的无线电回波探测（Radio Echo Sounding, RES）。冰体内部不同层位之间的介电性质差异可形成能够被雷达识别的反射界面，为层状结构探测提供物理基础[13]。因此，冰穿透雷达已成为识别冰盖内部层状结构的关键技术手段。近年来，冰穿透雷达数据的层位识别由早期依赖人工判读逐步发展为半自动、自动化的层位追踪方法，可在雷达图像中连续识别并追踪内部反射层；深度学习方法也开始被用于雷达剖面中内部反射层、冰面和冰床界面的自动识别与提取，为复杂图像条件下的层位追踪提供了新的技术路径。在此基础上，研究进一步利用这些层理信息重建等时层分布，构建冰盖内部年代地层框架，为分析冰盖的变形与演化历史提供约束[14]。相关研究表明，雷达图像中冰床界面和内部反射层等特征的自动提取方法正快速发展，特征追踪已成为提升冰盖内部结构解析效率与结果一致性的关键环节[15-17]。国内相关研究已在东南极伊丽莎白公主地中国南极泰山站附近开展冰厚、内部层理和冰下地形探测[18]，并进一步利用中山站至冰穹A沿线的雷达数据，研究雷达图像去噪、内部层理连续性评价和冰–基岩界面智能提取方法[15]。进一步地，针对南极冰盖的大尺度雷达地层的区域整合不断推进，广域雷达地层信息已被用于年龄−深度模型构建和冰盖演化过程约束，表明内部层状结构信息的应用正由地层记录逐步转化为冰流动力学模型约束和古冰盖重建。2025年，AntArchitecture国际合作群体发表的基于南极雷达地层构建年龄−深度模型的综述[19]，以及无线电回波探测数据中特征追踪方法的综述[17]，进一步表明，内部反射层识别与年龄−深度建模已成为连接雷达观测、冰盖演化重建和模型约束的重要环节。
在冰盖近表层，粒雪致密化过程形成了具有明显层化特征的内部结构，其密度、孔隙率和含水状态的持续演化不仅影响冰体上部的有效刚度与渗透性，还通过调节应力传递和融水运移过程影响局部变形特征。由于粒雪结构对电磁波传播与散射具有显著影响，粒雪层已成为高频冰穿透雷达探测和InSAR高程反演的重要研究对象。近年来，针对粒雪结构的遥感识别取得了显著进展，结构表征方法已由传统经验参数化逐步发展为融合雷达、激光测高和过程模型的多源联合反演方法。相关研究进一步表明，粒雪密度、液态水含量和孔隙封闭过程不仅决定冰盖表层质量平衡和融水储存能力，还影响冰盖对表面融水输入和水力压裂过程的响应敏感性，为近表层内部结构识别及其在冰盖稳定性分析中的应用提供了新的观测约束[10,20-23]。
1.2 裂隙特征识别
相比层状结构，裂隙分布与冰架失稳过程具有更直接的对应关系。因此，裂隙分布监测更强调高时空分辨率和连续观测能力。SAR/InSAR具有全天时、全天候观测能力和较短重访周期，已成为冰架裂隙识别和演化监测的重要遥感技术。在裂隙识别中，SAR/InSAR不仅提供影像纹理信息，还可通过形变场和相干性变化刻画裂隙活动状态。基于冰流速度梯度、干涉相位变化、相干性降低和局部形变异常等遥感特征，可识别裂隙萌生、扩展和局部损伤增强过程。近年来，随着光学影像、SAR振幅影像和激光测高数据的融合应用，裂隙识别方法已由传统人工判读逐步发展为自动化提取，并呈现由单一裂隙检测向裂隙网络的结构化表征拓展的趋势。此外，激光测高数据的应用进一步提升了裂隙三维几何结构的识别能力。基于ICESat-2的高精度高程观测，不仅能够获取裂隙的平面分布特征，还可反演其深度变化和立体形态演化过程。这类垂向信息对于判别裂隙是否向贯穿性断裂发展具有重要意义，为裂隙演化阶段划分和失稳风险评估提供了关键约束[26-27]。
1.3 冰底结构与冰下水文系统识别
1.4 多源遥感融合
总体来看，单一遥感手段难以实现对冰盖内部结构的完整刻画。不同观测技术在信息获取方面具有显著互补性：冰穿透雷达主要用于表征内部层状结构及底界面特征，SAR/InSAR能够刻画冰流动力学过程与裂隙损伤演化，光学影像适用于表面形态识别，而激光测高则对冰面垂向变化具有较高敏感性[7,38]。在此基础上，多源遥感融合逐渐成为冰盖内部结构立体探测的重要发展方向[4,14,39]。通过综合利用不同数据源的结构信息与动力学响应特征，研究正由单一结构识别向结构信息与动力学过程关联分析转变，从而提升对内部结构与冰体力学行为之间关系的解释能力[28-29,39]。特别是在裂隙识别、融水过程监测和稳定性预警等应用中，多源数据协同已成为提高识别精度、降低不确定性和增强结果可靠性的关键途径[31]。
2 内部结构约束下的冰盖动力学稳定性预测
收起
当前冰盖稳定性预测主要依赖冰流动力学模型，其参数反演与模型约束主要依赖冰面流速、高程变化和表面质量平衡等表面观测数据。其中，冰面流速已成为模型约束的重要观测量，但现有模型冰体内部结构及其演化过程的表征相对简化。这种处理方式虽然在大尺度上能够较好地再现冰流运动特征，但由于缺乏对内部结构和物性参数的直接约束，在描述局部失稳、快速流动和冰架崩解等过程时存在明显局限。为更直观地说明表面观测约束的局限，以及内部结构与物性参数在冰盖动力学稳定性中的作用，图2展示了表面观测、内部结构与物性参数约束、冰盖动力学响应、稳定性演化之间的关系框架。
从力学角度看，冰体内部结构信息不仅包括层状结构、裂隙与损伤分布和冰底边界等几何信息，还包含孔隙率、含水率、温度和盐度等反映材料属性的物性参数。这些因素共同控制冰体的流变特性、应力传递路径及断裂行为。层状结构记录了冰体的长期沉积与变形历史，其几何形态和连续性可为各向异性流变特征和应力分布分析提供约束；裂隙与损伤分布则影响破坏路径和断裂扩展条件。与此同时，粒雪层中的孔隙结构和含水状态会调节液态水的滞留与渗透能力，从而影响水力压裂发生的临界条件[10,21,23]。基底结构和冰下水文过程则通过调节有效压力与滑移强度改变应力再分配方式，并进一步影响冰架对内陆冰流的阻滞作用[40]。忽略上述结构与物性参数的空间差异，往往会导致模型低估局部应力集中、裂隙贯通和快速失稳等关键过程。
基于上述认识，将内部结构信息纳入冰盖稳定性预测框架，是提高模型可靠性的关键。多源遥感数据融合为建立内部结构特征与动力学响应之间的联系提供了观测基础，也为分析内部结构与冰流演化之间的定量关系创造了条件。然而，内部结构信息在预测模型中的应用仍面临多方面挑战，包括结构信息尺度与模型分辨率之间的不匹配、结构−力学参数映射关系的不确定性，以及多过程耦合机制的复杂性。近期研究表明，遥感识别的裂隙分布与反演流变参数之间可能并不存在稳定的一一对应关系，这也说明将结构信息引入模型时仍需结合应力状态和边界条件综合解释[41]。未来需要在多源数据融合、结构参数化表达和机制约束建模等方面进一步发展，以构建面向冰盖稳定性预测的综合分析框架。
3 遥感观测信息在冰架稳定性预测中的应用
收起
内部结构遥感观测信息在稳定性预测中的应用，核心是将层理、裂隙、粒雪与融水、基底结构和冰下水文等观测特征转化为模型参数、边界条件或预警指标，并服务于冰盖稳定性评估与风险预测（图3）。
3.1 物理模型中的结构约束
在物理模型中，遥感观测信息的作用不仅在于描述冰盖的几何状态，更在于为模型参数、边界条件和损伤演化过程提供约束。具体而言，雷达识别的内部反射层和等时层可用于约束年龄−深度关系和长期变形历史；裂隙分布和表面形变信息可用于刻画损伤演化和潜在破裂区域；基底反射特征、冰床粗糙度和冰下水文信息则可用于修正底部摩擦与滑移条件。与主要依赖冰面流速、高程和冰厚等表面及几何观测信息的模型约束方法相比，引入内部结构观测信息有助于提高模型对冰盖历史演化、边界条件变化和局部失稳过程的表征能力。
在断裂与崩解预测方面，遥感获取的裂隙信息正逐步由几何描述转化为力学约束。通过联合分析裂隙分布、应变率场和应力状态，可以估计冰体发生断裂时的应力范围，并检验或标定模型中的断裂准则和强度参数，从而为冰架损伤模型中的断裂阈值和强度参数取值提供观测依据[42]。
3.2 时序遥感观测与失稳识别预警
需要指出的是，遥感预警更适用于识别正在发展的不稳定状态，而对长期演化趋势的预测仍依赖动力学模型。时序观测能够提供高频率的风险信号，而物理模型则用于解析其内在机制与演化路径，二者的结合是构建有效稳定性预测体系的关键。
3.3 数据驱动方法的初步进展
4 挑战与建议
收起
4.1 面临挑战
尽管极地冰盖内部结构遥感识别及其在稳定性分析中的应用已取得一定进展，但在观测精度、参数转化和预测框架等方面仍存在若干关键挑战。
（1）内部结构遥感识别的精细度与可靠性仍受到多源观测能力的限制。冰穿透雷达虽能够有效刻画层状结构和基底界面，但对微观结构特征及其物理属性的识别与定量表征能力仍然有限；InSAR和激光测高对冰面运动与高程变化具有较高的观测能力，但对深层内部结构和冰底边界条件的直接约束能力有限。尤其在粒雪层发育和融水活动频繁区域，电磁波传播过程中的穿透衰减、散射效应和反演误差进一步增加了结构解释的不确定性。
（2）内部结构信息与冰体力学参数之间的定量关系仍不明确。现有研究已认识到内部结构对冰体力学行为的影响，但结构特征如何转化为模型参数仍缺乏明确的约束方法。层理连续性与各向异性流变参数、裂隙几何特征与损伤演化速率，以及基底反射特征与底部摩擦、水文状态之间的定量关系，目前多依赖经验假设或间接反演，缺乏直接约束。这一不足直接影响了模型参数取值的可靠性。
（3）当前研究多针对粒雪−融水作用、裂隙扩展与断裂、基底滑移与接地线迁移等单一过程开展分析，而这些过程在实际中相互作用。由于缺少对这些相互作用的统一处理，模型在短期变化与长期演化、局部区域与整体尺度之间往往给出不一致的结果，从而影响稳定性预测的可信度。
4.2 对策建议
（1）突破穿透深度、分辨率、信号解译复杂及观测尺度有限等挑战，发展新型冰盖透视技术，实现对冰盖内部的广域大尺度透视。当前我国冰盖内部探测主要依托南极“雪鹰601”固定翼飞机搭载穿冰雷达，对于广袤南极冰盖的时空覆盖能力较为有限。未来发展应实现平台和载荷的协同发展，构建由长航时无人机、冰盖表面自主巡航平台、地面移动式冰川穿透雷达和低轨卫星等组成的多平台观测体系，为科学界提供更加广域、立体和精细的冰盖内部结构信息，支撑冰盖内部结构时空变化探测。
（2）加强透视雷达与卫星SAR、激光测高、光学遥感和现场观测数据的协同反演，提高冰盖内部结构识别的精度与一致性，并增强对内部结构变化与外部特征变化关联的分析能力，进一步揭示冰下湖蓄排水、冰架崩解、冰面融水下渗等突变发生时冰盖内部的响应机制。
（3）明确不同类型结构信息在模型中的引入与表征方式，建立结构特征与流变、损伤、底部摩擦、水文参数之间的定量联系；加强数值模拟研究，发展包含多种过程相互作用的动力学模型，并结合时序遥感探测对模型进行持续约束，从而提高对冰盖稳定性演化的预测能力。同时，可关注物理信息神经网络（Physics-informed Neural Network, PINN）等物理约束机器学习方法在冰流动力学参数反演和模型约束中的潜在应用。
5 结束语
收起
极地冰盖内部结构信息是连接遥感观测与冰盖动力学分析的重要桥梁，也是开展冰盖稳定性研究的重要观测约束。然而，冰盖内部结构复杂，其高精度探测仍是当前极地遥感探测领域亟待突破的关键技术难题。围绕这一问题，必须加快推进新型冰穿透技术、开展多源遥感数据的协同反演、明确结构特征与力学参数之间的定量关系，以及发展能够同时考虑多种过程相互作用的预测方法，从而提高冰盖稳定性分析的准确性和可靠性。
即将到来的第五次国际极地年（IPY5，2032—2033年）为实现广域极地冰盖深部探测带来了机遇，冰盖内部结构探测是国际共同关注的话题，南极冰盖地域广袤，任何一个国家都不可能独立完成。我国应牵头发起“透明冰盖（Transparent Ice Sheet）”国际大科学计划，将其纳入我国参与IPY5的旗舰项目之一，推动与欧美极地强国的深度合作，开展分工“会战”观测，共同绘制南极冰盖“透视图”，理解冰盖演化和变化机制，提升对极地冰盖变化和全球海平面上升的预测能力。
基金
收起
- 教育部学科突破先导项目(JYB2025XDXM803)
文献
收起
参考文献
引证文献
排序方式：
[1]
Shepherd A, Ivins E, Rignot E, et al. Mass balance of the Antarctic ice sheet from 1992 to 2017[J]. Nature, 2018, 558(7709): 219-222.
[2]
Shepherd A, Ivins E, Rignot E, et al. Mass balance of the Greenland ice sheet from 1992 to 2018[J]. Nature, 2020, 579(7798): 233-239.
[3]
Otosaka I N, Shepherd A, Ivins E R, et al. Mass balance of the Greenland and Antarctic ice sheets from 1992 to 2020[J]. Earth Syst Sci Data, 2023, 15(4): 1597-1616.
[4]
Smith B, Fricker H A, Gardner A S, et al. Pervasive ice sheet mass loss reflects competing ocean and atmosphere processes[J]. Science, 2020, 368(6496): 1239-1242.
[5]
林依静, 于志同, 刘岩, 等. 2005年—2016年南极冰盖物质平衡精细评估[J]. 遥感学报, 2023, 27(2): 318-334.
Lin Y J, Yu Z T, Liu Y, et al. Assessment of Antarctic ice sheet mass balance from 2005 to 2016[J]. National Remote Sensing Bulletin, 2023, 27(2): 318-334. (in Chinese)
[6]
冉有华, 李新, 车涛, 等. 中国冰冻圈遥感近期研究进展与若干前沿问题探讨[J]. 遥感学报, 2025, 29(6): 1831-1847.
Ran Y H, Li X, Che T, et al. Recent progress and emerging frontiers in China’s cryosphere remote sensing research[J]. National Remote Sensing Bulletin, 2025, 29(6): 1831-1847. (in Chinese)
[7]
Mouginot J, Rignot E, Bjrk A A, et al. Forty-six years of Greenland Ice Sheet mass balance from 1972 to 2018[J]. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(19): 9239-9244.
[8]
Rignot E, Mouginot J, Scheuchl B, et al. Four decades of Antarctic Ice Sheet mass balance from 1979–2017[J]. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(4): 1095-1103.
[9]
李荣兴, 李国君, 安璐, 等. 南极三大冰架稳定性的现状与变化趋势[J]. 中国科学: 地球科学, 2024, 54(8): 2656-2673.
Li R X, Li G J, An L, et al. Status and trends in the stability of the three largest ice shelves in Antarctica[J]. Scientia Sinica: Terrae, 2024, 54(8): 2656-2673. (in Chinese)
[10]
Lai C Y, Kingslake J, Wearing M G, et al. Vulnerability of Antarctica’s ice shelves to meltwater-driven fracture[J]. Nature, 2020, 584(7822): 574-578.
[11]
Morlighem M, Rignot E, Binder T, et al. Deep glacial troughs and stabilizing ridges unveiled beneath the margins of the Antarctic ice sheet[J]. Nature Geoscience, 2020, 13(2): 132-137.
[12]
Wilson S F, Hogg A E, Rigby R, et al. Detection of 85 new active subglacial lakes in Antarctica from a decade of CryoSat-2 data[J]. Nature Communications, 2025, 16: 8311.
[13]
肖鹏, 于志同, 陈卓奇, 等. 天基穿冰雷达系统: 机遇与挑战[J]. 雷达学报, 2022, 11(3): 479-498.
Xiao P, Yu Z T, Chen Z Q, et al. Orbital radar sounding of earth’s ice sheets: Opportunities and challenges[J]. Journal of Radars, 2022, 11(3): 479-498. (in Chinese)
[14]
MacGregor J A, Fahnestock M A, Paden J D, et al. A revised and expanded deep radiostratigraphy of the Greenland Ice Sheet from airborne radar sounding surveys between 1993 and 2019[J]. Earth System Science Data, 2025, 17(6): 2911-2931.
[15]
Tang X Y, Luo K, Dong S, et al. Quantifying basal roughness and internal layer continuity index of ice sheets by an integrated means with radar data and deep learning[J]. Remote Sensing, 2022, 14(18): 4507.
[16]
Peng C Y, Zheng L, Liang Q, et al. ST-SOLOv2: Tracing depth hoar layers in Antarctic ice sheet from airborne radar echograms with deep learning[J]. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62: 4303014.
[17]
Moqadam H, Eisen O. Review article: Feature tracing in radio-echo sounding products of terrestrial ice sheets and planetary bodies[J]. The Cryosphere, 2025, 19(6): 2159-2196.
[18]
Tang X Y, Guo J X, Sun B, et al. Ice thickness, internal layers, and surface and subglacial topography in the vicinity of Chinese Antarctic Taishan station in Princess Elizabeth Land, East Antarctica[J]. Applied Geophysics, 2016, 13(1): 203-208.
[19]
Bingham R G, Bodart J A, Cavitte M G P, et al. Review article: AntArchitecture–building an age–depth model from Antarctica’s radiostratigraphy to explore ice-sheet evolution[J]. The Cryosphere, 2025, 19(10): 4611-4655.
[20]
Culberg R, Schroeder D M, Chu W. Extreme melt season ice layers reduce firn permeability across Greenland[J]. Nature Communications, 2021, 12: 2336.
[21]
Cooper M G, Smith L C, Rennermalm K, et al. Greenland ice sheet runoff reduced by meltwater refreezing in bare ice[J]. Nature Communications, 2025, 16: 8273.
[22]
Vandecrux B, Mottram R, Langen P L, et al. The firn meltwater Retention Model Intercomparison Project (RetMIP): Evaluation of nine firn models at four weather station sites on the Greenland ice sheet[J]. The Cryosphere, 2020, 14(11): 3785-3810.
[23]
Tedstone A, Machguth H, Clerx N, et al. Concurrent superimposed ice formation and meltwater runoff on Greenland’s ice slabs[J]. Nature Communications, 2025, 16: 4494.
[24]
Borstad C P, Khazendar A, Larour E, et al. A damage mechanics assessment of the Larsen B ice shelf prior to collapse: Toward a physically-based calving law[J]. Geophysical Research Letters, 2012, 39(18): L18502.
[25]
鞠琦, 李刚, 李超越, 等. 基于Sentinel-1影像追踪与迭代SVD技术提取格陵兰Petermann冰川流速时序[J]. 遥感学报, 2024, 28(6): 1453-1464.
Ju Q, Li G, Li C Y, et al. Time-series surface velocity extraction of Petermann Glacier based on Sentinel-1 pixel offset-tracking and iterative SVD[J]. National Remote Sensing Bulletin, 2024, 28(6): 1453-1464. (in Chinese)
[26]
刘婷婷, 丁锐, 艾松涛, 等. 基于REMA数据的东南极达尔克冰川表面塌陷研究[J]. 遥感学报, 2023, 27(9): 2114-2126.
Liu T T, Ding R, Ai S T, et al. Monitoring and analyzing of the depression on dalk glacier, east Antarctica by REMA[J]. National Remote Sensing Bulletin, 2023, 27(9): 2114-2126. (in Chinese)
[27]
郭怡心, 王显威. 基于ICESat-2数据的东南极Drygalski冰舌崩解前干舷特征提取[J]. 极地研究, 2025, 37(2): 171-188.
Guo Y X, Wang X W. Freeboard mapping and characterization of Drygalski Ice Tongue, East Ant-arctica prior to calving based on ICESat-2 data[J]. Chinese Journal of Polar Research, 2025, 37(2): 171-188. (in Chinese)
[28]
Kingslake J, Ely J C, Das I, et al. Widespread movement of meltwater onto and across Antarctic ice shelves[J]. Nature, 2017, 544(7650): 349-352.
[29]
Dell R L, Willis I C, Arnold N S, et al. Substantial contribution of slush to meltwater area across Antarctic ice shelves[J]. Nature Geoscience, 2024, 17(7): 624-630.
[30]
Banwell A F, Willis I C, MacDonald G J, et al. Direct measurements of ice-shelf flexure caused by surface meltwater ponding and drainage[J]. Nature Communications, 2019, 10: 730.
[31]
唐学远, 孙波, 马红梅, 等. 南极冰盖深部结构、冰下过程及其对冰盖稳定性和海平面的影响[J]. 极地研究, 2021, 33(4): 604-611.
Tang X Y, Sun B, Ma H M, et al. The deep structure and subglacial processes of the Antarctic ice sheet, and its influence on the ice sheet instability and sea level[J]. Chinese Journal of Polar Research, 2021, 33(4): 604-611. (in Chinese)
[32]
Siegfried M R, Fricker H A. Illuminating active subglacial lake processes with ICESat-2 laser altimetry[J]. Geophysical Research Letters, 2021, 48(14): e2020GL091089.
[33]
Pritchard H D, Fretwell P T, Fremand A C, et al. Bedmap3 updated ice bed, surface and thickness gridded datasets for Antarctica[J]. Scientific Data, 2025, 12: 414.
[34]
Dong S, Fu L, Tang X Y, et al. Deep clustering in subglacial radar reflectance reveals subglacial lakes[J]. The Cryosphere, 2024, 18(3): 1241-1257.
[35]
高金耀, 陈焱琨, 董超, 等. 南极罗斯海陆架区冰川-海洋-海底多圈层相互作用的探测研究现状[J]. 极地研究, 2024, 36(3): 421-437.
Gao J Y, Chen Y K, Dong C, et al. Exploration and study of glacier-ocean-seafloor multi-layer interactions on the Ross Sea continental shelf, Antarctica[J]. Chinese Journal of Polar Research, 2024, 36(3): 421-437. (in Chinese)
[36]
Freer B I D, Marsh O J, Hogg A E, et al. Modes of Antarctic tidal grounding line migration revealed by Ice, Cloud, and land Elevation Satellite-2 (ICESat-2) laser altimetry[J]. The Cryosphere, 2023, 17(9): 4079-4101.
[37]
Bradley A T, Hewitt I J. Tipping point in ice-sheet grounding-zone melting due to ocean water intrusion[J]. Nature Geoscience, 2024, 17(7): 631-637.
[38]
Howat I M, Porter C, Smith B E, et al. The reference elevation model of Antarctica[J]. The Cryosphere, 2019, 13(2): 665-674.
[39]
de Roda Husman S, Lhermitte S, Bolibar J, et al. A high-resolution record of surface melt on Antarctic ice shelves using multi-source remote sensing data and deep learning[J]. Remote Sensing of Environment, 2024, 301: 113950.
[40]
Bowling J S, McMillan M, Leeson A A, et al. Outburst of a subglacial flood from the surface of the Greenland Ice Sheet[J]. Nature Geoscience, 2025, 18(8): 740-746.
[41]
Gerli C, Rosier S, Gudmundsson G H, et al. Weak relationship between remotely detected crevasses and inferred ice rheological parameters on Antarctic ice shelves[J]. The Cryosphere, 2024, 18(6): 2677-2689.
[42]
Wells-Moran S, Ranganathan M, Minchew B. Fracture criteria and tensile strength for natural glacier ice calibrated from remote sensing observations of Antarctic ice shelves[J]. Journal of Glaciology, 2025, 71: e47.
[43]
Rignot E, Scheuchl B, Barre J B, et al. Thirty years of glacier grounding line retreat in Antarctica[J]. Proceedings of the National Academy of Sciences of the United States of America, 2026, 123(10): e2524380123.
[44]
Huang Z R, Wang S J, Alley R B, et al. A robust multitask deep learning algorithm for Antarctic ice shelf fracture detection from multisource satellite imagery[J]. Remote Sensing of Environment, 2025, 330: 114964.
2026年第5卷第3期
PDF下载
2752
1415
引用本文
BibTeX
文章信息
doi: 10.3981/j.issn.2097-0781.20260014
- 接收时间：2026-06-01
- 出版时间：2026-09-20
- 发布时间：2026-10-10
补充材料
相关文章
表12种不同金属材料的力学参数
| 科 Family | 属数 Number of genus | 种数 Number of species | 占总种数比例 Percentage of total species (%) | 属 Genus | 种数 Number of species | 占总种数比例 Percentage of total species (%) |
|---|---|---|---|---|---|---|
| 鹅膏菌科Amanitaceae | 2 | 11 | 5.26 | 鹅膏菌属 Amanita | 10 | 4.78 |
| 小菇科 Mycenaceae | 2 | 12 | 5.74 | 丝盖伞属 Inocybe | 5 | 2.39 |
| 多孔菌科 Polyporaceae | 8 | 14 | 6.70 | 蜡蘑属 Laccaria | 5 | 2.39 |
| 红菇科 Russulaceae | 3 | 23 | 11.00 | 小皮伞属 Marasmius | 6 | 2.87 |
| 小菇属 Mycena | 11 | 5.26 | ||||
| 光柄菇属 Pluteus | 5 | 2.39 | ||||
| 红菇属 Russula | 17 | 8.13 | ||||
| 栓菌属 Trametes | 5 | 2.39 |
关闭全屏
