简介：[目的]冰面湖作为格陵兰冰盖水文系统的重要组成部分,遥感监测其时空演变对冰盖物质平衡评估与稳定性分析具有重要意义.然而,传统水体指数方法阈值设置依赖场景,需要人工调整;传统机器学习和深度学习方法则面临样本需求量大、时空泛化能力弱等问题,导致大范围冰面湖时序监测的自动化能力差.[方法]为此,本研究采用微调的视觉基础大模型(Seg-ment Anything Model,SAM),利用小样本(200)进行训练,构建冰面湖自动化时序提取大模型;结合242景Sentinel-2和Land-sat 8/9多源遥感影像,研制了格陵兰西南部Isunnguata-Russell冰川流域冰面湖时序产品(2019-2023年5-9月);揭示了冰面湖年际/季节性变化规律,并探讨了其海拔分布特征以及对气温变化的响应.[结果]① 微调SAM大模型在冰面湖时序提取中稳健性高,能有效减弱云量影响,且样本需求低、无需后处理,从而准确地捕捉湖泊快速扩张和峰值期的面积变化;② 消融期呈现出明显的年际差异,最大范围面积从109.52 10 km2±5%到282.852 9 km2±5%、数量从1 247个增至2 549个;季节性变化呈缓慢增长-快速扩张与峰值蓄水-骤减三阶段,其形成与峰值时间存在年际差异,通常8月底或9月初基本消失,仅2021年9月留存23.587 2 km2 冰面湖;③ 冰面湖具有明显的海拔分布规律,且对气温变化正度日(Positive Degree Days,PDD)的响应也与海拔具有明显相关性.1.0～1.6 km中海拔区为数量与面积集中区,且对气温变化的响应较高;1.6～2.0 km高海拔区因低温融水不足而湖体较少,冰面湖范围异常对PDD变化敏感度最高(R2=0.99);相比之下,0～0.8 km低海拔区与PDD关联较弱(R2=0.30),其动态主要受非气候因素主导.[结论]本研究验证了微调SAM大模型在冰面湖时序监测中的极大潜力,并为理解冰川融水过程及其对冰川动力的影响提供了技术和数据支撑.展开
