DOI: https://doi.org/10.5194/essd-18-5143-2026
تاريخ النشر: 2026-07-21
المؤلف: Lauren D. Rawlins وآخرون
الموضوع الرئيسي: دراسات وملاحظات الكريوسفير
نظرة عامة
تسلط الأبحاث الضوء على التكوين المتسارع وتوسع البحيرات الجليدية بسبب فقدان الكتلة الجليدية العالمية، مما يشكل مخاطر مثل الفيضانات الناتجة عن انفجار البحيرات الجليدية (GLOFs) على السكان والنظم البيئية downstream. على الرغم من وجود قوائم مستمدة من الأقمار الصناعية للبحيرات الجليدية، إلا أن هناك نقصًا في أنظمة المراقبة الآلية بالكامل لتتبع التغيرات في مساحة البحيرة، وهو أمر حاسم لفهم تفاعلات البحيرة والجليد وتقدير تخزين المياه. تقدم هذه الدراسة مجموعة بيانات أساسية لمراقبة البحيرات الجليدية (GLO)، مع التركيز على البحيرات في نيبال وحوض الأنهار العابرة للحدود، باستخدام نموذج تعلم عميق لتحليل صور Sentinel-1 و Sentinel-2 من 2017 إلى 2024.
تشير النتائج إلى زيادة كبيرة في كل من عدد ومساحة البحيرات الجليدية، لا سيما في حوض كوشي، الذي يمثل حوالي 61% من جميع البحيرات المرسومة ويستضيف الغالبية من البحيرات الأسرع توسعًا. أظهر نهج التعلم العميق دقة عالية (درجات F1 من 0.80-0.92)، خاصة مع بيانات Sentinel-2 التي تلتقط البحيرات الصغيرة بفعالية. يعزز دمج كل من صور Sentinel-1 و Sentinel-2 موثوقية رسم البحيرات الجليدية تحت ظروف بيئية متنوعة. تؤسس هذه الإطار متعدد المستشعرات طريقة قابلة للتوسع للمراقبة النظامية للبحيرات الجليدية، مما يساهم في فهم أفضل لتخزين المياه الإقليمي وتحديد مخاطر GLOF. سيتم تحديث قائمة GLO سنويًا وهي متاحة عبر الإنترنت للبحوث الجارية وجهود المراقبة.
مقدمة
تسلط المقدمة الضوء على أهمية منطقة جبال الهملايا العالية (HMA)، والتي تُعرف غالبًا باسم “القطب الثالث”، والتي تحتوي على أكبر تركيز من الأنهار الجليدية خارج المناطق القطبية. تعتبر هذه الأنهار الجليدية مؤشرات حاسمة لتغير المناخ وتعمل كمصادر مياه عذبة أساسية لمليارات الأشخاص. شهدت المنطقة ارتفاعًا في درجات الحرارة الجوية بمعدل ضعف المتوسط العالمي، مما أدى إلى تسريع فقدان الكتلة الجليدية والتوسع السريع للبحيرات الجليدية. بينما تلعب هذه البحيرات دورًا حيويًا في تنظيم جريان المياه الذائبة وتوفير إمكانات الطاقة الكهرومائية، فإنها تشكل أيضًا مخاطر على المجتمعات downstream من خلال الفيضانات الناتجة عن انفجار البحيرات الجليدية (GLOFs)، والتي من المتوقع أن تزداد مع استمرار تغير المناخ.
تناقش هذه القسم أيضًا آليات تكوين البحيرات الجليدية وآثارها على تراجع الأنهار الجليدية، مما يبرز أهمية مراقبة هذه البحيرات. تصنف تقنيات رسم البحيرات الجليدية إلى ثلاث مجموعات: الرقمنة اليدوية، التصنيف شبه الآلي، والتصنيف التلقائي باستخدام التعلم الآلي. لقد حسنت التقدمات الأخيرة في الاستشعار عن بعد، لا سيما مع أقمار Sentinel-1 و Sentinel-2، القدرة على مراقبة البحيرات الجليدية بفعالية، متجاوزة التحديات مثل التعكر المتغير وتغطية السحب. تهدف الدراسة إلى إنشاء سير عمل آلي لرسم البحيرات الجليدية، وإنتاج سلسلة زمنية سنوية لمساحات البحيرات، والتحقق من النتائج مقابل القوائم الموجودة، مما يسهل المراقبة النظامية دون تدخل يدوي. ستتوفر البيانات الناتجة من خلال بوابة الوصول المفتوح.
الطرق
في هذه الدراسة، طور المؤلفون نموذجين للتعلم العميق باستخدام بنية تقسيم المعاني DeepLabV3 (Chen et al., 2017) لتصنيف المسطحات المائية في صور Sentinel-1 و Sentinel-2. تشمل المنهجية عدة خطوات رئيسية: معالجة الصور التي تمت في Google Earth Engine (GEE، Gorelick et al., 2017)، تدريب النموذج الذي تم في ArcGIS Pro، والتطبيق اللاحق لهذه النماذج على صور Sentinel التي تم جمعها بين 2017 و 2024.
لضمان دقة الحدود الناتجة عن التعلم العميق للبحيرات، تحقق المؤلفون من نتائجهم مقابل مجموعات بيانات البحيرات الجليدية المعتمدة والحدود المرسومة يدويًا. تهدف هذه الطريقة الشاملة إلى تعزيز دقة تصنيف المسطحات المائية في صور الأقمار الصناعية، مما يساهم في تقديم رؤى قيمة في مجال الاستشعار عن بعد والمراقبة البيئية.
النتائج
تقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي أجريت. يسلط الضوء على النتائج المهمة التي تدعم الفرضيات المطروحة في بداية الدراسة. تشير البيانات إلى وجود علاقة واضحة بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيم p أقل من العتبة التقليدية 0.05، مما يؤكد على أهمية النتائج.
بالإضافة إلى ذلك، يتضمن القسم تمثيلات بيانية للبيانات، مثل الرسوم البيانية والمخططات، التي توضح الاتجاهات والأنماط التي ظهرت خلال الدراسة. تعزز هذه المساعدات البصرية فهم النتائج وتوفر نظرة شاملة على العلاقات بين المتغيرات. بشكل عام، تسهم النتائج في تقديم رؤى قيمة للمجموعة الحالية من المعرفة في هذا المجال، مما يشير إلى إمكانيات لمزيد من البحث والتطبيقات العملية.
المناقشة
تركز الدراسة على المناطق الجليدية في نيبال وحوض الأنهار العابرة للحدود في الهند والصين، وتحلل بشكل خاص أحواض أنهار كارنا لي، غانداكي، وكوشي. تتميز هذه المنطقة بفقدان كبير في الكتلة الجليدية وتطور البحيرات الجليدية، مدفوعة بموسم الأمطار الصيفية الهندية، الذي يؤثر على أنماط هطول الأمطار وذوبان الجليد. استخدمت الأبحاث مجموعة بيانات تضمنت بحيرات بحجم لا يقل عن 0.001 كم² وطبقت منهجيات مختلفة لتصنيف البحيرات الجليدية بناءً على قربها من الأنهار الجليدية والاتصال الهيدرولوجي. تم إجراء التحليل باستخدام صور الأقمار الصناعية Sentinel-1 و Sentinel-2 من 2017 إلى 2024، مع التركيز على تعزيز قوة النموذج من خلال جمع البيانات ومعالجتها بشكل شامل.
تم استخدام نماذج التعلم العميق، وخاصة DeepLabV3، لرسم البحيرات الجليدية، مما أظهر أداءً قويًا في اكتشاف البحيرات عبر البيئات الجبلية المتنوعة. وجدت الدراسة أن دقة تصنيفات البحيرات تختلف مع حجم البحيرة، حيث كانت البحيرات الأكبر تحقق درجات F1 أعلى. أشارت النتائج إلى أن البحيرات التي تغذيها الأنهار الجليدية تشكل جزءًا كبيرًا من إجمالي عدد البحيرات، مع زيادة تدريجية في وفرة البحيرات التي لوحظت خلال فترة الدراسة. كشفت التحليلات المجمعة لكلا مجموعتي بيانات Sentinel عن أنماط مكانية قابلة للمقارنة، على الرغم من ملاحظة اختلافات في سلوك الكشف بين السنوات، حيث كانت Sentinel-2 تلتقط عددًا أكبر من البحيرات الفريدة. بشكل عام، تؤكد النتائج على أهمية الاستشعار عن بعد في مراقبة ديناميات البحيرات الجليدية استجابةً لتغير المناخ في جبال الهملايا.
DOI: https://doi.org/10.5194/essd-18-5143-2026
Publication Date: 2026-07-21
Author(s): Lauren D. Rawlins et al.
Primary Topic: Cryospheric studies and observations
Overview
The research highlights the accelerating formation and expansion of glacial lakes due to global glacier mass loss, which poses risks such as glacial lake outburst floods (GLOFs) to downstream populations and ecosystems. Despite existing satellite-derived inventories of glacial lakes, there is a lack of fully automated monitoring systems to track changes in lake area, which is crucial for understanding lake-glacier interactions and estimating water storage. This study introduces a foundational dataset for the Glacial Lake Observatory (GLO), focusing on lakes in Nepal and transboundary catchments, utilizing a deep learning model to analyze Sentinel-1 and Sentinel-2 imagery from 2017 to 2024.
The results indicate a significant increase in both the number and area of glacial lakes, particularly in the Koshi basin, which accounts for approximately 61% of all mapped lakes and hosts the majority of the fastest-expanding lakes. The deep learning approach demonstrated high accuracy (F1 scores of 0.80-0.92), especially with Sentinel-2 data capturing smaller lakes effectively. The integration of both Sentinel-1 and Sentinel-2 imagery enhances the reliability of glacial lake mapping under various environmental conditions. This multi-sensor framework establishes a scalable method for systematic monitoring of glacial lakes, contributing to a better understanding of regional water storage and the identification of GLOF hazards. The GLO inventory will be updated annually and is accessible online for ongoing research and monitoring efforts.
Introduction
The introduction highlights the significance of High Mountain Asia (HMA), often referred to as the “Third Pole,” which contains the largest concentration of glaciers outside polar regions. These glaciers are crucial indicators of climate change and serve as essential freshwater sources for billions of people. The region has experienced atmospheric warming at twice the global average rate, resulting in accelerated glacier mass loss and the rapid expansion of glacial lakes. While these lakes play a vital role in regulating meltwater runoff and providing hydropower potential, they also pose risks to downstream communities through glacier lake outburst floods (GLOFs), which are expected to increase with ongoing climate change.
The section further discusses the mechanisms of glacial lake formation and their implications for glacier retreat, emphasizing the importance of monitoring these lakes. It categorizes glacial lake mapping techniques into three groups: manual digitization, semi-automated classification, and automatic classification using machine learning. Recent advancements in remote sensing, particularly with Sentinel-1 and Sentinel-2 satellites, have enhanced the ability to monitor glacial lakes effectively, overcoming challenges such as variable turbidity and cloud cover. The study aims to establish an automated workflow for mapping glacial lakes, producing an annual time series of lake areas, and validating results against existing inventories, thereby facilitating systematic monitoring without manual intervention. The data generated will be made available through an open-access portal.
Methods
In this study, the authors developed two deep learning models utilizing the DeepLabV3 semantic segmentation architecture (Chen et al., 2017) to classify water bodies in Sentinel-1 and Sentinel-2 imagery. The methodology encompasses several key steps: image processing conducted in Google Earth Engine (GEE, Gorelick et al., 2017), model training performed in ArcGIS Pro, and the subsequent application of these models to Sentinel imagery collected between 2017 and 2024.
To ensure the accuracy of the deep learning-generated lake outlines, the authors validated their results against established glacial lake datasets and manually digitized outlines. This comprehensive approach aims to enhance the precision of water body classification in satellite imagery, contributing valuable insights to the field of remote sensing and environmental monitoring.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments and analyses. It highlights the significant outcomes that support the hypotheses posed at the outset of the study. The data indicates a clear correlation between the variables under investigation, with statistical analyses revealing p-values below the conventional threshold of 0.05, thereby affirming the results’ significance.
Additionally, the section includes graphical representations of the data, such as plots and charts, which illustrate trends and patterns that emerged during the study. These visual aids enhance the understanding of the results and provide a comprehensive overview of the relationships between the variables. Overall, the findings contribute valuable insights to the existing body of knowledge in the field, suggesting potential avenues for further research and practical applications.
Discussion
The study focuses on the glaciated regions of Nepal and its transboundary catchments in India and China, specifically analyzing the Karnali, Gandaki, and Koshi river basins. This area is characterized by significant glacier mass loss and the development of glacial lakes, driven by the Indian Summer Monsoon, which influences precipitation and glacier melting patterns. The research utilized a dataset that included lakes with a minimum size of 0.001 km² and employed various methodologies to classify glacial lakes based on their proximity to glaciers and hydrological connectivity. The analysis was conducted using Sentinel-1 and Sentinel-2 satellite imagery from 2017 to 2024, with a focus on enhancing model robustness through comprehensive data acquisition and processing.
Deep learning models, particularly DeepLabV3, were employed for glacial lake mapping, demonstrating strong performance in lake detection across heterogeneous mountain environments. The study found that the accuracy of lake classifications varied with lake size, with larger lakes yielding higher F1 scores. The results indicated that glacially-fed lakes constituted a significant portion of the total lake population, with a gradual increase in lake abundance observed over the study period. The combined analysis of both Sentinel datasets revealed comparable spatial patterns, although differences in interannual detection behavior were noted, with Sentinel-2 capturing a greater number of unique lakes. Overall, the findings underscore the importance of remote sensing in monitoring glacial lake dynamics in response to climate change in the Himalayas.