2025年1月7日，西藏自治区日喀则市定日县发生MS 6.8级地震，造成重大人员伤亡和严重经济损失。此次地震灾区是喜马拉雅历史冰湖溃决灾害最严重的区域之一，为防范此次强震可能诱发的冰湖溃决灾害，本研究基于Landsat影像和研究区历史冰湖灾害事件数据，分析了灾区冰湖分布和变化特征，从冰湖类型和规模两个指标，识别具有潜在溃决风险的冰湖并分析其地震前后的变化。研究结果表明：（1）定日地震6度烈度区内2022年共有463个冰湖，总面积（43.70±5.01） km2，总水量达10.05×108 m3;(2)1992年、2000年、2009年和2022年4个时段冰湖都呈现扩张的状态；（3）初步筛选出17个具有潜在溃决风险的冰湖，这些冰湖到目前为止并未发生溃决，在地震前后也未观测到明显的变化，部分冰湖在2022—2025年间仍在扩张，建议重点关注并开展持续监测研究，如检测到溃决信号，应及时采取相应措施，降低地震诱发的次生灾害风险及其影响。

2025年1月7日，西藏自治区日喀则市定日县发生MS 6.8级地震，造成重大人员伤亡和严重经济损失。此次地震灾区是喜马拉雅历史冰湖溃决灾害最严重的区域之一，为防范此次强震可能诱发的冰湖溃决灾害，本研究基于Landsat影像和研究区历史冰湖灾害事件数据，分析了灾区冰湖分布和变化特征，从冰湖类型和规模两个指标，识别具有潜在溃决风险的冰湖并分析其地震前后的变化。研究结果表明：（1）定日地震6度烈度区内2022年共有463个冰湖，总面积（43.70±5.01） km2，总水量达10.05×108 m3;(2)1992年、2000年、2009年和2022年4个时段冰湖都呈现扩张的状态；（3）初步筛选出17个具有潜在溃决风险的冰湖，这些冰湖到目前为止并未发生溃决，在地震前后也未观测到明显的变化，部分冰湖在2022—2025年间仍在扩张，建议重点关注并开展持续监测研究，如检测到溃决信号，应及时采取相应措施，降低地震诱发的次生灾害风险及其影响。

2025年1月7日，西藏自治区日喀则市定日县发生MS 6.8级地震，造成重大人员伤亡和严重经济损失。此次地震灾区是喜马拉雅历史冰湖溃决灾害最严重的区域之一，为防范此次强震可能诱发的冰湖溃决灾害，本研究基于Landsat影像和研究区历史冰湖灾害事件数据，分析了灾区冰湖分布和变化特征，从冰湖类型和规模两个指标，识别具有潜在溃决风险的冰湖并分析其地震前后的变化。研究结果表明：（1）定日地震6度烈度区内2022年共有463个冰湖，总面积（43.70±5.01） km2，总水量达10.05×108 m3;(2)1992年、2000年、2009年和2022年4个时段冰湖都呈现扩张的状态；（3）初步筛选出17个具有潜在溃决风险的冰湖，这些冰湖到目前为止并未发生溃决，在地震前后也未观测到明显的变化，部分冰湖在2022—2025年间仍在扩张，建议重点关注并开展持续监测研究，如检测到溃决信号，应及时采取相应措施，降低地震诱发的次生灾害风险及其影响。

2025年1月7日，西藏自治区日喀则市定日县发生MS 6.8级地震，造成重大人员伤亡和严重经济损失。此次地震灾区是喜马拉雅历史冰湖溃决灾害最严重的区域之一，为防范此次强震可能诱发的冰湖溃决灾害，本研究基于Landsat影像和研究区历史冰湖灾害事件数据，分析了灾区冰湖分布和变化特征，从冰湖类型和规模两个指标，识别具有潜在溃决风险的冰湖并分析其地震前后的变化。研究结果表明：（1）定日地震6度烈度区内2022年共有463个冰湖，总面积（43.70±5.01） km2，总水量达10.05×108 m3;(2)1992年、2000年、2009年和2022年4个时段冰湖都呈现扩张的状态；（3）初步筛选出17个具有潜在溃决风险的冰湖，这些冰湖到目前为止并未发生溃决，在地震前后也未观测到明显的变化，部分冰湖在2022—2025年间仍在扩张，建议重点关注并开展持续监测研究，如检测到溃决信号，应及时采取相应措施，降低地震诱发的次生灾害风险及其影响。

2025年1月7日，西藏自治区日喀则市定日县发生MS 6.8级地震，造成重大人员伤亡和严重经济损失。此次地震灾区是喜马拉雅历史冰湖溃决灾害最严重的区域之一，为防范此次强震可能诱发的冰湖溃决灾害，本研究基于Landsat影像和研究区历史冰湖灾害事件数据，分析了灾区冰湖分布和变化特征，从冰湖类型和规模两个指标，识别具有潜在溃决风险的冰湖并分析其地震前后的变化。研究结果表明：（1）定日地震6度烈度区内2022年共有463个冰湖，总面积（43.70±5.01） km2，总水量达10.05×108 m3;(2)1992年、2000年、2009年和2022年4个时段冰湖都呈现扩张的状态；（3）初步筛选出17个具有潜在溃决风险的冰湖，这些冰湖到目前为止并未发生溃决，在地震前后也未观测到明显的变化，部分冰湖在2022—2025年间仍在扩张，建议重点关注并开展持续监测研究，如检测到溃决信号，应及时采取相应措施，降低地震诱发的次生灾害风险及其影响。

雪线是气候变化的敏感指示器。在气候变暖背景下,开展区域雪线高度的遥感监测与模拟研究有利于深入探讨高山区冰冻圈变化趋势及其机制。本研究以叶尔羌河流域为研究区,基于MODIS积雪产品提取的雪线高度数据和ERA5气象再分析数据,采用梯度提升决策树（GBDT）、自适应提升（AdaBoost）、轻量梯度提升（LightGBM）、随机森林（RF）、极端梯度提升（XGBoost）,构建多种算法的雪线高度模拟模型。精度验证结果表明,5种学习算法的拟合优度（R2）均达到0.8以上,其模拟精度由高到低分别为:GBDT、AdaBoost、LightGBM、XGBoost、RF。依据模拟精度和最大相异性从中筛选AdaBoost、XGBoost、RF算法作为基学习器,GBDT算法作为元学习器,共同组合为Staking集成学习框架下的雪线高度模拟模型,其精度优于任意单个学习器（RMSE=88.73 m,MAE=57.99 m,R2=0.93）。该算法相较于其他模型消除了过拟合现象与奇异值的影响,鲁棒性和泛化能力更强,预测结果更加稳定。之后,构建多时间尺度的雪线高度模型并...

雪线是气候变化的敏感指示器。在气候变暖背景下,开展区域雪线高度的遥感监测与模拟研究有利于深入探讨高山区冰冻圈变化趋势及其机制。本研究以叶尔羌河流域为研究区,基于MODIS积雪产品提取的雪线高度数据和ERA5气象再分析数据,采用梯度提升决策树（GBDT）、自适应提升（AdaBoost）、轻量梯度提升（LightGBM）、随机森林（RF）、极端梯度提升（XGBoost）,构建多种算法的雪线高度模拟模型。精度验证结果表明,5种学习算法的拟合优度（R2）均达到0.8以上,其模拟精度由高到低分别为:GBDT、AdaBoost、LightGBM、XGBoost、RF。依据模拟精度和最大相异性从中筛选AdaBoost、XGBoost、RF算法作为基学习器,GBDT算法作为元学习器,共同组合为Staking集成学习框架下的雪线高度模拟模型,其精度优于任意单个学习器（RMSE=88.73 m,MAE=57.99 m,R2=0.93）。该算法相较于其他模型消除了过拟合现象与奇异值的影响,鲁棒性和泛化能力更强,预测结果更加稳定。之后,构建多时间尺度的雪线高度模型并...

雪线是气候变化的敏感指示器。在气候变暖背景下,开展区域雪线高度的遥感监测与模拟研究有利于深入探讨高山区冰冻圈变化趋势及其机制。本研究以叶尔羌河流域为研究区,基于MODIS积雪产品提取的雪线高度数据和ERA5气象再分析数据,采用梯度提升决策树（GBDT）、自适应提升（AdaBoost）、轻量梯度提升（LightGBM）、随机森林（RF）、极端梯度提升（XGBoost）,构建多种算法的雪线高度模拟模型。精度验证结果表明,5种学习算法的拟合优度（R2）均达到0.8以上,其模拟精度由高到低分别为:GBDT、AdaBoost、LightGBM、XGBoost、RF。依据模拟精度和最大相异性从中筛选AdaBoost、XGBoost、RF算法作为基学习器,GBDT算法作为元学习器,共同组合为Staking集成学习框架下的雪线高度模拟模型,其精度优于任意单个学习器（RMSE=88.73 m,MAE=57.99 m,R2=0.93）。该算法相较于其他模型消除了过拟合现象与奇异值的影响,鲁棒性和泛化能力更强,预测结果更加稳定。之后,构建多时间尺度的雪线高度模型并...

雪线是气候变化的敏感指示器。在气候变暖背景下,开展区域雪线高度的遥感监测与模拟研究有利于深入探讨高山区冰冻圈变化趋势及其机制。本研究以叶尔羌河流域为研究区,基于MODIS积雪产品提取的雪线高度数据和ERA5气象再分析数据,采用梯度提升决策树（GBDT）、自适应提升（AdaBoost）、轻量梯度提升（LightGBM）、随机森林（RF）、极端梯度提升（XGBoost）,构建多种算法的雪线高度模拟模型。精度验证结果表明,5种学习算法的拟合优度（R2）均达到0.8以上,其模拟精度由高到低分别为:GBDT、AdaBoost、LightGBM、XGBoost、RF。依据模拟精度和最大相异性从中筛选AdaBoost、XGBoost、RF算法作为基学习器,GBDT算法作为元学习器,共同组合为Staking集成学习框架下的雪线高度模拟模型,其精度优于任意单个学习器（RMSE=88.73 m,MAE=57.99 m,R2=0.93）。该算法相较于其他模型消除了过拟合现象与奇异值的影响,鲁棒性和泛化能力更强,预测结果更加稳定。之后,构建多时间尺度的雪线高度模型并...

雪线是气候变化的敏感指示器。在气候变暖背景下,开展区域雪线高度的遥感监测与模拟研究有利于深入探讨高山区冰冻圈变化趋势及其机制。本研究以叶尔羌河流域为研究区,基于MODIS积雪产品提取的雪线高度数据和ERA5气象再分析数据,采用梯度提升决策树（GBDT）、自适应提升（AdaBoost）、轻量梯度提升（LightGBM）、随机森林（RF）、极端梯度提升（XGBoost）,构建多种算法的雪线高度模拟模型。精度验证结果表明,5种学习算法的拟合优度（R2）均达到0.8以上,其模拟精度由高到低分别为:GBDT、AdaBoost、LightGBM、XGBoost、RF。依据模拟精度和最大相异性从中筛选AdaBoost、XGBoost、RF算法作为基学习器,GBDT算法作为元学习器,共同组合为Staking集成学习框架下的雪线高度模拟模型,其精度优于任意单个学习器（RMSE=88.73 m,MAE=57.99 m,R2=0.93）。该算法相较于其他模型消除了过拟合现象与奇异值的影响,鲁棒性和泛化能力更强,预测结果更加稳定。之后,构建多时间尺度的雪线高度模型并...