Академический Документы
Профессиональный Документы
Культура Документы
Best Practice Guidance Document - Draft - Chapter1 - 2022 перевод
Best Practice Guidance Document - Draft - Chapter1 - 2022 перевод
В ЦЕНТРАЛЬНО-АЗИАТСКОМ РЕГИОНЕ ОТ
ПРОРЫВА ЛЕДНИКОВЫХ ОЗЕР В УСЛОВИЯХ
ИЗМЕНЕНИЯ КЛИМАТА (GLOFCA)
РУКОВОДЯЩИЙ ДОКУМЕНТ ПО
НАИЛУЧШЕЙ ПРАКТИКЕ
ПО ОЦЕНКЕ РИСКОВ GLOF
С
СНИЖЕНИЕ УЯЗВИМОСТИ НАСЕЛЕНИЯ
В ЦЕНТРАЛЬНО-АЗИАТСКОМ РЕГИОНЕ ОТ ПРОРЫВА
ЛЕДНИКОВЫХ ОЗЕР В УСЛОВИЯХ ИЗМЕНЕНИЯ
КЛИМАТА (GLOFCA)
ПАРТНЕРЫ-ИСПОЛНИТЕЛИ:
! Логотипы всех партнеров должны быть предоставлены и добавлены сюда!
РУКОВОДЯЩИЙ ДОКУМЕНТ ПО НАИЛУЧШЕЙ
ПРАКТИКЕ
ПО ОЦЕНКЕ РИСКОВ И УПРАВЛЕНИЕ GLOF
1
Глава 1
1: Введение и оформление 3
1.1 Предыстория, контекст и мотивация 3
1.2 Терминология & Структура 4
2: Картирование озера 5
2.1 Международный уровень техники 5
2.1.1 Используемые датчики 5
2.1.2 Классические подходы 7
2.1.3 Подходы к машинному обучению 9
2.1.4 Вспомогательные источники информации 9
2.2 Национальные подходы, используемые для картирования озер 9
3: Оценка восприимчивости 13
3.1 Международный уровень техники 13
3.1.1 Криосферные факторы 14
3.1.2 Геотехнические и геоморфологические факторы 15
3.2 Национальные подходы к оценке восприимчивости 17
Использованная литература 47
2
1: Введение и оформление
За последние несколько десятилетий высокогорные регионы во всем мире также все больше
страдают от продолжающегося изменения климата. Повышение температуры приводит к
сокращению и, в конечном счете, исчезновению ледников, а также к потеплению и деградации
вечной мерзлоты. Эти изменения приводят к фундаментальным и долговременным изменениям
ландшафта и многих взаимосвязанных систем. Сегодня оценка опасностей криосферы не может
основываться на опыте прошлого, поскольку условия и ситуации выходят за рамки каких-либо
исторических свидетельств. Поэтому для оценки и управления текущими и потенциальными
будущими опасностями и рисками необходимы основанные на сценариях и ориентированные
на будущее подходы.
3
1.2 Терминология & Структура
Согласно терминологии UNDRR1, стихийное бедствие – это естественный процесс или явление,
которые могут привести к гибели людей, материальному ущербу, социальным и экономическим
потрясениям или ухудшению состояния окружающей среды. Опасности характеризуются своим
местоположением, интенсивностью (или величиной) и вероятностью возникновения. Риск, с другой
стороны, учитывает не только опасное событие, но и его последствия. В своем Специальном
отчете о рисках экстремальных явлений и бедствий (SREX)2 IPCC определяет риск как функцию
опасности, воздействия и уязвимости. Между тем, это установленный стандарт, и поэтому мы
основываем наш подход на этой концепции. Снижение риска бедствий (СРБ) описывает усилия,
направленные на предотвращение новых и снижение существующих рисков, а также управление
остаточными рисками.
Чтобы всесторонне рассматривать опасности и риски GLOF для очень большой территории,
такой как Центральная Азия, с тысячами ледниковых озер, необходим поэтапный подход.
Потенциально критические ситуации необходимо выявлять с помощью простых, но надежных
подходов в крупном масштабе, после чего должны следовать подробные углубленные оценки
в локальном масштабе для горячих точек и объектов с высоким приоритетом (см. рис. 1).
1
https://www.undrr.org/terminology/ (accessed March 2022)
2
IPCC, 2012: Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation. Field,
C.B., V. Barros, T.F. Stocker, D. Qin, D.J. Dokken, K.L. Ebi, M.D. Mastrandrea, K.J. Mach, G.-K. Plattner, S.K.
Allen, M. Tignor, and P.M. Midgley (eds.). A Special Report of Working Groups I and II of the Intergovernmental
Panel on Climate Change. Cambridge, UK, 582 pp.
4
Задачи первого этапа, оценки риска первого порядка, включают подходы на основе дистанционного
зондирования для обнаружения, картирования или мониторинга всех ледниковых озер на большой
территории. Простые, но надежные методы оценки дают первое представление о восприимчивости
или устойчивости таких озер и их плотин, а в некоторых случаях — первые признаки потенциального
воздействия в нижнем течении. Восприимчивость - это относительная мера вероятности (или
возможности) того, что озеро вызовет прорывной паводок, с учетом физических характеристик
озера и окружающей его среды.
Ледниковые озера, определенные как потенциально критические в этой оценке первого порядка,
затем исследуются в масштабе детализации в каждом конкретном случае. При такой детальной
оценке риска устойчивость озера и подверженность прорыву оцениваются более подробно с учетом
характеристик озера, плотины и потенциальных триггеров прорыва. На основе этих результатов
моделируются воздействия ниже по течению путем рассмотрения сценариев выброса с различной
вероятностью и величиной с использованием физически обоснованных численных моделей.
Результаты таких моделей в сочетании с полевыми работами можно затем использовать для
составления подробных карт опасностей. В сочетании с данными и информацией об активах,
подверженных риску, такие карты опасностей обеспечивают основу для картирования рисков..
Для управления рисками GLOF существуют различные меры по снижению риска бедствий (СРБ),
направленные на снижение одного или нескольких факторов риска (т. е. опасности,
незащищенности, уязвимости). Здесь особое внимание уделяется комплексным системам раннего
предупреждения (СРП), которые направлены на снижение уязвимости и незащищенности
потенциально пострадавшего населения. СРП являются очень эффективными мерами с точки зрения
затрат и выгод и являются приоритетными в международных политических документах, таких как
Сендайская рамочная программа по снижению риска бедствий или Цели устойчивого развития
(ЦУР) ООН. Особенно в сочетании с другими мерами по снижению риска СРП может значительно
способствовать снижению риска GLOF.
2: Картирование озера
5
2.1.2 Классические подходы
Чистая вода является одной из самых темных естественных целей дистанционного зондирования, и
поглощение чистой водой сильно увеличивается с увеличением длины волны во всем видимом и
ближнем инфракрасном (БИК) спектре. Высокая концентрация взвешенных частиц может
противодействовать этому доминирующему свойству природных вод и сдвигать спектральный пик
коэффициента отражения выходящей воды до 600-800 нм для концентраций в несколько сотен г/м3
(например, рисунок 3 в Doxaran et al., 2003). Тем не менее, сопоставление относительно высокой
видимой области с очень низкой отражательной способностью в ближнем инфакрасном и
коротковолновом инфракрасном (КВИК) диапазонах остается одним из наиболее эффективных
подходов к различению воды и поверхности земли.
Zhang et al. (2020b) оценили надежность каждого признака, в результате чего были получены самые
высокие баллы за Нормализованный Разностный Индекс Воды — Синий (НРИВ-С),
Нормализованный Разностный Индекс Воды — Зеленый (НРИВ-З) и Расширенный Индекс Воды
(РИВ). Они также обнаружили, что наиболее широко используемые индексы сильно коррелированы,
что предполагает ограниченный потенциал повышения точности классификации с помощью
комбинаций оптических индексов. Наиболее широко используемый(НРИВ-З) показал лучшие
результаты в своем анализе и в баллах по сравнению с РИВ и НРИВ-С и для них соответственно.
Zhang et. al (2020b) использовали коэффициент отражения в Верхней Части Атмосферы (ВЧА) и
обнаружили, что нормализованные индексы неизменно являются более надежными средствами
классификации, чем отдельные полосы или отношения полос. Напротив, Dirscherl et al. (2020)
обнаружили, что коэффициенты отражения одной полосы с атмосферной поправкой, полученные
Sentinel-2 (665 нм, 560 нм, 705 нм, 740 нм, 783 нм в порядке важности), представляют собой лучшие
критерии классификации, чем индексы (TCwet, AWEInsh, AWEIsh заняли 2-е место, 5, 8). Похоже, что это
различие в первую очередь связано с применением атмосферной поправки Dirscherl et al. (2020), в
отличие от Zhang et al. (2020b), где абсолютная отражательная способность ВЧА подвержена
сильным вариациям атмосферного рассеяния, которые требуют нормализации с индексом.
Вторичные эффекты ожидаются от состава пикселей в перигляциальной области, которая значительно
различается между Антарктидой (Dirscherl et al., 2020) и горными хребтами Азии (Zhang et al., 2020b).
6
Кроме того, влажный снег может уменьшить обратное рассеяние в данном пикселе временно и
следовательно причина, в течение длительных периодов, увеличение изменчивости. На этом фоне, и
учитывая увеличение временного разрешения, обеспечиваемого миссией Sentinel-1, анализ временных
рядов принята вместо метрики временной изменчивости в исследовании How et al. (2021). Эти
исследования на основе Гренландских-данных Sentinel-1 (IW-GRD)
для горизонтально-горизонтальной (ГГ) и горизонтально-вертикальной (ГВ) поляризации.
7
В большинстве случаев очертания
ледниковых озер определяются вручную и
оцифровываются. Тем не менее, некоторые
исследования используют автоматические
или полуавтоматические методы для
обнаружения и разграничения, используя
нормализованный индекс разницы воды
(НИРВ) (Bolch et al., 2011, Semakova et al.,
2015) Основные недостатки и ограничения
таких подходов связаны с трудностями
классификации затененных районов, таяния
льдов и мутных озер (раздел 2.1). По этим и
другим возможным причинам важное
значение по-прежнему имеет ручное
определение контуров озер. Использование
алгоритмов машинного обучения и данных
SAR может улучшить обнаружение
небольших озер и позволить анализ высокого
временного разрешения даже в условиях
облачного покрова; Таким образом, можно
проводить полугодовой анализ колебаний
ледниковых озер и выявлять потенциально
опасные эфемерные озера
9
Еще одна трудность может возникнуть в ограниченных пограничных районах, где трудно получить
разрешение на проведение полевых или вертолетных съемок. Одним из основных преимуществ
включения данных с мест является, при условии надлежащей интеграции данных, возможность
расширения периода наблюдений в течение нескольких десятилетий в прошлом путем использования
результатов старых полевых исследований.
10
исследованию предусматривается несколькими автороми и представляется
осуществимым в практическом смысле с учетом значительного дублирования
различных подходов.
Наряду с базовым обнаружением многие кадастры также содержат информацию, полезную для
применения критериев опасности, таких, как тип озера, тип дамбы, наличие каскадных озер, площадь
озера, высота надводного борта, расстояние до инфраструктуры, средний уклон и уклон вблизи
дамбы озера. Этот вопрос обсуждается далее в главе 3.2.
3: Оценка восприимчивости
3.1 Современное
международное
оборудование для оценки
уязвимости
Были предложены различные схемы оценки степени восприимчивости ледниковых озер, главным
образом с использованием информации дистанционного зондирования для описания
полуколичественной криосферной среды; Район озера и плотины, а также другие геотехнические и
11
геоморфные характеристики верхнего водосборного бассейна озера (например, Huggel et al., 2002;
McKillop and Clague, 2007; Worni et al., 2013). В горных районах Гималаев и Анд, где проводились
многочисленные исследования, классификационные схемы, как правило, подчеркивают роль
горных/ледяных лавин в качестве основного фактора. Вероятность столкновения неустойчивых
горных пород и/или льда с озером может быть определена на основе расстояний выбега в худшем
случае. Подходы к оценке были в основном разработаны и адаптированы к региональному
осуществлению, и в частности для моренных дамб, для которых Маккиллоп и Клаг (2007 год)
Представлен предварительный всеобъемлющий обзор многих соответствующих факторов
восприимчивости, которые могут обусловить или вызвать вспышку (рис. 5). За время, прошедшее
после этой ранней работы, возник более широкий круг факторов, имеющих отношение к
дестабилизации льда, морена и коренных запруд озер.
13
Рисунок 5: Резюме факторов, имеющих отношение к стабильности ледниковых озер с моренными
дамбами, представленных Маккиллопом и Клагом (2007 год). К ним относятся: (1) надводный борт
озера, (2) отношение высоты надводного борта озера к высоте гребня морена, (3) площадь озера,
(4) отношение высоты морена к ширине, (5) морен к крутизне нижнего течения, (6) охват морской
растительности, (7) ледниковая морена, (8) моренная литология, (9-ледниковое озеро)
(горизонтальное расстояние), (10) рельеф озера-ледника (вертикальное расстояние), (11) склон
между озером и ледником, (12) трещины ледникового рыла, (13) ледникового отеля передней
ширины, (14) ледниковая морда крутизны, (15) снежные лавины, (16) оползников, (17) неустойчивые
озера вверх, и 18 (14) район водосбора.
14
3.2 Национальные подходы, используемые для оценки восприимчивости
Большая часть литературы и подходов к оценке в Центральной Азии касается термина оценка
опасности для озер, а не термина оценка восприимчивости к озерам, который чаще используется в
международной литературе. Здесь мы сохраняем первоначальную формулировку национальных
подходов и понимаем как синонимы как оценку восприимчивости к озерам, так и оценку опасности
озер.
На первом этапе принимается решение о том, какие озера будут подвергнуты детальной оценке. В
Республике Узбекистан на основе Petrov et al. (2017) проводится детальная оценка опасности для всех
озер на высотах свыше 1500 м а.с. над площадью 100 м2 и стока в Узбекистан. В Республике Казахстан
оцениваются наиболее опасные озера, а с 2015 года - все моренные озера. В Республике Кыргызстан
проводится подробная ежегодная оценка и классификация озер, подверженных воздействию GLOF.
Эти озера перечислены в национальном атласе озер, который регулярно обновляется и служит основой
для мониторинга и оценки озер. В Республике Таджикистан оценки опасности проводятся в три этапа,
включая, во-первых, предварительный анализ опасности, а во-вторых, определение возможных
последовательностей опасности и, в-третьих, анализ последствий.
Для подробной оценки восприимчивости к воздействию на озера все четыре страны используют
классификацию опасности на основе различных типов характеристик различной степени детализации, на
которые влияют атмосферные, криосферные, геологические, геоморфологические и гидрологические
процессы. Озера отнесены к одной из двух категорий опасности в Казахстане, одной из трех категорий в
Узбекистане и Таджикистане или одной из четырех категорий в Кыргызстане. Детальные оценки опасности
и классификация основаны на наземных обследованиях (например, батиметрии), аэрофотосъемках и
интерпретации космических и аэрофотоснимков. Они проводятся на основе экспертных оценок и с учетом
перечня критериев. Параметры классификации опасности определяются качественно (визуально) и
количественно на основе долгосрочных полевых наблюдений за локальными процессами, состоянием озер и
окрестностей, а также записей прошлых событий.
Рис. 6: Наземные наблюдения на озере Nº 1 в бассейне реки Турген, Илe-Алатау, 2020 год
15
В Казахстане озера отнесены к одной из двух категорий с высоким или низким потенциалом опасности
на основе критериев для озера, дамбы и ледника. Они включают тип озера, объем озера, режим
наполнения, геоморфологию бассейна, сток и дренажный канал для критериев озера; тип плотины,
состав, размеры, состояние и местоположение для критериев плотины; и тип, размеры и
местоположение для критериев ледника. Качественные экспертные оценки, а также
твердые/абсолютные значения используются в некоторых критериях категоризации (для последней
категории, например, ширина дамбы или высота >10 м или
<10 м; расположение дамбы по отношению к озеру <500 м или >500 м; расположение ледника по
отношению к озеру <500 м или >500 м; или размеры ледника>0,5 км2 или <0,5 км2) (подробности см.,
таблица 1).
16
дамбы и свидетельства разрушения дамбы, а также контакт с ледником. Например, морено-
ледниковые озера считаются наиболее подверженными выбросам в Кыргызстане, а озера с
подземным течением - наиболее подвержены выбросу. Озера наиболее подвержены вспышкам в
период с мая по сентябрь, когда уровень и объем озера возрастают в зависимости от типа озера.
Подробный перечень критериев оценки восприимчивости к выбросам и классификации для
различных типов озер показан в таблице 2.
Рисунок 7: Система классификации опасных горных озер в Кыргызстане (С.А. Эрохин, диссертация).
Во всех странах мониторинг озер и их изменений (например, размера или объема озер) осуществляется
с использованием методов дистанционного зондирования на основе анализа данных космической
съемки, полевых наблюдений и ежедневных синоптических прогнозов. Особое значение придается
нестационарным озерам. В большинстве случаев мониторинг этих динамичных озер осуществляется
ежегодно. После этого проводится переоценка кадастров озер и их потенциальной опасности.
17
Диаграмма 8: Диаграмма, иллюстрирующая структуру, используемую для составления кадастра горных озер
Узбекистана и для классификации потенциала прорыва озер(Petrov et al., 2017)
18
> 50’000 подземный возможно, потенциально
М 3 заблокирова опасный
но
наибольша обрушением
я глубина в почвы
центре или
у
переборки
Стационар > 50’000 Медленный рост Не крутые борта. частично разрушенны потенциально
3 объемов за Участки с открытым поверхностны й опасный
ные m
(оползнев последние 10 лет погребенным льдом. й (на короткое
ые, наибольша (с десятков тысяч Слабый уклон днища расстояние)
забитые) я глубина в м3) в сторону переборки
центре или
у
переборки
19
частично не размытый
<40’000 m3 отсутствие роста плоские стороны. Неопасный
поверхностный
объемов за слабый уклон днища в подземный
Стационар наибольша последние 10 лет сторону переборки
ные я глубина в или деградация
(оползнев центре или бассейна озера
ые, на нет
тарновые) противопо возможности
ложной перекрытия
стороне обрушением
переборки грунта
Морена
20
Кондиция Категория
опасности
21
Наличие следов прохождения локальных и микроселей. опасный
Трещины, просадки, воронки, гроты, термокарстовые воронки с отчетливыми стоковыми каналами
водоснабжения.
Значительное обводнение морены.
Уступ
Морены
22
долина ≥ 0.5 km2 потенциально
> 0.5 km
опасный
~ 0.25 km2
висячий
долина, Неопасный
тарн, < 0.5 km2 > 0.5 km
висячие
Зона Категория
риска опасности
с наличием людей, находящихся в селеопасной зоне с численностью населения более 50 человек очень
опасный
23
· Прямой контакт с ледником 2
· Под землей
· Признаки проседания плотины вдоль подземных каналов
· У подошвы плотины наблюдаются овраги и
трубопроводы
· Колебания уровня воды в озере до нескольких метров;
· Постепенное заполнение озера (1-3 года);
·· Подземный/комбинированный слив 3
·· Признаки проседания плотины вдоль подземных каналов
·· У подошвы плотины наблюдаются овраги и трубопроводы
·· Амплитуда колебаний уровня воды в озере незначительна;
стабильный режим притока и оттока воды
·· Постепенное наполнение озера/уровень озера стабилен;
·· Подземный/поверхностный (стабильный 4
перелив)/комбинированный слив (стабильный)
·· Постепенное снижение уровня воды
·· Подземный выход 2
·· Признаки проседания дамб на отдельных участках берегов
озерной котловины
·· Постепенное заполнение озера
· Подземный выход 3
· Незначительное заполнение озера
24
·· Прямой контакт с ледником 2
·· Под землей
·· Признаки проседания плотины вдоль подземных каналов
·· У подошвы плотины наблюдаются овраги и трубопроводы
·· колебания уровня воды в озере до нескольких метров;
·· Постепенное заполнение озера (1-3 года);
·· Подземный/комбинированный слив 3
·· Признаки проседания плотины вдоль подземных каналов
·· У подошвы плотины наблюдаются овраги и трубопроводы
·· Амплитуда колебаний уровня воды в озере незначительна;
стабильный режим притока и оттока воды
·· Постепенное наполнение озера/уровень озера стабилен
· · Подземный/наземный (при стабильном переливе) 4
· /комбинированный отток (стабильный)
· · Постепенное снижение уровня воды
· · Подземный выход 2
· · Галлион на нижнем бьефе плотины
· · Постепенное заполнение озера
· · Подземный выход 2
· · Овраги на нижнем бьефе плотины
· · Постепенное заполнение озера
25
· · Подземный отток/стабильный поверхностный отток 3
· · Овраги на нижнем бьефе плотины
· · Незначительная амплитуда колебаний уровня воды в
озере
· · Стабильный режим притока и оттока воды
· · Подземный выход 4
· · Постепенное снижение уровня воды
· · Подземный выход 2
· · Постепенное повышение уровня воды
· · Подземный выход 2
· · Постепенное повышение уровня воды
· · Подземный выход 4
· · Постепенное снижение уровня воды
* 1-й класс опасности присваивается озерам с наибольшей выбросоопасностью, 4-й класс опасности
присваивается озерам с наименьшей выбросоопасностью.
26
4: Вклад GLOFCA в передовой региональный опыт
В этом разделе мы опираемся на опыт международных передовых и текущих национальных
подходов, чтобы представить рекомендуемые подходы и новые инструменты, разрабатываемые в
рамках проекта GLOFCA
для картирования озер и оценки восприимчивости.
Поэтому мы разрабатываем набор инструментов Glacial Lakes Inventory (GLI) для картирования и
мониторинга ледниковых озер в Центральной Азии (Узбекистан, Казахстан, Кыргызстан, Таджикистан)
с использованием библиотеки python Tkinter. Эта библиотека используется для создания графического
пользовательского интерфейса (GUI) для панели инструментов. Tkinter доступен в таких операционных
системах, как Linux, MacOS и Windows. Более подробную информацию о библиотеке можно найти на
странице официальной онлайн-документации Tkinter, см. https://docs.python.org/3/library/tkinter.html.
Набор инструментов будет отслеживать динамику озер и предоставлять статистику, такую как
изменение площади поверхности, появление новых и исчезновение существующих озер. В нашем
наборе инструментов мы используем Sentinel-2 Normalized Difference Water Index (NDWI) для
обнаружения ледниковых озер. Учитывая тот факт, что машинное обучение является
многообещающим направлением исследований (см. раздел 2.1.3), мы разрабатываем методологию,
основанную на глубоком обучении, которая использует дополнительную информацию в радарах с
синтезированной апертурой (SAR) Sentinel-1 и Sentinel-2. оптические спутниковые данные. Этот
подход обеспечивает высокое временное разрешение, в то время как SAR может проникать сквозь
облачность и обеспечивать круглогодичный мониторинг.
Тем не менее, есть несколько основных проблем. Большинство из этих озер очень малы по площади и
большую часть года замерзают, что затрудняет картографирование и мониторинг с использованием
спутниковых датчиков. Кроме того, наблюдение за такими озерами с помощью оптических
спутниковых изображений, таких как Sentinel-2, становится затруднительным из-за неспособности
датчика проникать сквозь облака. Кроме того, отбрасываемые и облачные тени, а также
увеличивающаяся мутность озера и атмосферы создают дополнительные препятствия, которые
необходимо устранить. С другой стороны, для мониторинга с использованием спутниковых датчиков
SAR (например, Sentinel-1 SAR) основными трудностями являются обработка случаев ветреных
сценариев наряду с отбрасываемыми тенями и вариациями обратного рассеяния из-за изменений
мутности.
Снимок прототипа набора инструментов GLI (версия 0.0), который был представлен на региональном
семинаре по обмену (Ташкент, ноябрь 2021 г.), показан на рисунке 9.
27
Рисунок 9. Скриншот прототипа набора инструментов Glacial Lakes Inventory (GLI) (версия 0.0).
28
Цель состоит в том, чтобы осуществить слияние карт водных объектов на уровне принятия решений,
полученных на основе данных, полученных с помощью входных спутниковых данных, с тем чтобы
использовать преимущества обоих датчиков, опираясь на основанный на данных подход,
основанный на глубоком обучении снизу вверх.
Сеть GLM следует модульному языку проектирования в том смысле, что различные кодировщики
могут быть протестированы в зависимости от типа и сложности входных данных. В предлагаемой
конфигурации тип и число входных ветвей являются гибкими. Довольно просто включить
дополнительные спутниковые датчики, спроектировав подходящий кодировщик и отладив общий блок
для учета новых характеристик входных данных. В этом контексте обратите внимание, что свёрточный
слой может обрабатывать различные входные размеры, поэтому можно использовать входные
изображения различных размеров, соответственно пространственного разрешения (на самом деле наши
входные данные также не имеют одинаковых размеров пикселей). Если позволит время, мы планируем
протестировать оба варианта кодера для обоих входных спутниковых ветвей, чтобы выбрать лучший
вариант для каждого типа входных данных. Входные ветви датчика, которые можно интерпретировать
как "предварительную обработку" в общем пространстве ("скрытое представление")За ними следует
блок общего декодера, который состоит из мелкой сети со свёрткой 1x1 и слоями конкатенации,
которые по существу изучают общее представление признаков (спутниковое вложение или 'Emb', как
показано на Fig. 9a). В этом блоке все веса изучаются на основе данных. Фактически, общий декодер
выполняет слияние зашифрованных входных данных от многоканальных спутниковых датчиков.
29
Для изучения параметров сети путем обратного распространения градиентов используется
оптимизатор Адама (Kingma и Ba, 2014), который минимизирует потери кросс-энтропии (Lce), которые
для многоклассовой задачи (M классов) задаются:
где yt,c и pc - метка истины (справочная информация) и вероятность softmax класса cth соответственно. Для
проблемы 2 класса потери сводятся к:
В настоящее время мы испытываем наш алгоритм глубокого обучения на ледниковых озерах, расположенных в
швейцарских Альпах. Некоторые предварительные результаты по данным Sentinel-1 и Sentinel-2 показаны на рис.
10.
30
а) Архитектура кодировщика в стиле U-Net (предоставлено изображением Tom et al., 2021). Conv и FM
представляют сверточный слой и отображение признаков соответственно. Этот пример показан
для входа Sentinel-1. Однако он может быть применен и к Sentinel-2.
31
Рисунок 11. Предварительные результаты сети GLM (U-Net encoder) по данным Sentinel-1 (S1) и
Sentinel-2 (S2) для некоторых ледниковых озер в Швейцарии. Первая и вторая колонки показывают
композит S1 RGB от 30.08.2015 и композит S2 от 29.08.2015, соответственно. Третий и
четвертый столбцы отображают результаты прогноза для ветвей S1 и S2 соответственно.
Пятый и шестой столбцы показывают соответствующие значения доверия в пикселях (чем больше
белый цвет, тем более уверенным является классификатор). В последнем столбце показаны
пометки наземной истины в каждый пиксель (справочные данные). В столбце З каждый пиксель
озера обозначен чёрным, а фоновый пиксель чёрным. В колонках 4 и 7 каждый пиксель озера
обозначен белым, а фоновый пиксель - черным.
В качестве следующего шага мы определим пределы (особенно размер самого маленького ледникового
озера, которое может быть обнаружено с высокой степенью уверенности) нашего алгоритма. Что более
важно, мы адаптируем алгоритм глубокого обучения (разработанный для швейцарских ледниковых
озер) для Центральной Азии. Для того чтобы наш подход учитывал состояние озер в Центральной
Азии, может потребоваться доработка методологии. Для этого потребуются некоторые данные из
Центральной Азии. Однако чрезмерная корректировка подхода для каждой целевой страны (или даже
для каждого озера) займет много времени и, следовательно, не будет проведена. Мы доработаем набор
параметров для нашего подхода, которые будут жизнеспособны для всех четырех целевых стран, с тем
чтобы объединить все вместе в единый региональный перечень. Кроме того, это повысит
универсальность нашей методологии, которая будет полезной, когда
ледниковое озеро из другого географического региона должно быть картировано без изменения
параметров.
32
Пространственное разрешение Sentinel-1 SAR составляет около 20 м, а для Sentinel-2 - 10 м. Метод
машинного обучения Вангчука и Больча (2020) (который также использовал данные Сентинел-1 и
Сентинел-2) обнаружил озера размером 0,01 км2 (площадь поверхности). На данный момент мы
протестировали алгоритм только на больших ледниковых озерах. Мы также предполагаем, что наш
алгоритм сможет обнаружить небольшие озёра, расположенные в районе 0,01 км2. Однако это может
быть подтверждено только после завершения испытаний модели. Тем не менее мониторинг малых озер
(< 0,01 км2) и субледниковых явлений) с помощью дистанционного зондирования представляется
сложным, что подчеркивает важность полевых кампаний для таких сценариев. Обратите внимание, что
для мелкозернистого мониторинга предложенный алгоритм глубокого обучения может быть
адаптирован к изображениям RGB, свободно доступным изображениям с высоким разрешением,
изображениям UAV и т.д. Однако параметры сети должны быть перенастроены на новый метод
обработки данных, который требует больших затрат временипотребление. Кроме того, требуются
достаточные аннотированные справочные данные (по Центральной Азии). Поэтому данное
исследование не будет проведено. Теоретически, глубину ледникового озера можно определить с
помощью нашего алгоритма, когда данные Sentinel-1 или Sentinel-2 без облаков фиксируют
интересующую область. Однако мы ожидаем, что темпоральное разрешение конечного продукта будет
меньше, поскольку мы предвидим некоторые многовременные шаги по сглаживанию, которые
необходимо сделать. Тем не менее, по крайней мере одно обнаружение в месяц представляется
возможным.
Таким образом, ниже приводится контрольный перечень (таблица З), который служит руководством
для местных экспертов в их оценке. Контрольный перечень предназначен для охвата всех типов
озер и широкого спектра факторов, которые могут способствовать или вызывать вспышки.
Таким образом, таблица содержит общие руководящие указания и призвана дополнить, но не
заменить подробные системы классификаций, используемые на национальном уровне или
различными учреждениями (например, таблицы 1 и 2). Контрольный перечень содержит все
факторы, которые обычно оцениваются в рамках национальных подходов, а также дополнительные
факторы, которые, возможно, менее часто наблюдаются в контексте Центральной Азии. Специалиста
призывают учитывать все факторы, даже если в прошлом некоторые типы GLOF или процессы
его инициирования наблюдались редко - быстрые экологические изменения могут привести к
неожиданностям и возникновению новых, даже беспрецедентных ситуаций.
33
Контрольный перечень может служить подспорьем как для широкомасштабной, основанной на
дистанционном зондировании приоритизации ледниковых озер, так и для местных полевых
исследований, позволяющих в полной мере изучить важные факторы, определяющие восприимчивость
к GLOF.
В качестве общего руководящего принципа чем больше факторов, выявленных в контрольной таблице,
которые указывают на более высокую подверженность GLOF, тем выше будет общая восприимчивость
этого озера. Вместе с тем международный и региональный опыт показывает, что некоторые
факторы имеют более важное значение, чем другие, и эксперт может придавать им большее
значение. Эти факторы обозначены звездочкой (*) в таблице. Например, озеро, быстрое
расширение которого происходит в течение нескольких недель или месяцев, может рассматриваться в
качестве наиболее уязвимой категории, независимо от оценки других факторов. Это свидетельствует о
важности разработки процедур картирования и мониторинга озер с высокой временной разрешающей
способностью для поддержки оценки уязвимости.
Наконец, срочность и тип мер реагирования, требуемых для того или иного сильно восприимчивого к
воздействию озера, будут в значительной степени зависеть от опасности и риска для инфраструктуры и
общин, расположенных ниже по течению (об этом говорится в главе 2 настоящего руководящего
документа).
34
Таблица З: Контрольный перечень для оценки подверженности конкретного озера воздействию
GLOF. Факторы могут иметь значение для кондиционирования (Con.), срабатывания (Trig.) и/или
величины (Mag.) любого GLOF. Звездочка (*) указывает на те факторы, которые были показаны в
нескольких исследованиях, как важные для восприимчивости к GLOF.
C T M Нижний Верхний
o r a
i g
n g .
. .
Метеорология
темпера
турные
тенденци
климатический
Никакой Сильная анализ
Увеличение
тенденции тенденция
интенсивности и
частоты
экстремальных
температур
☐
Никакой Сильная
Тенденци + + Увеличение
тенденции тенденция
и долгосрочных интенсивности и
осадков частоты
экстремальных ☐ ☐
осадков
Никакой Необычно теплая
Экстре + Необычно высокие
тенденции ☐
мальные температуры в
сезонные течение нескольких
недель или месяцев
температ
уры* ☐
Никакой Необычно
Экстре + Необычно сильные
тенденции влажная
мальные осадки в течение
периода от недель ☐
сезонные
до месяцев ☐
осадки *
35
Криосфера и озеро
Нет вечной Теплая (тающая)
Условия + Тепловое состояние Основанные
вечной мерзлоты; мерзлоты или вечная мерзлота. на модели
вечной холодной вечной
мерзлот распространение и (косвенные)
мерзлоты ☐
ы устойчивость в Геофизическ
районе плотины ☐ ие
озера и окружающих (полупрямые
склонах )
Геоморфиче
ские данные
(деформация
и оползание).
Отсутствие Значительное
Отступление + + Отступающий язык,
отступления или отступление и
Дистанционное
ледника и дестабилизирующий зондирование
воздействия на воздействие на
истощение соседние склоны;
окружающие окружающие
отступление,
склоны или склоны или
непосредственно
устойчивость устойчивость
дестабилизирующее плотины плотины
плотину озера
☐
(актуально для озер, ☐
покрытых льдом, или
озер, запруженных
сбоку мореной ледника)
Наступающий + Возможное Нет Возможно Дистанционное
ледник (в образование наступающ опережение зондирование
т.ч. запруженных льдом их или всплеск Доказательства
озер ледников и прошлых
пульсирующи
нет записей событий
й)* о приливах
☐ ☐
☐ ☐
Ледник в контакте с Нет контакта или Большой и Дистанционного
Потенциал отёла + +
ледником; ширина ледника минимальный частый зондирования и
полевых операций
передний; активность; потенциальная возможный исследования.
плотность трещин
37
Прошлых События
Вспышка прошлого + + + Величина и частота
событий не было прошлого
Дистанцион
события * прошлых событий ное
(имеет значение ☐ ☐ зондировани
только там, где вода е,
остается или может исторически
наполняться). е записи,
местные
знания.
Долгосрочное озеро + + От однолетнего до Отсут Рост озера Дистанционное
рост десятилетнего роста ствие зондирование
озер или
минима
льное
измене
ние
☐ ☐
☐ ☐
Дамба озера
Основа Лед, морен или
Тип + + Основа; морен; лед Полевые
смешанный исследования
☐ ☐
38
Широкая, низкая Высокая, узкая
Отношение + + Ширина гребня дамбы
плотина плотина
Анализ DTM,
ширины относительно полевые
☐ ☐
дамбы к высоты дамбы (см.) на исследовани
высоте рисунке 5) я
Отсутствие Видимое
Оседание + Оседание и трещины в Дистанцион
результате оседания оседание ное
дамба *
трубопроводов под ☐ ☐ зондировани
дамбой; свидетельства е, анализ
таяния вечной DTM,
мерзлоты внутри полевые
плотины исследовани
я
Пологий склон Крутой склон
Нисходящий склон + Склон вниз по Анализ DTM,
течению от дамбы ☐ ☐ полевые
озера. исследовани
я
Отсутствие Видимые эрозии
Эрозия на + + Овраги, трещины и
эрозии
Дистанцион
трубопроводы, ☐ ное
склоне вниз по
течению * наблюдаемые на склоне зондировани
вниз по течению ☐ е, анализ
DTM,
полевые
исследовани
я
Широкое Редкий или
Растительность + Плотность и тип
распространение отсутствующий
Дистанцио
растительности нное
(трава, кустарники, ☐ зондирован
деревья). ☐ ие, полевые
исследован
ия
Гидрология (влияние стока в озеро)
Небольшой Большой
Площадь + + Общая площадь DTM анализ
дренажной зоны водосбор водосбор
водосборного
выше водосбора ☐ ☐
бассейна
вверх по
течению
озеро
Пологий спуск Крутой склон
Средний уклон + Крутизна водосборной DTM анализ
площади ☐ ☐
район
верхнего
водосбора
39
Низкая Высокая
Плотность + Плотность речной DTM анализ
сети в плотность плотность
дренажа
водосборном ☐ ☐
бассейне
40
Нет потоков или Видны большие
Размер + Наличие крупных
только потоки
Дистанцион
ручья, речных потоков, ное
небольшие ☐
впадающего в способствующих зондировани
потоки
озеро быстрому стоку в е, анализ
☐
озеро DTM порядка
потока
Отсутствующий Одно или
Озера вверх по + + + Наличие и Дистанционное
восприимчивость озер несколько зондирование
течению уязвимых озер
вверх по течению,
которые могут ☐
☐
вызвать каскадные
процессы
Геотехнические факторы
Низкая Высокая
Cейсмичность + Потенциальная Геологич
величина и частота, сейсмичность сейсмичность еское
ускорение земли ☐ ☐ картиров
ание и
моделиро
вание.
41
Использованная литература
Allen SK, Rastner P, Arora M, Huggel C, Stoffel M. 2015. Lake outburst and debris flow
disaster at Kedarnath, June 2013: hydrometeorological triggering and topographic predisposition.
Landslides, 13: 1479–1491.
Allen, S. K., Zhang, G., Wang, W., Yao, T., & Bolch, T. 2019. Potentially dangerous glacial
lakes across the Tibetan Plateau revealed using a large-scale automated assessment approach. Science
Bulletin, 64(7), 435–445.
Bolch, T., Peters, J., Yegorov, A., Pradhan, B., Buchroithner, M., Blagoveshchensky,
V. (2012). Identification of Potentially Dangerous Glacial Lakes in the Northern Tian Shan. In: Pradhan, B.,
Buchroithner, M. (eds) Terrigenous Mass Movements. Springer, Berlin, Heidelberg.
https://doi.org/10.1007/978-3-642-25495-6_12
Bhardwaj, A., Singh, M.K., Joshi, P.K., Snehmani, Singh, S., Sam, L., Gupta, R.D., Kumar, R.,
2015. A lake detection algorithm (LDA) using Landsat 8 data: A comparative approach in glacial
environment. Int. J. Appl. Earth Obs. Geoinformation 38, 150–163.
https://doi.org/10.1016/j.jag.2015.01.004
Chen, L.-C., Zhu, Y., Papandreou, G., Schroff, F., Adam, H., 2018a. Encoder-decoder with
atrous separable convolution for semantic image segmentation. European Conference on Computer Vision.
Chen, L.-C., Papandreou, G., Kokkinos, I., Murphy, K., Yuille, A.L., 2018b. DeepLab:
Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected
CRFs. IEEE Trans. Pattern Anal. Mach. Intell. 40(4), 834-848.
https://doi.org/10.1109/TPAMI.2017.2699184
Cook SJ, Quincey DJ. 2015. Estimating the volume of Alpine glacial lakes. Earth Surface
Dynamics, 3(4): 559–575. https://doi.org/10.5194/esurf-3-559-2015.
Crist, E.P., Cicone, R.C., 1984. A Physically-Based Transformation of Thematic Mapper Data
—The TM Tasseled Cap. IEEE Trans. Geosci. Remote Sens. GE-22, 256–263.
https://doi.org/10.1109/TGRS.1984.350619
Dirscherl, M., Dietz, A.J., Kneisel, C., Kuenzer, C., 2020. Automated Mapping of Antarctic
Supraglacial Lakes Using a Machine Learning Approach. Remote Sens. 12.
https://doi.org/10.3390/rs12071203
Doxaran, D., Froidefond, J.-M., Castaing, P., 2003. Remote-sensing reflectance of turbid
sediment-dominated waters. Reduction of sediment type variations and changing illumination conditions
effects by use of reflectance ratios. Appl Opt 42, 2623–2634. https://doi.org/10.1364/AO.42.002623
Dubey, S., & Goyal, M. K. 2020. Glacial lake outburst flood (GLOF) hazard, downstream
impact, and risk over the Indian Himalayas. Water Resources Research, 56(4), Article e2019WR026533.
42
Emmer, A. 2017. Glacier retreat and glacial lake outburst floods (GLOFs. In Oxford research
encyclopedia of natural hazard science. Oxford University Press. https://
oxfordre.com/naturalhazardscience/view/10
Erokhin, S. A., & Zaginaev, V. V. (2020). Trends of outburst hazard for the dynamics of
mountain lakes in Kyrgyzstan. In S. S. Chernomorets & K. S. Viskhadziev (Eds.), Debris Flow: Disasters,
Risk, Forecast, Protection. Proceedings of the 6th International Conference (Tajikistan) (Vol. 1, pp. 194–
207).
Erokhin, S.A., Zaginaev, V.V., Meleshko, A.A., In prep. Inventory of hazardous mountain
lakes in Kyrgyzstan.
Farinotti, D., Round, V., Huss, M., Compagno, L., & Zekollari, H. 2019. Large hydropower
and water-storage potential in future glacier-free basins. Nature, 575(7782), 341– 344.
Feyisa, G.L., Meilby, H., Fensholt, R., Proud, S.R., 2014. Automated Water Extraction Index:
A new technique for surface water mapping using Landsat imagery. Remote Sens. Environ. 140, 23–35.
https://doi.org/10.1016/j.rse.2013.08.029
Frey, H., Haeberli, W., Linsbauer, A., Huggel, C., and Paul, F. 2010. A multi-level strategy for
anticipating future glacier lake formation and associated hazard potentials, Nat. Hazards Earth Syst. Sci.,
10, 339–352, https://doi.org/10.5194/nhess-10-339-2010.
Frey, H., Huggel, C., Chisolm, R. E., Baer, P., Mcardell, B. W., Cochachin, A., &
Portocarrero, C. 2018. Multi-source glacial lake outburst flood hazard assessment and mapping for Huaraz,
Cordillera Blanca, Peru. Frontiers in Earth Science, 6(210).
Fujita, K., Sakai, A., Takenaka, S., Nuimura, T., Surazakov, A. B., Sawagaki, T., &
Yamanokuchi, T. 2013. Potential flood volume of Himalayan glacial lakes. Natural Hazards and Earth
System Science, 13(7), 1827–1839.
Gao, B., 1996. NDWI—A normalized difference water index for remote sensing of vegetation
liquid water from space. Remote Sens. Environ. 58, 257–266. https://doi.org/10.1016/S0034-
4257(96)00067-3
Gautam, V.K., Gaurav, P.K., Murugan, P., Annadurai, M., 2015. Assessment of Surface Water
Dynamicsin Bangalore Using WRI, NDWI, MNDWI, Supervised Classification and K-T Transformation.
Aquat. Procedia 4, 739–746. https://doi.org/10.1016/j.aqpro.2015.02.095
Grundstein, A., 2009. Evaluation of climate change over the continental United States using a
moisture index. Clim. Change 93, 103–115. https://doi.org/10.1007/s10584-008-9480-3
Holschneider, M., Kronland-Martinet, R., Morlet, J., Tchamitchian, P., 1990. A Real- Time
Algorithm for Signal Analysis with the Help of the Wavelet Transform. In: Combes, JM., Grossmann, A.,
Tchamitchian, P. (eds) Wavelets. inverse problems and theoretical imaging. Springer, Berlin, Heidelberg.
https://doi.org/10.1007/978-3-642-75988-8_28
43
How, P., Messerli, A., Mätzler, E., Santoro, M., Wiesmann, A., Caduff, R., Langley, K.,
Bojesen, M.H., Paul, F., Kääb, A., et al., 2021. Greenland-wide inventory of ice marginal lakes using a
multi-method approach. Scientific Reports 11, 4481.
Huggel, C., Kääb, A., Haeberli, W., Teysseire, P., Paul, F., 2002. Remote sensing based
assessment of hazards from glacier lake outbursts: a case study in the Swiss Alps. Can. Geotech. J. 39, 316–
330. https://doi.org/10.1139/T01-099
Hunt, E.R., Rock, B.N., 1989. Detection of changes in leaf water content using Near- and
Middle-Infrared reflectances. Remote Sens. Environ. 30, 43–54. https://doi.org/10.1016/0034-
4257(89)90046-1
Jha, L.K., Khare, D., 2017. Detection and delineation of glacial lakes and identification of
potentially dangerous lakes of Dhauliganga basin in the Himalaya by remote sensing techniques. Nat.
Hazards 85, 301–327. https://doi.org/10.1007/s11069-016-2565-9
Ives, J. D., Shrestha, R. B., & Mool, P. K. 2010. Formation of glacial lakes in the Hindu Kush-
Himalayas and GLOF risk assessment. International Centre for Integrated Mountain Development
(ICIMOD).
Kapitsa, V., Shahgedanova, M., Machguth, H., Severskiy, I., and Medeu, A., 2017:
Assessment of evolution and risks of glacier lake outbursts in the Djungarskiy Alatau, Central Asia, using
Landsat imagery and glacier bed topography modelling, Nat. Hazards Earth Syst. Sci., 17, 1837–1856,
https://doi.org/10.5194/nhess-17-1837-2017.
Kingma, D.P., Ba, J., 2014. Adam: A Method for Stochastic Optimization. International
Conference on Learning Representations, 14-16 April, Banff, Canada.
Kougkoulos, I., Cook, S. J., Jomelli, V., Clarke, L., Symeonakis, E., Dortch, J. M., Edwards, L.
A., & Merad, M. 2018. Use of multi-criteria decision analysis to identify potentially dangerous glacial lake.
Science of The Total Environment, 621, 1453–1466.
Lacaux, J.P., Tourre, Y.M., Vignolles, C., Ndione, J.A., Lafaye, M., 2007. Classification of
ponds from high-spatial resolution remote sensing: Application to Rift Valley Fever epidemics in Senegal.
Remote Sens. Environ. 106, 66–74. https://doi.org/10.1016/j.rse.2006.07.012
Linsbauer A, Frey H, Haeberli W, Machguth H, Azam MF, Allen S. 2016. Modelling glacier-
bed overdeepenings and possible future lakes for the glaciers in the Himalaya–Karakoram region. Annals of
Glaciology, 57: 119–130.
McFeeters, S.K., 1996. The use of the Normalized Difference Water Index (NDWI) in the
delineation of open water features. Int. J. Remote Sens. 17, 1425–1432.
https://doi.org/10.1080/01431169608948714
44
Medeu, A. R., Tokmagambetov, T. G., Kokarev, A. L., Plehanov, P.A., and Plehanova N. S.:
Glacial lakes of the River Horgos basinand assessment of their outburst, Led i Sneg (Ice and Snow),
3,99–106, 2013 (in Russian)
Mergili, M., Kopf, C., Müllebner, B. and Schneider, J.F., 2012. Changes of the
cryosphere and related geohazards in the high‐mountain areas of tajikistan and austria: a
comparison. Geografiska Annaler: Series A, Physical Geography, 94(1), pp.79-96.
Mergili, M., Müller, J., & Schneider, J.F., 2013. Spatio-temporal development of high-
mountain lakes in the headwaters of the Amu Darya River (Central Asia). Global and Planetary
Change, 107, 13-24.
Mölg, N., Huggel, C., Herold, T., Storck, F., Allen, S., Haeberli, W., Schaub, Y., and
Odermatt, D., 2021. Inventory and evolution of glacial lakes since the Little Ice Age: lessons from the case
of Switzerland. Earth Surface Processes and Landforms.
O’Connor, J. E., Hardison, J. H., & Costa, J. E. 2001. Debris flows from failures of
Neoglacial-age moraine dams in the Three Sisters and Mount Jefferson wilderness areas, Oregon (Paper No.
1606). US Geological Survey.
Pei, Y., Zhang, Y. J., and Yuan, Z., 2007. A study on information extraction of water system in
semi-arid regions with the enhanced water index (EWI) and GIS based noise remove techniques. Remote
Sensing Information. Vol.6, pp. 62-67.
Pekel, J.-F., Cottam, A., Gorelick, N., Belward, A.S., 2016. High-resolution mapping of
global surface water and its long-term changes. Nature 540, 418–422.
Petrov, M. A., Sabitov, T. Y., Tomashevskaya, I. G., Glazirin, G. E., Chernomorets, S. S.,
Savernyuk, E. A., Tutubalina, O. V., Petrakov, D. A., Sokolov, L. S., Dokukin, M. D., Mountrakis, G.,
Ruiz-Villanueva, V., & Stoffel, M. (2017). Glacial lake inventory and lake outburst potential in Uzbekistan.
Science of the Total Environment, 592, 228–242. https://doi.org/10.1016/j.scitotenv.2017.03.068
Rogers, A.S., Kearney, M.S., 2004. Reducing signature variability in unmixing coastal marsh
Thematic Mapper scenes using spectral indices. Int. J. Remote Sens. 25, 2317–2335.
https://doi.org/10.1080/01431160310001618103
Ronneberger, O., Fischer, P., Brox, T., 2015. U-Net: Convolutional Networks for Biomedical
Image Segmentation. Medical Image Computing and Computer-Assisted Intervention.
https://doi.org/10.1007/978-3-319-24574-4_28
Rounce, D. R., Mckinney, D. C., Lala, J. M., Byers, A. C., & Watson, C. S. 2016. A new
remote hazard and risk assessment framework for glacial lakes in the Nepal Himalaya. Hydrology and Earth
System Sciences, 20, 3455–3475.
45
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., Chen, L.-C., 2018. MobileNetV2: Inverted
Residuals and Linear Bottlenecks. International Conference on Computer Vision and Pattern Recognition.
Santoro, M., Wegmüller, U., 2014. Multi-temporal Synthetic Aperture Radar Metrics Applied
to Map Open Water Bodies. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 7, 3225– 3238.
https://doi.org/10.1109/JSTARS.2013.2289301
Semakova, E., Gunasekara, K. & Semakov, De. 2016. Identification of the glaciers and
mountain naturally dammed lakes in the Pskem, the Kashkadarya and the Surhandarya River basins,
Uzbekistan, using ALOS satellite data, Geomatics, Natural Hazards and Risk, 7:3, 1081- 1098, DOI:
10.1080/19475705.2015.1023852
Schwatke, C., Scherer, D., Dettmering, D., 2019. Automated Extraction of Consistent Time-
Variable Water Surfaces of Lakes and Reservoirs Based on Landsat and Sentinel-2. Remote Sens. 11.
https://doi.org/10.3390/rs11091010
Silveira, M., S. Heleno, 2009. Separation Between Water and Land in SAR Images Using
Region-Based Level Sets. IEEE Geosci. Remote Sens. Lett. 6, 471–475.
https://doi.org/10.1109/LGRS.2009.2017283
Smith, A.R., 1978. Color gamut transform pairs. SIGGRAPH Comput Graph.
Tom, M., Jiang, Y., Baltsavias, E., and Schindler, K., 2021. Learning a Sensor- invariant
Embedding of Satellite Data: A Case Study for Lake Ice Monitoring. arXiv preprint, vol. arXiv:2107.09092,
2021, https://arxiv.org/abs/2107.09092
Wangchuk, S., and Bolch, T., 2020. Mapping of glacial lakes using Sentinel-1 and Sentinel-2
data and a random forest classifier: Strengths and challenges. Science of Remote Sensing 2, 100008.
Worni, R., Huggel, C. and Stoffel, M. 2013. Glacier lakes in the Indian Himalayas – From an
area-wide glacial lake inventory to on-site and modeling based risk assessment of critical glacial lakes, Sci.
Total Environ., 468–469, s71–s84.
Xu, H., 2006. Modification of normalised difference water index (NDWI) to enhance open
water features in remotely sensed imagery. Int. J. Remote Sens. 27, 3025–3033.
https://doi.org/10.1080/01431160600589179
Zhang, G., Yao, T., Xie, H., Wang, W., and Yang, W., 2015. An inventory of glacial lakes in
the Third Pole region and their changes in response to global warming. Global and Planetary Change 131,
148–157.
Zhang, M., Chen, F., Tian, B., Liang, D., Yang, A., 2020a. High-Frequency Glacial Lake
Mapping Using Time Series of Sentinel-1A/1B SAR Imagery: An Assessment for the
46
Southeastern Tibetan Plateau. Int. J. Environ. Res. Public. Health 17.
https://doi.org/10.3390/ijerph17031072
Zhang, Meimei, Zhao, H., Chen, F., Zeng, J., 2020b. Evaluation of effective spectral features
for glacial lake mapping by using Landsat-8 OLI imagery. J. Mt. Sci. 17, 2707–2723.
https://doi.org/10.1007/s11629-020-6255-4
Zhu, Z., Woodcock, C.E., 2014. Continuous change detection and classification of land cover
using all available Landsat data. Remote Sensing of Environment 144, 152–171.
https://doi.org/10.1016/j.rse.2014.01.011
47