2. 同济大学空间信息科学及可持续发展应用中心, 上海 200092
2. Center for Spatial Information Science and Sustainable Development Applications, Tongji University, Shanghai 200092, China
地球系统科学研究起源于20世纪80年代，在全球气候系统框架下包含大气圈、水圈、冰冻圈、岩石圈和生物圈5大圈层。冰冻圈对气候变化的高敏感度及重要的气候反馈作用，是气候系统多圈层相互作用的核心纽带和最为关键因素之一。同时，作为生物圈中的重要组成部分，城市与人类活动关联性最强，是研究地球系统科学，实现人类可持续发展的终极目标之一。2015年联合国通过的《可持续发展目标》[1]确定了17项目标，旨在实现人类社会与地球环境的可持续发展。其中，在目标13"气候行动"中，强调气候变化也已并将进一步导致包括全球变暖、全球海平面上升、地质灾害等严重后果，同时呼吁"以坚定的政治意愿、通过增加投资和利用现有技术，将全球平均气温上升限制在比工业化前水平高出2℃以内"。此外，目标11"可持续发展的城市和社区"指出，到2050年，全人类的三分之二，即约65亿人口将成为城市人口，这也为城市可持续发展提出了更高的要求。
基于上述愿景目标，针对地球科学系统的前沿科学问题主要集中体现在：全球变化(如三极物质平衡而引起的海平面变化)、极端气候引起的地质灾害(如冻土退化而引起的滑坡)，以及新型城镇化进程中的城市病等方面。从测绘学科角度出发，为了解决上述问题，地球系统多尺度关键过程研究的必然趋势是从数字化测绘走向智能化测绘。其中，空天信息实时智能处理[2]、大数据时代地球空间信息学[3]、智能时代的泛在测绘[4]、智能遥感卫星与遥感影像实时服务[5]、地理空间信息网格、智能遥感影像分类[6]等方向将引领智能化测绘的不断发展和外延。
笔者认为，基于智能化测绘的自动化、网络化和实时化的主要技术特点，地球系统多尺度关键过程的研究将进入空-天-地多传感器优化组网、星地实时链接传输、信息智能自动处理的新业态，同时将结合人工智能、大数据等信息技术，最大限度地发挥多学科交叉的大测绘科学优势，不断深化地球系统科学研究，支撑联合国可持续发展目标的顺利实现。本文将从智能化观测和智能化处理两方面总结多尺度下地球系统关键区域和关键过程的研究现状，并就未来发展趋势进行展望。
1 地球系统关键区域、关键过程本文着重探讨的地球系统研究关键区域，涵盖三极及高亚洲山区，同时也包括了与人类活动息息相关的大型城市地下空间。2000年世界气候研究计划确立了"气候与冰冻圈"核心计划(WCRP-CLIC)，该计划首次提出了"冰冻圈科学"(cryospheric sciences)，并成立了国际冰冻圈科学协会[7-8]。对全球气候变化极为敏感的冰冻圈是指地球表层由冻结水所组成的圈层，包括固体冰(冰盖、冰川、海冰、湖冰和河冰等)、雪(积雪、雪花和冰晶等)、冻土(高海拔冻土和海底多年冻土)等地球表层的冰冻部分，与其他圈层的相互作用非常活跃。冰冻圈主要分布在高海拔、高纬度地区，其核心区域为南极，北极和青藏高原。其中，青藏高原及其毗邻地区也被称为亚洲高山区。
20世纪70年代以来，全球气温持续增暖，全球海平面持续上升[9-10]。尽管IPCC报告已经收集整理了来自全球各个研究机构的数据产品，但在全球变化研究中，观测仍存在数据不足的问题，并直接造成了对全球变化关键过程的认识不足，主要涉及一系列重要的关键研究领域，如冰盖冰川融化与全球海平面上升的耦合机制[11-13]、极地冰盖深部结构变化对海平面的影响[14-15]、南北极海冰变化与极端气候[16-17]、冻土退化与地质灾害[18-20]等科学问题。
同时，作为地球系统人居环境的重要载体之一，城市地下空间的重要战略地位早在20世纪末、21世纪初就被国内学者预见[21-22]。近年来，城市地下空间及地下基础设施已成为我国新型城镇化的重要拓展方向[23]，而在地球系统维度上，将地下环境、城市地下空间与地球系统多圈层研究相结合是走向人类与地球和谐发展的一种新体现[24]。如图 1所示，作为基础技术手段，城市地下空间的测绘与规划也正从数字化向智能化过渡[25-28]。
|
| 图 1 本文涉及的地球系统关键过程和典型区域 Fig. 1 Critical processes and areas of the Earth system |
在地球系统中，冰冻圈对全球气候变化响应迅速，但其非线性演变过程仍难以被准确预测。地球三极、全球高原山区和大型城市地下空间等关键区域的关键过程主要包括：南北极冰层加速融化导致全球海平面上升；极地冰盖边缘和冰架崩解和冰盖底部融化加速导致冰盖的不稳定性增加；全球气候变暖导致南北极海冰面积减少；全球冻土退化、山地冰川退化、热熔湖面积扩增等现象造成山地滑坡、水土流失等地质灾害；规范不合理的城市地下基础设施工程致使城市发生城市道路塌陷、内涝等灾害。目前，上述关键过程的探测大多采用了遥感观测技术和地球物理勘探等手段，按照传感器类型可分为可见光、热红外、微波、雷达、激光和重力等。同时，遥感观测可以根据实际要求实现对极地环境变化和城市区域形变不同时间和空间多尺度下的动态监测。需要指出的是，在冰冻圈关键区域和关键过程的观测研究中，遥感技术的使用并不能完全取代实地观测。因此，遥感数据与实地观测数据的智能融合与同化，有助于实现上述观测手段与技术从数字化向智能化的过渡。下文将针对上述主要关键区域和关键过程从智能观测和智能处理两方面做进一步的梳理和总结。
2 智能化观测 2.1 冰川融化与海平面上升极地冰川对全球气候变化非常敏感，观测结果表明全球变暖导致冰盖物质流失、北极冰川范围减少、厚度减薄和流速加快等。因此，加强对极地冰川变化过程的持续观测能够为全球变暖监测提供有力数据支撑。冰川融化是目前仅次于海水热膨胀之外，对全球海平面变化贡献最大的因素。过去20年，格陵兰和南极冰盖一直在损失冰量，几乎全球范围内的冰川均在持续退缩[30]。第5次IPCC评估报告中提到，近百年全球海平面已升高0.19 m，目前海平面升高速率还在继续加快，预计到21世纪末有可能再升高0.18~0.59 m，这将导致一系列的社会和环境问题[29]。目前用于大范围冰川物质变化的定量研究主要采取的观测技术手段有：卫星测高法、重力测量法、分量法(也称输入输出法)。另外，InSAR和高分辨率航空机载多源观测技术也可用于提取冰盖表面流场、表面形态异常信息及变化时间序列。
2.2 极地冰盖稳定性及底部结构在极地冰盖稳定性方面，定量评估未来海平面变化的最大不确定性是对极地冰盖稳定性和快速变化(季节内、年际和年代际)动态过程的机制缺乏实际认识[29]。为了监测极地冰盖稳定性，需要重点关注冰盖整体变化、冰架前缘和冰盖底部，包括冰架崩解、接地线退缩、冰流增速、冰层减薄、冰面升降突变、冰面融水下浸，冰下湖泊活动和冰盖底部滑动等具体过程。实现对极地冰盖三维立体观测需要结合中国极地冰盖考察支撑平台，在冰面采用探冰雷达、高精度DGPS、LiDAR、物质平衡标杆网阵和冰流网阵等技术手段，辅以机载InSAR、LiDAR、航空影像，对冰盖表面、内部结构和底部环境进行综合协同观测；针对冰盖快速变化(季节/年际尺度)的突变活动，对冰盖表面、内部和底部过程开展现场智能强化观测，为数值模式模拟和遥感分析研究提供关键性数据资料。
目前，对极地冰盖的系统性观测仍存在不足，导致对其未来的稳定性和变化过程预估存在较大的不确定性，迫切需要建立卫星-航空-地面(科考站)集成的智能多源遥感/现场观测体系(图 2)，实现对极地冰盖整体和底部关键过程的系统性智能强化观测。
|
| 图 2 冰盖稳定性及底部结构多源遥感与现场观测体系 Fig. 2 Multi-source remote sensing and in-situ observation system for the stability of ice sheet and subglacial structure |
2.3 南北极海冰变化与极端气候
极地海冰是极地环境的重要组成部分，也是影响船舶航行安全和科学考察进行的主要因素之一。针对南北极海冰长时间序列的持续观测以及南北极海冰的联动机制的探究，需要重点关注海冰密集度、范围和面积、海冰厚度、海冰类型及海冰反照率等关键参数。北极海冰的减少既加剧了北极地区的增暖速率，还影响着中纬度地区的天气情况[31]。受北极秋季海冰减少的影响，东亚和北极地区冬季气温呈跷跷板结构，冬季极区冷空气更容易入侵东亚，造成严寒等极端气候，而夏季趋向变热且夏季温差变大，容易出现酷暑等极端天气事件[32]。因此，传统利用单一遥感数据的观测手段已无法满足对海冰全球联动效应的分析需求，需要协同卫星测高、光学影像、主被动微波、航空测量(机载多传感器)和地面观测技术(如船测、浮标)，这将有利于构建极地海冰空-天-地立体遥感监测体系，如图 3所示，形成多源遥感数据处理的新理论和新方法，为研制南北极海冰关键参数产品提供多源多角度的海冰智能化观测方案。
2.4 冻土退化与地质灾害
青藏高原区域的冻土是研究全球气候变化的重要指标之一。冻土的冻融循环和退化对生态环境和人类工程活动影响巨大，需要重点关注冻土冻结期缩短、冻土退化、冻土范围减少与冻土厚度变薄等冻土对气候变化的响应过程。同时，地质灾害的多尺度关键过程是智能化测绘的重要应用场景[34]。传统方法难以建立起完善的评价指标体系，尤其缺乏系统完备的定量评价方法。基于多源遥感数据融合的智能观测，可以提取与建立影响多年冻土和季节冻土的综合影响因素和指标体系。在此基础上，基于多因素综合分析，可以进一步实现全球冻土空间分布识别和时空演变规律分析。例如，合成孔径雷达干涉技术可以有效反演青藏高原冻土区域地表形变，具有范围大、精度高的高效性[18]。联合光学遥感技术和InSAR形变监测的智能处理技术可以探究湖泊急速扩张与冻土退化潜在的因果联系[19]。因此，在观测手段上需要突破单源(单类)遥感数据对冻土分布分类识别的局限，发展多源遥感数据融合技术，协同利用多源遥感数据的互补优势，提高冻土空间分布识别精度。图 4为基于InSAR技术的冻土活动层反演思路与研究区域。
|
| 图 4 基于InSAR技术的冻土活动层反演思路与研究区域 Fig. 4 Inversion of active layer of permafrost based on InSAR and the research areas of interest |
2.5 地球系统下的宜居城市地下空间
在地球系统维度上，地下环境和城市地下空间作为人居环境的重要组成部分，与地球系统其他圈层存在重要连接，特别是地上人居环境日渐拥挤的21世纪，城市地下空间的研究日益重要。例如，在全球变暖、海平面上升、冻土退化等冰冻圈因子作用下，日益拓展的城市地下空间在规划、勘测、建造、监测和维护过程中该如何应对，是人类必须在地球系统尺度上进行思考的迫切问题。在城市地下空间从"数字化"走向"智能化"的过程中，地下空间的智能化测绘是数字化测绘的必然发展阶段，也是规划、设计、施工、运维智能化地下空间的基础。从地上到地下，在传统地上测绘及卫星遥感技术失效的情况下，地下空间的位置信息获取及导航服务、地下工程(如隧道、峒室等)勘测、地下市政基础设施(如地下管网、人防设施等)的探测与检测、地下交通系统建设和运维等领域更多地依赖于各种面向复杂介质的无损探测手段以及面向对象的传感器测量与检测，例如引入陀螺经纬仪、射频识别、地质雷达、地下传感器网络等测量手段[35-39]，实现地下空间目标体的精准定位和状态检测。这是研究道路塌陷、城市内涝等城市变化过程的重要数据来源，也是智能化监测地下空间环境变化的重要手段之一。
|
| 图 5 城市地上-地下空间(http://www.tduk.org/) Fig. 5 Urban above-ground and underground space (http://www.tduk.org/) |
3 智能处理 3.1 冰川融化与海平面上升
目前，对于极地冰层物质变化关键过程的定量研究主要使用3大技术手段。①卫星测高法，是通过星载激光高度计(如ICESat、ICESat-2)、雷达高度计(如Cryosat等)对同一区域进行反复观测，监测得到地面高程变化，然后通过监测区域面积和冰、雪密度进行换算，最终得到区域质量的变化量和变化率[40-44]。②重力测量(反演)法，是通过测量地球重力场时变信号获取冰盖质量变化的方法。地球重力场的时变信号反映了地球各圈层物质质量的分布或迁移，针对冰冻圈而言，通过分离或改正其他圈层的影响可以获取冰盖的物质质量平衡。目前时变重力测量卫星主要是GRACE和GRACE-FO卫星[45]。③输入输出法(也称分量法)，通过估算冰盖全部的物质输入量和输出量的差值，得到南极的质量平衡[12]。文献[46]通过RACMO(regional atmospheric climate model)模型得到的表面净积累量，通过合成孔径雷达计算出南极冰流速并推算出物质输出量，进而通过输入输出法得到全南极的质量变化。对比以上3种方法，卫星测高法优点是可以提供更高分辨率的观测结果，但是在从高程变化转换到质量变化过程中，密冰雪度的选择影响很大。重力测量的优点在于直接获取质量变化，不用考虑换算的误差，缺点在于结果分辨率低，受冰川均衡调整(glacial isostatic adjustment, GIA)的影响大。输入输出法优点在于估计了物质的来源和去处，缺点是物质输入是从模型计算得到的，误差较大。上述3大技术均可在智能处理中独立或结合运用。
3.2 极地冰盖稳定性及底部结构冰盖变化稳定性关键过程的强化观测、冰盖底部过程诊断分析和冰盖模式模拟等方法和技术，研究者可探讨冰盖快速变化的规律、物理过程和机制，阐述冰盖变化稳定性和底部结构与过程。具体处理过程如图 6所示。
|
| 图 6 冰盖稳定性与底部结构数据处理 Fig. 6 Data processing for the stability of icecap and subglacial structure |
冰盖稳定性系统性观测获得的海量遥感和现场数据需要进行智能数据处理，以监测覆盖冰盖、冰架三维结构的动态过程。如：冰盖整体变化、冰架前缘和冰盖底部，包括冰架崩解、接地线退缩、冰流增速、冰层减薄、冰面融水下浸、冰下湖泊活动等，并在此基础上对这些关键过程进行机理诊断。通过多基线D-InSAR技术对长时间序列的SAR影像可进行反演处理，获取冰盖冰面地形、冰流速度和冰厚变化序列[11]；基于动态视差分解技术进行历史光学卫星影像几何处理，并进行多源卫星影像密集匹配反演长时序冰盖表面冰流速度场[13, 47]；基于重复轨、交叉点与格网分割算法的多源卫星测高数据智能处理新方法，可获取冰盖高程长时序变化序列[48]；基于极地冰盖特殊困难环境下无人值守观测站的北斗数据高精度、智能化处理方案，可建立并维护冰盖强化观测验证基准；基于大数据影像分析和人工智能(AI)、机器学习方法，可开发多源卫星影像和卫星测高数据融合的冰盖接地线、边缘线智能提取与分析新方法，并分析其变化规律[15, 49]；基于长时间序列的多源卫星遥感数据，采用智能影像解译和变化检测技术提取长时间序列的冰盖/冰架特征线的几何位置及其变化过程信息[14]；利用卫星高度计(ERS-1/2, ICESat、CryoSat-2、ICESat-2等)和机载激光雷达，可得到冰盖/冰架突变事件发生前后的高程变化量并进行三维可视化[49]；基于机载冰雷达、星载被动微波等方法获取的冰底数据并结合冰下环境(如热通量、压力、密度等)模型，可建立南极、格陵兰冰下湖网时空模型，分析冰下结构历史变化，探究极地环境变迁。
3.3 南北极海冰变化与极端气候南北极海冰的变化监测主要关注海冰的密集度类型、范围、面积、厚度及反照率等重要参数。在海冰密集度产品的研制方面，微波遥感数据是重要的遥感监测数据源。利用主被动微波融合的方法，可研究混合统计分布特征、纹理特征、极化散射等特征提取方法，构建包含场景语义关联的学习和推理方法，并通过线性回归、动态规划等线性/非线性迭代优化策略获得融合后海冰密集度估计结果。目前，该方法已成功研制出了空间分辨率为1 km，时间分辨率为1 d的海冰密集度产品[50-52]。
在海冰类型分类方法方面，雷达卫星能够提供可靠的遥感数据观测源，文献[52]利用直方图阈值法、基于卫星散射数据的Spreen模型法和强对比法等方法对雷达卫星数据进行分类，可识别一年海冰和多年海冰类型。在海冰范围和面积产品的研制方面，智能化处理必须突破光学影像的云雾影响以及被动微波遥感影像的空间分辨率限制。文献[53]利用被动微波遥感影像高时间分辨率的特点，在海量海冰影像数据的支持下，在深度学习等人工智能算法的框架下运用了基于单影像和多影像的海冰被动微波影像超分网络模型，实现了高分辨率海冰面积和范围产品的研制，已获得了分辨率优于1 m的海冰面积和范围产品，所研制的产品已在我国第11次北极科学考察中得到示范应用。在海冰厚度产品的研制方面，利用Envisat、ICESat、CryoSat-2等多源卫星测高数据，突破了积雪深度改正、波形重构、干舷高度提取等关键技术，已研制出近20年北极海冰厚度的月产品，并基于此获得了一年冰、多年冰厚度的时空变化特征[54-55]。
在海冰反照率产品研制方面，智能化处理多源遥感卫星数据，可以获取长时间序列空间信息丰富和高时空分辨率的反照率产品，例如联合AVHRR卫星可以填补极地云空下海冰反照率产品的缺失部分[50]。
3.4 冻土退化与地质灾害面向冻土退化与地质灾害的关键过程，冻土退化的智能化测绘同样需要智能化的数据处理来分析与揭示冻土空间分布特征、时空演变规律和退化趋势。需要基于时空大数据建立多因素指标体系，采用针对大时空数据挖掘和机器学习方法(包括深度学习方法)，基于AI技术挖掘和拟合多因素综合分析和冻土时空分布与演变特征之间的关系。基于多源遥感数据，可以融合长时间序列InSAR以及遥感变化检测技术，分析冻土的时空演变规律和退化趋势并计算退化速率[19]，冻土活动层反演技术路线如图 7所示。
|
| 图 7 冻土活动层反演技术路线 Fig. 7 Technical route of the inversion of active layer of permafrost based on InSAR |
3.5 地球系统下的宜居城市地下空间
为了描述道路塌陷、城市内涝等关键过程，需要对城市地下空间基础数据有准确地获取和分析。这些基础数据通常包括地理数据、地质数据、岩土工程数据、地下管线数据、地下建(构)筑物数据，具有鲜明的多源异构特点。在数据处理流程上，需首先进行数据标准化[57]，建立面向对象的空间数据库进行统一管理[57]。在此基础上，结合建筑信息模型(building information modeling, BIM)将地下空间数字化三维元素和多源探测及传感数据进行深度融合，辅助地下空间重要元素的时空分析处理、优化设计及智能运维管理[58]。随着人工智能的不断发展，城市地下空间信息的智能处理更多地依靠人与AI的交互合作。因此，基于城市智能信息模型(city intelligent model, CIM)的地下空间大数据平台，将进一步结合地下空间大数据和AI技术[59]，推进地下空间数据及关键参数的智能化处理[60-61]。
4 未来发展趋势以遥感技术、地球物理勘探技术为主的观测技术能够实现冰冻圈宏观、综合、动态和快速的变化监测，并结合建立的冰冻圈物理模型，可进一步实现冰冻圈非线性变化监测。这有助于深化冰冻圈领域融合研究，强化其与各圈层间相互作用过程的认知，为全球动态变化监测提供数据和模型支持，但也存在自身的局限性。例如卫星遥感的时空分辨率、空谱分辨率仍无法兼得；冰冻圈遥感数据仍难以实地定标、校准与验证；单一地球物理勘探技术尚无法独立精确反映地下结构，其图像解译复杂且仍较依赖人工判读；现有地表观测数据仍存在观测网络不健全、观测主题各机构不统一及观测周期不连续等问题。针对上述实地数据与遥感数据的联合使用，多源遥感数据融合、实地和遥感预测数据融合、实地和遥感数据与极地冰盖动态模型的数据同化等问题，研究者亟须发展更加智能高效的处理分析方法。另外，在目前的模拟气候模型中，冰冻圈相关的物理过程参数化方案仍采用了过多的简易化处理，考虑的影响因素有限，难以准确地动态描述气候变化及其影响的物理机制，极大地制约了冰冻圈过程与全球和区域气候模式耦合的准确度。
因此，随着智能化观测与智能化处理技术的革新进步，为了应对日益紧迫的全球气候变化，开展地球系统资源环境、生态状况、人居环境调查，进一步服务地球大科学系统研究，仍需要不断推进和健全以多圈层相互作用为关键区域的地球系统智能化综合监测网络；研发智能数据处理新方法，形成地球系统科学研究的数据产品系列，建立地球系统关键区域的大数据中心；搭建地球系统关键过程智能化模拟与预报系统。
随着地球系统关键区域冰冻圈和城市地下空间测绘方式从数字化测绘向智能化测绘的演变，研究者需要实现对其关键过程的多尺度观测、分析和预报，多尺度下地球系统关键区域及关键过程的智能化测绘如图 8所示。多平台、多传感器和多功能的观测手段将逐渐发展成为空天-陆基-地下/水下相结合的立体智能观测网，能够实现冰冻圈和城市地下空间的多源遥感立体观测；多源观测数据将催生大数据中心的建立，将高效完成观测数据的收集、标注、处理和共享下载。面向科研工作和实际生产需求的多源时空观测数据集将促进关键过程智能模拟预报系统的研发，通过与人工智能技术的结合，人们将能够从时间和空间不同尺度上实现对冰冻圈和城市地下空间不同关键过程的智能预报。
|
| 图 8 多尺度下地球系统关键区域及关键过程的智能化测绘 Fig. 8 Intelligent and multi-scale surveying of key areas and processes of the Earth system |
4.1 地球系统关键区域智能化综合监测网络
以多圈层为例，针对地球系统关键区域，我国"十三五"和"十四五"规划都提出了新建南北极岸基观测站和科考站建设计划，以及极地机器人、破冰船等极地资源开发利用装备和系统的研发计划[62]。在智能化综合监测网络方面，冰冻圈研究可以参考我国建设全球海洋立体观(监)测系统的发展经验，研发覆盖陆地、海洋和极地等不同类型关键区域的，更加绿色、智能、可持续发展的空天-陆基-水下一体综合监测系统[7]，实现对关键区域、关键过程、和关键要素的动态监测。
在空天观测领域，重点研发至少5种遥感协同观测技术(光学、微波遥感、重力、激光、雷达)和自主装备，建立智能化综合监测网络，获得南极冰架底部融化量及变化趋势、认识冰下湖网系统活动与潜在突变过程、精密确定海洋型冰盖区域，以及今后10年与100年尺度大规模崩解事件可能性。联合GPS、北斗等全球导航卫星系统提升极地区域定位精度，校正冰川均衡调整模型(glacial isostatic adjustment, GIA)精度，检验极地物质平衡估算模型的准确性[63]。在陆基和冰下观测领域，重点研发智能化气象站、冻土实地监测网络、冰盖内部及底部电磁探测、冰下湖无人潜水器、设备能源自动化与信息智能传输技术[64]，实时、准确地监测冰冻圈观测点位气候环境和关键要素。运用三维可视化技术模拟反演冻土活动层的动态变化，揭示季节性冻土的冻融循环动态过程，进一步探究多年冻土与季节性冻土的转变与退化规律对区域气候变化和地质灾害的影响。在支持海冰遥感刻画物理力学性质的同时，加强海冰热力动力过程以及海冰的全球联动机制研究，也是南北极海冰变化与极端气候必然的发展方向。面向宜居的人居环境，拓展智慧地下空间和地下物联网将成为地球系统新的研究热点。从智能化测绘的角度来讲，这意味着构建城市地下空间及地下基础设施智能传感器网络[65-67]，通过对复杂介质和地下空间关键参数(位置、物性等)的智能测量和感知，实现城市地下空间宜居化，实现与地球系统其他圈层关键过程的良性响应和可持续发展。
4.2 地球系统关键过程数据产品序列和区域大数据中心多圈层科学数据主要包括科学考察产生的观测、调查过程数据，测试分析的结果数据，以及区域长期定点监测数据和遥感观测数据等[68]。这些海量基础数据呈现多元化、立体化、实时化的特点。智能化观测技术的发展极大地促进了大数据智能化处理技术的发展。发展趋势包括建立地球系统关键过程数据产品序列，即智能化观测和处理这些数据的主要载体，形成地球系统关键区域大数据中心。同时，大数据的存储与管理也成了面向新世纪地球系统关键区域研究中一个极其重要的研究领域。比如，目前国际上美国、英国、澳大利亚、德国和俄罗斯等国都建立了本国的极地科学数据库，我国也建立了一系列的极地数据库及共享系统。基于多个国家极地数据库需要发展数据获取与同化核心新技术(包括海量数据处理技术、多平台多源数据融合技术、观测-模式耦合技术、数据挖掘和重要参数提取技术、数据同化技术等)，实现多圈层大数据云系统平台搭建、服务和管理，填补观测关键空白区域。同时，为长时间序列、高精度关键参数观测与反演产品提供支持，对提高我国全球气候预测精度、应对全球变化具有关键的支撑作用。
4.3 地球系统关键过程智能化模拟与预报系统地球系统大数据的出现与发展，以及人工智能、超级计算机和量子计算的快速发展，呈现出多学科交叉、高分辨率和精细化的鲜明特点。目前，全球和区域多圈层变化模拟模型物理过程仍比较粗糙，受整个气候系统的5大圈层的各种过程所影响，还需要进一步考虑与人类社会经济发展的深层次相互影响，特别是人居环境与冰冻圈关键区域和关键过程的遥相关和耦合效应值得进一步研究。例如，深入发掘气候系统和冰冻圈相互作用的物理基础与气候变化响应机制，发展多圈层变化和全球与区域气候变化耦合模型，进而科学定量地评价和预测全球气候变化的影响。
5 结论随着全球变化问题日趋凸显，作为地球系统中对全球气候变化最敏感的关键区域，多圈层相互作用的关键过程研究备受各国关注，将继续作为21世纪的地球系统科学研究的核心课题之一。近年来，多尺度智能测绘技术不断发展，逐渐形成覆盖陆地、海洋和极地、人居环境等不同类型区域绿色、智能、可持续发展的空天-陆基-地下/水下一体化监测系统，为地球系统的研究提供了多元化、立体化、实时化的海量观测数据，促进了关键区域和关键过程大数据的出现与发展。人工智能、超级计算机和量子计算快速发展，同样推动着地球系统和全球气候变化的定量耦合模拟研究快速发展。笔者认为，地球系统多尺度关键区域和关键过程的进一步研究应当更加系统地统筹智能化观测和处理，构建多平台协同观测、多源数据同化、多学科交叉，推进有组织的综合性研究。通过发射地球观测卫星，布设关键区域地面观测网络，开展面向地球系统的多圈层模式研究，以重点科研专项的形式布局我国地球系统科学发展，探究全球变化对人类社会与人居环境的影响，更好地为实现全球社会经济的可持续发展服务。
| [1] |
联合国. 可持续发展目标[EB/OL]. [2021-01-30]. https://www.un.org/sustainabledevelopment/zh/. United Nations. Sustainable development goals[EB/OL]. [2021-01-30]. https://www.un.org/sustainabledevelopment/zh/. |
| [2] |
李德仁. 展望5G/6G时代的地球空间信息技术[J]. 测绘学报, 2019, 48(12): 1475-1481. LI Deren. Towards geospatial information technology in 5G/6G era[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(12): 1475-1481. DOI:10.11947/j.AGCS.2019.20190437 |
| [3] |
李德仁. 展望大数据时代的地球空间信息学[J]. 测绘学报, 2016, 45(4): 379-384. LI Deren. Towards geo-spatial information science in big data era[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(4): 379-384. DOI:10.11947/j.AGCS.2016.20160057 |
| [4] |
刘经南, 郭文飞, 郭迟, 等. 智能时代泛在测绘的再思考[J]. 测绘学报, 2020, 49(4): 403-414. LIU Jingnan, GUO Wenfei, GUO Chi, et al. Rethinking ubiquitous mapping in the intelligent age[J]. Acta Geodaetica et Cartographica Sinica, 2020, 49(4): 403-414. DOI:10.11947/j.AGCS.2020.20190539 |
| [5] |
王密, 杨芳. 智能遥感卫星与遥感影像实时服务[J]. 测绘学报, 2019, 48(12): 1586-1594. WANG Mi, YANG Fang. Intelligent remote sensing satellite and remote sensing image real-time service[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(12): 1586-1594. DOI:10.11947/j.AGCS.2019.20190454 |
| [6] |
杨晓霞, 徐婷, 李少达, 等. 用户模型驱动的遥感信息智能服务方法[J]. 测绘学报, 2015, 44(11): 1285-1294. YANG Xiaoxia, XU Ting, LI Shaoda, et al. A user profile-driven intelligent service of remote sensing information[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(11): 1285-1294. DOI:10.11947/j.AGCS.2015.20140413 |
| [7] |
秦大河, 姚檀栋, 丁永建, 等. 面向可持续发展的冰冻圈科学[J]. 冰川冻土, 2020, 42(1): 1-10. QIN Dahe, YAO Tandong, DING Yongjian, et al. The Cryospheric science for sustainable development[J]. Journal of Glaciology and Geocryology, 2020, 42(1): 1-10. |
| [8] |
QIN Dahe, DING Yongjian, XIAO Cunde, et al. Cryospheric science: research framework and disciplinary system[J]. National Science Review, 2018, 5(2): 255-268. DOI:10.1093/nsr/nwx108 |
| [9] |
秦大河, STOCKER T. IPCC第五次评估报告第一工作组报告的亮点结论[J]. 气候变化研究进展, 2014, 10(1): 1-6. QIN Dahe, STOCKER T. Highlights of the IPCC working group Ⅰ fifth assessment report[J]. Climate Change Research, 2014, 10(1): 1-6. DOI:10.3969/j.issn.1673-1719.2014.01.001 |
| [10] |
STOCKER T, PLATTNER G K, QIN Dahe. IPCC climate change 2013: the physical science basis-findings and lessons learned[C]//EGU General Assembly Conference. Vienna: EGU, 2014.
|
| [11] |
TONG Xiaohua, LIU Shuang, LI Rongxing, et al. Multi-track extraction of two-dimensional surface velocity by the combined use of differential and multiple-aperture InSAR in the Amery Ice Shelf, East Antarctica[J]. Remote Sensing of Environment, 2018, 204: 122-137. DOI:10.1016/j.rse.2017.10.036 |
| [12] |
CUI Xiangbin, DU Wenjia, XIE Huan, et al. The ice flux to the Lambert Glacier and Amery Ice Shelf along the Chinese inland traverse and implications for mass balance of the drainage basins, East Antarctica[J]. Polar Research, 2020, 39: 3582-3600. |
| [13] |
LI Rongxing, YE Wenkai, QIAO Gang, et al. A new analytical method for estimating Antarctic ice flow in the 1960s from historical optical satellite imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(5): 2771-2785. DOI:10.1109/TGRS.2017.2654484 |
| [14] |
QIAO Gang, LI Yanjun, GUO Song, et al. Evolving instability of the scar inlet ice shelf based on sequential Landsat images spanning 2005-2018[J]. Remote Sensing, 2020, 12(1): 1-20. |
| [15] |
XIE Huan, CHEN Lei, LIU Shuang, et al. A least-squares adjusted grounding line for the amery ice shelf using ICESat and landsat 8 OLI data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(11): 5113-5122. DOI:10.1109/JSTARS.2016.2614758 |
| [16] |
PARKINSO C L, CAVALIERI D J. Antarctic sea ice variability and trends, 1979-2010[J]. Cryosphere, 2012, 6(4): 871-880. DOI:10.5194/tc-6-871-2012 |
| [17] |
SHI Qian, YANG Qinghua, MU Longjiang, et al. Evaluation of sea-ice thickness from four reanalyses in the Antarctic Weddell Sea[J]. The Cryosphere, 2021, 15(1): 31-47. DOI:10.5194/tc-15-31-2021 |
| [18] |
LU Ping, HAN Jiangping, HAO Tong, et al. Seasonal deformation of permafrost in wudaoliang basin in Qinghai-Tibet plateau revealed by StaMPS-InSAR[J]. Marine Geodesy, 2020, 43(3): 248-268. DOI:10.1080/01490419.2019.1698480 |
| [19] |
LU Ping, HAN Jiangping, LI Zhenshi, et al. Lake outburst accelerated permafrost degradation on Qinghai-Tibet Plateau[J]. Remote Sensing of Environment, 2020, 249: 112011. DOI:10.1016/j.rse.2020.112011 |
| [20] |
FENG Tiantian, MI Huan, SCAIONI M, et al. Measurement of surface changes in a scaled-down landslide model using high-speed stereo image sequences[J]. Photogrammetric Engineering & Remote Sensing, 2016, 82(7): 547-557. |
| [21] |
钱七虎, 陈志龙. 二十一世纪地下空间开发利用展望[J]. 工程兵工程学院学报, 1997, 12(3): 1-8. QIAN Qihu, CHEN Zhilong. The prospect of development and utilization of underground space in 21th century[J]. Journal of Nanjing Engineering Institute, 1997, 12(3): 1-8. |
| [22] |
王梦恕. 二十一世纪是城市地下空间开发利用的年代[J]. 民防苑, 2006(S1): 6-7. WANG Mengshu. The 21st century is an era of urban underground space development and utilization[J]. Civil Defence Realm, 2006(S1): 6-7. |
| [23] |
国务院. 国家新型城镇化规划(2014-2020年)[EB/OL]. [2020-01-30]. http://www.gov.cn/zhengce/2014-03/16/content_2640075.htm. National new urbanization planning (2014-2020)[EB/OL]. [2020-01-30]. http://www.gov.cn/zhengce/2014-03/16/content_2640075.htm. |
| [24] |
联合国. 联合国人类发展报告(2020)[EB/OL]. [2020-01-30]. http://www.gov.cn/zhengce/2014-03/16/content_2640075.htm. United Nations. Human Development Report 2020[EB/OL]. [2020-01-30]. http://www.gov.cn/zhengce/2014-03/16/content_2640075.htm. |
| [25] |
QIAN Qihu. Present state, problems and development trends of urban underground space in China[J]. Tunnelling and Underground Space Technology, 2016, 55: 280-289. DOI:10.1016/j.tust.2015.11.007 |
| [26] |
王成善, 周成虎, 彭建兵, 等. 论新时代我国城市地下空间高质量开发和可持续利用[J]. 地学前缘, 2019, 26(3): 1-8. WANG Chengshan, ZHOU Chenghu, PENG Jianbing, et al. A discussion on high-quality development and sustainable utilization of China's urban underground space in the new era[J]. Earth Science Frontiers, 2019, 26(3): 1-8. |
| [27] |
王丹, 耿丹, 江贻芳. 城市地下空间测绘及其标准化探索[J]. 测绘通报, 2018(7): 97-100. WANG Dan, GENG Dan, JIANG Yifang. On surveying and mapping for urban underground space and its standardization[J]. Bulletin of Surveying and Mapping, 2018(7): 97-100. DOI:10.13474/j.cnki.11-2246.2018.0219 |
| [28] |
宋玉香, 张诗雨, 刘勇, 等. 城市地下空间智慧规划研究综述[J]. 地下空间与工程学报, 2020, 16(6): 1611-1621, 1645. SONG Yuxiang, ZHANG Shiyu, LIU Yong, et al. Review on urban underground space smart planning studies[J]. Chinese Journal of Underground Space and Engineering, 2020, 16(6): 1611-1621, 1645. |
| [29] |
STOCKER T F, QIN Dahe, PLATTNER G K, et al. AR5 climate change 2013: the physical science basis[R]. Geneva: Intergovernmental Panel on Climate Change, 2014.
|
| [30] |
IPCC. Special report on the ocean and cryosphere in a changing climate[EB/OL]. [2020-01-30]. https://www.ipcc.ch/srocc.
|
| [31] |
效存德, 苏勃, 窦挺峰, 等. 极地系统变化及其影响与适应新认识[J]. 气候变化研究进展, 2020, 16(2): 153-162. XIAO Cunde, SU Bo, DOU Tingfeng, et al. Interpretation of IPCC SROCC on polar system changes and their impacts and adaptations[J]. Climate Change Research, 2020, 16(2): 153-162. |
| [32] |
崔红艳. 北极海冰变化对北半球气候影响研究[D]. 青岛: 中国海洋大学, 2014. CUI Hongyan. Research the impact of Declining Arctic sea ice on Climate change in Northern Hemisphere[D]. Qingdao: Ocean University of China, 2014. |
| [33] |
CARDELLACH E, WICKERT J, BAGGEN R, et al. GNSS transpolar earth reflectometry exploring system (G-TERN): mission concept[J]. IEEE Access, 2018, 6: 13980-14018. DOI:10.1109/ACCESS.2018.2814072 |
| [34] |
程国栋, 何平. 多年冻土地区线性工程建设[J]. 冰川冻土, 2001, 23(3): 213-217. CHENG Guodong, HE Ping. Linearity engineering in permafrost areas[J]. Journal of Glaciology and Geocryology, 2001, 23(3): 213-217. DOI:10.3969/j.issn.1000-0240.2001.03.001 |
| [35] |
HAO T, ROGERS C D F, METJE N, et al. Condition assessment of the buried utility service infrastructure[J]. Tunnelling and Underground Space Technology, 2012, 28: 331-344. DOI:10.1016/j.tust.2011.10.011 |
| [36] |
ZHOU Xiren, CHEN Huanhuan, HAO Tong. Efficient detection of buried plastic pipes by combining GPR and electric field methods[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(6): 3967-3979. DOI:10.1109/TGRS.2018.2889248 |
| [37] |
HAO Tong, ZHENG Wuan, HE Wenchao, et al. Air-ground impedance matching by depositing metasurfaces for enhanced GPR detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(6): 4061-4075. DOI:10.1109/TGRS.2019.2960543 |
| [38] |
SHI Ruchuan, ZHANG Chenrui, QIN Peng, et al. SAW tags with enhanced penetration depth for buried assets identification[J]. IEEE Transactions on Industrial Electronics, 2020. DOI:10.1109/TIE.2020.3018056.(earlyaccess) |
| [39] |
TRANG H T H, DUNG L T, HWANG S O. Connectivity analysis of underground sensors in wireless underground sensor networks[J]. Ad Hoc Networks, 2018, 71: 104-116. DOI:10.1016/j.adhoc.2018.01.002 |
| [40] |
XIE Huan, LI Rongxing, TONG Xiaohua, et al. A comparative study of changes in the Lambert Glacier/Amery Ice Shelf System, East Antarctica, during 2004-2008 using gravity and surface elevation observations[J]. Journal of Glaciology, 2016, 62(235): 888-904. DOI:10.1017/jog.2016.76 |
| [41] |
陈雷. 基于卫星测高数据的南极典型区域冰盖质量变化研究[D]. 上海: 同济大学, 2017. CHEN Lei. Mass balance of Antarctic ice sheet in typical areas based on altimetric data[D]. Shanghai: Tongji University, 2017. |
| [42] |
杜文佳. 卫星激光测高估计极地冰盖物质平衡关键技术研究[D]. 上海: 同济大学, 2019. DU Wenjia. Research on key technologies of estimating mass balance of polar ice sheet based on satellite laser altimetry[D]. Shanghai: Tongji University, 2019. |
| [43] |
陈嘉晋. 粒雪层密实化模型及改正对南极质量平衡估算影响研究[D]. 上海: 同济大学, 2020. CHEN Jiajin. The research of the Antarctic mass change evaluation caused by FIRN compaction modelling correction[D]. Shanghai: Tongji University, 2020. |
| [44] |
ZWALLY H J, LI Jun, ROBBINS J W, et al. Mass gains of the Antarctic ice sheet exceed losses[J]. Journal of Glaciology, 2015, 61(230): 1019-1036. DOI:10.3189/2015JoG15J071 |
| [45] |
IVINS E R, JAMES T S, WAHR J, et al. Antarctic contribution to sea level rise observed by GRACE with improved GIA correction[J]. Journal of Geophysical Research: Solid Earth, 2013, 118(6): 3126-3141. DOI:10.1002/jgrb.50208 |
| [46] |
RIGNOT E, BAMBER J L, VAN DEN BROEKE M R, et al. Recent Antarctic ice mass loss from radar interferometry and regional climate modelling[J]. Nature Geoscience, 2008, 1(2): 106-110. DOI:10.1038/ngeo102 |
| [47] |
YE Wenkai, QIAO Gang, KONG Fansi, et al. Improved geometric modeling of 1960s KH-5 ARGON satellite images for regional Antarctica applications[J]. Photogrammetric Engineering & Remote Sensing, 2017, 83(7): 477-491. |
| [48] |
GU Zhenxiong, FENG Tiantian, SCAIONI M, et al. Experimental results of elevation change analysis in the Antarctic ice sheet using DEMs from ERS and ICESat data[J]. Annals of Glaciology, 2014, 55(66): 198-204. DOI:10.3189/2014AoG66A124 |
| [49] |
WALKER C C, BECKER, M K, FRICKER H A. A high resolution, three-dimensional view of the D-28 calving event from Amery Ice Shelf with ICESat-2 and satellite imagery[J]. Geophysical Research Letters, 2021, 48(3): e2020GL091200. |
| [50] |
JI Qing, LI Fei, PANG Xiaoping, et al. Statistical analysis of SSMIS sea ice concentration threshold at the Arctic sea ice edge during summer based on MODIS and ship-based observational data[J]. Sensors, 2018, 18(4): 1109. DOI:10.3390/s18041109 |
| [51] |
LIU Qingquan, JI Qing, PANG Xiaoping, et al. Inter-calibration of passive microwave satellite brightness temperatures observed by F13 SSM/I and F17 SSMIS for the retrieval of snow depth on arctic first-year sea ice[J]. Remote Sensing, 2017, 10(1): 1-12. |
| [52] |
PANG Xiaoping, GAO Xiang, JI Qing. Comparison of sea ice classification methods based on satellite scatterometer and radiometer data in the Weddell Sea, Antarctica[J]. Antarctic Science, 2019, 31(3): 150-164. DOI:10.1017/S0954102019000154 |
| [53] |
LIU Xiaomin, FENG Tiantian, ZHAO Junqiao, et al. Super resolution reconstruction technique in passive microwave images of arctic sea ice[C]//Proceedings of the 2019 IEEE International Geoscience and Remote Sensing Symposium. Yokohama: IEEE, 2019: 4234-4237.
|
| [54] |
ZHANG Qingchun, LI Fei, LEI Jintao, et al. Freeboard height and snow depth observed by floating GPS on land-fast sea ice in Nella Fjord, Antarctica[J]. Annals of Glaciology, 2020, 61(82): 227-239. DOI:10.1017/aog.2020.41 |
| [55] |
XIAO Feng, LI Fei, ZHANG Shengkai, et al. Estimating arctic sea ice thickness with cryosat-2 altimetry data using the least squares adjustment method[J]. Sensors, 2020, 20(24): 7011. DOI:10.3390/s20247011 |
| [56] |
李晓军, 刘雨芃, 汪宇. 城市地下空间数据标准化现状与发展趋势[J]. 地下空间与工程学报, 2017, 13(2): 287-294. LI Xiaojun, LIU Yupeng, WANG Yu. Recent achievements and future trends for urban underground space data standardization[J]. Chinese Journal of Underground Space and Engineering, 2017, 13(2): 287-294. |
| [57] |
KALIAMPAKOS D, BENARDOS A, MAVRIKOS A, et al. The underground atlas project[J]. Tunnelling and Underground Space Technology, 2016, 55: 229-235. DOI:10.1016/j.tust.2015.03.009 |
| [58] |
王建秀, 殷尧, 胡力绳. BIM及其在地下工程中的应用综述[J]. 现代隧道技术, 2017, 54(4): 13-24. WANG Jianxiu, YIN Yao, HU Lisheng. Review of BIM and its application in underground engineering[J]. Modern Tunnelling Technology, 2017, 54(4): 13-24. |
| [59] |
吴志强. 人工智能辅助城市规划[J]. 时代建筑, 2018(1): 6-11. WU Zhiqiang. Artificial intelligence assisted urban planning[J]. Time Architecture, 2018(1): 6-11. |
| [60] |
ZHANG W Y, HAO T, CHANG Y, et al. Time-frequency analysis of enhanced GPR detection of RF tagged buried plastic pipes[J]. NDT & E International, 2017, 92: 88-96. |
| [61] |
HE Wenchao, HAO Tong, KE Hainan, et al. Joint time-frequency analysis of ground penetrating radar data based on variational mode decomposition[J]. Journal of Applied Geophysics, 2020, 181: 104146. DOI:10.1016/j.jappgeo.2020.104146 |
| [62] |
张禄禄, 臧晶晶. 主要极地国家的极地科技体制探究——以美国、俄罗斯和澳大利亚为例[J]. 极地研究, 2017, 29(1): 133-141. ZHANG Lulu, ZANG Jingjing. Study of polar science and technology system of major polar countries-take the U. S., Russia and Australia as examples[J]. Chinese Journal of Polar Research, 2017, 29(1): 133-141. |
| [63] |
The IMBIE Team. Mass balance of the Antarctic Ice Sheet from 1992 to 2017[J]. Nature, 2018, 558(7709): 219-222. DOI:10.1038/s41586-018-0179-y |
| [64] |
于立伟, 王俊荣, 王树青, 等. 我国极地装备技术发展战略研究[J]. 中国工程科学, 2020, 22(6): 84-93. YU Liwei, WANG Junrong, WANG Shuqing, et al. Development strategy for polar equipment in China[J]. Strategic Study of CAE, 2020, 22(6): 84-93. |
| [65] |
ROGERS C D F, HAO T, COSTELLO S B, et al. Condition assessment of the surface and buried infrastructure-a proposal for integration[J]. Tunnelling and Underground Space Technology, 2012, 28: 202-211. DOI:10.1016/j.tust.2011.10.012 |
| [66] |
LIN Kaiqiang, HAO Tong. Experimental link quality analysis for LoRa-based wireless underground sensor networks[J]. IEEE Internet of Things Journal, 2021, 8(8): 6565-6577. DOI:10.1109/JIOT.2020.3044647 |
| [67] |
LIN Kaiqiang, HAO Tong. Link quality analysis of wireless sensor networks for underground infrastructure monitoring: a non-backfilled scenario[J]. IEEE Sensors Journal, 2021, 21(5): 7006-7014. DOI:10.1109/JSEN.2020.3041644 |
| [68] |
罗侃, 诸云强, 程文芳, 等. 极地科学数据关联方法及应用研究[J]. 极地研究, 2016, 28(3): 361-369. LUO Kan, ZHU Yunqiang, CHENG Wenfang, et al. A polar science linked data method and its research application[J]. Chinese Journal of Polar Research, 2016, 28(3): 361-369. |