高亚洲冰川区度日因子空间分布数据集

高亚洲冰川区度日因子空间分布数据集
作者:张勇 刘时银 王欣
2019年9月23日
本作品收录于《中国科学数据
张勇, 刘时银, 王欣. 高亚洲冰川区度日因子空间分布数据集[J/OL]. 中国科学数据, 2019, 4(3). (2019-05-17). DOI: 10.11922/csdata.2019.0009.zh.


摘要&关键词

编辑

摘要:基于冰雪消融与气温之间线性关系建立的度日模型是冰川研究中应用较为广泛的模型。度日因子是该模型的重要参数,反映了单位正积温产生的冰雪消融量,其空间变化对于该模型模拟冰雪消融过程的精度影响较大。然而,高亚洲地区有长期观测的冰川数量较少,无法为应用度日模型开展区域冰川消融模拟提供必要的参数。本研究基于高亚洲不同地区40余条冰川的考察和观测资料,构建了冰川冰与雪度日因子的转换公式,获取了高亚洲冰川区度日因子的空间分布格网数据集(GeoTIFF格式,32位浮点型),空间分辨率为0.5°,同时本数据精度已在典型区域的冰川物质平衡模拟应用中得到了验证。本数据集可为开展高亚洲区域冰川消融过程及其对水资源变化与相关灾害影响研究提供模型参数,为进一步分析高亚洲地区冰川变化与气候变化、水资源变化及其灾害效应提供必要的数据支撑。

关键词:冰川消融;度日因子;度日模型;水资源;高亚洲

Abstract & Keywords

编辑

Abstract: The degree-day model, a widely used approach for ice and snow melt computation, rests upon a relationship between snow or ice melt and air temperature that is usually expressed in the form of positive temperature. The degree-day factor (DDF) is an important parameter for the model, and its spatial variation largely affects the accuracy of snow and ice melt simulations. Across High Mountain Asia (HMA), only a few glaciers have long-term observational records over the past decades, failing to provide necessary parameters for regional melting simulation based on degree-day models. In this study, we collected investigations and observations on 40 glaciers located in different regions of HMA, and estimated the transfer functions for snow and ice DDFs to obtain the dataset of spatial distributions of DDFs for snow and ice in HMA. These data, with a spatial resolution of 0.5°, were stored in GeoTIFF format in 32-bit floating point. Their accuracy is confirmed through a comparison between regional mass balance simulations using this dataset and observations in a typical region. The dataset provides model parameters for the study of regional glacier melting process and its impact on water resources and associated glacier disasters in HMA. It also provides data support for further analysis of glacier change and climate change, water resources change and its disaster effects in HMA.

Keywords: glacier melt; degree-day factor; degree-day model; water resources; High Mountain Asia

数据库(集)基本信息简介

编辑
数据库(集)名称 高亚洲冰川区度日因子空间分布数据集
数据作者 张勇、刘时银、王欣
通信作者 张勇(yong.zhang@hnust.edu.cn)
地理区域 北纬25.0°–65.0°, 东经65.0°–105.0°
数据量 16.0 KB
数据格式 *.tif
数据服务系统网址 http://www.sciencedb.cn/dataSet/handle/747
基金项目 国家自然科学基金(41761144075、41671057、41771075);科技部科技基础性工作专项(2013FY111400);云南大学引进人才项目(YJRC3201702)。
数据库(集)组成 数据集共包括2个数据文件:1. Spatial_distribution_of_DDFice.tif是高亚洲冰川冰度日因子空间分布数据;2. Spatial_distribution_of_DDFsnow.tif是高亚洲冰川区雪度日因子空间分布数据。

Dataset Profile

编辑
Title A dataset of spatial distribution of degree-day factors for glaciers in High Mountain Asia
Data corresponding author Zhang Yong (yong.zhang@hnust.edu.cn)
Data authors Zhang Yong, Liu Shiyin, Wang Xin
Geographical scope 25.0°–65.0°N, 65.0°–105.0°E
Data volume 16.0 KB
Data format *.tif
Data service system <http://www.sciencedb.cn/dataSet/handle/747>
Sources of funding National Natural Science Foundation of China (41761144075; 41671057; 41771075); Fundamental Program of the Ministry of Science and Technology of China (MOST) (2013FY111400); Research Funds for New Talents of Yunnan University (YJRC3201702).
Dataset composition This dataset consists of 2 subsets in total: (1) Spatial_distribution_of_DDFice.tif is the spatial distribution of degree-day factor for ice in High Mountain Asia; (2) Spatial_distribution_of_DDFsnow.tif is the spatial distribution of degree-day factor for snow in High Mountain Asia.


引 言

编辑

高亚洲泛指包括青藏高原、帕米尔高原、天山和阿尔泰山等构成的海拔超过2000 m的地区,是除极地之外最大的冰川发育区,冰川总面积约占全球冰川总面积的13.6%[1][2]。冰川是高亚洲地区极其重要的固体水资源,其融水是周边地区数条大江大河重要的补给来源[3][4][5],尤其是我国西北干旱区的水资源在很大程度上依赖于冰川融水[6][7]。在全球变暖背景下,高亚洲地区冰川呈现不同程度的退缩与强烈的物质亏损[8][9][3][1],其融水在不同时空尺度上的变化对区域水资源形成与变化、冰湖溃决洪水、冰川洪水及其诱发泥石流等灾害的影响十分显著[10][11][12][13][14][7],尤其影响下游地区数亿人口的水供给和食品安全[5]。因此,冰川融水模拟是评估高亚洲地区水资源变化及影响的重要组成部分之一,其研究已成为社会各界关注的热点问题[15][14]

在冰川融水计算方法中,度日模型是最为简单、应用最为广泛的方法。该方法是基于冰川消融与气温之间的线性关系建立的,能够给出类似能量平衡模型的输出结果[16][17][18]。在度日模型中,度日因子是其重要的参数,是冰雪表面能量传递与转化过程的简化描述[19][16][17],其空间变化特征对于冰川消融模拟的精度有较大影响[16][17][18]。在冰川尺度上,度日因子可通过冰川区消融与气温观测计算获取;在区域/全球尺度上,度日因子具有较大的时空变异性[16][17]。在众多应用度日模型进行区域/全球冰川模拟的研究中,基于典型冰川物质平衡观测数据[20]对冰川冰和雪的度日因子进行率定,进而推广应用于每条冰川[21][22][23][24][25][26]。目前,全球开展长期物质平衡观测的冰川数量有限,而高亚洲地区具有长期物质平衡观测的冰川数量更少[20]。基于高亚洲现有冰川观测数据率定度日因子,进而开展整个区域冰川融水及其影响的评估,可能会引起一定的误差。为此,本文收集了过去几十年来高亚洲地区不同地区40余条冰川的短期考察和观测数据(图1),获取了每条观测冰川的度日因子值,包括冰川冰与雪的度日因子。以此数据为基础,构建了冰川冰与雪度日因子的转换公式,获取了整个高亚洲冰川区度日因子的空间分布格网数据。本数据精度已在典型区域的冰川物质平衡模拟应用中得到了验证[27][28],获取数据可靠,可为进一步研究高亚洲区域冰川融水及其水资源效应和灾害效应提供必要的数据支撑。


图片

图1 高亚洲地区观测冰川分布图


1 数据采集和处理方法

编辑

1.1 数据源

编辑

本文采用的数据包括冰川区消融和气温观测数据、0.5°格网气温和降水数据以及冰川编目数据。其中,冰川区消融和气温数据来源于过去几十年来高亚洲不同地区40余条冰川不同时期的考察和观测数据[29][30][31][20][17](图1和表1)。这些冰川的消融数据主要是通过花杆实测获取的[20][17],大部分冰川消融观测时长超过1个月。1951–2011年期间的0.5°格网日气温和降水数据[32]是选取了距离冰川最近的网格数据。高亚洲冰川信息来自于Randolph冰川编目[2],主要包括冰川末端海拔高度和冰川经纬度。


表1 高亚洲地区观测冰川信息[17,20,29-31]

序号 冰川名称 纬度(°N) 经度(°E) 时段
1 七一 39.25 97.75 2002年7–8月
2 小冬克玛底 33.17 92.13 2008年7–8月
3 海螺沟 29.58 101.93 2008年4–10月
4 科其喀尔 41.81 80.17 2003年6月28日至9月13日
5 琼台兰 41.95 80.14 1978年6月17日至8月14日
6 乌鲁木齐河源1号 43.09 86.82 1986–1993年
7 帕隆No. 390 29.35 97.02 2007–2010年
8 帕隆No. 94 29.38 96.98 2006–2010年
9 帕隆No. 12 29.30 96.90 2006–2009年
10 帕隆No. 10 29.28 96.90 2006–2009年
11 中绒布 28.05 85.83 2009年5月15日至6月14日
12 东绒布 28.05 85.95 2009年6月10日至6月14日
13 抗物热 28.47 85.82 1993年7月20日至8月25日
14 纳木那尼 30.45 81.33 2004–2013年
15 慕士塔格 38.23 75.05 1989年7月1日至7月5日
16 扎当 30.48 90.65 2007年9–10月、2008年6–7月
17 古仁河口 30.18 90.47 2007–2010年
18 煤矿 35.67 94.18 1989年5月7日至9月7日
19 中习 30.87 91.45 2008–2010年
20 AX010 27.70 86.57 1978年6–8月、1979年
21 Yala 28.23 85.62 1996年6月1日至7月31日
22 Abramov 39.63 71.57 1968–1998年
23 Shumskiy 45.08 80.23 1967–1991年
24 Ts. Tuyuksu 43.00 77.10 1957–2009年
25 Igly Tuyuksu 43.00 77.10 1976–1990年
26 Molodezhniy 43.00 77.10 1976–1990年
27 Mametova 43.00 77.10 1976–1990年
28 Kara-Batkak 42.10 78.30 1957–1998年
29 Golubina 42.45 74.50 1969–1994年
30 Sary-Tor (No. 356) 41.83 78.18 1984–1989年
31 Chhota Shigri 32.20 81.50 2006–2010年
32 Dunagiri 30.55 79.90 1986–1990年
33 Shaune Garang 31.28 78.33 1982–1990年
34 Gor Garang 31.62 78.82 1977–1983年
35 Neh Nar 34.27 75.87 1980–1984年
36 Leviy Aktru 50.08 87.73 1977–2011年
37 Maliy Aktru 50.08 87.75 1962–2011年
38 Praviy Aktru 50.08 87.73 1980–1990年
39 Vodopadniy 50.10 87.70 1977–2011年
40 Kosmodemaya 43.00 77.10 1965–1990年
41 Partizan 43.00 77.10 1965–1990年
42 Visyachie 1-2 43.00 77.10 1965–1990年
43 Ordzhonikidze 43.00 77.10 1965–1990年


1.2 数据处理步骤

编辑

本文基于收集的冰川区消融和气温观测数据,采用张勇等[18]方法计算了冰川冰与雪的度日因子值,其计算公式如下:

图片 (1)

式中,DDF为冰川冰或雪的度日因子(mm d-1 ℃ -1),M是某时段内冰川冰或雪的消融水当量(mm w.e.),PDD是同一时段内的正积温(℃),一般由下式计算获取:

图片 (2)

式中,图片为某天(t)的日平均气温,图片为逻辑变量。当图片≥0℃时,图片= 1.0,当图片<0℃时,图片= 0.0。大部分冰川存在同期观测的气温数据,对于仅有消融资料而没有气温资料的观测冰川区,使用距离该冰川区最近的格网气温数据。

基于公式(1)和(2)获取了高亚洲不同地区40条冰川的冰川冰与雪度日因子值。同时基于格网日气温和降水数据分别计算了40条冰川区的年平均气温和年平均降水量。基于计算的度日因子值、冰川海拔高度、冰川经纬度、冰川区年平均气温和降水数据,采用多元线性回归方法,建立了冰川冰与雪度日因子的转换公式(表2),其相关系数(r)分别为0.62和0.92(显著性水平p<0.001)。进而基于冰川海拔高度、冰川经纬度、冰川区年平均气温和降水数据,应用表1中的转换公式获取了高亚洲地区每一条冰川的度日因子值。


表2 冰川冰与雪的度日因子转换公式

参数 观测值范围 平均值 转换公式 r
DDFice 2.6 – 16.9 7.64 图片 0.62
DDFsnow 1.5 – 9.2 4.63 图片 0.92

注:DDFice和DDFsnow分别表示冰川冰和雪的度日因子(mm d-1 ℃ -1),Lat、Lon、H、T和P分别表示冰川纬度(°)、经度(°)、冰川末端海拔高度(m)、年平均气温(℃)和降水(mm)。

2 数据样本描述

编辑

本数据集的数据存储格式为GeoTIFF格式,数据类型为32位浮点型,命名为Spatial_distribution_of_DDFice.tif和Spatial_distribution_of_DDFsnow.tif,单位是mm d-1 ℃-1。样本展示如图2和图3。


图片

图2 高亚洲地区冰川冰度日因子空间分布图


图片

图3 高亚洲冰川区雪度日因子空间分布图


高亚洲冰川冰的度日因子值介于3.0–15.0 mm d-1 ℃-1之间,而雪的度日因子值与冰川冰相比较小,其介于1.5–10.0 mm d-1 ℃-1之间。青藏高原东南部和喜马拉雅山东段地区冰川冰的度日因子值相对其他地区较大,而喀喇昆仑山、昆仑山、帕米尔等地区的度日因子值相对较小(图2)。对于雪的度日因子来说,青藏高原中部、喜马拉雅山区相对较大,而天山东部和青藏高原东部地区相对较小(图3)。度日因子这一显著的区域特征,可能与由青藏高原及其周边地区独特的气候和热量条件密切相关。对于青藏高原来说,冰川的气候环境从西北向东南逐渐由干冷向温湿转变,同时,热量平衡组成类型则由蒸发型向凝结–蒸发型转变[33]。不同地区典型冰川的能量平衡研究亦证明了这一变化趋势[34]。在干冷的气候条件下,冰面蒸发(主要是升华作用)耗热较大,抑制了冰川消融,度日因子较小;而在暖湿的气候条件下,用于冰川消融的能量在热量平衡中所占比例较大,促进了冰川消融,度日因子较大[18]

3 数据质量控制和评估

编辑

本文基于冰川编目数据和格网气象数据,应用度日因子转换公式(表2)获取了高亚洲冰川区冰川冰和雪的度日因子值(图2和图3),其平均值分别为6.6±2.3和5.2±2.7 mm d-1 ℃-1(±表示置信水平95%的误差区间)。同时,通过高亚洲北部阿尔泰山地区(图1)不同典型冰川物质平衡观测数据对获取的度日因子的精度进行了综合评估[27][28]。基于度日因子转换公式,获取了阿尔泰山冰川区的度日因子值。该地区冰川冰的度日因子介于6.0–11.0 mm d-1 ℃-1之间,平均值为8.6 mm d-1 ℃-1;雪的度日因子介于1.5–6.1 mm d-1 ℃-1之间,平均值为4.1 mm d-1 ℃-1。

从图4a可以看出,基于上述度日因子值模拟的不同典型冰川物质平衡值与观测值较为接近。总体上,不同冰川物质平衡观测值与模拟值的相关系数和平均绝对误差分别为0.77(显著性水平p<0.001)和0.21 m w.e.。从该地区典型冰川流域1977–2005年间物质平衡变化序列来看(图4b),流域物质平衡模拟值变化趋势与观测值较为一致,其平均值分别为–0.16 m w.e.和–0.12 m w.e.。此外,基于遥感数据,应用大地测量法获取了阿尔泰地区14条典型冰川1999–2005年的物质变化速率[35],同时应用上述方法获取的度日因子值模拟了这14条冰川同一时段内的物质变化速率。比较发现(图4c),这两种不同方法获取的结果较为一致。总体上,大地测量法获取的结果与模型模拟值的相关系数和平均绝对误差分别为0.83(显著性水平p<0.001)和0.14 m w.e.。由此可见,应用转换公式获取的度日因子能够较理想地模拟出冰川消融和积累的变化过程。


图片

图4 高亚洲北部阿尔泰山不同冰川物质变化观测值与模拟值对比(a)高亚洲北部阿尔泰山不同冰川物质平衡观测值与模拟值对比;(b)典型冰川流域(Aktru河)1977–2005年间物质平衡模拟与观测序列对比;(c)大地测量法获取的物质变化速率与模拟值对比;数据来源于Zhang等[27-28]。


4 数据价值

编辑

全球气候变暖所导致的高亚洲地区冰川加速消融退缩,不仅引起了区域水资源变化[10][11][7][5],同时引起了冰湖溃决洪水和冰川泥石流等灾害发生频率的加剧和影响程度加大[11][12][13][14]。开展高亚洲地区冰川消融过程及其对水资源与灾害的影响系统评估,不仅对建立高亚洲区域气候变化与冰川变化、水资源变化之间的关系研究具有重要科学意义,而且对我国推动的“一带一路”计划陆上丝绸之路关键区的经济建设与可持续发展具有重大现实意义[36][15]。本数据集是度日模型的重要参数,该模型在冰川物质平衡研究中应用广泛,且模拟冰川消融过程能够给出类似能量平衡模型的输出结果[16][17][18]。然而,对于高亚洲地区广泛分布的冰川来说,有长期观测的冰川数量相对较少,无法为度日模型开展区域冰川消融模拟提供必要的参数。本数据集是在不同地区冰川区观测数据的基础上获取的,能够反映出高亚洲冰川区度日因子的空间分布特征,且参数精度在典型区域进行了综合评估。因此,本数据集可为高亚洲区域冰川消融模拟及其对区域水资源与相关冰川灾害的研究奠定参数基础。

5 数据使用方法和建议

编辑

高亚洲冰川度日因子空间分布数据集所有数据存储格式均为GeoTIFF格式。ArcGIS、SuperMap、ENVI、ERDAS等常用GIS与遥感软件均可支持该数据的读取和操作。度日因子值以像元值表示,单位是mm d-1 ℃-1,空间分辨率为0.5°。本数据集可靠性高,代表性强,可作为高亚洲区域冰川消融模拟的重要输入数据,为进一步研究区域冰川变化对气候的响应及其影响等研究奠定基础。

参考文献

编辑
  1. ^ 1.0 1.1 刘时银, 姚晓军, 郭万钦, 等. 基于第二次冰川编目的中国冰川现状[J]. 地理学报, 2015, 70(1): 3–16.
  2. ^ 2.0 2.1 PFEFFER W T, ARENDT A A, BLISS A, et al. The Randolph Glacier Inventory: a globally complete inventory of glaciers[J]. Journal of Glaciology, 2014, 60(221): 537–552.
  3. ^ 3.0 3.1 YAO T, THOMPSON L, YANG W, et al. Different glacier status with atmospheric circulations in Tibetan Plateau and surroundings[J]. Nature Climate Change, 2012, 2: 663–667.
  4. SORG A, BOLCH T, STOFFEL M, et al. Climate change impacts on glaciers and runoff in Tien Shan (Central Asia) [J]. Nature Climate Change, 2012, 2: 725–731.
  5. ^ 5.0 5.1 5.2 IMMERZEEL W W, V BEEK L P H, BIERKENS M F P. Climate Change Will Affect the Asian Water Towers[J]. Science, 2010, 328(5984): 1382–1385.
  6. 陈亚宁, 李稚, 范煜婷, 等. 西北干旱区气候变化对水文水资源影响研究进展[J]. 地理学报, 2014, 69(9): 1295–1304.
  7. ^ 7.0 7.1 7.2 刘时银, 丁永建, 张勇, 等. 塔里木河流域冰川变化及其对水资源影响[J]. 地理学报, 2006, 61(5): 482–490.
  8. GARDNER A S, MOHOLDT G, COGLEY J G, et al. A Reconciled Estimate of Glacier Contributions to Sea Level Rise: 2003 to 2009[J]. Science, 2013, 340(6134): 852–857.
  9. BRUN F, BERTHIER E, WAGNON P, et al. A spatially resolved estimate of High Mountain Asia glacier mass balances from 2000 to 2016[J]. Nature Geoscience, 2017, 10: 668–673.
  10. ^ 10.0 10.1 LUTZ A F, IMMERZEEL W W, SHRESTHA A B, et al. Consistent increase in High Asia's runoff due to increasing glacier melt and precipitation[J]. Nature Climate Change, 2014, 4: 587–592.
  11. ^ 11.0 11.1 11.2 刘时银, 张勇, 刘巧, 等. 气候变化对冰川影响与风险研究[M]. 北京: 科学出版社, 2017.
  12. ^ 12.0 12.1 沈永平, 苏宏超, 王国亚, 等. 新疆冰川、 积雪对气候变化的响应(Ⅱ): 灾害效应[J]. 冰川冻土, 2013, 35(6): 1355–1370.
  13. ^ 13.0 13.1 王欣, 刘时银, 莫宏伟, 等. 我国喜马拉雅山区冰湖扩张特征及其气候意义[J]. 地理学报, 2011, 66(7): 895–904.
  14. ^ 14.0 14.1 14.2 秦大河, 丁永建. 冰冻圈变化及其影响研究——现状、趋势及关键问题[J]. 气候变化研究进展, 2009, 54(4): 187–195.
  15. ^ 15.0 15.1 姚檀栋, 陈发虎, 崔鹏, 等. 从青藏高原到第三极和泛第三极[J]. 中国科学院院刊, 2017, 32(9): 924–931.
  16. ^ 16.0 16.1 16.2 16.3 16.4 HOCK R. Temperature index melt modelling in mountain areas[J]. Journal of hydrology, 2003, 282: 104–115.
  17. ^ 17.0 17.1 17.2 17.3 17.4 17.5 17.6 ZHANG Y, LIU S, DING Y. Observed degree-day factors and their spatial variation on glaciers in western China[J]. Annals of Glaciology, 2006, 43: 301–306.
  18. ^ 18.0 18.1 18.2 18.3 18.4 张勇, 刘时银, 丁永建. 中国西部冰川度日因子的空间变化特征[J]. 地理学报, 2006, 61(1): 89–98.
  19. BRAITHWAITE R J. Positive degree-day factor for ablation on the Greenland ice sheet studied by energy: balance modeling[J]. Journal of Glaciology, 1995, 41(137): 153–160.
  20. ^ 20.0 20.1 20.2 20.3 WGMS. Fluctuations of Glaciers Database World Glacier Monitoring Service[M]. Zurich, Switzerland, 2014.
  21. HUSS M, Hock R. Global-scale hydrological response to future glacier mass loss[J]. Nature Climate Change, 2018, 8(2): 135–140.
  22. HUSS M, Hock R. A new model for global glacier change and sea-level rise[J]. Frontiers in Earth Science, 2015, 3: 54.
  23. LIU Q, LIU S. Response of glacier mass balance to climate change in the Tianshan Mountains during the second half of the twentieth century[J]. Climate Dynamics, 2016, 46(1): 301–316.
  24. HIRABAYASHI Y, ZHANG Y, WATANABE S, et al. Projection of glacier mass changes under a high-emission climate scenario using the global glacier model HYOGA2[J]. Hydrological Research Letters, 2013, 7(1): 6–11.
  25. HIRABAYASHI Y, DÖLL P, KANAE S. Global-scale modeling of glacier mass balances for water resources assessments: Glacier mass changes between 1948 and 2006[J]. Journal of Hydrology, 2010, 390: 245–256.
  26. MARZEION B, JAROSCH A H, HOFER M. Past and future sea-level change from the surface mass balance of glaciers[J]. The Cryosphere, 2012, 6: 1295–1322.
  27. ^ 27.0 27.1 ZHANG Y, ENOMOTO H, OHATA T, et al. Glacier mass balance and its potential impacts in the Altai Mountains over the period 1990-2011[J]. Journal of Hydrology, 2017, 553: 662–677.
  28. ^ 28.0 28.1 ZHANG Y, ENOMOTO H, OHATA T, et al. Projections of glacier change in the Altai Mountains under twenty-first century climate scenarios[J]. Climate Dynamics, 2016, 47: 2935–2953.
  29. 刘巧, 刘时银, 张勇, 等. 贡嘎山海螺沟冰川消融区表面消融特征及其近期变化[J]. 冰川冻土,2011, 33(2): 227–236.
  30. 刘伟刚, 效存德, 刘景时, 等. 喜马拉雅山珠穆朗玛峰北坡绒布冰川消融速率特征分析[J]. 冰川冻土, 2013, 35(4): 814–823.
  31. YAO T, THOMPSON L, YANG W, et al. Different glacier status with atmospheric circulations in Tibetan Plateau and surroundings[J]. Nature Climate Change, 2012, 2: 663–667.
  32. HIRABAYASHI Y, KANAE S, MOTOYA K, et al. A 59-year (1948-2006) global near-surface meteorological data set for land surface models, Part I: Development of daily forcing and assessment of precipitation intensity[J]. Hydrological Research Letters, 2008, 2: 36–40.
  33. 白重瑗. 冰川与气候的关系[J]. 冰川冻土, 1989, 11(4): 287–297.
  34. 朱美林. 青藏高原西风区与季风区典型冰川物质-能量平衡变化差异及其机制研究[D]. 北京: 中国科学院大学, 2015.
  35. WEI J, LIU S, XU J, et al. Mass loss from glaciers in the Chinese Altai Mountains between 1959 and 2008 revealed based on historical maps, SRTM, and ASTER images[J]. Journal of Mountain Science, 2015, 12(2): 330–343.
  36. YAO T, XUE Y, CHEN D, et al. Recent Third Pole’s rapid warming accompanies cryospheric melt and water cycle intensification and interactions between monsoon and environment: multi-disciplinary approach with observation, modeling and analysis[J]. Bulletin of the American Meteorological Society, 2019, 3: 423–444.

数据引用格式

编辑

张勇, 刘时银, 王欣. 高亚洲冰川区度日因子空间分布数据集[DB/OL]. Science Data Bank, 2019. (2019-04-03). DOI: 10.11922/sciencedb.747.


 

本作品在“知识共享-署名 4.0 国际”协议下发表。

Public domainPublic domainfalsefalse