《CATENA》：From energy-limited to substrate-limited: Machine learning reveals the spatially shifting controls on cirque morphology in high Mountain Asia
编辑推荐：
青藏高原等高山地区冰斗地貌的形态控制因素及其空间异质性研究，通过构建包含5828个冰斗的高质量数据库，采用可解释的堆叠集成机器学习模型（集成随机森林、XGBoost等算法）结合SHAP归因分析，揭示垂直尺度（R2=0.80）和平面形态（R2=0.09）的预测差异。研究显示，受季风影响的喜马拉雅地区呈现“能量受限”主导模式（古冰斗线海拔、海拔相关变量占优），而冈底斯等干旱内陆地区则表现为“基底受限”模式（构造活动度、坡度次重要），天山东部为过渡形态。该成果为多因素耦合的复杂地貌过程解析提供了新方法学框架。
Jinrong Hu|Fuyuan An|Li Yan|Hongjun Yu|Longfei Gai|Xue Min|Ruiyang Xu
青海省物理地理与环境过程重点实验室，青海师范大学地理科学学院，中国西宁810008
摘要
高山亚洲（HMA）的冰斗形态是重要的古气候代用指标，然而量化其反映的古气候特征与当前环境背景之间的关联仍然具有挑战性。本文建立了一个经过严格质量控制的包含5828个冰斗的数据库，并应用了一种基于SHAP解释性的堆叠集成机器学习框架，来量化预测因子与冰斗形态之间的关联。在独立的20%测试集上，该模型能够很好地预测冰斗的垂直尺度（R2 = 0.80），而平面形状（长度/宽度比）的预测效果较差（R2 = 0.09），这表明现有的宏观尺度预测因子能够解释更多关于垂直尺度指标的变异，而平面形状可能受到此处未考虑的局部控制因素的影响。SHAP解释性分析进一步表明，主导预测因子在不同地区存在显著的空间变化。在受季风影响的喜马拉雅地区，古海拔高度（Paleo-ELA）和海拔环境变量是最强的预测因子，这与“能量受限”的环境特征一致，在这种环境中，平衡约束和地形边界非常重要。而在半干旱的内陆地区（例如冈底斯山脉），构造活动相关的指标（如地震密度）的排名最高，局部地形（坡度）则起到次要作用，这与“基质受限”的环境特征相符。天山地区则表现出中间模式，尽管干旱程度增加，古海拔高度仍然具有影响力。总体而言，这些结果强调了预测因子在不同地区的空间变化，并通过在一个统一的、可解释的建模框架内同时考虑古气候代用指标和现代协变量，有助于调和现代气候场与遗留地貌之间的明显差异。
引言
冰斗是主要通过冰川作用在山区形成的半封闭洼地，广泛分布于全球的高山地区。它们是重建古气候和评估冰川动态的关键地貌单元（Barr和Spagnolo，2015）。现有研究表明，冰斗是通过初始冰川覆盖、随后的冰川侵蚀以及最终冰川融化这一连续过程形成的（Graf，1976）。它们的几何特征（如大小和深度）被广泛用于推断古冰川平衡高度（ELA）并重建过去的环境条件（Meierding，1982；Porter，2000）。冰斗形态的形成和演变受到多种因素的共同影响，包括气候（如温度、降水量、太阳辐射）、地形特征和岩石类型，其形成机制非常复杂（Federici和Spagnolo，2004；Anders等人，2010；Zhang等人，2020；Zhang等人，2021）。
高山亚洲（HMA）包括青藏高原（QTP）及其相邻的山脉，如天山和阿尔泰山脉，拥有最多的山地冰川和最广泛的冰川覆盖范围（Yao等人，2012）。该地区拥有多样化的冰川地貌，包括冰斗、U形山谷和终碛，为解读古气候变化和冰川过程提供了理想的自然实验室（Fu等人，2013）。
近年来，关于HMA冰斗的形态特征和形成机制的研究不断深入，揭示了明显的空间差异和复杂的环境响应（Zhang等人，2020；Zhang等人，2021；Li等人，2022；Li等人，2023a；Li等人，2023b；Chen等人，2023）。多种气候系统（如印度夏季季风（ISM）、东亚季风（EAM）和西风）的相互作用导致了HMA不同子区域中冰斗发育模式的多样性（Yao等人，2012）。例如，羌塘高原上的降水量增加会导致冰斗规模增大，但冰斗底部海拔降低（Zhang等人，2021）；而在冈底斯山脉，降水量增加反而会导致冰斗规模减小（Zhang等人，2020）。此外，在受ISM主导的地区，冰斗通常较小，这表明强烈的季风条件可能抑制了冰斗的发育（Li等人，2022）。除了气候因素外，海拔和岩石类型等非气候因素也对冰斗的演变有显著影响（Zhang等人，2020；Zhang等人，2021；Li等人，2022；Li等人，2023a；Chen等人，2023），不同地区的冰斗大小、海拔和基岩类型之间的复杂关系也证明了这一点（Zhang等人，2021；Li等人，2022）。总体而言，这些研究表明HMA冰斗的演变受到多种气候和地质/地形因素的相互作用，但对其主导控制因素的系统性定量分析仍不够充分。特别是，冰斗形态在多大程度上反映了不同的古气候信号（如第四纪ELA）与现代气候约束之间的差异仍存在争议，这通常受到数据质量问题和分离非线性相互作用的方法学限制的影响。
目前，对冰斗控制因素的归因分析主要依赖于传统的统计模型，如相关性分析、方差分析（ANOVA）或多变量回归。尽管某些方法可以处理非线性关系，但在处理大规模、高维数据集时，它们捕捉复杂的高阶相互作用的能力往往有限。这导致了归因不完整、变量选择能力有限以及模型泛化能力不足等问题（Barr等人，2019）。这些限制阻碍了对HMA复杂环境中冰斗地貌驱动力的深入理解。近年来，机器学习方法作为分析地理和环境科学中复杂地貌过程的新工具出现，因为它们在处理高维、非线性数据方面表现优异（Li等人，2023a；Li等人，2023b）。
为了解决这些问题，我们首先实施了严格的数据质量控制（QC）流程，以消除原始数据库中的物理不合理数据。在此基础上，我们构建了一个堆叠集成机器学习框架（结合了随机森林、XGBoost、SVM和Cubist），并采用了SHAP解释性方法。这类机器学习方法在模拟复杂地貌过程（包括冰川（Yang等人，2024）、泥石流（Li等人，2023）和滑坡（Wu等人，2024）方面已被证明非常有效。通过整合这些强大的方法，我们的框架能够在处理高维相互作用的同时量化每个控制因素的贡献，从而可靠地归因于冰斗形态的控制因素。
因此，本研究系统地整合了一个覆盖HMA核心造山带的大规模冰斗数据库。在此基础上，我们构建了一个可解释的机器学习分析框架，旨在揭示气候和地貌因素对冰斗形态发育的主导控制作用。这项研究不仅加深了对HMA冰斗演变机制的理解，还为区域乃至全球尺度上的复杂地貌过程的多因素建模提供了方法论参考和新分析框架。
区域背景
高山亚洲（HMA）位于欧亚大陆的内陆地区（图1a），是极地地区以外现代冰川和高山冰缘地貌最广泛且集中的区域。其地理范围涵盖了帕米尔山脉、昆仑山脉、天山、喜马拉雅山脉和青藏高原等主要山脉系统（图1b）。该地区具有典型的高原性高山气候，受到西风环流的影响
研究区域和冰斗数据库构建
本研究聚焦于高山亚洲（HMA）的主要造山带和高原地区，以西昆仑山脉为核心研究区域，作为新增的数据集。我们的目标是构建一个全面且一致的冰斗地貌数据库。我们使用了来自Google Earth的高分辨率遥感图像和Copernicus GLO-30数字高程模型（DEM；空间分辨率为30米）作为主要数据来源，并结合了人工视觉
HMA冰斗数据库的一般特征和空间分布
本研究构建的最终冰斗数据库包含5828个冰斗，覆盖了HMA的核心区域，包括5828个冰斗和34个记录字段，涵盖形态测量指标/比率和13个环境预测因子。该数据集基本完整，只有360个冰斗的Paleo-ELA数据缺失（主要是由于DEM边缘效应和局部异常）。这些缺失值通过交叉验证方法进行了严格插补
讨论
通过系统地整合一个包含六种不同算法的堆叠学习框架，并结合SHAP方法，本研究提供了一种新的数据驱动范式，用于定量揭示高山亚洲（HMA）冰斗形态的主要控制因素及其空间异质性。作为过去冰川活动的敏感记录者，冰斗被广泛认为是气候、构造和地形因素复杂相互作用的结果（Barr和Spagnolo，2015）。
结论
本研究利用可解释的机器学习方法系统地揭示了高山亚洲（HMA）冰斗形态的主要控制因素及其空间异质性。主要结论如下：
1. 冰斗的发育表现出不同的空间预测因子机制，而非单一的普遍模式。一个核心发现是主导预测因子存在系统的地理转变：从受季风影响的、“能量受限”的气候相关机制
CRediT作者贡献声明
Jinrong Hu：撰写 – 审稿与编辑，撰写 – 原稿，可视化，软件，方法论，形式分析，概念化。Fuyuan An：撰写 – 审稿与编辑，撰写 – 原稿，可视化，项目管理，资金获取，概念化。Li Yan：撰写 – 审稿与编辑，软件，方法论，形式分析。Hongjun Yu：撰写 – 审稿与编辑，形式分析。Longfei Gai：撰写 – 审稿与编辑。Xue Min：撰写 – 审稿与编辑
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。
致谢
本研究得到了国家自然科学基金（42371019）的支持。
