基于CGI-XJ2020的数据，对中国西北地区新疆冰川面积和体积变化的预测

《Research in Cold and Arid Regions》：Projections of Changes in Glacier Area and Volume in the Xinjiang Region, northwestern China, Based on CGI-XJ2020

　　刘博文|李忠琴|徐丽萍
新疆石河子大学城市与环境科学学院，石河子，新疆832003，中国

**摘要**
冰川是重要的淡水来源，其变化对区域水资源可用性和水文循环有着深远的影响。本文以CGI-XJ2020数据库为依据，利用OGGM（开放全球冰川模型）模拟了2020年至2100年间新疆冰川面积和体积的变化情况。OGGM基于六个CMIP6通用环流模型在三种社会经济路径（SSP）排放情景下的气候预测结果进行驱动。研究结果表明，新疆地区的冰川持续退缩，冰川体积损失率高于全球平均水平，但低于中亚地区的报告值。到2100年，相对于2020年，冰川将发生显著减少。在SSP2-4.5情景下，冰川面积减少了39.16%；在SSP3-7.0情景下减少了52.35%；在SSP5-8.5情景下减少了63.30%。相应的冰川体积减少率分别为49.92%、64.01%和73.25%。较小的冰川退缩速度更快，整个新疆北部地区的冰川萎缩速度比南部更快，而持续的升温预计将进一步加剧南部地区的冰川融化。不同山脉之间的冰川变化也存在明显差异，其中萨韦尔山脉的冰川退缩最为显著，而帕米尔山脉的冰川退缩相对较慢。在流域尺度上，研究发现四个流域（包括和田河盆地）的冰川将在2100年前完全消失。相比之下，叶尔羌河流域（拥有最多的冰川）在SSP2-4.5情景下仍保留约74.46%的冰川面积，在SSP3-7.0情景下减少至58.48%，在SSP5-8.5情景下减少至44.11%。

**1. 引言**
冰川是重要的固态淡水储存库，也是气候变化的关键指标（Haeberli, 2004; Immerzeel et al., 2010; The GlaMBIE Team, 2025），对于维持全球生态系统稳定至关重要（Gardner et al., 2013; Immerzeel et al., 2020）。在中国西部干旱地区，冰川是主要的淡水来源，对区域水资源供应起着关键作用（Deng, 2010; Li et al., 2010; Li, 2011; Chen et al., 2016; Yao et al., 2022）。位于中国西北干旱地区的新疆省拥有全国最大的冰川体积（Shi et al., 2009; Liu et al., 2015）。冰川对新疆的区域水安全具有至关重要的意义（Chen et al., 2015; Pritchard, 2019; Su et al., 2019, 2022）。根据2020年新疆冰川清单（CGI-XJ2020；图1）数据显示，新疆共有24,202条冰川，覆盖面积达23,629.28平方公里。虽然小冰川数量较多，但该地区的大部分冰川体积集中在少数大型冰川中（Li et al., 2025）。总体而言，冰川沿塔里木盆地周围的山脉呈C形分布，主要集中在天山、昆仑山和喀喇昆仑山等八大山脉系统中，不同区域的冰川面积和数量存在显著差异。

**过去40年来，新疆气温的持续升高导致冰川快速退缩，空间分布不均（Li et al., 2010）。例如，1960年至2020年间，伊犁河流域的冰川面积减少了29.15%（Zhan et al., 2025），阿克苏河流域的冰川面积减少了22.24%（Liang et al., 2025）。由于预计新疆气温将继续上升（Chen, 2014），冰川将继续退缩，这不仅会改变水资源供应模式，还会对区域社会经济发展和生态系统稳定性造成压力（Haeberli et al., 2007; Marzeion et al., 2014; Zemp et al., 2015; Huss and Hock, 2018; Zemp et al., 2019）。因此，对新疆冰川演变进行建模和预测不仅有助于解决关键科学问题，还有助于制定应对气候变化的策略和管理计划。**冰川演变模型**为研究冰川变化及其对气候强迫的响应机制提供了重要工具（Hock et al., 2019; Zekollari et al., 2022），近年来这些模型发展迅速。代表性模型包括开放全球冰川模型（OGGM；Maussion et al., 2019）、Python冰川演变模型（PyGEM；Rounce et al., 2023）和全球冰川演变模型（GloGEM；Huss and Hock, 2015），这些模型已广泛应用于区域到全球尺度的冰川研究。然而，大多数模型对冰川动力学的处理仍较为简化，从而导致模拟结果存在较大不确定性（Radi? et al., 2014; Compagno et al., 2021; Zhao et al., 2023）。OGGM结合了冰川质量平衡和冰流动力学，能够在复杂条件下模拟冰川演变，现已被广泛应用于冰川研究（Maussion et al., 2019; Furian et al., 2022; Rounce et al., 2023; Tang et al., 2023）。例如，Rounce et al.（2023）和Zekollari et al.（2024）利用OGGM在全球范围内研究了不同升温程度对冰川退缩的影响，发现冰川质量损失与温度升高之间存在近似线性关系。Zhao et al.（2023）通过在高山亚洲地区的OGGM模拟验证了这一关系。在更小的空间尺度上，Chen et al.（2025）利用OGGM预测吐鲁番-哈密地区的冰川可能在2100年前几乎完全消失。**尽管许多研究使用了现场观测、卫星影像和数值模拟来研究新疆冰川的历史演变及其驱动因素，但在未来气候变化情景下的冰川演变研究仍相对有限。现有预测性研究主要集中在个别河流流域，或仅将新疆作为大规模全球或区域评估的一部分来进行评估，缺乏对整个新疆冰川的系统性模拟和时空分析。**本文结合CGI-XJ2020数据库和OGGM模型，模拟了2020年至2100年间新疆冰川面积和体积的变化。模拟使用了六个CMIP6气候模型（BCC-CSM2-MR、CESM2、CESM2-WACCM、NorESM2-MM、GFDL-ESM4和FGOALS-f3-L）在三种社会经济路径（SSP2-4.5、SSP3-7.0和SSP5-8.5）下的变化情况。这种建模方法能够更全面、更准确地描述新疆冰川的未来演变。**本研究有两个主要贡献：一是使用更精确的CGI-XJ2020冰川清单作为模拟的初始边界；二是使用经过地面观测验证的HRLT气候数据进行模型校准和模拟。**

**2. 方法与数据**
**2.1 OGM模型**
我们使用OGGM来表示冰川几何形态并模拟其动态演变。OGGM采用Python编写，具有高度模块化和可扩展的设计，可以分析从单个冰川到区域及全球尺度的冰川质量变化。该模型将受气候数据驱动的质量平衡模块与冰川动力学模块相结合，能够模拟在气候强迫下的冰川质量平衡、冰层厚度分布和几何变化（Maussion et al., 2019）。通过OGGM的流线模块，我们用与主流动方向一致的一维流线来表示冰川的复杂三维几何形态，并沿这些流线模拟冰川表面的质量平衡和动态演变。

OGGM提供了多种质量平衡参数化方法。在本研究中，我们采用了Marzeion等人（2012）更新的温度-日度制度。气温和降水量数据被降尺度到离散的高程带。对于每个高程带，将月降水量和融化因子结合起来估算积累量和融化量，从而得出冰川的表面质量平衡。

在此公式中，使用了三个可调参数：融化因子、降水量缩放因子和温度偏差，这些参数根据第2.4节描述的程序进行校准。给定高程处的月质量平衡计算公式如下：
\[ \text{月质量平衡} = \text{月降水量} \times \text{降水缩放因子} \times \text{融化因子} \times \left[ \text{月平均气温} - \text{融化温度阈值} \right] + \text{残差修正项} \]
其中，\[ \text{月质量平衡} \] 表示高程处的月表面质量平衡（毫米水当量/月）；\[ \text{降水缩放因子} \] 和\[ \text{融化因子} \] 分别用于校正降水量和温度；\[ \text{月平均气温} \] 和\[ \text{融化温度阈值} \] 分别表示温度；\[ \text{残差修正项} \] 用于修正驱动数据和模型结构中的不确定性。在校准过程中，\[ \text{融化因子} \] 被估算为消除模拟与观测质量平衡之间差异所需的剩余偏差。

OGGM的动力学模块用于数值模拟冰川流动。该模块采用浅冰近似（SIA），假设冰川的垂直尺度远小于水平尺度，从而忽略正应力，仅保留主要的剪切应力项，简化了冰流动力学方程。在建模过程中，每个流线上的冰川几何形态被表示为一系列垂直于流动方向的截面。冰川演变通过质量守恒计算，使得每个截面满足：
\[ \text{质量守恒} = \int_{S} \rho \cdot v \cdot dA \cdot dL \]
其中，\( S \) 是截面面积，\( v \) 是流量（米/秒），\( \rho \) 是冰川密度（千克/立方米），\( dA \) 是横截面面积，\( dL \) 是流动长度。

OGGM能够在依赖较少输入数据的情况下模拟复杂地形中的冰川演变（Marzeion et al., 2020; Pelto et al., 2020; Xu et al., 2025），并能够再现冰川变化的详细模式（Zekollari et al., 2022）。因此，它已被广泛用于新疆冰川研究。例如，Wang et al.（2024）将OGGM应用于乌鲁木齐河流域，发现未来冰川融化趋势明显；Yang et al.（2022）将OGGM与度日冰川水文模型结合，发现冰川退缩将导致径流减少，从而影响水资源供应；Calvo-Gallardo等人（2025）将OGGM与Xanthos水文模型结合，用于塔里木盆地的全球变化分析（GCAM）模拟，预测该地区冰川补给径流可能在21世纪中达到峰值。多项先前的新疆研究表明，基于多视角评估，OGGM在不同地区具有可靠性和适用性。因此，本文使用OGGM来模拟和预测新疆未来的冰川演变。

**2.2 数据**
**2.2.1 CGI-XJ2020数据库**
CGI-XJ20是2020年发布的新疆冰川清单数据库，以2020年为基准年，使用高分辨率（< 2米）卫星影像编制。它为本研究提供了更精细的空间分辨率和更准确的冰川轮廓，是模拟的基础数据集之一。2020年新疆冰川清单（CGI-XJ2020）
本研究使用的冰川轮廓数据来源于2020年新疆冰川清单（CGI-XJ2020）（Li等人，2025年）。该数据集以2020年为参考年，由216幅高分辨率的国产高分系列和紫源系列卫星图像（空间分辨率均优于2米）以及谷歌地球图像汇编而成。冰川边界通过高精度的手动交互式解读绘制，并根据36条冰川的实地测量结果进行了验证。冰川表面高程、坡度等地形参数是根据哥白尼数字高程模型（DEM）计算得出的。对于冰川体积的估算，CGI-XJ2020采用了Radi?和Hock（2010年）、Adhikari和Marshall（2012年）以及Yang等人（2024年）的方法框架，并结合23条冰川的实地冰厚观测数据，推导出适用于新疆冰川的经验性面积-体积比例关系。CGI-XJ2020数据集结合了高分辨率卫星图像和实地验证，显著提高了冰川轮廓绘制的准确性以及覆盖碎屑物冰层的识别能力，同时降低了可识别的最小冰川规模，从而为冰川变化建模提供了更可靠的输入数据。本研究利用CGI-XJ2020冰川清单划定冰川范围，并结合DEM数据将每条冰川划分为不同的高程带并构建流线。CGI-XJ2020提供的冰川体积信息还被用于冰厚反演过程中，从而为后续模拟提供了更可靠的初始冰川条件。

2.2.2 气候数据
本研究使用了HRLT数据集（HRLT：一个高分辨率（1天、1公里）且长期（1961-2019年）的中国气温和降水网格数据集）作为历史气候数据（Qin和Zhang，2022年）。该数据集覆盖了整个中国大陆，提供了1961-2019年的日1公里分辨率的气温（最高温和最低温）和降水量数据。该数据集通过对由中国气象局提供的0.5°×0.5°气候数据进行降尺度处理而成，同时考虑了海拔、坡度和朝向等地形因素，并采用了机器学习算法与广义加性模型的混合方法进行平滑处理。通过与气象站观测数据的对比，证明该数据集具有高空间细节、长期时间覆盖范围和良好的准确性。为了进一步提高模拟的准确性，我们对HRLT数据集进行了第二轮偏差校正，使用了来自中国气象数据服务中心（CMDC；网址：http://data.cma.cn）的地面气候日数据集（V3.0）中的气象站观测数据。我们开发了月度偏差校正模型，以考虑每个气候变量的时空分布特征，并动态调整偏差，从而有效消除了长期序列中的系统性误差。未来的气候强迫数据来源于耦合模型对比项目第六阶段（CMIP6）的模拟结果，相关数据从CMIP6数据档案中下载（网址：https://esgf-node.llnl.gov/projects/cmip6/）。CMIP6是世界气候研究计划（WCRP）框架下组织的国际气候模型对比项目，其主要目标是阐明控制气候变率和长期变化的关键过程，并通过多模型集合和结构化的模型对比实验来加强气候预测。CMIP6提供了多种气候变量的未来气候网格预测，例如近地面气温、降水、辐射和碳循环成分。本文遵循Guo等人（2021年）的结论，并考虑到新疆的区域气候特征，选择了六种气候模型——BCC-CSM2-MR、CESM2、CESM2-WACCM、NorESM2-MM、GFDL-ESM4和FGOALS-f3-L——来驱动未来冰川变化的模拟。为了减少历史高分辨率陆面强迫数据集（HRLT）与CMIP6未来情景之间的系统性差异，我们采用了月度偏差校正方法：对于每个全球气候模型（GCM），先计算出共同的参考时期的月度温度异常和降水变化因子，然后通过加性（温度）和乘性（降水）调整方法将其应用于校正后的HRLT时间序列，从而获得一个在历史和未来期间连续且内部一致的气候强迫序列。

2.2.3 质量平衡数据
2000至2019年间，利用现代摄影测量技术从卫星和机载高程数据集（如ASTER、ArcticDEM、REMA）生成了近50万个30米分辨率的数字高程模型（DEM）。这些DEM在全球范围内进行了配准，并使用TanDEM-X软件校正了高程偏差。通过应用高斯过程回归（GPR）对DEM数据进行时空过滤，得到了100米分辨率的时间连续高程序列，并通过独立观测数据进行了交叉验证。将得到的高程变化与冰川密度相结合，可以估算全球冰川的质量平衡情况。本文采用该数据集的2000-2019年质量平衡数据用于冰川参数的校准。

2.2.4 DEM数据
本研究采用Shuttle Radar Topography Mission数字高程模型（SRTM DEM）作为主要的地形数据集。该模型由2000年NASA航天飞机Endeavour上的C波段雷达系统获取，基于干涉雷达测量结果制作，空间分辨率为90米。根据冰川中心点定义了单个冰川的DEM域，并利用冰川轮廓数据构建缓冲区以适应冰川在动态演变过程中的扩张。随后通过空间裁剪得到每条冰川及其周围区域的初始DEM，再将其重新投影到横轴墨卡托坐标系中，填充缺失数据并应用高斯平滑处理以减少噪声，最终得到冰川化区域的完整地形数据集。

2.3 模拟程序
本研究采用OGGM 1.6.2版本进行所有冰川演变模拟。OGGM通过沿冰川流线数值积分冰厚连续性方程（Zekollari等人，2019年）来模拟冰川演变，同时将表面质量平衡显式耦合到冰川动力学模型中。由于某些冰川的表面高程范围有限，难以定义稳定的高程带流线，因此最终模拟了23,377条冰川，这些冰川总面积达23,018.8平方公里，占新疆冰川总面积的约97.4%。从数量和面积上看，该模型子集主导了CGI-XJ2020清单中的冰川分布：它涵盖了该地区的主要冰川系统和关键高程区，因此可以代表新疆的冰川总体情况。未被模拟的冰川通常规模较小，对长期区域冰川演变影响较小。在开始模拟之前，我们首先对OGGM的质量平衡模块进行了校准。常见的校准方法是在具有实地表面质量平衡数据的冰川上校准模型参数，然后将这些校准后的参数应用到缺乏直接观测数据的冰川上（Marzeion等人，2012年；Giesen和Oerlemans，2013年）。然而，这种方法可能导致区域质量平衡结果与实际情况存在较大偏差。另一种广泛采用的策略是利用区域聚合的质量平衡估计值来约束模型（Bliss等人，2014年；Radi?等人，2014年；Huss和Hock，2015年），例如通过规定某个区域内所有冰川的统一参数或允许参数通过传递函数变化来实现。然而，这种策略在应用于单个冰川时可能会引入较大偏差。最近的一种方法是分别校准每个冰川以规避上述两种方法的局限性（Zekollari等人，2024年），但这种方法的应用受到质量平衡观测数据有限的限制。Hugonnet等人（2021年）编制的全球冰川质量平衡产品为新疆大部分冰川提供了大地测量质量平衡估计值，从而可以分别校准每个冰川的模型参数。对于缺乏质量平衡数据的少数冰川，我们假设它们与最近大小和地理条件相似的冰川具有相同的质量平衡，并利用这些信息进行校准。需要校准的参数包括融化因子、降水因子和温度偏差。融化因子用于将正的度日数转换为融化量；在此配置中，对雪覆盖和冰覆盖表面规定一个统一的融化值。通过对输入的降水量和气温场应用降水缩放因子和温度偏移量，以提高冰川上气候条件与驱动气候数据之间的一致性。在校准过程中，采用Brent方法确定最优参数组合。采用逐步校准策略，首先校准一个参数；如果校准不成功，则固定当前的最佳估计值，然后依次优化剩余参数，直到获得最优参数集。这种方法计算效率高，但对初始参数值敏感。因此，采用多迭代优化方案，即使用每次迭代的校准参数作为下一次迭代的初始值，以逐步逼近最优参数集。对于无法通过这种方式获得合理参数组合的冰川，采用贝叶斯方法来确定最优参数。

利用校准后的质量平衡参数结合冰川清单和历史气候记录，我们首先估算了2000-2019年的冰川质量平衡，然后根据这些质量平衡场推算冰川厚度。由于冰川清单以2020年为参考年，我们进行了2000-2019年的模拟，以重建过去的冰川状态并使模型达到动态稳定状态。使用这些重建的冰川状态作为初始条件，我们在CMIP6未来气候情景下模拟并预测了2020-2100年新疆的冰川演变。

3. 结果
3.1 冰川变化的总体特征
3.1.1 新疆冰川面积和体积的变化
2020年，模拟中包含了23,377条冰川，覆盖冰川化面积为23,018.8平方公里，冰体积为1,504.9立方公里。模拟结果显示（表1，图2），2020-2100年间新疆的冰川持续退缩，且退缩速度随时间加快。到2050年，SSP2-4.5情景下的冰川化面积减少了2,070.10平方公里，SSP3-7.0情景下减少了2,184.02平方公里，SSP5-8.5情景下减少了2,732.73平方公里，分别相当于2020年冰川面积的8.99%、9.49%和11.87%。2050年后，冰川质量损失预计将进一步加速。到2100年，SSP2-4.5情景下冰川化面积和体积分别减少了39.16%和49.92%，SSP3-7.0情景下减少了52.35%和64.01%，SSP5-8.5情景下减少了63.30%和73.25%。

表1. 2050年和2100年的模型模拟结果
| 情景 | 2050 | 2100 |
|-----------|---------|---------|
| 面积（平方公里） | 20,948.6 | 19,486.6 |
| 体积（立方公里） | 1,264.5 | 1,250.3 |
| 面积（平方公里） | 14,004.9 | 10,968.0 |
| 体积（立方公里） | 753.7 | 541.6 |

图2. 新疆冰川面积和体积的变化。（实线表示SSP2-4.5、SSP3-7.0和SSP5-8.5情景下六种GCM集合的平均值。这六种GCM分别是BCC-CSM2-MR、CESM2、CESM2-WACCM、NorESM2-MM、GFDL-ESM4和FGOALS-f3-L。阴影带表示每种情景下六种模型集合的标准误差）
根据CGI-XJ2020数据集的分类方案，新疆的冰川被划分为13个面积等级：<0.1平方公里、0.1-0.5平方公里、0.5-1平方公里、1-2平方公里、大于300平方公里。由于大于300平方公里的冰川较为罕见，本研究将它们与200-300平方公里的冰川合并为>200平方公里的一类，然后分析不同面积等级的冰川变化。模拟结果表明，不同面积等级的冰川消融情况存在显著差异（图3）。Li等人（2019年）指出，到2100年小冰川可能几乎完全消失。我们的模拟显示，面积小于2平方公里的冰川退缩最快；在SSP5-8.5情景下，其体积相对于2020年减少了92%以上，与上述结论一致。在SSP3-7.0情景下，小冰川的体积也减少了87%以上；即使在融化速度最慢的SSP2-4.5情景下，由于其高海拔或有利地形条件，仍有少量冰川可能持续存在（Huss和Fischer，2016年）。面积在2-10平方公里之间的中等规模冰川融化速度较慢，但在SSP2-4.5情景下总体积仍预计减少59%以上，在SSP3-7.0情景下减少75%，在SSP5-8.5情景下减少86%。面积大于10平方公里的大冰川退缩速度最慢；然而，在SSP5-8.5情景下，它们的体积也减少了三分之一以上，而对于面积在10-20平方公里的冰川，体积损失接近80%。在SSP2-4.5情景下，大冰川的体积仍然损失了26%以上，在SSP3-7.0情景下则损失了37%。下载：下载高分辨率图片（1MB）下载：下载全尺寸图片

图3. 不同大小类别冰川面积和体积的变化。

3.1.2. 新疆地区冰川质量平衡的空间变异性
为了便于分析，将新疆的冰川从北到南分为三个冰川带：阿尔泰山脉带、天山带和喀喇昆仑-昆仑山脉带。利用这种分类方法，我们探讨了冰川质量平衡变化的空间差异（图4）。在2020-2050年间，所有三种气候情景都表明冰川出现了广泛的净质量损失，其中天山带的损失最为严重，其次是阿尔泰山脉带，而喀喇昆仑-昆仑山脉带的损失最轻微。在天山带内，南部地区的冰川质量损失比北部地区更严重，在山脉的中东部比西部更为显著，显示出从西向东质量损失逐渐增加的趋势。在阿尔泰山脉带内，冰川质量损失从西北向东南逐渐增加。在喀喇昆仑-昆仑山脉带，冰川质量损失相对较低，东南部的损失最小，而向东和西侧的损失逐渐增加；在一些靠近塔里木盆地的地区，冰川甚至出现了少量的质量增加。与2020-2050年相比，2050-2100年间冰川质量损失明显加大。在SSP2-4.5情景下，喀喇昆仑-昆仑山脉带的南部冰川损失量大于北部冰川。随着辐射强迫从中等情景SSP2-4.5增加到高排放情景SSP3-7.0和SSP5-8.5，质量损失严重的区域逐步向北扩展。下载：下载高分辨率图片（952KB）下载：下载全尺寸图片

图4. 不同气候情景下冰川质量平衡变化的时空变异性（结果在0.5°×0.5°网格上汇总。圆圈大小代表网格平均冰川面积）。

3.2. 不同山脉中的冰川变化
在2020-2100年间，预计新疆所有山脉的冰川都将出现显著的退缩现象，但各区域的差异较大（表2，图5）。在这些子区域中，萨乌尔山脉的冰川退缩速度最快：到2050年，冰川面积减少了63%-76%，而冰川体积减少了86%-90%；在所有三种情景下，这些冰川在2080至2090年间将完全消失。需要注意的是，由于不同气候模型导致的结果差异以及模型参数的不确定性，模拟中冰川完全消失的具体时间可能会有所偏差。阿尔泰山脉的冰川退缩速度在新疆各冰川带中排名第二。到2100年，SSP2-4.5情景下，阿尔泰山脉的冰川面积减少到2020年的10.39%。在SSP3-7.0和SSP5-8.5情景下，冰川退缩进一步加剧，冰川面积分别减少了93.48%和97.69%。昆仑山脉是新疆冰川分布最广的地区，其冰川退缩程度相对较小。到2050年，预计冰川面积为8,580.65平方公里（SSP2-4.5）、8,576.14平方公里（SSP3-7.0）和8,459.52平方公里（SSP5-8.5），所有情景下的减少幅度均不足6%。2050-2100年间冰川退缩速度加快，但到2100年，昆仑山脉仍保留了2020年冰川面积的72.60%（SSP2-4.5）、58.31%（SSP3-7.0）和46.66%（SSP5-8.5）。天山山脉的冰川面积在新疆排名第二，但其冰川以小型冰川（<2平方公里）为主。这些小型冰川的退缩速度比大型冰川快，因此天山山脉的冰川退缩更为明显。到2050年，预计天山山脉的冰川面积在SSP2-4.5情景下减少21.46%，在SSP3-7.0情景下减少22.76%，在SSP5-8.5情景下减少28.12%。到2100年，SSP5-8.5情景下的冰川面积减少到2020年的20%以下，而在SSP2-4.5和SSP3-7.0情景下分别保持在36.68%和27.94%。羌塘高原的冰川大多面积较小，但位于高海拔地区，最低海拔超过5,400米。因此，在SSP2-4.5情景下，这些地区的冰川几乎不退缩，预计2100年的冰川面积和体积仅分别减少5.61%和4.59%。然而，随着气温升高，冰川退缩变得更加明显：在SSP3-7.0情景下，2100年的冰川面积预计减少13.52%，体积减少25.50%；而在SSP5-8.5情景下，相应的减少幅度达到19.71%和41.20%。

表2. 2050年和2100年新疆各山脉冰川变化的模拟结果。

表2. 2050年和2100年新疆各山脉冰川变化的模拟结果
山脉 2050 2100 SSP2-4.5 SSP3-7.0 SSP5-8.5
阿尔屯山 257.6 9.67 258.6 19.7 53.4 9.1 157.6 3.96 98.1 1.7 35.0 0.8 1.0 3.6 10.0 5.0 0.5
阿尔泰山 114.5 73.0 117.9 32.2 101.9 2.5 16.2 10.2 10.1 0.1 3.6 10.0 5.6 1.9 12.9 8.4 1.8 19.5 1.8
喀喇昆仑山 8,580.6 512.6 8,576.1 513.4 8,459.5 249.8 166.4 295.6 23,26 175.9 2,495.0 129.8 1,84 195.1
苏尔山 2.8 20.0 2.7 0.0 1.9 0.0 30 00 00 00 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
帕米尔山 1,961.9 109.5 1,944.5 106.0 1,944.6 107.0 1,516.9 75.7 1,198.4 45.1 1,047.6 46.9 36.9 119.7
羌塘高原 52.1 34.7 52.0 3.4 52.0 13.4 9.3 13.1 45.1 2.4 41.9 1.9 1.9 6.1 21.9
天山山 5,349.1 319.5 35,260.9 310.3 4,896.0 292.5 2,498.4 141.9 1,9 2.9 91.7 1,286.1 258.0 20.8 49.8

图5. 新疆各山脉冰川面积和体积的变化。

3.3. 不同流域中的冰川变化
根据CGI-XJ2020数据集，新疆被划分为五个流域等级，包括5个一级流域、11个二级流域、30个三级流域、109个四级流域和580个五级流域。本研究重点关注三级流域。这种空间尺度提供了适量的单元，并能有效捕捉冰川变化的区域差异，同时便于系统的数据整合和比较分析。从2020年到2100年，预计新疆所有流域的冰川都将整体退缩（表3，图6）。在霍夫德河、霍博克河、乌鲁古尔河和邦贡科流域，由于这些流域内只有少量的冰川（且面积均小于1平方公里），冰川退缩速度特别快。预计到21世纪中叶，这些流域的冰川将消失；而在霍博克河和邦贡科流域，冰川将在2100年前消失。在额尔齐斯河、伊利河、伊吾河、白杨河、玛纳斯河、艾宾努尔湖、艾丁科尔湖和庙尔沟流域，冰川也表现出快速退缩的趋势。在SSP2-4.5情景下，到2050年，这些流域的冰川面积预计将减少27.80%、31.64%、43.63%、47.37%、31.02%、35.31%和53.33%。到2100年，这些流域的冰川面积将减少到2020年的10%以下，只有伊利河流域的冰川面积减少了15.43%。在SSP3-7.0情景下，伊吾河和庙尔沟流域的冰川面积减少到2020年的1%以下；而在SSP5-8.5情景下，这些流域的冰川面积减少超过95%。雅尔坎特河流域拥有最多的冰川，且主要集中在高海拔地区（根据CGI-XJ20数据集，平均海拔为5,474米），这些冰川的退缩程度相对较轻。到2050年，预计该流域的冰川面积将减少115.44平方公里（SSP2-4.5）、126.44平方公里（SSP3-7.0）和164.82平方公里（SSP5-8.5），分别相当于2020年的2.19%、2.40%和3.13%。尽管2050-2100年间冰川退缩速度加快，但到2100年，雅尔坎特河流域的冰川面积仍保留了2020年的74.46%（SSP2-4.5）、58.48%（SSP3-7.0）和44.11%（SSP5-8.5）。

表3. 2050年和2100年新疆各流域冰川变化的模拟结果
流域代码 2050 2100 SSP2-4.5 SSP3-7.0 SSP5-8.5 SSP2-4.5 SSP3-7.0 SSP5-8.5
额尔齐斯河 5A 251 117.2 33.1 120.5 32.6 103.6 259 16.2 10.2 10.1 0.1 3.6 110.0 5.0 0.9 21.7 0.3
西雅克河 5Q 143 62.6 12.2 362.0 12.1 353.4 113.1 141.5 2.8 160.8 50.9 21.7 0.3 175 0.3
伊利河 5X 497 98.4 33.2 194 31.2 833.0 26.8 221.1 7.4 132.4 3.4 195.1 1.5 61 0.6 14.6 0.2 8
霍夫德河 5Y 120.0 10.0 00 0 0 0 0 0 0 0 9 0 0 0 0 0 0
太吉纳尔河 5Y 41.5 0.0 31.5 0.0 31.4 0.0 0 0 0 0 0 0 4
加斯湖 5Y 519 8.4 36.0 200.3 62.8 194.5 574 1.5 3.4 10.6 14.6 0.2 8
米兰河 5Y 199 573 99.9 378 98.3 357 61.7 1.5 38.9 10.7 32 1.3 40.3 0.3 4
卡尔干河 5Y 627 843 36.9 99.3 689 701.2 35.4 540.2 222 22.2 407.9 13.7 279.7 68.5 2
喀尔基亚河 5Y 627 1,307 62.1 1,308 62.2 129 334 59.9 40.5 169 20.8 297 3
和田河 5Y 644 848 013 134 4,836 313 34 3,730 212 334 184.1 12,60 196.0 1
雅尔坎特河 5Y 655 1,539 335 5,142 963 332 239 13,9 202 292 3,081 451 148.8 52
卡克斯加尔河 5Y 661 1,868 104.9 1,851 1,849 971 102.4 1,421 1,427 1.5 1,196 175 20.8 973 5
奥甘河 5Y 681 1,405 319 104.9 1,864 108.2 641 177 93 30 5 30 212 34 1,34 184.1 12,6 196.0 1
塔里木河 5Y 655 1,539 335 5,142 963 332 237 5,104 在这项研究中，模拟只包括了喀喇昆仑山脉的新疆部分，冰川主要集中在山脉的东北部。徐等人（2025年）报告称，自2018年以来，喀喇昆仑山脉东部的冰损失超过了西部地区，且北部的喀喇昆仑山脉不再表现出明显的冰损失异常。Berthier等人（2019年）也发现，喀喇昆仑山脉东部的冰川质量损失速度比中部更快。因此，东北部的喀喇昆仑山脉可能正在经历更快的冰川消融，这可以部分解释我们的结果与Rounce等人（2020年）的研究结果之间的差异。我们对帕米尔高原的模拟结果与Rounce等人（2020年）的结果非常吻合（图9c）。我们预测，在SSP2-4.5情景下，到2100年帕米尔高原（新疆部分）的冰川体积将减少36.18%；而在SSP5-8.5情景下，这一减少幅度将达到60.46%。Rounce等人估计东部帕米尔的冰川体积将减少约39%（RCP4.5）和66%（RCP8.5），这表明两项研究结果非常接近。到2100年，天山山脉的冰川体积预计将比2020年的水平减少69%至88%。这与Li等人（2023年）估计的40%至78%的减少幅度以及Rounce等人（2020年）报告的60%至90%的减少幅度一致（图10a、10b）。在阿尔屯山脉（图9b），我们的模拟结果与Rounce等人（2020年）的预测在2050年之前的情况相符，但之后的冰川损失更为严重。这种差异可能与未来气候强迫的差异有关：我们的模拟是基于CMIP6的输出数据，而Rounce等人（2020年）使用了CMIP5的数据。在CMIP6的模拟中，气温对辐射强迫的响应比CMIP5更强烈，因此在相同的强迫水平下，模拟出的气温更高（Tokarska等人，2020年）。这可能解释了我们研究中预测的更快速的冰川退缩现象。

乌鲁木齐1号冰川位于乌鲁木齐河的发源地，拥有中国最长的、最全面的冰川监测记录。它被世界冰川监测服务组织（WGMS）列为全球参考冰川，并被广泛认为能够代表周围地区的冰川状况。Li Huilin使用动态冰川模型预测，这条冰川将在2090年左右完全消失（Li，2019年）。我们基于OGGM的模拟也得出了类似的预测（图11）。比较显示，两组模拟显示了相似的冰川体积变化总体趋势，即初期迅速退缩后逐渐放缓。然而，本研究中得出的退缩曲线更为陡峭，表明预测的融化速率更快，冰川萎缩过程更加明显。尽管如此，两项研究都预测乌鲁木齐1号冰川将在2090年左右完全消失。

尽管由于冰川清单数据、气候强迫、建模细节和空间范围的差异，我们的模拟与以往某些地区的研究结果存在一些差异，但总体空间模式和时间趋势大体一致。这种一致性表明本研究获得的模拟结果是可靠的。

5. 结论与剩余问题
基于CGI-XJ2020冰川清单和CMIP6气候预测，通过六个气候模型在三种排放情景下进行的OGGM模拟表明：
(1) 在2020年至2100年期间，新疆的冰川预计将持续退缩，且退缩速度会随着时间的推移而加快。相对于2020年，到2050年，SSP2-4.5情景下的冰川覆盖面积将减少约8.99%，SSP3-7.0情景下减少9.49%，SSP5-8.5情景下减少11.87%。到2100年，SSP2-4.5情景下的减少幅度将达到39.16%，SSP3-7.0情景下减少52.35%，SSP5-8.5情景下减少63.30%。从空间上看，阿尔泰山脉带和天山山脉带的冰川质量损失远大于喀喇昆仑-昆仑山脉带。这种对比可能与阿尔泰和天山的较快区域变暖有关（Chen等人，2017年；Chang等人，2022年），以及喀喇昆仑-昆仑山脉带普遍较高的海拔有关（Farinotti等人，2020年）。随着时间的推移，气候强迫的增强，喀喇昆仑-昆仑山脉带的冰川质量损失也会显著加剧。
(2) 在不同的气候情景下，冰川质量损失量差异明显，小型冰川的退缩速度远快于大型冰川。到2100年，面积小于2平方公里的冰川在SSP2-4.5情景下将损失超过74%的体积，在SSP3-7.0情景下损失87%，在SSP5-8.5情景下损失92%，只有少数冰川会存在于极高海拔或地形隐蔽的地区。面积大于10平方公里的冰川融化速度最慢，但在SSP2-4.5情景下仍会损失超过26%的体积，在SSP3-7.0情景下损失37%，在SSP5-8.5情景下损失49%。
(3) 在山脉尺度上，萨沃尔山脉的冰川规模相对较小：除了一块面积为2.96平方公里的冰川外，其他冰川的面积都小于2平方公里，且位于相对较低的海拔，平均海拔仅为3,572米。因此，萨沃尔山脉的冰川退缩最为明显。相比之下，羌塘高原的冰川由于海拔较高（平均海拔5,758米）以及存在两块面积大于10平方公里的冰川，退缩速度较慢。同样，在流域尺度上，霍夫德河、霍博克河、乌伦古尔河和班巩科河流域的冰川数量较少，且全部为小型冰川，这些流域的冰川将在2100年前完全消失。而亚尔坎特河流域包含最多的冰川，其冰川海拔较高（平均海拔5,474米），因此退缩速度相对较慢。到2100年，该流域的冰川面积预计将保留2020年水平的74.46%（SSP2-4.5情景）、58.48%（SSP3-7.0情景）和44.11%（SSP5-8.5情景）。
(4) 新疆的冰川体积损失明显高于全球平均值，但仍低于中亚地区的损失。虽然到2050年新疆与全球平均水平之间的差异尚不明显，但在2050年至2100年间这一差异逐渐增大。到2100年，新疆的冰川体积损失将超过全球平均水平的9.49%（SSP2-4.5情景）、13.59%（SSP3-7.0情景）和15.05%（SSP5-8.5情景）。这表明新疆的冰川消融程度高于全球平均水平，但仍低于中亚地区预测的极大规模损失。

尽管这项研究基于CGI-XJ2020冰川清单、CMIP6气候数据和OGGM模拟，提供了在不同情景下新疆冰川退缩及其空间异质性的系统描述，但仍存在一些需要解决的局限性。首先，使用了一个统一的温度阈值来区分降水阶段，而实际阈值可能因冰川的地形和局部气候条件不同而有所差异。未来的研究应探索更合适的方法，以动态估计冰川特定的温度阈值，从而改进OGGM的质量平衡模块。其次，冰川表面碎屑的存在与否对冰川的质量平衡有显著影响，但本研究中使用的OGGM版本并未明确考虑碎屑覆盖的影响。后续研究将试图纳入碎屑覆盖效应的定量表征，以进一步优化模拟。

**作者贡献声明**
Bowen Liu：撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、方法论、正式分析、数据管理、概念化。
Zhongqin Li：撰写 – 审稿与编辑、验证、监督、项目管理、资金筹措、正式分析、概念化。
Liping Xu：撰写 – 审稿与编辑、验证。

**未引用的参考文献**
Berthier和Brun，2019年。

**利益冲突声明**
作者声明没有已知的财务利益和个人关系可能影响本文的研究结果。