加拿大北部的冬季道路是许多偏远原住民社区在冬季的重要交通通道。这些道路每年冬季都会重新铺设，其中冰路是跨越结冰湖泊和河流的部分。然而，气候变化导致北部地区的冬季条件变得越来越不稳定和难以预测（例如，Bring等人，2016年；Kiani等人，2018年），从而缩短了安全使用的时段。在新的气候环境和环境动态变化的背景下，确保寒冷气候下的基础设施安全是一个多方面的挑战，需要开发各种新的工具来应对（例如，Instanes等人，2016年）。利用遥感/地球观测（EO）工具和机器学习（ML）预测模型可以：（1）提高冰路和河流交叉口的运行安全性；（2）为关闭决策提供支持；（3）整合历史上支持安全使用冰路的当地和传统原住民知识。
在这项研究中，提出了用于预测西北地区Dél??n?冰路表面温度的机器学习模型。图1a显示了加拿大地图，研究区域用黑色框标出，覆盖了大熊湖（Great Bear Lake）的西南角。Dél??n?（北纬65.1870°，西经123.4239°）位于大熊湖的西南角（图1b），冰路每年冬季都会在湖泊上铺设，长度约为六公里（图1c）。表面温度预测模型是在图1c中红点标记的位置（北纬65.15°，西经123.43°）进行训练的，该位置大约位于冰路的中点。选择这种设计是为了能够集中评估模型性能、特征相关性和预测能力，使用的是与冰路运营直接相关的最长连续且质量最高的时间序列数据。
这条冰路对Dél??n?社区至关重要，因为该社区没有全年通行的道路。冬季，燃料、大宗物资和医疗资源都是通过这条冰路运输的。这条路线对社区还具有经济、文化和生计方面的意义，因为它用于通往传统的渔场和狩猎区。近年来，冬季条件的变化和提前融化的现象日益限制了冰路的运行时间，增加了因表面退化和意外关闭带来的风险。选择Dél??n?冰路作为研究地点，是因为其运营重要性、对表面融化过程的敏感性以及长期基于卫星的表面温度数据的可用性。
优化冰路运营的监测重点主要关注影响表面状况、冰层厚度和承载能力的变量（Gold，1971年；Masterson，2009年；Daly等人，2022年）。冰路表面质量受粗糙、泥泞或裂开的冰层、冰层起伏、表面积水以及裂纹等因素的影响，这些都会显著降低通行性和安全性（Barrette，2011年；Barrette和Charlebois，2018年；Daly等人，2022年）。冰路的承载能力决定了允许的车辆重量等级，主要受冰层厚度控制，而冰层厚度又影响冰的强度和弯曲性能（Gold，1971年；Gow等人，1988年；Masterson，2009年；Burton等人，2022年）。冰路表面温度与表面温度直接相关，而表面温度又受到近表面空气温度的影响，同时也受到与上层大气的显热、潜热和辐射热交换的调节（Holtslag等人，2007年；Chen等人，2010年；Bring等人，2016年）。表面温度还与冰层的平均深度温度有关，后者（连同厚度）共同决定了冰的弯曲强度和承载能力（参见Burton等人，2022年）。表面温度高于0°C表示冰层湿润、有积水，并可能存在裂缝，水分可能从裂缝中渗出。
空气温度以及累积的冻度日（FDD）和融度日（PDD）是常用的气象指标，用于支持安全运行和关闭冰路的决策（例如，Kiani等人，2018年）。然而，如上所述，表面温度提供了更直接的冰面状况和退化程度的衡量方式。本研究开发了基于LSTM的模型，利用气象数据和表面能量平衡变量来预测每日冰面温度。模型使用来自MODIS Terra地表温度和发射率（MOD11）产品的每日表面温度观测数据进行训练（例如，Wan等人，2021年）。模型预测结果通过与2021-2022年融化季节期间Sentinel-2卫星图像观测到的冰融化和破裂情况对比进行评估和解释。还探讨了这些预测在冰路运营决策中的应用潜力，包括对冰强度、承载能力和表面退化的意义。
以往关于冰路的研究主要集中在识别影响季节性开放和关闭日期的环境因素以及与安全运营相关的监测变量上。已知空气温度、太阳辐射、风速、积雪覆盖和水体特性会影响冰的形成和生长速度，而气候变率和远距离相关性可能导致异常晚的开放或提前关闭（例如，Knowland等人，2010年；Barrette和Charlebois，2018年；Daly等人，2022年）。重要的是，多项研究表明，冰路表面温度并不一定跟随上层空气温度的变化，特别是在太阳辐射强烈或表面反照率降低的情况下，即使在低于冰点的空气温度下也可能发生表面融化（Barrette和Charlebois，2018年；Daly等人，2022年）。
表面温度是决定冰机械性能的关键变量，包括弯曲强度、承载能力和弹性模量。较温暖的冰更具延展性，容易变形；而较冷的冰则强度较高但更脆（Gold，1971年；Gow等人，1988年；Masterson，2009年）。因此，表面温度在决定冰路的安全性和可操作性方面起着核心作用，并且通过表面与大气的能量交换与冰层平均温度密切相关。尽管如此，历史上冰路的运营指导和预测工具主要依赖于空气温度阈值、冻度日和人工监测，缺乏针对特定位置的短期表面温度预测能力。
先前的研究强调了淡水冰温度对其弯曲强度、承载能力和弹性模量的重要性。例如，Burton等人（2022年）开发了一个机器学习模型来预测淡水冰的弯曲强度，该模型使用了包括单层感知器和提升树在内的多种回归算法进行训练，数据点约为2000个，涉及测量的淡水冰厚度、温度和弯曲强度。Gold（1971年）指出，温度下降引起的热应力可能导致冰层破裂，而温度升高会降低冰的强度，尤其是在静态载荷下。Gow等人（1988年）指出，冰温度对冰的内部结构有显著影响，进而影响冰的弯曲强度和弹性模量。他们发现，随着冰温度从-1°C降至-19°C，弯曲强度从1650 kPa增加到2600 kPa。Jones（2007年）测试了淡水冰山的单轴压缩强度，发现其在0°C时的强度为5 MPa，在-20°C时为8.5 MPa。Masterson（2009年）指出冰的机械性能对温度敏感；相对温暖的冰具有较高的延展性，容易发生蠕变，而较冷的冰则强度较高但非常脆。Meng和Guo（2015年）研究了冰温度与弹性模量之间的关系，发现弹性模量随温度升高而降低。
机器学习方法，特别是长短期记忆（LSTM）神经网络，在预测不同时间尺度上的空气、陆地表面、海面和水温方面表现出很强的能力（例如，Zhang等人，2018年；Maddu等人，2021年；Kartal和Sekertekin，2022年；Choi等人，2023年）。LSTM模型非常适合捕捉非线性时间依赖性，并已成功应用于日常和次日常温度预测。然而，迄今为止，这些方法尚未应用于预测冰路表面温度或支持冰路运营决策。
本研究通过开发基于LSTM的模型来解决这一空白，利用卫星提供的表面温度观测数据和基于再分析的气象及表面能量数据，预测Dél??n?冰路在两天和七天时间范围内的日平均表面温度。通过关注表面温度而非仅空气温度，这些模型旨在提供更直接相关的信息，以评估冰路表面状况和潜在的退化情况，从而提高冰路的安全性和运营规划。
本文的主要目标如下：一是加深我们对冰路表面温度与融化及表面退化过程之间联系的理解；二是提出一种基于机器学习的新方法，通过表面温度预测来增强冰路运营决策支持和安全性，而不是仅仅依赖空气温度，因为冰路表面温度与道路表面完整性和安全性之间存在直接关系。
本文的结构如下：第2节介绍了用于开发机器学习表面温度预测模型的数据和方法，描述了模型训练和超参数调整过程以及各训练特征的相对重要性，并介绍了评估模型性能的指标。第3节展示了模型结果、性能、局限性，以及与2021-2022年融化季节的冰融化和破裂情况的关联，以及其在提高冰路运营安全和关闭决策支持方面的应用。最后，第4节总结了本研究的结果。
