1️⃣ SAITS深度学习模型填补长时间序列缺失
研究采用自注意力时间序列插补（SAITS）模型，有效恢复1972–1983年及后期受云遮挡影响的遥感数据，保证了高时间分辨率（月尺度）湖泊面积序列的连续性与物理合理性。多源气象数据作为输入特征，包括降水、径流、风速、地表热辐射和湖泊温度指标，为量化湖泊动态的驱动机制提供了稳固的数据基础。
2️⃣ 湖泊扩张具有明显阶段性与空间集中性
50年间，ITP湖泊总面积增长36%，1996年后快速扩张，2006年后增速放缓。两大湖泊——色林错和阿牙克库木湖——面积增加最大，分别+738 km²和+520 km²。新形成湖泊433个，总面积占12.4%，主要分布于北部。此阶段性特征与空间分布揭示了湖泊扩张受气候与地理条件协同控制的规律。
3️⃣ 时间尺度决定湖泊动态主导驱动因素
SHAP归因分析显示，月尺度下地下径流是湖泊面积波动的核心驱动，当流量>10 mm时贡献为正，体现水文再分配过程的关键作用；年尺度下，向下地表热辐射成为主导驱动因素，增强温室效应、加速多年冻土融化并缩短湖冰覆盖期，维持长期扩张。结果强调湖泊动态的驱动机制具有明显尺度依赖性。
1️⃣ 湖泊总面积显著增长并呈阶段性演化
1972–2021年，ITP湖泊总面积由2.69 × 10⁴ km²增至3.66 × 10⁴ km²，增长36%。阶段划分清晰：1972–1995年相对稳定，1996年起快速扩张，2006年后增速减缓。两大湖泊色林错和阿牙克库木湖面积增加超过300 km²，新形成湖泊集中在北部，占总扩张面积12.4%。这些结果为理解湖泊扩张的长期空间-时间特征提供了量化依据。
2️⃣ 高时间分辨率数据揭示湖泊动态微观波动
利用月度湖泊面积数据，研究捕捉到湖泊的季节性波动和短期动态变化，弥补以往仅依赖年尺度数据的不足。通过SAITS模型有效填补遥感数据缺失，使湖泊面积的短期变化与季节性特征得以准确刻画，为分析月度水文过程与局部气候条件对湖泊波动的影响提供了可靠数据基础。
3️⃣ 驱动机制随时间尺度显著变化
SHAP分析显示，湖泊动态存在显著尺度依赖性：月尺度下地下径流主导湖泊水量波动，体现短期水文再分配作用；年尺度下向下地表热辐射成为长期扩张的关键驱动因素，通过加热湖水、加速冻土融化和缩短冰期维持湖泊扩张。研究揭示了水文和能量过程在不同时间尺度上的作用差异，为未来水资源管理和湖泊动态预测提供了科学依据。
