我们使用空中和Landsat 5-8光学卫星图像51,52从2000年到2021年绘制ZI和NG的产犊前部位置（扩展数据图1）。对于Zi，最著名的变化发生在2011年至2013年之间，当时其浮动延伸的大部分倒塌，导致撤退10公里（参考文献53）。随后，这种崩溃的稳定撤退约为700 m -1。NG从2002年到2004年失去了其浮动舌头的大部分；此后，主浮舌的产犊事件的频率较低。但是，在2020年，NG的北部完全崩溃了，将超过120 km2的浮架冰释放到海洋中（扩展数据图1）。
我们使用具有高精度运动学数据处理方法的GIPSY-OASIS软件包处理GNSS数据27，并使用喷气推进实验室（JPL）的轨道和时钟产品进行模棱两可的分辨率。我们使用JPL30上开发的6.4版Gipsy-Oasis版本。我们使用JPL最终轨道产品，其中包括卫星轨道，卫星时钟参数和地球方向参数。轨道产品将卫星天线相中中心偏移考虑。使用VMF1网格名义者54的维也纳映射函数1（VMF1）对大气延迟参数进行建模。校正用于去除陆地潮汐和海洋潮汐载荷。使用自动加载提供商（http://holt.oso.chalmers.se/loading/）计算主要海洋潮汐载荷项的幅度和相位，该功能适用于FES2014B海潮模型，其中包括校正对海洋潮流的地球运动中心的校正。位点坐标是在IGS14帧55中计算的。我们以15秒的间隔将笛卡尔坐标转换为在Negis表面监测的每个GNSS站点的局部，向北和东坐标。15-S解的示例在扩展数据中显示了图2A – C。
我们使用15秒溶液来估计冰表面速度的每日解决方案（蓝点，扩展数据图2d – f）。时间序列已被筛选为异常值。为了删除离群值，我们适合并消除每个时间序列，纬度和经度的趋势。我们估计降低速度，纬度和经度的平均值，并将异常值定义为与平均值三个标准偏差的值。对于NEG1，我们在总计八个数据点或（8/387 = 0.02）中删除了2％的数据。对于NEG2，我们在总共四个数据点或（4/195 = 0.02）中删除了2％的数据，而为0％的NEG3。我们使用冰层速度的每日解决方案（筛选出异常值）来估计每月的平均冰速度（红色误差线）。我们估计每月均值的根平方，以分配不确定性。黑线表示最适合观察到的冰速的趋势（使用最少的平方调节），并表示Neg1时2016年至2019年的平均流量加速度为2.7±0.2 m年，Neg2时为4.5±0.3 m Year –2，Neg3的Neg3年度为4.9±0.3 m neg3（校正了下降加速度）。
我们根据https://dataverse01.geus.dk/dataverse/ice_velocity获得的基于ESA Sentinel-1 sar偏移跟踪的马赛克速度得出冰速度。Negis的冰速度图源自ESA Sentinel-1数据的强度跟踪，重复12天；分析应用了操作干涉后处理链29。我们使用所有可用的速度马赛克（在空间分辨率为500 m的网格上提供），并使用偏移跟踪生成的基础偏移图的相关标准偏差，以为每个网格点创建一个时间序列（扩展数据图3B – D）。然后，我们删除异常值。为了删除离群值，我们适合并删除每个时间序列的趋势，并估计平均值。我们将离群值定义为与平均值大于三个标准偏差的值。对于每个网格点，我们将与0到3个数据点相对应的数据的0到1.5％删除。接下来，我们在每个网格点使用屏幕序列序列，并适合代表流动加速度的趋势（扩展数据中的黑线图3b，c）。对于每个网格点，我们使用最小二乘拟合来估计加速度和相关的不确定性。扩展数据图3a显示了每个网格点在M Y YEN -2中从2016年到2022年的平均加速度。不确定性为±0.7 m年-2。
我们使用基于ESA Sentinel-1的马赛克来估计GNSS站的流动加速度的下坡校正。我们在0.5×0.5 km的网格上估算两个像素的冰速度的时间序列。像素1位于GNSS的起始位置（部署站时），Pixel 2位于GNSS端点位置。两个时间序列之间的差异用于估计流动加速度的下坡校正。扩展数据中的不确定性水平图3a为±0.7 m年-2。但是，两个像素彼此接近（例如相隔1,000 m）几乎经历了几乎相同的噪音。因此，当估计两个相邻时间序列之间的差异时，噪声降低到±0.3 m Year -2。为了估计流动加速度的下坡校正，我们适合两个像素之间差异的时间序列。
我们对流动加速度的校正弥补了GNSS站的下坡运动，如下：NEG1时为0.06±0.18 m年，NEG2时为0.14±0.29 m Yearn -2，Neg3为0.12±0.30 m -2年。
为了估计冰面上的高程变化，我们使用的是定期网格，分辨率为500×500 m，覆盖了Negis。我们将每个网格点的中心表示为c（x0，y0）。对于每个网格点，我们选择具有坐标P（XI，Yi）的CryoSat-2数据，与C的最大距离为1,000 m。CryoSat-2数据点具有坐标P（XI，Yi）的高程HI在时间Ti时测量。索引I表示ITH数据点。我们使用在2010年7月至2021年7月之间测量的所有可用的冷冻-2数据在每个网格点C创建表面高度序列。但是，为了描述10年的表面变化，我们拟合了一个多项式的7度来描述海拔的变化，并使用三阶多项式方程来描述表面的形状。此外，我们适合一个季节性的术语，以说明年度表面变化。对于具有中心C（X0，Y0）的每个网格点，我们在1,000 m内找到最近的数据点，并拟合了七阶多项式H（Ti）Poly，三阶表面地貌多项式HTOPO和年度术语H（TI）年度：
扩展数据图4a显示了Negis上的所有网格点，我们成功估计了H（t）的时间序列。
扩展数据图4B，C显示了高程时间序列H（T）的两个示例。P1是最接近冰缘的点，位于海拔约590 m。扩展数据图4B显示了对地形HTOPO（黑色误差线）校正的冷冻2高程以及我们最合适的七阶多项式H（T）Poly和年度术语H（T）年度（红色曲线）的组合。该海拔的年度术语的幅度为1.41±0.10 m。扩展数据图4D显示了校正地形和年度术语（黑色误差线）的冷冻2高程，以及我们对点P1的最合适的七阶多项式（红色曲线）。
扩展数据图4C显示了与扩展数据相同的信息图4B，但对于点P2，位于高度约为1,078 m。在这里，年度信号的幅度为0.16±0.08 m。
我们使用最合适的七阶多项式（例如扩展数据中的红色曲线图4d，e）用于图4A中显示的每个位置，以估计从2011年4月至2012年4月从2012年4月到2012年4月，2012年4月至2012年4月至2013年4月的高度变化率，例如2013年4月至2013年4月。
从2018年10月到2021年6月，我们使用ICESAT-2数据，并估计冰面的高度变化33。我们使用沿轨道高度（ATL06）发行004的ICESAT-2算法理论基础文档，该文件从https://nsidc.org/data/atl06（参考文献58）检索。
我们使用上一节中描述的相同方法估计高程变化。但是，为了描述大约2。5年的表面变化，我们拟合了三阶多项式（与用于冷冻2数据的七阶多项式相反），并且还使用三阶多项式方程来描述表面的形状和季节性术语来说明年度表面变化。扩展数据图5a显示了Negis上的网格点，我们成功估计了ICETAT-2高程时间序列。
扩展数据图5显示了ICESAT-2高程时间序列H（t）的两个示例。P3是靠近冰缘的点，位于高度约267 m（扩展数据图5B）。扩展数据图5B显示了校正地形（黑色误差线）的ICESAT-2高程以及我们最合适的三阶多项式和年度术语（红色曲线）的组合。扩展数据图5D显示了校正地形和年度术语（黑色误差线）的ICESAT-2高程，以及我们在P3时最合适的三阶多项式（红色曲线）。
扩展数据图5C显示了与扩展数据相同的信息图5B，但对于位于高度约为1,071 m的点P4。
我们在图5A中显示的每个位置使用最合适的三阶多项式（扩展数据中的红色曲线，e），以估计从2019年4月到2020年4月以及2020年4月至2021年4月的高度变化率。
我们从2011年春季至2019年春季在格陵兰岛进行NASA的ATM调查来估计高程变化（参考文献32）。ATM航班主要集中在Gris的边缘。为了估计高程的变化，我们从两个不同的运动中重叠点之间的高度差异，也就是说，我们在2011年调查和2012年调查之间的高度差异，2012年调查和2013年的调查等之间的高度差异。但是，应该指出的是，2020年春季春季没有进行调查。扩展的数据图6显示了Negis上的ATM飞行线。
扩展数据图6（低右图）显示了一个从2016年到2017年重叠点的高程变化的示例。在冰川边缘附近观察到了最大的高程变化。
重要的是要注意，当我们创建高程时间序列时，我们不要合并CryoSat-2，ICET-2和NASA的ATM调查。取而代之的是，我们估计每个数据集的年度高度变化率独立估算，然后合并费率。
观察到的年度高度变化率从CryoSat-2，ICET-2和NASA的ATM调查中用于插值高度变化速率到1×1 km的常规网格。使用普通的Kriging方法59,60进行插值。我们使用观察到的年度高度变化率来估计经验半变量函数。我们将模型变量函数拟合到经验半变量函数上，以考虑高程变化率的空间相关性。对于每个网格点，我们估计高程变化率DHI，KRIG和相关的误差σi，Krig。
我们纠正了由于当今的质量变化和过去的长期变化（冰川等静态调节（GIA）），因此校正了由弹性抬高引起的基岩运动的冰表面抬高。我们使用GNET-GIA经验Model61纠正GIA。对于每个网格点，我们估计GIA提升速率DHGIA和相关的不确定性σGia。我们通过将冰块损失估计值（从CryoSat-2，ATM和ICESAT-2）卷来纠正基岩的弹性升高，并使用Wang等人的绿色功能，用于弹性地球模型IASP91的绿色功能，并具有crust 2.0的精制地壳结构。对于每个网格点，我们估计弹性提升速率DHELAS和相关的不确定性σElas。每个网格点的高程变化率为
相关的不确定性是
扩展数据图7显示了从2011年4月到2021年4月的年度高度变化率，这些变化率从2011年4月到2021年4月，对GIA和Elastic Uplift进行了校正。扩展数据图7（下面板）显示了与4月至4月的年度高度变化率相关的不确定性。
我们使用有限元冰流模型的冰盖和海平面系统模型（ISSM）63来对Negis进行建模。水平网状分辨率从冰面附近的200 m到内陆20 km不等，垂直挤出为四层。该模型基于完整Stokes模型的3D高阶近似，包括应力平衡的垂直剪切；对于快速移动和缓慢移动区域64,65，这是一个很好的近似值。我们使用Bedmachine Greenland50（版本3）的表面和床几何形状。我们使用倒置在接地冰下的浮冰和基础条件上推断冰粘度参数。为了推断最初的基础条件，我们使用2007年至2008年的表面速度使用BUDD摩擦定律并将其倒入摩擦系数（参考文献66）。然后，我们通过分析计算产生相同基础应力的正则库仑摩擦法的摩擦系数。在模拟期间，摩擦系数保持恒定。先前的研究表明，摩擦法的选择可能会对模拟67,68,69,70产生重大影响。但是，在这里，我们根据观察选择了摩擦法。
该模型使用基于级别的运动边界来跟踪冰端前部位置。我们使用von mises拉伸应力产犊法来计算产犊率71,72。我们校准了产犊定律的应力阈值，以匹配从2007年到2017年观察到的冰层撤退。我们使用相同的应力阈值值，接地冰的1 MPa和150 kPa用于浮冰，Choi等人使用。24。对于所有模拟，假定两个冰川（NG和ZI）的校准应力阈值是恒定的。
使用这些几乎塑性摩擦法，以及与Choi等人相同的大气和海洋强迫。24，我们校准了产犊定律，以定性地与观察到的前部变化从2007年到2017年（参考文献72）。对于后广播模拟，该模型是通过区域大气气候模型（RACMO）版本2.3（参考文献73）的每月SMB数据强制强制的。我们将海洋强迫考虑在Zi和ng74的浮冰下进行融化，以及Zi终点站的冰底部底部底部，一旦它扎根75,76。海洋强迫参数化的细节可在Choi等人中找到8。我们保持冰温恒定，因为它不受本研究中考虑的时间尺度的表面温度影响。我们发现，具有正则库仑定律的模型与观察到的加速度（图2d，e）和从2011年至2021年观察到的质量损失得出了更好的一致性（图4）。
扩展数据图8显示了2016年至2022年观察到的冰流加速度的地图。观察到的加速度与扩展数据中显示的加速度相同。在这里，我们向Budd Mrifiction Law35展示了不同的指数，即正规库仑摩擦法36,69，Schoof Mrifiction Law37和带有不同指数的Weertman Mrifiction Law38。我们测试了具有不同指数的各种模型。但是，我们的模型结果表明，只有正规化的库仑摩擦法或带有1/5或1/6指数的BUDD摩擦法可以产生在卫星数据中观察到的深入内陆加速度。对于扩展数据中的所有模型图8，我们使用了Noresm1和RCP4.5。GCM和RCP的选择比选择摩擦法的影响要小得多。
在扩展数据图9中，我们考虑了能够重现深内加速度的模型。因此，由于所有其他模型都无法产生深层的内陆加速度，因此将摩擦法律的选择减少为正规化的库仑摩擦法和Budd摩擦法律。
扩展数据图9显示了正规化的库仑摩擦法和Budd Mrigational法律，指数为1/5和1/6，冰块从2007年到2100的建模累积变化。对于每种摩擦定律，我们分别使用RCP4.5和RCP8.5对质量变化进行建模。对于所有模型，都使用Noresm1。为了进行比较，我们包括参考文献的结果。8是使用Budd Mrigation Law（线性粘性）计算得出的。图9的扩展数据表明，只有质量从正则化的库仑摩擦定律发生变化在观察到的质量变化的不确定性水平范围内，从2007年到2021年。用1/5或1/6的指数略微高估了从2007年到2021年的质量变化，从2007年到2021年。库仑摩擦法。补充视频1显示了使用Noresm1，RCP4.5和正规库仑摩擦法的终点的撤退。