基于卫星遥感影像的水资源监测研究进展

2024-03-14扶卿华顾祝军丰江帆

中国水利 2024年1期

扶卿华，顾祝军，丰江帆

（1.珠江水利科学研究院，510610，广州；2.重庆邮电大学，400065，重庆）

水资源监测信息是分析水资源数量、质量和分布规律的重要依据，为水资源管理和保护提供科学依据。传统水资源监测，如流量测量、水质采样和地面遥感等，受采样点位布置空间局限，难以提供高精度和广覆盖的数据，在偏远地区或复杂地形条件下问题更为突出。同时人力和时间成本高，采样周期难以满足实时监测的需要。

近年，遥感技术在空间、时间、光谱等维度上的对地观测能力不断增强，尤其是高空间分辨率卫星遥感技术快速发展，在基础数据层面为精准水资源监测信息的生产与应用奠定了可覆盖全球、持续更新的高分影像基础。通过实时获取地表水体时空信息、监测地下水水位变化以及评估水体质量，遥感技术为水资源管理提供了及时、准确的数据支持。基于卫星遥感开展的水资源调查工作已经具有不可替代性，推动水资源管理向精准化、精细化方向发展。

本文从地表水资源监测、地下水资源监测两个方面进行综述，总结归纳现有方法，进而讨论基于卫星遥感数据进行水资源监测的挑战，并对潜在的研究方向进行展望和分析。

一、地表水资源监测

地表水资源遥感监测在自然灾害预警、气候变化研究以及农业规划等领域发挥重要的作用。基于卫星遥感图像进行地表水资源监测主要集中在水体信息提取和水质遥感反演两个方面。水体信息提取可用于更新地表水时空分布地图，进而分析水资源变化范围以及驱动因素。水质遥感反演是通过卫星遥感图像分析悬浮物、有害藻类、叶绿素a、磷、氮等含量来监测地表水水质。不同于传统方法，基于卫星遥感图像的方法可以宏观、快速、经济地进行水体信息提取和水质监测。

1.水体信息提取

从土地利用覆盖的角度，卫星遥感影像中包含森林、草地、裸地、水体、农业用地以及城市用地等地物类别。如何从中提取有价值的水体信息，对于分析监测地区地表水资源的时空变化及其与生态环境的相互影响关系至关重要，能够为水资源开发利用提供规划决策的科学依据。

20世纪90年代以来，大量基于卫星遥感图像的水体信息提取方法被提出，可归纳为基于阈值、基于机器学习和基于深度学习三类。

（1）基于阈值的水体信息提取方法

基于阈值的水体信息提取方法一般指单波段阈值方法或多波段阈值方法，是一种简单的水体信息提取方法。单波段阈值方法依据地面的不同要素在近红外波段具有不同反射率和吸收的特性，水体在近红外波段具有很强的吸收性，通过设置合适的阈值便可对水体信息进行提取。多波段阈值方法主要是通过两个或者多个波段计算水体指数，然后使用阈值法将水体从各种地理要素中分离出来。Mcfeeters 于1996 年使用绿色和近红外波段计算归一化差异水体指数。Wei Jiang 等利用短波红外和植被红边波段计算新的水体指数SWI。此后，为了改进上述水体指数在复杂环境中性能较差的情况，Guo Qiandong等利用多波段计算加权归一化差分水体指数WNDVI。王茹月等提出首先计算改进的归一化水体指数MDDWI，而后使用直方图双峰阈值法进行水体提取。这两种方法极大提高了水体信息提取的精度。

基于阈值的水体信息提取方法简单、计算量小、易于实现。然而，不同环境、气候下的水体阈值存在差异，导致阈值选择困难。此外，一些与水体光谱相似的地理要素，如云影、高速公路等，很容易与水体混淆，从而导致水体信息提取的准确率降低。这些因素导致基于阈值的方法在气象条件、场景多变的现实世界中难以实现水体信息的精确提取，进而限制了该方法的应用。

（2）基于机器学习的水体信息提取方法

随着机器学习技术发展，综合地理分析与机器学习技术在水资源监测中发挥了重要作用。早期，相关学者提出使用决策树、支持向量机、随机森林等方法来提取和预测水体信息。这些方法都是有监督的，需要大量的标记数据训练模型。基于此，方悦等提出一种改进的超像素分割算法F-SLIC用于无监督水体信息提取。基于机器学习的方法具有优于阈值法的性能，然而，这些方法需要手工选择特征或者设置超参数，制约了方法的应用。

（3）基于深度学习的水体信息提取方法

以卷积神经网络（Convolutional Neural Networks,CNN）为代表的深度学习技术在图像处理领域取得了显著进展，可以自动提取卫星遥感影像特征，进一步促进卫星遥感在水资源监测中的应用。Binh Pham-Duc等构建了一个深度神经网络用于水体分类。Song Shiran等融合全色和多光谱的特征，基于Mask R-CNN训练了一个新的用于水体信息提取的网络模型。Chen Yang等基于CNN 设计了一个在复杂场景下有效提取水体信息的深度模型。Zhang Yonghong 等基于CNN和Transformer 提出一个新的网络MU-Net 提取水体信息，该方法不同于基于CNN 的水体信息提取方法，可以同时提取卫星遥感图像的局部信息和全局信息。针对地表水体多尺度的特点，Guo Hongxiang 等基于CNN提出了一个多尺度的网络提取水体信息，旨在识别不同大小的水体信息。为了解决大气条件对水体信息提取的影响，Yuan Kunhao 等提出了一个深度卷积神经网络DCNN，该方法在不同的大气条件下更加具有鲁棒性，同时可以区分微型水体。

上述方法需要大量的训练样本，不利于大规模水体信息提取。因此，大量基于深度学习的无监督方法被用于水体信息提取。Feng Wenqing等提出使用深度卷积编码器-解码器网络Deep U-Net提取水体信息。Dang Bo等基于自监督学习提出了一个多尺度残差网络MSRes-Net提取遥感图像中的水体。无监督的方法有效缓解了标记数据不足的问题。但是相比于无监督水体提取方法，有监督的方法精度更高。

值得注意的是，基于阈值、基于传统机器学习和基于深度学习的水体信息提取方法不是独立的。有学者发现，三种方法进行耦合可以改善单一方法的缺陷，进而提升水体信息提取的准确性。洪亮等基于高分二号遥感影像计算水体指数，使用模糊聚类算法FCM对地理要素进行分类，进而提取地表水体信息。该方法结合基于阈值和基于机器学习的方法，解决了阈值选取困难的问题，有效提升水体信息提取的准确率。

2.地表水水质遥感反演

传统水质监测方法是通过现场采样获得精确的水质参数，但该方法不适用于大范围的水质监测，也因而推动了基于遥感影像的水质监测反演的发展。地表水水质遥感反演一般指利用遥感图像包含的信息，通过经验模型或分析模型对水质参数进行估算。对饮用水进行水质参数反演有助于保证居民的生活用水安全，对河流、湖泊等水体进行水质参数反演可以推进生态系统的高质量保护。利用卫星遥感进行地表水水质参数反演的方法可以分为单一参数水质反演和多参数水质反演两类。

（1）单一参数水质反演

单一参数水质反演是使用卫星遥感图像估算单一水质指标评估水体的水质情况。Purandara等使用反射率建立模型评估水中悬浮物的含量。Feng Lian 等利用长江平原50个大型湖泊的长时间遥感图像序列分析水体的透明度变化，进而估计湖泊水质。Darryl Keith等和Mishra等通过监测水中的有害藻类评估水质。李爱民等使用多光谱高分辨率的遥感图像训练CNN，对江苏省泰州市天德湖的化学需氧量浓度进行监测。

（2）多参数水质反演

针对使用单一参数进行水质反演的局限性，有学者提出使用卫星遥感图像进行多参数水质遥感反演。郭坤等基于多元回归和BP 神经网络构建了一个新的模型用于估计水体叶绿素a含量和浊度。Silva等提出用小波人工神经网络估算地表水叶绿素a的浓度以及悬浮物的含量，进而评估水质。鲁婉婷等基于北京二号卫星遥感影像建立卫星遥感影像波段和水质参数之间的一元和多元线性回归方程，进而对浙江台州椒江入海口水域的氨氮、总磷和化学需氧量浓度进行反演。Kyle T. Peterson等提出使用渐进式递减深度神经网络反演有害藻类、溶解氧、浊度以及叶绿素a的浓度，进而评估水体水质。王世瑞等提出一种通过深度学习超分辨率重建进行水质反演的方法，该方法结合迁移学习和卷积注意模块对残差神经网络超分辨率重建算法进行改进，用于反演水体中的氨氮、总磷等有机化学物指标的含量，有效提升了水质反演的准确率。

基于多参数的水质遥感反演方法在水体水质监测中发挥着重要的作用，然而，多个水质参数监测的数据处理和解释相对复杂，需要获取多个波段的数据，增加了卫星遥感监测的成本。通常在特定的场景中，单一参数反演更为合适。在大规模、全面了解水体水质的情况下，多参数水质遥感反演更具优势。

二、地下水资源监测

地下水是我国大部分地区的重要供水水源之一。我国地下水超采问题突出，引发一系列地质生态环境等问题。快速有效地进行地下水资源监测是水文工作者最关心的问题之一。目前，通常使用水井监测地下水水位的变化情况，但监测成本较高且监测范围有限，无法实现大面积的动态监测。卫星遥感技术的发展使得快速、大面积进行地下水资源监测成为可能。自1972 年Landsat 卫星发射以来，全球先后发射了多种用于监测地下水资源的卫星，包括SAR 系列卫星、重力系列卫星以及光学系列卫星。相关学者基于这些卫星数据，提出了大量的算法和模型用于地下水资源监测。

SAR卫星影像由于不受光照、云层和大气条件的影响，可以全天候不间断工作，且波长较长，穿透力强，对水流更加敏感，因此广泛用于地下水监测。例如，Sasan Babaee等通过哨兵一号卫星数据分析地面沉降的幅度，进而计算地下水水位变化。Dabboor 等使用SAR卫星数据绘制地下水分布地图。Sang-Hoon Hong等提出一种名为小时间基线子集的技术STBAS用于监测湿地水位变化。相比其他方法获得的是相对水位信息，该方法可以获得绝对水位值的信息。

SAR卫星影像尽管具有上述优点，但常会受制于雷达信息的分散性而导致准确率下降，同时SAR图像的分辨率相对较低。因此，在光照条件和大气条件较好的区域，基于光学遥感的地下水资源监测更具优势。史晓亮等利用长时间序列遥感影像反演土壤含水量，进而分析地下水时空分布。张璐云通过表观热惯量法分析滑坡含水状态，进而分析滑坡地下水水位的变化情况。许颢砾等则使用土壤湿度、地表温度等一系列与地下水相关联的遥感指标评估地下水富集性，并训练卷积神经网络预测地下水的富集度。杨雪和吕玉增基于神经网络机器学习方法对大范围的岩溶区地下水富水性进行预测，该方法适用于岩溶区等小比例尺、大范围的地下水调查。Mehmet 等使用集成机器学习算法识别浅层地下水。Michelle E等使用人工神经网络生成高分辨率的地下水时空分布图，进而分析地下水的分布情况。

传统基于光学和基于SAR 卫星影像的分析手段只能监测地表水和浅层土壤水的变化，对更深的地下水变化无法监测。针对此问题，GRACE 重力卫星通过监测重力变化可以估计水的质量变化，进而结合其他实测与模型资料，在消除地表水与土壤水的影响后，定量监测地下水的变化情况。因此，GRACE 重力卫星是监测地下水储量变化的唯一卫星遥感监测手段。王坤等基于2003—2021 年的GRACE 重力卫星数据，利用统计检验方法分析黄淮地区的地下水资源变化情况。Fahad 等使用GRACE 数据估算沙特阿拉伯地下水的储量波动。为了克服GRACE 数据低空间分辨率的局限，Ali S 等基于随机森林和人工神经网络设计了一个GRACE 降尺度模型，然后将GRACE数据与地理空间变量相结合，分析地下水资源的储量变化。

尽管GRACE可以准确识别地下水资源的储量变化，并且有相关的空间分辨率增强方法，然而不能实现光学遥感影像亚米级的空间分辨率，仍不能完全满足地下水监测的需求。

三、挑战与展望

卫星遥感数据在地表水资源和地下水资源监测中发挥了重要的作用，可用于预测洪水等自然灾害、保证水质安全、评估水资源储量等，但是依然存在一些亟待解决的问题。例如，卫星遥感技术的限制、数据噪声以及反演方法本身的固有限制都会导致水资源监测的准确率降低，需要进一步研究破解。

1.地表水资源监测

当前地表水体信息提取面临的挑战，主要是数据源和数据噪声问题。水体信息遥感反演对影像分辨率的要求较高，会提升数据成本并且放大噪声数据的影响。同时，水体识别通常依赖于单一类型的卫星遥感数据，会受制于云层、大气等因素，影响水体识别的精度。

针对数据源问题，一种有效的方法是采用多源、多分辨率遥感数据进行综合分析。结合高分辨率影像和其他类型、分辨率较低但具有不同信息的遥感数据，如中分辨率光谱数据或微波数据，可以更全面地捕捉地表特征。通过多源数据互补，可以提高水体识别的准确性和鲁棒性。同时，使用遥感影像处理技术，如大气校正、云去除等，能够降低噪声数据对水体信息提取准确率的影响。此外，也可应用先进的计算机视觉技术改善水体识别精度。

数据噪声问题即水体上的覆盖物以及建筑物遮挡可能会导致水体信息提取错误。针对此问题，可以使用多时相的卫星遥感数据对水体信息进行提取，减少短暂覆盖或者遮挡阴影造成的水体信息提取错误。

在地表水质监测领域，现有方法存在以下问题。首先，光学遥感数据在透明水体的水质监测中表现较好，但对于浑浊水体或含有大量溶解有机质的水体，其适用性受到限制。为此，可以结合其他波段的遥感数据，如微波、红外、热红外等，获得更全面的水体信息。同时，可以利用多时相的遥感数据进行时序分析，观察水体的季节性和年际性变化，从而更好地分析浑浊水体和含有溶解有机质水体的动态变化。另外，不同类型的水体以及不同地域的水体水质特征差异较大，因此需要不同的遥感反演方法和模型。针对现有方法可移植性差的问题，可以利用大语言模型技术强大的泛化能力，通过预训练基础模型，设计通用的特征选择和提取方法，促进遥感监测水质的发展。

2.地下水资源监测

目前，地下水资源遥感监测主要使用光学遥感数据、SAR 系列卫星数据和GRACE 重力卫星数据。然而，现有方法仅依赖单一数据源来预测地下水的储量、分布以及水位变化。光学遥感数据受大气影响，仅能探测浅层地下水；SAR 波长较长，能够探测更深层地下水，但准确率受雷达信号散射和低空间分辨率影响；GRACE重力卫星数据可以准确探测地下水储量变化，但空间分辨率较低。

为此，可以选择卫星传感器的波段，特别是在近红外和短波红外波段，以最大程度减少大气的影响。这些波段对穿透大气具有较强的能力，有助于提高深层地下水监测的效果。另外，还可以利用多源卫星遥感数据，并结合其他数据源（如地面水质监测数据、地下水水位测量等），进行卫星遥感数据融合，以提高深层地下水监测的准确性。