基于多源遥感数据融合的小微湿地水量高频估算方法

1.本发明涉及水文信息学及遥感科学技术领域，尤其体现中高空间分辨率与低空间分辨率遥感数据融合的偏远、缺测小微湿地长序、高频水量观测方法。


背景技术：

2.小微湿地河网通常密集，具有高度异质的下垫面属性；河湖漫滩地势平坦，具有不稳定的水流运动和复杂的汇流特征；受快速高变幅水位变化影响，受洪水脉冲影响干湿变化频繁；此外由于位置偏远，可达性差，使得小微湿地水位和水量监测变得非常具有挑战性。
3.原位监测可以捕捉不同的时空尺度下水文和水动力要素的变化，但受可用资源的限制，大多数通过现场测量的数据仅能提供有限的地理单元内水文和水动力要素信息(park and latrubesse,2017)。由于原位监测多集中在系统的局部，因此无法定量测量要素之间的交互作用过程(hiatt and passalacqua,2015)。
4.基于现有观测数据，利用数值模拟能够满足不同时间和空间尺度水文研究的需求，它在量化界面过程和预测小微湿地水文要素变化趋势上有显著优势。从生态系统角度看，目前比较有名的湿地综合水文模型包括wetlands模型(mansell et al.,2000)、jorge-modflow湿地模型(restrepo et al.,1998)、drainmod模型(skaggs,1982)、mike-she模型(singh,1995)和hydrus-1d/2d模型(simunek et al.,1998)。通常，构建湿地水文模型需要考虑生物群落能量和结构、发育史、养分循环、环境条件、生物选择以及体内平衡，从而发展出生态水文模型。从生态水文模型的空间结构上看，可以分为集总式和分布式；从耦合方式来看，分为单向耦合和双向耦合；从描述复杂度来看，分为概念性模型、半物理模型和物理模型(yan，2014)。一般而言，集总式、单向耦合及概念性模型的计算简单，参数获取容易，广泛适用于不同地理条件和水文情景研究。相比之下，分布式、双向耦合、半物理及物理模型结构更为复杂，参数获取较困难，需要专业的建模知识和数据积累。另外，湿地水文要素的时空动态会影响植被生长竞争，而植被的演变也会影响水文过程；三角洲会随着河道冲淤的发展不断演变，因此需要在模型中实时调整水流路径。目前，考虑水文过程和生态过程相互作用的双向耦合模型仍有待发展和完善。
5.遥感技术可以在短时间内快速获取大空间尺度湿地水文实况信息，以实现地表持续观测，捕捉湿地水文过程的周期性节律变化、突变及发生的时期(park and latrubesse,2017)。几十年来，湿地水文过程遥感监测在数据获取、技术方法和产品研制等方面都取得了显著进步。比如，雷达测高数据具备全天时和全天候的特点，被用于水面提取、湖泊水位、水深监测及水量估算，但适用于宽度大于2km的水体(alsdorf et al.,2000)，仪器偏差的影响令扫描轨迹及脉冲位置无法确保前后观测的一致性(cr
é
taux et al.,2013)。微波遥感数据空间分辨率较低，其亮温数据的获取不受天气的限制，被用于土壤湿度和积雪厚度反演(babaeian et al.,2019)，但由于其重返周期较长、数据获取费用高、解译难度大，多限于个例研究。光学传感器，尤其是landsat tm/etm+、sentinel、spot、aster和alos等中高
分辨率多光谱遥感，有助于精确识别和提取水体(davranche et al.,2010；pantaleoni et al.,2009；pekel et al.,2016)，但中高分辨率卫星带宽小、重返周期长，在快速高变幅小微湿地洪泛监测中往往受限(yao etal.,2019；zhao and gao,2018)。与之相比，modis和avhrr等重访周期短的多光谱数据在中尺度和大尺度洪泛监中突显了观测频率的优势，但较粗的空间分辨率使其在水面积测量方面的不确定性介乎-6％～13％之间，从而难以满足小微湿地水文过程研究的需要。


技术实现要素：

6.本发明的目的在于克服上述现有技术存在的缺陷，提供一种基于多源遥感数据融合的小微湿地水量高频估算方法。
7.为实现上述技术目的，本发明采用如下技术方案：
8.基于多源遥感数据融合的小微湿地水量高频估算方法，包括：
9.利用低空间分辨率遥感影像和中高空间分辨率遥感影像的融合数据提取水体，并依据水文连通性识别独立小微湿地的范围；
10.以独立的小微湿地为单元，对各单元做外接矩形，并遍历所述外接矩形范围内的数字高程模型生成小微湿地单元的潜在水位序列；
11.将潜在水位序列提取的水体范围依次与利用融合数据提取的小微湿地进行空间叠加，将二者的面积差值进行拟合，以拟合曲线的峰值作为独立小微湿地的最优水位；
12.将基于最优水位提取的水体范围与融合数据提取的小微湿地范围取交集，修正水位序列；
13.将修正后的水位序列与数字高程模型叠加计算各小微湿地单元的水深序列，基于水深和面积获取各小微湿地的水量。
14.作为一种优选的实施方式，所述低空间分辨率遥感影像选用modis遥感影像。
15.作为一种优选的实施方式，所述中高空间分辨率遥感影像选用landsat、sentinel或高分卫星遥感影像。
16.作为一种优选的实施方式，利用hstafm方法融合所述低空间分辨率遥感影像和中高空间分辨率遥感影像。
17.作为一种优选的实施方式，利用自然断点分类方法确定利用融合数据提取水体的阈值。
18.作为一种优选的实施方式，所述基于数字高程模型和所述外接矩形生成小微湿地单元的潜在水位序列包括：
19.在外接矩形划定的空间范围内获取外接矩形内的高程值，遍历外接矩形内的数字高程值形成潜在水位序列。
20.作为一种优选的实施方式，所述遍历潜在水位序列，将潜在水位提取的水体范围与利用融合数据提取的小微湿地进行空间叠加包括：
21.对潜在水位序列中的每一个数值进行如下操作：
22.选取序列中的一个数值作为当前假设水位值，提取外接矩形范围内高程值小于该假设水位值的像元，即利用当前假设水位值提取的水体范围，将基于当前假设水位值提取的水体范围与利用融合数据提取的小微湿地进行空间叠加。
23.作为一种优选的实施方式，利用高斯拟合方法对潜在水位提取的水体面积和利用融合数据提取的小微湿地的面积差值进行迭代。
24.作为一种优选的实施方式，对像元水深与像元面积的乘积进行积分以估算各小微湿地单元的水量。
25.本发明通过分层时空自适应融合模型(hstafm)整合中高空间分辨率和高时间分辨率的卫星遥感数据(landsat和modis)，利用自动阈值判别方法(jenks nature breaks)获取高时空分辨率、长时序的水面分布，结合数字高程模型(dem)通过最优迭代估算小微湿地的水位及水量。
26.本发明具有以下两点优势：
27.(1)突破现有光学遥感数据和激光/雷达测高数据的限制，首次重构了8天分辨率的高频水量信息，理论上能够实现对面积大于0.0004km2的小微湿地的水量监测，为研究快速高变幅小微湿地水文过程，评估洪泛湿地对水量平衡的贡献提供数据支持。
28.(2)本技术的水量估算方法不依赖于更多的辅助数据和主观经验，可操作性强；通过水位修正减小由数据源的不确定性造成的误差，提高估算精度；与遥感观测结果保持最大一致性，结果具有较高的可验证性和可重复性。
29.(3)观测水位的常规手段除原位观测之外通常包括机载雷达，星载激光和星载雷达。但这些技术往往脚点少(空间分辨率低)，重访周期长(时间分辨率低)。本技术单纯依靠光学遥感估算水位和水量，可实现偏远地区、未控区和缺测区的监测。此外能对最小水体(小微湿地)进行高精度和高频率的监测，且监测时段长，同时监测成本几乎为零。
附图说明
30.附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过研究案例并参考附图来描述本发明的各个步骤，其中：
31.图1是本发明方法流程图。
32.图2是实施例1中估算的主湖区与小微湿地的水面积(a)和水量(b)时间序列。
33.图3是实施例1中小微湿地水量长时序变化速率：(a1)为涨水期平均值；(a2)为涨水期最小值；(b1)为退水期平均值；(b2)为退水期最小值；(c1)为枯水期平均值；(c2)为枯水期最小值。
34.图4是实施例1中以大汊湖(a)和沙湖(b)为例的估算水位评价结果。
具体实施方式
35.下面结合附图和实施例1，对本发明的具体实施方式作进一步详细描述。以下实施案例用于说明本发明，但不用来限制本发明的范围。
36.实施例1
37.本技术的实施例1以中国最大的淡水湖泊鄱阳湖为研究对象。鄱阳湖是我国长江流域仅存的两个大型通江湖泊之一。受流域径流和长江来水共同影响，平均年内水位波动接近10米，形成了面积超过3000km2的洪泛区，洪泛区分布着数量众多的季节性子湖，即小微湿地。每年4-5月涨水期，受流域径流和主湖洪水脉冲双向水力作用，沟渠流和漫滩流同
时发生并迅速充盈小微湿地；6-9月丰水期，整个湖泊湿地均被淹没，水面连成一片；10-11月退水期，洪水收缩至河槽和洼地，位于高滩地的小微湿地与周边水体断开连接；12-次年3月枯水期，几乎所有小微湿地均成为独立水体，水面变化主要受降雨、蒸发和下渗影响。得益于独特的水文节律，这些小微湿地为水鸟、鱼类、浮游藻类和大型底栖动物等提供不可或缺的生境条件，是两个国家级自然保护区最重要的组成部分。受三峡蓄水、湖区采砂及流域调控影响，小微湿地水文节律发生显著变化，部分湿地面临退化风险。由于这些小微湿地位置偏远，可达性差，变化剧烈，其水量监测一直面临困难。
38.实施例1的流程如图1所示，包括以下步骤：
39.步骤1、利用多源数据融合方法hstafm融合2000-2016年覆盖鄱阳湖湖区的modis和landsat影像，获取8天间隔30米空间分辨率的ndvis，对融合数据利用jenks nature breaks自动阈值法识别水体。
40.具体方法可参考发明人前期发表的文章“mapping inundation dynamics in a heterogeneous floodplain:insights from integrating observations and modeling approach”。包括：
41.(1)从美国国家航空航天局(nasa)地球观测系统数据和信息系统eosdis(网址：https://lpdaac.usgs.gov/)下载2000-2016年250米分辨率8天合成mod13q1数据(图号h28v06)。通过约束视角最大值合成(cv-mvc)和双向反射分布函数(brdf)算法过滤仪器校准、太阳角度差、地形、云层阴影和大气条件的影响。此外，利用rmmeh对数据进行二次平滑降噪。
42.(2)从美国地质调查局(usgs)下载129景无云landsat tm、etm+和oli(空间分辨率为30米)图像(网址：http://www.usgs.gov/)。利用landsat元数据文件中的辐射定标系数，首先将这些图像转换为大气层顶辐射率(toa)。然后，利用envi 5.1软件中的flaash模块生成地表反射率数据。scaramuzza et al.(2004)开发的三角测量方法被用于填补2003年5月31日之后etm+图像中的空白。最后，利用反射率数据计算ndvi。
43.(3)利用改进后的hstafm在有限的前/后向landsat-modis图像对和目标modis图像范围内捕捉地表变化，构建8天、30米分辨率归一化植被指数(ndvi)数据集。首先，根据landsat对modis数据进行重投影和重采样。其次，利用直接倍增法得到初始预测的高分辨率图像。第三，一个基于分层策略的“相似像素”被用来识别之前(或之后)和预测日期的ndvi。第四，基于landsat-modis图像对的ndvi之间的光谱差异(s
ij
)和相邻像素和中心像素之间的空间欧几里德距离(d
ij
)，为每个相似像素分配权重w
ij
。第五，利用公式(5)中的算法计算中心像素的ndvi值。
[0044][0045][0046]
[0047][0048]
式中，ω表示移动窗口的大小；w
ij
是根据公式(2)-(4)由光谱和距离差确定的组合权重。p是由二进制矩阵表示的相似像元集。
[0049][0050]
式中，r
red
和r
swir
分别为630～680nm和845～885nm波段的反射率。
[0051]
(4)利用自然断点分类(jenks nature breaks)方法，根据组内差异最小化和组间差异最大化的标准来确定类与类之间的界限，生成干/湿二值数据集。
[0052]
阈值判别遵循三个主要步骤：
[0053]
首先，计算数组均值的偏差平方和(sdam)。
[0054]
其次，对于每一种组合下的数组，计算类平均值的方差平方和(sdcm_all)。找出最小的sdcm_all，使其最佳范围内类的变化最小化。
[0055]
最后，计算方差拟合优度(gvf)，定义为(sdam-scdm)/sdam。gvf的范围从1(完美配合)到0(不适合)。较高的sdcm_all(类内变异较大)表明gvf较低。
[0056]
步骤2、以融合数据提取的水面序列为数据源，基于水文连通性提取独立的小微湿地，以独立的小微湿地为单元，对各单元做外接矩形，并基于数字高程模型和所述外接矩形生成小微湿地单元的潜在水位序列。
[0057]
具体的，在外接矩形划定的空间范围内获取外接矩形内的高程值，并将该外接矩形内数字高程值形成的序列作为潜在水位序列。
[0058]
步骤3、遍历潜在水位序列，依次选取序列中的一个数值作为当前假设水位值，提取外接矩形范围内高程值小于该假设水位值的像元，即利用当前假设水位值提取的水体范围，将基于当前假设水位值提取的水体范围与利用融合数据提取的小微湿地进行空间叠加，以二者面积差值的拟合曲线峰值作为独立小微湿地的最优水位。
[0059]
步骤4、根据最优水位提取的独立小微湿地范围与融合数据提取的水体范围的拓扑关系剔除交集以外的像元(这些像元主要是由dem异常值和混合像元导致的误差)，利用校正水位与dem的差值计算水深序列。
[0060]
步骤5、在每个独立的小微湿地范围内对水深与像元面积的乘积进行积分估算每个小微湿地的水量，如图2和图3所示。
[0061]
步骤6、利用观测水位对估算水位进行精度评价，评价结果如图4所示。
[0062]
通过上述方法即可得到相应小微湿地长时序高频水量变化结果，不仅可以量化小微湿地对整个湖泊洪泛系统的水量贡献，更可以在长时序、多时间尺度上开展湿地水文过程研究，为湖泊变化强烈地区的地貌、水文、环境等研究提供了重要的基础数据和技术支撑。
[0063]
虽然本发明以上述案例进行方法的说明，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

技术特征：
1.基于多源遥感数据融合的小微湿地水量高频估算方法，其特征在于，包括：利用低空间分辨率遥感影像和中高空间分辨率遥感影像的融合数据提取水体，并依据水文连通性识别独立小微湿地的范围；以独立的小微湿地为单元，对各单元做外接矩形，并基于数字高程模型和所述外接矩形生成小微湿地单元的潜在水位序列；遍历潜在水位序列，将潜在水位提取的水体范围与利用融合数据提取的小微湿地进行空间叠加，将二者的面积差值进行拟合，以拟合曲线的峰值作为独立小微湿地的最优水位；将基于最优水位提取的水体范围与融合数据提取的小微湿地范围取交集，修正水位序列；将修正后的水位序列与数字高程模型叠加计算各小微湿地单元的水深序列，基于水深和面积获取各小微湿地的水量。2.根据权利要求1所述的方法，其特征在于，所述低空间分辨率遥感影像选用modis遥感影像。3.根据权利要求2所述的方法，其特征在于，所述中高空间分辨率遥感影像选用landsat、sentinel或高分卫星遥感影像。4.根据权利要求1-3任一项所述的方法，其特征在于，利用hstafm方法融合所述低空间分辨率遥感影像和中高空间分辨率遥感影像。5.根据权利要求1所述的方法，其特征在于，利用自然断点分类方法确定利用融合数据提取水体的阈值。6.根据权利要求1所述的方法，其特征在于，所述基于数字高程模型和所述外接矩形生成小微湿地单元的潜在水位序列包括：在外接矩形划定的空间范围内获取外接矩形内的高程值，遍历外接矩形内的数字高程值形成潜在水位序列。7.根据权利要求1所述的方法，其特征在于，所述遍历潜在水位序列，将潜在水位提取的水体范围与利用融合数据提取的小微湿地进行空间叠加包括：对潜在水位序列中的每一个数值进行如下操作：选取序列中的一个数值作为当前假设水位值，提取外接矩形范围内高程值小于该假设水位值的像元，即利用当前假设水位值提取的水体范围，将基于当前假设水位值提取的水体范围与利用融合数据提取的小微湿地进行空间叠加。8.根据权利要求1所述的方法，其特征在于，利用高斯模型对潜在水位提取的水体面积和利用融合数据提取的小微湿地面积差值进行拟合。9.根据权利要求1所述的方法，其特征在于，对像元水深与像元面积的乘积进行积分以估算各小微湿地单元的水量。

技术总结
本发明公开了基于多源遥感数据融合的小微湿地水量高频估算方法，利用较高时空分辨率的融合数据提取水体，并依据水文连通性提取小微湿地；对各独立的小微湿地做外接矩形，并基于数字高程模型和外接矩形生成小微湿地单元的潜在水位序列；对潜在水位提取的水体范围与利用融合数据提取的小微湿地进行空间叠加，将二者的空间范围差值进行拟合确定最优水位并基于空间拓扑修正最优水位；基于修正后的水位序列计算各小微湿地的水量。本发明通过获取数据量更丰富、系列更长的水量变化信息，弥补了依靠单一光学遥感数据或雷达/激光测高卫星时空分辨率低、服役期有限的缺点，为偏远、缺测湿地水量平衡分析以及洪泛区削洪补枯效应评估提供技术支撑。提供技术支撑。提供技术支撑。


技术研发人员：谭志强 姚静 王晓龙 李云良
受保护的技术使用者：中国科学院南京地理与湖泊研究所
技术研发日：2023.03.29
技术公布日：2023/8/5