基于GEE云平台的黄河源区河流径流量遥感反演研究
1.
2.
3.
Research on Inversion of River Discharge in High Mountain Region based on GEE Platform
1.
2.
3.
通讯作者:
收稿日期: 2021-01-25 修回日期: 2021-12-27
基金资助: |
|
Received: 2021-01-25 Revised: 2021-12-27
作者简介 About authors
史宜梦(1995-),女,河北石家庄人,硕士研究生,主要从事水文遥感研究E⁃mail:
关键词:
Keywords:
本文引用格式
史宜梦, 刘希胜, 朱文彬, 宋宏利.
Shi Yimeng, Liu Xisheng, Zhu Wenbin, Song Hongli.
1 引 言
水体信息的遥感提取是河流径流量反演的重要前提[4]。水体提取的遥感手段主要分为光学遥感和微波遥感[5]。如王一帆等[6]基于Sentinel-2与Landsat 8数据对比分析了不同水体指数在不同水体类型下的精度差异。刘垚燚等[7]基于Joint Research Centre(JRC)全球地表水数据集和 Landsat 遥感影像,利用改进的归一化差异水体指数(MNDWI)对太湖水域变化特征进行研究。黄萍等[8]提出了一种基于Sentinel-1A数据的洪水淹没范围提取方法,并运用该方法分析了鄱阳湖区的暴雨灾情。总体上来说,光学遥感与微波遥感在水体提取方面各有优缺点:光学遥感波段信息丰富,其水体指数的计算方法已经较为成熟,但数据质量易受云和恶劣天气影响,从而减少目标水体的监测样本;相比之下,微波遥感能够穿透云层,受天气状况影响较小[9],因此成为近年来水体信息遥感提取的研究热点之一。
近年来,新开发的地理空间数据分析云平台(Google Earth Engine,GEE)提供了全球范围内Sentinel-1/2等多源遥感数据,改变了传统的遥感数据处理方法,具有快速处理大量数据的能力,为国内外学者在水体提取研究方面提供了极大的便利[14]。黄河源区自然条件恶劣、交通不便,导致了该地区径流资料较为匮乏,因此基于多源数据开展黄河源区径流量的遥感反演研究,具有非常重要的现实意义。唐乃亥以上流域被称为黄河源区,是黄河流域重要的产流区和水源涵养区[15]。在此背景下,本研究以黄河源区唐乃亥水文站上下游河段为研究区,基于GEE云平台提供的Sentinel-1/2遥感数据,综合利用光学与微波影像进行目标水体的提取研究,进而通过关系拟合法与改进的曼宁公式法进行径流量反演对比分析,以期为无资料或资料匮乏地区的径流量监测提供借鉴参考。
2 研究区与数据预处理
2.1 研究区概况
图1
图1
研究区概况
(a)站点地理位置图 (b)唐乃亥站河段位置概况
审图号:GS(2016)2556
Fig.1
General situation of the study area
2.2 数据来源与预处理
2.2.1 遥感数据
研究所用的遥感数据为GEE云平台提供的哨兵1(Sentinel-1)和哨兵2(Sentinel-2)卫星数据。Sentinel系列是欧洲全球环境与安全监测系统项目(即“哥白尼计划”的成员)。
Sentinel-1由Sentinel-1A与Sentinel-1B双星组成,单颗卫星的重访周期为12 d,双星提高到6 d。其成像方式包括条带(Strip Map Mode,SM)、超宽幅(Extra Wide Swath,EW)、干涉宽幅(Interferometric Wide Swath,IW)和波模式(Wave Mode,WV)[19]。研究使用数据为IW成像方式提供的VV与VH极化方式影像。GEE云平台提供的Sentinel-1数据为经过预处理的GRD(ground range detected)产品,该产品将原数据转换成后向散射系数(Backscatter coefficient)进行存储。除了在GEE平台完成标准的预处理(包括轨道校正、热噪声去除、辐射定标和地形校正),还利用Refined Lee滤波方法对Sentinel-1数据进行了去噪处理。
Sentinel-2也是由A、B双星组成,单颗卫星重访周期为10 d,双星重访日期可达5 d。共包括13个波段,其空间分辨率如下:B2、B3、B4和B8波段分辨率为10 m;B5、B6、B7、B8a、B11和B12波段分辨率为20 m;B1、B9和B10波段分辨率为60 m。研究使用的是在GEE平台经过辐射校正、几何校正和正射校正的Level-1C产品。Sentinel-2在提取水体时,利用 B3与B11波段来计算MNDWI,两个波段具有不同的分辨率,因此将B3波段分辨率重采样为20 m。除此之外,考虑到光学遥感数据受云影响较大,基于研究区的实际云量对影像数据进行了筛选,筛选指标为研究区内云像元数与总像元数的比值[20]。因为整幅影像的云量并不能反映研究区的实际云量,云指数较大的影像在研究区内的实际云量也可能较小。因此,选择了Sentinel-2的QA60波段来计算研究区内实际云量,筛选标准为实际云量低于20%的影像。
2.2.2 实测数据
实测数据来自2016~2019年唐乃亥水文站的逐日径流观测数据,用于关系拟合法模型的率定和反演精度的验证。为了去除冰情对河宽提取的影响,仅对每年4~10月份的数据进行整理分析。与改进的曼宁公式法不同,关系拟合法需要径流实测数据的率定,因此将径流实测数据分为两个部分,2016~2018年每年4~10月的数据为率定数据,2019年4~10月的数据为验证数据。
3 研究方法
研究的技术路线如图2所示,主要包括两个方面的内容:一是基于GEE云平台的Sentinel-1/2数据预处理及目标水体的遥感提取,其中水体指数的计算及阈值分割是该部分的关键;二是利用多元遥感数据对水力学参数进行估算,进而基于关系拟合法和改进的曼宁公式法进行河道径流量反演,通过对比分析完成精度评价。
图2
3.1 水体提取方法
3.1.1 Sentinel-2提取水体方法
其中:
在Sentinel-2卫星遥感影像计算MNDWI的基础上,研究利用大津法对目标河段进行二值化处理[24],以便计算水体面积。该方法的基本思想是根据图像灰度特性,设定一个阈值将图像分为背景和目标两部分,使这两部分的类内方差最小,类间方差最大。
3.1.2 Sentinel-1提取水体方法
3.2 径流量反演方法
3.2.1 关系拟合法
径流量是指在某一时段内通过河流某一过水断面的水量,可用河宽、河深、与流速进行计算。其公式如
其中:
3.2.2 改进的曼宁公式
图3
对于较宽的河流(W≫
其中:
3.3 水力学参数计算
3.3.1 平均河宽
利用遥感数据可以直接测量河宽,但这种方法易受到植被、湿润地面等因素的影响,因此通过计算水体面积获得平均河宽的方法比直接测量河宽的方法精度更高。具体来说,在河道水体提取的基础上,水体面积的计算公式如下:
其中:
3.3.2 糙率
其中:
3.3.3 比降
式中:
图4
图4
唐乃亥站点高程-距离散点图
(黑色点为利用DEM提取的河流中心线上点的高程值)
Fig.4
Scatter plot of elevation-distance of Tangnaihai station
3.3.4 流速
流速是指河流中水质点单位时间内移动的距离。Tourian等[35]提出一个利用河宽和比降估算流速的公式,如
其中:
3.3.5 河深
根据径流量计算
其中:
3.4 精度评价
径流量反演模型评价指标包括纳什效率系数(Nash and Sutcliffe coefficient,NSE),均方根误差(Root Mean Squared Error,RMSE),相对均方根误差(Relative Root Mean Squared Error,RRMSE)。其计算公式分别为:
其中:
4 结果与分析
4.1 径流量反演精度评价
图5
图5
唐乃亥站点河段与“S1”河段平均河宽相关关系散点图
Fig.5
Scatter plot of average river width correlation between Tangnaihai station reach and “S1” reach
在利用关系拟合法反演径流量时,选取了率定期平均河宽与站点实测数据建模,验证期数据进行模型验证,平均河宽-径流量模型拟合结果如图6所示。
图6
图6
Sentinel-1/2数据平均河宽与实测径流量相关关系散点图
Fig.6
Scatter plot of correlation between average river width and measured runoff of sentinel-1/2 data
从图中可看出,利用Sentinel-1/2数据在唐乃亥水文站建立的平均河宽-径流模型效果较好,R2 超过了0.89。利用平均河宽与站点实测数据通过模型一进行径流量反演,平均河宽与估算的水力学参数通过模型二进行径流量反演研究,其精度评价如表1所示。
表1 关系拟合法精度评价
Table 1
NSE | RMSE/m3s-1 | RRMSE/% | |
---|---|---|---|
模型1(验证期) | 0.855 | 233.431 | 16 |
模型2 | 0.809 | 271.704 | 24 |
可以看出,两种模型反演径流量的结果均较好,NSE值均超过了0.80;模型一、二的RMSE值分别为233.431 m3s-1、271.704 m3s-1,RRMSE的值分别为16%、24%,表明采用关系拟合法反演径流量结果优于改进的曼宁公式法。
4.2 河段长度敏感性分析
在利用10 km河段对唐乃亥站点径流量进行反演的基础上,讨论了河段长度的差异对反演精度的影响。基于GEE平台提供的2016~2019年Sentinel-2数据,根据河段内实际云量对数据进行筛选,计算不同长度河段的平均河宽,通过建立平均河宽—径流模型与改进的曼宁公式两种方法对比分析了河段长度的差异对反演精度的影响。河段长度从站点上下游各5 km的长度开始递增,至上下游各20 km的长度结束,河段概况如图1所示。从图中可以看出,站点上下游各7 km、8 km、9 km、10 km河道末端均存在辫状河心滩。将重复日期下不同河段的平均河宽以归一化计算结果显示,如图7所示。不同长度河段通过云量筛选后影像数量和重复日期下利用两种模型反演径流量的精度评价如表2所示。
图7
图7
不同长度河段的重复日期的归一化河宽计算结果
Fig.7
Calculation results of normalized river width of different length river sections under repeated dates
表2 Sentinel-2数据不同长度河段的数据量与重复日期下径流量模型反演精度结果
Table 2
河段长度/km | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 20 |
---|---|---|---|---|---|---|---|---|---|---|---|---|
数据量/幅 | 49 | 48 | 46 | 46 | 46 | 44 | 44 | 42 | 41 | 41 | 39 | 35 |
模型一NSE/- | 0.915 | 0.931 | 0.947 | 0.940 | 0.906 | 0.950 | 0.958 | 0.913 | 0.877 | 0.884 | 0.881 | 0.842 |
模型二NSE/- | 0.892 | 0.843 | 0.885 | 0.838 | 0.928 | 0.622 | 0.854 | 0.952 | 0.955 | 0.910 | 0.854 | 0.774 |
从图7可以看出,在汛情期间,辫状河心滩河段如站点上下游各10 km、11 km、12 km、13 km、9 km、7 km河段提取的河宽明显高于其他长度河段。而非汛情期间,辫状河段和非辫状河段提取平均河宽结果差异不大。这是因为,汛情期间河心滩被淹没,导致提取的平均河宽变宽。在整个研究时间段内,站点上下游15 km和20 km河段的平均河宽随着下游河道变窄均小于其他长度河段平均河宽。
其中:
图8
图8
波动区平均河宽与模型二精度相关关系图
Fig.8
Correlation between the average river width in the fluctuation area and the precision of the second model
从图8可以看出,在波动区平均河宽变化不大时,模型二的精度变化也较小,随着汛期河心滩被淹没,波动区平均河宽的急剧增加,模型精度也随之下降。因此在利用模型二进行径流量反演监测时,选择非辫状河段可以提高径流量反演精度。
4.3 河段径流量数据补充
由于本文根据研究区实际云量对Sentinel-2数据进行筛选,不同河段具有不同的数据量。为了增加监测日期样本量,本文研究了站点河段与上下游河段的平均河宽关系,并通过二者线性相关关系以达到对站点河段径流量反演数据的补充。上游河段考虑从唐乃亥站到军功站方向的河段,下游河段为唐乃亥站到龙羊峡水电站方向河段,每隔10 km建立一个河段,直到无数据补充。图9为唐乃亥站点河段与上下游河段重复日期下归一化平均河宽的对比图。
图9
图9
唐乃亥站点河段与上下游河段归一化平均河宽对比图
Fig. 9
Comparison of normalized average river width between Tangnaihai station and upper and lower reaches
从图9可以看出河段之间平均河宽的变化具有相似性,在汛期平均河宽升高,非汛期平均河宽降低。下游10 km河段的平均河宽在汛情期间波动较大,原因可能为河段内河心滩被淹没,增加了平均河宽计算的不确定性。为了进一步比较上下游河段与唐乃亥站点河段的河宽关系,研究绘制了站点河段与上下游河段平均河宽的相关关系。根据二者之间的线性相关关系,对补充的监测日期数据进行径流量反演与精度评价,其精度评价如表3所示。从表中可以看出,站点河段与上下游河段平均河宽之间具有强烈的相关性,相关系数均超过了0.96;模型一的NSE值都在0.80以上,模型二在距离较远的上游60 km与上游70 km河段精度有所下降,NSE值分别为0.762与0.793。总体来说利用上下游河段补充的监测数据精度较好,补充数据达到68幅,Sentinel-2数据量最终达到117幅影像,实现了对站点监测日期的加密补充。
表3 上下游河段径流量反演精度评价表
Table 3
上游10 km | 上游20 km | 上游30 km | 上游40 km | 上游50 km | 上游60 km | 上游70 km | 下游10 km | 下游20 km | |
---|---|---|---|---|---|---|---|---|---|
相关系数(-) | 0.996 | 0.981 | 0.985 | 0.984 | 0.988 | 0.980 | 0.965 | 0.969 | 0.988 |
模型一NSE(-) | 0.913 | 0.869 | 0.894 | 0.840 | 0.822 | 0.801 | 0.808 | 0.906 | 0.847 |
模型二NSE(-) | 0.846 | 0.877 | 0.860 | 0.859 | 0.821 | 0.762 | 0.793 | 0.808 | 0.808 |
补充数据量/幅 | 36 | 44 | 42 | 37 | 36 | 36 | 40 | 22 | 17 |
去除重复数据量/幅 | 36 | 9 | 3 | 2 | 4 | 3 | 4 | 5 | 2 |
5 结 论
研究基于 GEE云平台,利用Sentinel-1/2数据提取水体,估算了水力学参数,利用两种模型实现了河流径流量反演,讨论了河段长度的改变对径流量反演结果的影响,并分析了站点河段与上下游河段平均河宽之间的线性相关关系,得到以下主要结论:
(1)关系拟合法与改进的曼宁公式法在唐乃亥站点河段径流量反演时均表现出良好的效果,NSE值均超过了0.80,证明其在反演径流量方面的可行性。其中改进的曼宁公式法通过完全遥感的手段估算了水力学参数,实现了河流径流量的反演,可为缺少或缺失水文资料地区的径流量反演提供参考。
(2)从波动区平均河宽与模型二模型精度的相关关系中可以看出,辫状河道的平均河宽在汛期波动较大,影响反演精度。因此在利用模型二进行径流量反演监测时,可选择非辫状河段以提高反演精度。
(3)站点河段与上下游河段平均河宽之间具有强烈的线性相关关系,相关系数均超过了0.96,利用相关关系补充的径流量监测数据,也具有较好反演精度,模型一的NSE值都在0.80以上,模型二的NSE值随着上下游河段与站点河段距离变远精度有所下降,但均超过0.76。总体来说,利用上下游河段补充的数据具有较好的精度,补充数据达到68幅,实现了对站点径流量监测日期的补充。因此,在接下来的工作中可以利用多源遥感数据,如Landsat系列数据进行径流量反演,实现河流径流量的密集监测。
参考文献
Retrieval of river discharge solely from satellite imagery and at‐many‐stations hydraulic geometry: sensitivity to river form and optimization parameters
[J]. .
Evolution characteristics of the headstream of the Hotan Riverheadstream from 1957 to 2018
[J]. ,
1957~2018年和田河源流径流演变特征
[J]. ,
Discharge estimation with hydraulic geometry using unmanned aerial vehicle
[J]. ,
星-机一体的水力几何形态流量估算方法
[J]. ,
River discharge derived from Sentinel-1 SAR data:a case-study in the Gan River
[D].
Recent advances in remote sensing of river characteristics
[J]. ,
河流水情要素遥感研究进展
[J]. ,
Comparison of remote sensing water indices based on objective threshold value and the random forest Gini Coefficient
[J]. ,
基于客观阈值与随机森林Gini指标的水体遥感指数对比
[J]. ,
Surface water change characteristics of Taihu Lake from 1984~2018 based on Google Earth Engine
[J]. ,
基于Google Earth Engine平台的1984~2018年太湖水域变化特征
[J]. ,
Rapid extraction of water area in Poyang Lake based on Sentinel-1 satellite Images
[J]. ,
基于Sentinel-1卫星数据快速提取鄱阳湖水体面积
[J]. ,
Study on the mountain water extraction method of the space-borne SAR Image
[J]. ,
基于星载SAR数据的山区水体提取方法研究
[J]. ,
Evaluating the potential for measuring river discharge from space
[J]. ,
Estimating continental river basin discharges using multiple remote sensing data sets
[J]. ,
Remote sensing-based river discharge estimation for a small river flowing over the high mountain regions of the Tibetan Plateau
[J]. ,
River discharge derived of Lijiang River basin based on Sentinel-1 SAR data
[J]. ,
基于Sentinel-1 SAR遥感影像的漓江流域径流反演
[J]. ,
Research process on the application of Google Earth Engine in geoscience and environmental sciences
[J]. ,
Google Earth Engine在地球科学与环境科学中的应用研究进展
[J]. ,
Research progress of the evolution of runoff in the source area of the Yellow River
[J]. ,
黄河源区径流演变研究进展
[J]. ,
Impacts of recent climate change on the hydrology in the source region of the Yellow River basin
[J]. ,
Analysis about the causes of decreasing runoff of Tangnaihai in the Yellow River source region
[J]. ,
黄河源区唐乃亥站径流持续减少的原因分析
[J]. ,
Climate change in the upper Yellow River basin and its impact on ecological vegetation and runoff from 1980 to 2018
[J]. ,
1980~2018年黄河上游气候变化及其对生态植被和径流量的影响
[J]. ,
Sentinel-1 satellite overview
[J]. ,
Sentinel-1卫星综述
[J]. ,
Discharge estimation in high-mountain regions with improved methods using multisource remote sensing:a case study of the Upper Brahmaputra River
[J]. ,
Research progress of surface water remote sensing monitoring
[J]. ,
地表水体遥感监测研究进展
[J]. ,
The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features
[J]. ,
Modification of Normalised Difference Water Index (NDWI) to enhance open water features in remotely sensed imagery
[J]. ,
Flooded area classification by high-resolution SAR images
[D].
高分辨率SAR卫星影像洪水区域提取应用研究
[D].
A 30 m resolution surface water mask including estimation of positional and thematic differences using Landsat 8, SRTM and OpenStreetMap:a case study in the Murray-Darling Basin, Australia
[J]. ,
The hydraulic geometry of stream channels and some physiographic implications
[R]..Geological Professional Paper,
Research and implementation of river runoff monitoring system based on multi-source radar remote sensing technology
[D].
基于多源雷达遥感技术的河流径流监测系统研究与实现
[D].
Estimating discharge in rivers using remotely sensed hydraulic information
[J]. ,
Estimation of discharge from Three Braided Rivers using synthetic aperture radar satellite imagery:potential application to Ungaged Basins
[J]. ,
Estimation of roughness coefficients for natural stream channels with vegetated banks
[R].
Research on river roughness in water conservancy projects
[J]. ,
关于水利工程中河道糙率的研究
[J]. ,
Water slope and discharge in the Amazon River estimated using the shuttle radar topography mission digital elevation model
[J]. ,
Spatiotemporal densification of river water level time series by multimission satellite altimetry
[J].,
Estimation of river discharge solely from remote-sensing derived data:an onitial study over the Yangtze River
[J]. ,
/
〈 | 〉 |