河流是陆地水循环中大陆分支的一部分，在供应满足人类和经济需要的淡水方面发挥着至关重要的作用，河流水资源与人类生活息息相关^［1-2］。河流观测对于淡水资源评价、洪涝灾害监测与预防、气候变化研究有重要意义，在水资源综合管理和政府决策中具有重要的参考价值^［3］。河流水位是指基准面以上的河流水面的高程，是河流水文/水力学的一个基本量，是河流观测中的一个重要参数。由于政治、经济以及地域条件的限制，全球径流数据中心（Global Runoff Data Centre，GRDC）显示自1978年开始，全球水文站数量急剧减少^［4-5］。随着卫星遥感技术的发展，其依靠实时、高效、覆盖范围广、低成本等特点开始在内陆水体的监测中扮演重要角色，为资料稀缺的地区的河流观测提供了重要的数据补充，逐渐成为一种具有广泛应用前景的河流水位监测手段^［6-8］。

目前卫星遥感技术主要通过搭载在卫星上的雷达高度计测量内陆水体表面高程提供水位观测数据集。在卫星轨道与河流网络的交叉点上，定期提取河流水情信息，形成类似无人值守的水文观测站，被称为虚拟观测站（virtual station）技术^［9］。虚拟站点的水文观测可以覆盖全球网络，提供偏远无资料区的观测数据，并以经济、高效的方式补充现有水文观测网络。雷达高度计提取水位的原理，是通过计算发射电磁波与接收来自地面反射电磁波的时间间隔，并加入地球物理和大气层延迟改进参数后，测算星下点高程。雷达测高的关键是对雷达反射波形进行分析，确定微波脉冲到达地表的时间，即距离窗口必须在时间上被正确定位（即窗口延迟），这个过程被称为波形重跟踪^［10］。卫星雷达高度计最初是为了观测海洋表面而开发，针对典型的海洋单波峰回波的波形，重跟踪算法主要有重心偏移算法（Offset Centre of Gravity， OCOG）^［11］、、窄主峰重跟踪算法（Narrow Primary Peak Retracker， NPPR）^［12］、改进阈值重跟踪算法（Improved Threshold Retracker， ITR）^［13］，基于OCOG改进的Ice算法^［1］（适用于冰面）等，其精度能达到厘米级别。最近的一些研究也证明可以将其应用于内陆水体中^［14］，由于内陆水体与冰面回波的相似之处，测高卫星的原始跟踪测高产品便是采用的Ice-1算法（OCOG算法改进）进行波形重跟踪处理并提供原始测高产品的，另外目前主要有3种基于卫星测高研制的全球河流水位时序数据库：①Hydroweb数据集，该数据集是由地球物理和空间海洋学研究实验室于2011年开发的湖泊和河流的水位数据集（http：∥hydroweb.theia-land.fr/）；②DAHITI数据集，该数据集是由德国慕尼黑工业大学于2013年开发的提供内陆水体水位时间序列的数据集（https：∥dahiti.dgfi.tum.de/en/）；③GRRATS数据集，该数据集是由Stephen Coss等于2019年开发生成的一个针对全球大型河流（河宽大于900 m）的水位时序数据集（https：∥doi.org/10.5067/PSGRA-SA2V1）。基于这些水位数据，可以开展湖泊水储量以及河流径流反演等方面的研究。例如Yue等^［15］利用Hydroweb数据集与Landsat数据建立中国五大湖泊水位、面积、水储量时间序列；Keys等^［16］利用MODIS卫星图像和Hydroweb测高数据，建立了10个大型热带地表水体的储存量变化的高频时间序列；Dka等^［17］借助Hydroweb数据集及其他水位数据，几个水文模型估算刚果河流量；Rai等^［18］利用Hydroweb与DAHITI数据集的水位估计恒河的流量。应用这些水位数据的前提是数据集的水位观测精度情况，目前的3种数据集原作者在国外一些特定的流域进行了精度验证，精度一般能达到RMSE在几厘米到几十厘米左右，Hydroweb在亚马逊河流域^［20］（基于Envisat、Jason卫星）与内尼日尔三角洲^［22］（基于Envisat、Jason、Sentinel-3卫星）RMSE分别为0.10~1.70 m与0.40~1.60 m，DAHITI数据集在亚马逊流域^［23］RMSE为0.04~1.13 m，GRRATS数据集在选定的验证河流^［25］ RMSE为0.57~1.18m。另外，Jamro等^［19］评估了DAHITI与Hydroweb数据集在印度河的水位监测精度，结果表明R²均大于0.6，RMSE平均分别为0.5 m与0.6 m。但是3种数据集在中国河流的水位监测精度情况尚未有报道。

结合实测数据，本研究对Hydroweb、DAHITI、GRRATS 3个测高数据集在中国的河流覆盖情况及其水位监测精度进行了评价，评价了不同数据集在中国区域的水位观测精度，并分析比较了不同传感器与不同数据集的水位提取算法的水位提取精度，还分析了不同季节（干季与湿季）、不同空间区域以及河流周边小型水体对河流水位提取精度的影响。本研究首次提供了目前主要测高数据产品在我国河流观测方面的能力和精度情况，为相关数据集应用提供指导；同时对于明晰现有水位提取算法在我国区域的问题及将来可能算法改进研究有参考价值。

现有3种数据集的主要特征如表1所示，其在我国的虚拟站点分布如图1所示。Hydroweb数据集的算法主要基于多种卫星雷达高度计的GDR（Geophysical Data Records）数据产品，采用一定的数据筛选和滤波方法来生成最终的水位产品^［20-22］。GDR数据产品是测高卫星提供的不包含原始波形数据的地球物理数据记录，其中包含距离测量以及各种误差修正参数，距离测量是基于Ice-1波形重跟踪算法得到。Hydroweb数据集采用后向散射系数来选择最具回声特性的测量结果来计算水面高度，根据每个虚拟站水位观测结果的均值与相关标准偏差来进行滤波，得到最后的水位观测结果。Hydroweb数据集的测高数据产品在中国共有626个虚拟站点，其中Envisat 3个、Jason 36个、Sentinel-3 587个。

DAHITI数据集与Hydroweb不同，DAHITI主要采用SGDR（Sensor Geophysical Data Records）数据提供的原始波形数据的传感器地球物理数据记录来提取水位^［23］。DAHITI数据集选择阈值为10%的“改进阈值追踪器”（Improved Threshold Retracker）对选择的SGDR数据进行波形的重跟踪，然后采用扩展的异常值剔除和卡尔曼滤波方法^［24］来严格组合可选的高度计任务来观测水位。DAHITI数据集的测高数据产品在中国共提供了11个河流时间序列。GRRATS数据集采用的原始测高数据是ENVISAT、Jason-2等卫星的GDR数据产品 ^［25］。GRRATS数据集根据全球河流宽度（Global River Widths from Landsat， GRWL）数据集^［26-27］来选取虚拟站点，获取GDR测量数据及修正参数，对每一个站点使用先验数据高程模型来进行数据过滤，最后选择每个站点过滤后的GDR测量数据的均值作为该虚拟站点的观测水位。GRRATS数据集的测高数据产品在中国包含长江和黑龙江共计36个虚拟站点，其中Envisat 29个、Jason 7个。

对中国的河流水位监测，3种数据集使用的3种测高卫星基本参数如表2所示。3种卫星在运行时间、重复周期、脚印点大小上均有不同，对水位观测精度会有不同的影响。Sentinel-3卫星的步幅直径远小于Envisat以及Jason卫星，其采样回波收到周边地物的影响较小。在中国区河流监测中，该卫星仅在Hydroweb数据集中得到了应用。

研究选取了与卫星虚拟站点在同一河道上且距离在5 km范围半径内的水文站观测数据进行了水位精度验证（水文站点分布见图1）。所有水文站实测数据均来自与《中华人民共和国水文年鉴》^［28］，共获取了32个水位站2005~2018年的实测逐日平均水位数据。其中有部分站点有部分年份的数据缺失，水文站实测数据采用的是国家85黄海高程基准。

实测水位是水文站日平均水位值，水位数据集测高水位是卫星过境时观测水位，为进行水位观测比较，本文根据卫星观测水位数据集的观测日期将水文站实测日平均水位与其一一匹配，即认为一般情况同一天内水位变化较小，测高数据集水位与对应水文站的当天日平均水位紧密联系。由于两者使用的高程基准不同以及位置的差异，即测高水位与实测水位存在一个垂直基准偏差^［1］，可以选择用对应时间的测高水位与实测水位之差来进行偏差修正^［29］，研究选择采用该站点位置实测数据与测高数据集的差值的中位数作为两者的垂直基准偏差将测高水位与实测水位的高程基准统一之后来进行精度评价。

其中：Hm是修正之后的测高数据集水位；H0i是未经修正的测高数据集水位；Hei是水位站实测水位。

研究使用4个指标来评价两个数据集的差异，相关系数（R²）来衡量测高水位与实测水位之间的相关性，均方根误差（RMSE）来衡量测高水位与实测水位在数量之间的一致性及定量分析误差的大小，纳什系数（NSE）用来评估数据集对水位估测的效率与准确性。相对均方根误差RRMSE用来衡量估计偏差相对于不同水位年内波动情况的水平。

其中：Hm是修正之后数据集卫星测高水位；He是水文站实测水位；Z是每个站点观测水位数据量；H¯max为平均年内水位最大值，即多年平均波峰值；H¯min为平均年内水位最小值，即多年平均波谷值。

研究共选择了36个附近有实测水文站的虚拟站进行精度评价，其中GRRATS数据集9个，占该数据集中国总河流点数量的25%，DAHITI数据集2个，占该数据集中国总虚拟站点数量的20%，Hydroweb数据集25个，占该数据集中国总虚拟站点数的4%，根据选择的虚拟站点数量以及在每个数据集国内总虚拟站占比来看，认为具有代表性与统计意义，表3列出了可验证的虚拟站点情况及验证结果。

总体来看，Hydroweb数据集的平均RMSE小于1m，NSE系数为正，其整体精度要稍微好于DAHITI，两者均比GRRATS的精度质量要好（RMSE平均达到3 m以上）。3种数据集中，DAHTI与GRRATS数据集的NSE系数均值均小于0，Hydroweb数据集NSE系数大于0但是仅为0.14，远小于1，表明，3个数据集对于波峰与波谷的水位难以精确捕捉。3种数据集的精度统计如图2所示。图2箱型图的标准差很大，表示每个数据集的精度在不同站点的差异很大。例如， DAHITI数据集在中国河流上只有两个虚拟站点可以进行验证，其在黄河高村站表现良好（R²为0.94，RMSE为0.22 m），但是在长江枝城站的结果精度较差（R²为0.66，RMSE为2.36 m）。GRRATS数据集所有虚拟站观测结果中仅有长江枝城站RMSE为1.29 m，精度较好，其余站点的结果RMSE均大于2 m。Hydroweb数据集的RMSE均值最低，共有21个虚拟站的RMSE小于1 m，整体精度是最好的。。

表1中列出不同数据集采用了不同的算法和去噪策略，这可能是造成精度差异的原因之一。Jason卫星传感器是目前能提供最长时序和最高时间分辨率的观测数据。以Jason传感器测高产品为例，不同数据集在不同的站点有不同的表现，如表4和图3所示。

在枝城站，GRRATS数据集（图3（e））表现良好，R²与RMSE分别为0.92与1.17 m，DAHITI数据集（图3（d））精度较差，R²与RMSE仅有0.66与2.36 m，NSE系数仅为-13.9，数据集并没有捕捉到水位的高峰与低谷；在沙市站，Hydroweb数据集与GRRATS数据集精度均不理想，R²均小于0.5，RMSE均大于3 m。在其他站点中，Hydroweb数据集在贵德与肖家湾站（图3（a））精度较好，R²分别为0.92与0.64，RMSE分别为0.25 m与1.23 m，但是在肖家湾站的NSE系数仅有0.24同样对于波峰与波谷的水位没有较好的捕捉，在樟树站（图3（b））精度表现较差（R²为0.46，RMSE为2.25 m）；DAHITI数据集在黄河的高村站（图3（c））表现很好，R²与RMSE分别为0.94与0.22 m；GRRATS数据集在汉口站（图3（f））精度也很差，时序数据中有较多的噪声。

从验证结果的整体来看，3种数据集均在个别站点产生较好的效果，达到R²>0.8，RRMSE≤10%的水平，但是精度并不稳定，较差的概率很大，均出现了RMSE大于2 m的的情况，并且较多站点的NSE系数均小于0，证明很多站点均没有很好捕捉水位季节性变化幅度的情形，即对于水位波峰与波谷的监测能力较差。所有基于Jason的河流虚拟站点中，DAHITI数据集中的高村站精度最高，RMSE仅为0.2 m。可能是因为使用SGDR数据并进行了波形重跟踪，但是该数据集精度并不稳定，比如在长江的枝城站的水位提取精度较差（RMSE为2.36 m）。

不同传感器因为脚点大小，跟踪方式等不同，其对陆地水体水位提取的精度可能不一样。为了分析不同传感器对测高数据集水位精度的影响，研究对所验证的虚拟站中不同传感器的精度结果进行了对比，对比分析了Hydroweb数据集的Jason与Sentinel-3结果以及GRRATS数据集的Envisat与Jason结果。

从Hydroweb数据集的Jason与Sentinel-3结果对比来看，Sentinel-3卫星的观测结果（R²与RMSE均值分别为0.67与0.51 m）精度比Jason卫星（R²与RMSE均值分别为0.56与1.69 m）高。从GRRATS数据集的Jason与Envisat的观测结果来看Jason卫星的结果（R²与RMSE分别为0.58与2.96 m）精度较Envisat卫星（R²与RMSE分别为0.51与3.34 m）更高。图4与图5分别是Hydroweb数据集的部分Sentinel-3以及GRRATS数据集的部分Envisat水位观测结果。Hydroweb数据集使用的Sentinel-3卫星在较多的站点均有较好的精度表现，在可验证的21个虚拟站中，有11个站RMSE小于0.5 m，比如夹河滩站（图4（a））的RMSE为0.23 m，且R²达到了0.95；但是Sentinel-3卫星也在一些站点精度较差，如大汶河站（图4（b））RMSE为1.08 m，即使如此，其精度还是普遍高于Jason与Envisat卫星的。GRRATS基于Envisat卫星的6个可验证虚拟站的水位提取精度RMSE均大于2 m，精度普遍较差，如汉口站（图5（a））与监利站（图5（b））的RMSE分别为4.4 m与2.52 m。

以上比较中发现卫星在高水位期间和低水位期的观测效果有明显不同。本研究将每年的5月到10月定义为湿季，将11月到次年4月定义为干季，对比分析3种数据集在干湿季的水位精度。基于Jason卫星的DAHITI数据集在两个虚拟站所观测水位湿季结果相关性（R²均值为0.74）比干季（R²均值为0.47）高，但是湿季误差（RMSE均值为1.63 m）比干季（RMSE均值为0.75 m）更高。GRRATS数据集与Hydroweb数据集在湿季观测的水位（R²均值分别为0.50与0.70，RMSE均值分别为2.65 m与0.60 m）精度要优于干季（R²均值分别为0.32与0.54，RMSE均值分别为3.64 m与0.75m）。

图6是螺山站（GRRATS数据集基于Envisat结果）与安江站（Hydroweb数据集基于Sentinel-3结果）的干湿季的水位散点图，两个站点在湿季卫星观测水位更加接近实测的水位。GRRATS数据集在螺山站的水位观测，湿季精度（R²为0.88，RMSE为1.21 m）较干季（R²为0.20，RMSE为4.14 m）有了很大的提升；Hydroweb数据集在安江站湿季观测的水位精度（R²为0.91，RMSE为0.25 m）也比干季（R²为0.60，RMSE为0.31 m）更高。湿季的河流水位上涨，更加便于脚印点的选取，且受周边噪声影响小，精度会较干季有一定的提升。螺山站干湿季水位变化（落差近5 m）比安江站（落差近1 m）更大，其水位精度变化也更大。

Hydroweb数据集在长江、黄河、以及其他流域均有精度验证结果，因此研究选择Hydroweb数据集的Sentinel-3卫星观测水位结果来对比不同地区的水位观测精度。

图7是Sentinel-3卫星的21个水位观测结果的精度分布情况，本次验证的站点主要集中在黄河流域以及长江流域。从验证结果来看，黄河流域的水位观测（R²平均为0.88，RMSE平均为0.41 m）精度要高于长江流域（R²平均为0.65，RMSE平均为0.48 m）以及其他流域（R²平均为0.51，RMSE平均为0.62 m）。

影响卫星观测水位的精度除了周边地物以外，还有一些季节性水体的因素。Jean-Francois Pekel等^［30］利用Landsat影像制作了全球尺度的近32 a以来的地表水动态变化图（包括全球地表水频率分布图），我们基于此图比较了长江周边季节性水体较多的黄家港（图8（a））、襄阳（图8（b））以及周边季节性水体较少的金溪站（图8（c））的水位精度情况。发现受到周边季节性水体影响的黄家港以及襄阳站，水位观测结果R²分别为0.46和0.56，RRMSE分别为22%和23%，而周边季节性水体较少的金溪站水位结果R²为0.92，RRMSE为11%。可以看出长江上，河段周边的季节性水体，尤其是小型湖泊或者水塘会降低卫星观测水位的精度。

从验证结果来看，3种数据集在中国的水位提取精度的不同与其使用的水位提取算法（波形重跟踪与去噪）以及选择的测高卫星不同有关。DAHITI数据集使用了SGDR数据并进行波形重跟踪，其在黄河的高村站确实表现出了非常好的精度，但是其精度也不稳定（枝城站精度较差）。Hydroweb数据集与GRRATS数据集均选择GDR数据，只是数据去噪的策略不同，两种数据集也在一些特定的站点有较好的精度，但是也有大量站点精度较差。以Hydroweb数据集为例，基于Sentinel-3雷达高度计的水位精度整体好于Jason传感器，可能是由于Sentinel-3卫星使用合成孔径雷达观测，步幅直径（300 m）显著低于公里级别步幅直径的Jason和Envisat传感器，受陆地污染、岛屿等的影响较小^［31］，因此大量使用Sentinel-3卫星观测数据的Hydroweb数据集整体精度相较于另外两个数据更高。

相较于现有产品原作者在其他的一些特定验证流域的精度验证结果（见引言部分），3个数据集在中国长江和黄河流域的精度偏低。本实验验证的3个数据集在中国基于Jason卫星（RMSE平均分别为1.69 m、1.29 m与2.96 m）的水位精度显著低于3种数据集在国外其他流域的精度。3个数据集在中国河流水位监测精度较低的原因可能与中国河流区地表复杂的环境与气候有关，旱季低水位时期由于河流水面信号减弱，提取精度更易受地表环境影响。另外，由于卫星观测与实测数据的匹配性及数据缺失，可验证实测站点较少，可能会影响全面、系统的精度评估。

由于雷达高度计脚印点直径较大（几公里到十几公里级别），以及干湿季和周边水体的影响，内陆水体的回波比海洋回波更为复杂，传统的波形重订算法的精度会有很大不确定性。近年来针对内陆水体陆续提出了一系列的改进算法，例如50%阈值与Ice组合算法（the 50% Threshold and Ice-1 Combined algorithm， TIC）^［24］、多波形持续峰值重跟踪算法（Multiple Waveform Persistent Peak Retracker，MwaPP）^［32］、多子波多权重阈值重跟踪算法（Multi-subwaveform Multi-weight Threshold Retracker， MSMWTR）^［1］等。但是目前这些算法还没有产生相应系统性的产品。

对于未来的河流测高算法设计研究以及对于河流卫星测高数据产品的开发，可以考虑使用更多雷达卫星来进行原始波形数据的获取，提高测高卫星的性能，增加卫星数据源，考虑增加使用CryoSat-2以及ICESat-2等卫星^［33-34］。另外最近机器学习和深度学习相关技术的兴起也对未来河流测高算法的研究提供了新的思路，例如将小波分析与深度学习卷积神经网络相结合应用于卫星测高波形的分析中^［35］，开展河流测高算法研究，提高水位监测精度。在河流水位监测研究的应用方面，也可以将卫星测高水位监测数据与水文模型相结合^［36］，在河流水文气候等领域进行研究，为水资源保护、政府决策等提供帮助。

本研究对GRRATS、DAHITI、Hydroweb 3个卫星测高数据集在中国的河流水位观测进行了精度评价，并分析了数据集使用的测高算法、卫星传感器、季节性水位波动以及空间区域的不同对数据集水位观测精度的影响，主要结论如下：

（1）精度评价结果显示，Hydroweb、DAHITI以及GRRAST数据集的精度验证结果R²与RMSE均值分别为0.65与0.70 m、0.80与1.29 m以及0.53与3.21 m。

（2）以Jason卫星观测结果为例，3个数据集均在个别站点有较高的精度，但是精度并不稳定，所有基于Jason的河流虚拟站点中，DAHITI数据集中的高村站精度最高，R²为0.94，RMSE仅为0.2m。

（3）Hydroweb基于Sentinel-3卫星的水位精度（平均RMSE为0.51 m）总体好于Jason（平均RMSE为1.69 m）；GRRATS基于Jason卫星精度（平均RMSE为2.96 m）总体好于EnviSat （平均RMSE为3.34 m）。

（4）GRRATS数据集与Hydroweb数据集在湿季观测的水位精度要优于干季（R²更高，RMSE更小）。而DAHITI数据集在中国的河流水位结果湿季R²更高，而RMSE比干季大。

（5）Hydroweb数据集基于Sentinel-3卫星在黄河流域的水位精度（R²均值为0.88，RMSE均值为0.41 m）高于长江与其他流域，同时，河流周边季节性水体以及河流周边的小型湖泊、水塘等等会降低河流水位观测的精度。

对目前国际上3种卫星测高数据产品在中国区河流的精度进行了评定，目前国际上开放的河流虚拟站水位观测数据突显了卫星技术在河流监测中的潜力和前景，但是目前数据集中的算法在中国区域未能取得稳定、良好的结果，我国东南部季风区复杂的河流周边环境（人工地表、湖泊等）可能是水位提取精度较低的原因所在。未来对于中国河流水位监测，可以考虑从卫星传感器、季节性水位波动等方面来改进算法提高水位观测精度。同时还需要考虑不同的空间分布以及河流周边小型水体（小型湖泊、水塘、季节性支流）对水位精度的影响，开展适合于中国所有河流的水位监测算法研究。未来还可以考虑增加测高卫星数据源为卫星测高提供更多的波形数据，将深度学习等方法应用于卫星波形处理中，以提高卫星对河流水位监测的精度，将监测的河流水位与水文模型结合开展河流径流量估算、降雨等水文气候方面的研究。