《Science of Remote Sensing》：Satellite Remote Sensing for Estimating Reservoir Physical Characteristics: A Global Review of Existing Methodologies for Operational Monitoring
2. 概念与方法论
2.1. 卫星遥感与水库监测的概念
卫星遥感（RS）技术通过搭载在卫星平台上的传感器，实现了对大范围地表特征进行高频次、大规模观测的能力。例如，哨兵-2号（Sentinel-2）卫星可提供空间分辨率为10-20米的影像，重访周期为3-5天；而中分辨率成像光谱仪（MODIS）虽然空间分辨率较粗（250-500米），但能提供每日的全球覆盖数据。卫星通过探测地表物体反射或发射的能量来工作。根据能量收集方式，遥感系统通常分为被动式和主动式。被动遥感系统（如辐射计、光谱仪）依赖探测地表反射的太阳辐射。相反，主动系统（如雷达、激光雷达）自身发射能量并测量与目标相互作用后返回的信号。
卫星遥感的应用领域十分广泛，包括农业、牧场和森林监测、气候与天气研究、城市规划、海洋学、水资源管理（WRM）、健康、考古学和电信等。近年来，卫星遥感在水库监测方面显示出特别重要的价值。
尽管水库监测通常涉及对水质和水量的定期评估，但定量（物理）特征最终决定了水库的动态。传统上，水位通过水位计测量，水深数据通过现场测量设备收集。这些测量对于跟踪泥沙淤积、侵蚀和生态系统变化，以及通过表面积分析估算防洪库容至关重要。重要的是，将表面积与水位数据相结合可以估算水库蓄水量，这是水资源管理的关键参数。准确的蓄水量估算支持供水规划、水力发电以及推广机构和农民组织公平分配水资源。表面积、水位和蓄水量之间的关系通常通过面积-水位、面积-体积和水位-体积曲线来可视化，这些是水库管理的重要工具。
卫星遥感通过被动和主动传感技术，能够估算所有这些物理特征——表面积、水位和蓄水量。
2.2. 估算性能评估
评估方法的准确性对于确定其估算物理特征的效果以及识别过程中可能引入的误差至关重要。这通常涉及将使用方法获得的结果与来自可靠来源（如现场测量、卫星观测、已发表文献或来自无人机、飞机或商业卫星的高分辨率影像）的参考值进行比较。然而，在某些情况下，由于缺乏现场数据，无法进行准确性评估。
准确性评估可以使用多种指标，这些指标主要分为两大类。第一类包括非特定点位指标，这些指标将估计值（如表面积、水位或蓄水量）与相应的参考数据直接比较，而不考虑空间位置。这些指标适用于所有三个物理参数。常用的指标包括均方根误差（RMSE）、归一化均方根误差（NRMSE）、相关系数（r）、决定系数（R2）、偏差（Bias）、平均绝对误差（MAE）、均方误差（MSE）、百分比误差（PE）、平均绝对百分比误差（MAPE）、纳什-苏特克利夫系数（NSE）和标准差（STD）等。
图像分类的准确性通常使用混淆矩阵（也称为误差矩阵或列联表）进行评估，该矩阵将预测类别与实际参考类别进行比较。基于该矩阵，文献中使用了几个关键指标，包括检测概率（POD）、误报率（FAR）、临界成功指数（CSI）、准确度（ACC）、精确度（Precision）、召回率（Recall，灵敏度）、Fβ分数（如F1-Score、F2-Score）、平均交并比（mIoU）、总体精度（OA）、生产者精度（PA）、用户精度（UA）、Kappa系数、平均准确度（AA）、数量准确度（QA）和误报率（FA）等。
2.3. 数据与搜索方法
本综述中的信息是通过在学术搜索引擎（主要是Google Scholar和Scopus）上进行全面搜索收集的。这些平台便于获取广泛的学术资源，包括同行评审的期刊文章、书籍、会议论文集、学位论文、预印本、摘要、技术报告和其他相关科学文献。
为了优化搜索过程，采用了嵌套搜索策略。该方法涉及使用布尔运算符（AND, OR）和括号来有效组合多个搜索词。使用星号（*）可以包含术语变体和替代拼写。搜索过程完成后，首先应用了英语语言过滤和去重。在剩余的1200条唯一记录中，仅保留了那些关注水库或湖泊并使用卫星遥感估算物理特征（如表面积、水位或蓄水量）的研究。仅限于一般地表水检测或水质的研究被排除（将记录数量减少到315篇进行全文评估）。然后根据清晰描述的输入和方法以及具有代表性的传感器-方法组合对全文进行了评估。避免了重复相同设置而没有增加方法新颖性的多篇论文，同时保留了一些直接适用于水库或湖泊范围估算的方法学论文。最终数据集包含106篇同行评审文章。保留的文件被汇编成Mendeley数据库。从文件中提取了一组信息并组织成概要表。
提取的信息能够根据研究测量的物理特征进行分析。首先，评估了用于每个水库特征的传感器类型。然后，检查了所使用的方法，并比较了所采用的方法。最后，分析了研究中报告的准确性，以确定高性能的传感器和方法。将水库规模的影响纳入分析的所有部分。最后，为使用遥感估算水库物理特征的最有效方法提供了建议。
2.4. 数据处理
在文献检索之后，首先进行了英语过滤和去重。在剩余的1200条独特记录中，只保留了那些专注于水库或湖泊并利用卫星遥感估算表面积、水位或蓄水量等物理特征的研究。局限于一般地表水探测或水质的研究被排除（记录数减少到315条进行全文评估）。然后根据清晰描述的输入和方法以及具有代表性的传感器-方法组合对全文进行了评估。避免了多篇重复相同设置而没有增加方法新颖性的论文，同时保留了一些直接适用于水库或湖泊范围估算的方法论文。最终数据集包含106篇同行评审文章。保留的文件被组装成Mendeley数据库。从文件中提取了一套信息并组织成一张概要表。收集的信息包括文档的一般信息（参考文献、文档类型、国家或地区）、研究区域（研究的水库名称、数量、大小、深度）、研究的物理特征（表面积、水位/水深、蓄水量/体积）、使用的方法（使用的方法类型、使用的特定方法、使用的算法或模型、使用的软件或工具）、性能评估（准确性评估指标及其值、用于验证的数据类型、用于验证的精确数据、验证指标及其值）以及卫星类型及其特征（卫星名称、传感器类型、波段、时间和空间分辨率、覆盖区域、可用性、发射日期、结束日期）。
提取的信息能够根据测量的物理特征进行分析。首先，评估了用于每个水库特征的传感器类型。然后，检查了所使用的方法，并比较了所采用的方法。最后，分析了研究中报告的准确性，以确定高性能传感器和方法。将水库规模的影响纳入分析的所有部分。最后，为使用遥感估算水库物理特征的最有效方法提供了建议。
3. 结果与讨论
3.1. 概要表总结
共有106篇文献符合纳入标准。原创研究文章仍占主导地位（94.1%），其次是会议论文集（4.7%）和技术报告（1.2%）。发表年份从2000年到2025年，在2019年和2024年出现两个高峰（分别为21篇和22篇）。文献现在涵盖了60多个不同的国家和地区。在研究区域中，亚洲约占47%，其次是非洲（17%）、美洲（13%）和欧洲（12%）。大洋洲贡献约2%，8%的研究是全球性或跨国研究。
所研究的水库表面积超过69,000平方公里。根据Annor等人（2009）的分类，只有11%的研究关注小型水库（面积限制为1平方公里）。其他大型水库可以是天然湖泊、人工水库、河流或海湾。关于这些水库的深度，分类是根据所用传感器类型对一定深度范围的敏感性进行的。被动传感器的有效深度可达30米。因此，深度小于30米的水库被视为浅水水库。在本研究中，77.4%的水库是深水水库，而22.6%是浅水水库。虽然一些研究只涉及物理特征（表面积、水位或蓄水量）之一，但其他研究结合了两个或三个。报告多种不同组合的论文贡献了多个案例，总共产生了169个方法特定的案例。在扩大的数据库中，表面积提取仍然是最常见的目标，出现了88次，而水位估计处理了49次，32次推导了蓄水量。
3.2. 用于水库表面积估算的被动传感器
由于水具有独特的光谱反射和发射特性，其对辐射的响应与大多数其他地表材料不同。这些独特的特性使得各种搭载被动或主动传感器的卫星能够可靠地探测地球表面的水体。
卫星的光谱分辨率在探测水覆盖表面方面起着至关重要的作用，因为它决定了卫星可以观测的波长（波段）数量和范围。捕获短波红外（SWIR）范围（1,100–3,000纳米）以及可见光和近红外（VIS-NIR）范围（约400–900纳米）影像的卫星在识别水体方面特别有效。大约76%的记录的表面积研究依赖于光学卫星传感器。
例如Landsat、Sentinel-2和MODIS等包含SWIR波段的卫星特别适合描绘水面，因为水在SWIR范围内有强吸收。这些卫星在研究中被广泛用于生成精确的水体地图。甚至缺乏SWIR波段但捕获VIS-NIR范围数据的卫星仍可用于水体探测。然而，这些传感器通常难以将水与其他材料（如干土或湿土）区分开，特别是在水体浑浊、含有悬浮沉积物或覆盖有水生植被的情况下。
选择用于水体监测的卫星影像还取决于传感器的空间和时间分辨率。空间分辨率是指图像中单个像素所代表的地面区域——空间分辨率越精细，水体的测绘就越详细。时间分辨率或重访时间表示卫星经过同一地点的频率。更高的时间分辨率对于监测动态水体至关重要。
用于水体范围测绘的常用光学传感器总结如下：粗空间分辨率传感器（>200米），如Meteosat 2-7、AVHRR、Sentinel 3 (SLSTR)、MODIS；中空间分辨率传感器（5–200米），如HJ-1A/B、Landsat 1-9、SPOT-5、ASTER、Sentinel 2、SDGSAT-1 (MII)；高空间分辨率传感器（<5米），如FORMOSAT-2、Flock 2 satellites、Pléiades、WorldView-2、Gaofen-1 (GF1)。
概要表显示，作者严重依赖免费的、中分辨率卫星，特别是Landsat（30至80米，16天重访）和Sentinel-2（10至60米，5天重访），分别在超过30项研究和至少6项研究中使用。这些卫星提供全球覆盖、开放获取数据以及足够的水库测绘细节。Landsat影像特别允许进行长期分析。其他中分辨率卫星的使用是多样化的；它们只被使用过一两次。它们有限的使用是由于商业定价（SPOT-5）或受限的区域数据可用性（HJ-1A/B）。SDGSAT-1 (MII)用于水库测绘的应用才刚刚开始出现在文献中，因为它是一个相对较新的任务，于2021年发射。
粗分辨率传感器出现了四个。它们占了九项研究，其中MODIS（250-1000米，0.5天重访）在多达四项研究中使用。虽然它们具有良好的时间分辨率，但这些传感器的空间粗分辨率限制了它们测绘小型或狭窄水库的能力。
高分辨率卫星（小于10米），如Pléiades、FORMOSAT-2、Flock 2 satellites、WorldView-2和Gaofen-1 (GF1)，提供了最精细的细节。然而，它们仅用于五项研究，因为它们的影像是商业化的且限于某些区域。
波段数量不一定影响作者对卫星的选择。尽管经常有与云覆盖相关的缺口，光学传感器是水体测绘的首选。
3.3. 用于水库表面积估算的主动传感器
主动传感器在解决与水体范围测绘相关的挑战方面具有显著优势，特别是在多云、雨天或低光照条件下。与被动传感器不同，主动传感器自身发射能量，使它们能够穿透大气和云层，并且无论日光或天气条件如何都能有效运行。其中，合成孔径雷达（SAR）系统尤为突出。SAR向地球表面发射微波信号——水平（H）或垂直（V）极化——并记录后向散射能量以生成高分辨率图像。这种能力使SAR能够检测散射机制并区分地表特征，使其非常有效地用于测绘淹没区域，即使在夜间或恶劣天气事件期间也是如此。较短的波长对应较高的频率，这种关系在决定主动传感器用于水体探测的性能方面起着关键作用。
用于表面积测定的一些主动传感器包括：哨兵-1号（C波段）、TerraSAR-X (TanDEM-X)（X波段）、ENVISAT - ASAR（C波段）、Cosmo SkyMed（X波段）、RADARSAT-2（C波段）、SRTM（C波段和X波段）以及CYGNSS星座。
概要表显示，大多数作者使用C波段雷达卫星，尤其是哨兵-1号，在列出的16项研究中出现了5次。根据Ottinger和Kuenzer（2020）的研究，C波段仪器由于其穿透能力和空间分辨率之间的良好平衡而成为水资源管理应用中最广泛使用的仪器之一。这些传感器发射更长的波（约5厘米），可以穿透云层，具有5到50米的分辨率，以及12到35天的重访时间，这对于定期水库监测来说是不错的。配备C波段SAR的著名卫星包括Envisat-ASAR、RADARSAT-2和Sentinel-1，它们已广泛用于地表水监测。
具有X波段的卫星，如TerraSAR-X (TanDEM-X)和Cosmo SkyMed，提供更高分辨率的图像（低至1米）和3到16天的重访时间。例如，Amitrano等人（2017）在布基纳法索的半干旱地区使用Cosmo SkyMed有效地测绘了小型水库。此类卫星的主要问题在于其数据是商业销售的，这就是为什么它们仅用于五项研究。
SRTM任务仅在2000年飞行过一次，但产生了一份30米分辨率的免费全球高程图，少数作者用它来描绘永久性水域的范围。
尽管已证明其效用，但主动传感器的业务应用可能受到与光学传感器相比空间和时间分辨率的限制，这可能会影响水资源管理决策的精确性和及时性。
3.4. 多传感器数据融合
十三篇论文提出了用于表面积测绘的多传感器融合，这遵循三种清晰的模式。首先，光学和SAR融合将哨兵-1号后向散射与哨兵-2号和/或Landsat 8/9反射率相结合。这种融合可以实现为特征级融合（将SAR和光学特征堆叠到一个分类器输入中）或决策级融合（创建每个传感器的独立水掩模然后组合它们）。其次，时空融合整合来自多个来源的光学传感器数据，例如MODIS和Landsat，以更高的时间频率实现类似Landsat的空间细节。Wang等人（2023）和Peng等人（2025）在他们的研究中使用了基于模型的增强时空自适应反射率融合方法（ESTARFM）。其他研究人员，包括Wu等人（2023）、Zheng和Lv（2025）以及Filali Boubrahimi等人（2024），使用基于学习的光学融合。Rao等人（2019）融合了两个MODIS产品（MOD09A1和MOD13Q1）以使用基于同源数据的时空自适应融合方法（HDSTAFM）来加密湖泊范围序列。相反，Miura等人（2025）创建了协调的Landsat 8和哨兵-2号水指数合成（没有像素或特征融合）用于月度制图。第三，跨模态图像合成用于弥合传感差距。Carbonneau（2025）使用从哨兵-1号到哨兵-2号的风格迁移（使用长期哨兵-2号镶嵌图）生成合成的、类似光学的输入，从而在光学场景不可用时实现水体划分。这些研究展示了一致的传感器配对和一整套融合类别（像素、特征和决策级别；基于模型的学习）。选择每个类别是为了利用互补的重访、云容差和光谱信息来测绘地表水的范围。
3.5. 用于水库表面积估算的方法
根据传感器类型和研究的具体目标，采用各种方法从卫星图像中提取水库表面积。虽然处理被动和主动传感器数据的基本原理大致相似，但处理主动传感器——特别是SAR——通常涉及更复杂的程序。这种复杂性源于可能影响SAR数据的几个误差来源，包括类水表面后向散射、斑点噪声和几何畸变。因此，彻底的前处理步骤，如地理配准、正射校正和斑点滤波，对于确保数据准确性至关重要。类似地，多传感器数据融合使用相同的基本方法进行水库测绘。
各种方法已被应用于测绘水体范围。在某些情况下，研究人员使用现成的数据产品和工具，例如全球地表水探索器（GSWE）。由欧洲委员会联合研究中心与联合国环境和谷歌合作开发，GSWE通过提供超过三十年的全球水图，充当了一个“虚拟时间机器”。该平台使用户能够提取关键指标，如最大水范围。
根据其基本原理，用于水库表面积测绘的最常用方法分为四类：基于阈值的方法、基于图像分类的方法、混合方法和基于高程数据的面积生成。
3.5.1. 基于阈值的方法
基于阈值的方法使用卫星图像的单波段或特定于水体的光谱指数来划分水体，它们占所审查研究的63%。对于光学传感器，通常利用短波红外（SWIR；1250–2500纳米）、近红外（NIR；700–1250纳米）或可见光（VIS；350–700纳米）范围的波长，因为水在这些波段上的能量吸收不同。单波段或多波段阈值技术在过去已被广泛用于水体范围测绘。
像素直方图方法侧重于像素值的分布。当观察到双峰直方图（代表水和非水像素）时，可以使用自动阈值方法，如Otsu算法。对于非双峰直方图，需要通过目视判读定义感兴趣区域（ROIs）——这一过程容易产生人为错误。使用ERDAS Imagine、ENVI或ArcGIS等软件进行手动描绘也有报道。为了解决单峰和双峰直方图，Shen等人（2019）引入了一种基于Valley-Emphasis方法及其修改版本的方法。Duy（2015）使用哨兵-1号影像成功地将这些方法应用于测绘越南Thac Ba湖。
图像分割技术结合了形态学和辐射度量信息，与简单的阈值方法相比提供了更高的效率。其中，区域生长算法（RGA）已被用于生成空间均匀的水图。类似地，活动轮廓方法（ACM）已用于高分辨率TerraSAR-X影像中的地表水检测。
基于光谱水指数的方法是水体范围测绘最广泛使用的方法之一。这些方法依赖于简单的算术运算——如加法、减法或除法——来区分水面和其他土地覆盖。虽然简单有效，但它们可能受到诸如大气颗粒（在光学数据中）和水质变化等因素的影响。有时，水指数与归一化差异植被指数（NDVI）等植被指数结合以提高准确性。随着时间的推移，已经开发了几种水指数，文献中经常引用的那些总结如下：缨帽湿度分量（TCW）、归一化差异水指数（NDWI）、改进的归一化差异水指数（mNDWI）、Ouma水指数（OWI）、开放水域分类（OWC）、自动水提取指数（AWEI）、自动河流湖泊提取方法（AMERL）、水指数（WI2015）、组合水指数（CWI）、哨兵-1号水指数（SWI）、归一化差异植被指数（NDVI）、归一化差异湖泊指数（NDLI）、增强湖泊指数（ELI）。
用于计算水指数的常用软件和应用程序编程接口（API）包括Google Earth Engine (GEE)、ENVI、QGIS和R。其中，GEE是使用最广泛的。它是一个基于云的平台，将多PB目录的卫星影像和地理空间数据集与行星尺度的分析能力相结合，促进了高效和大规模的水面测绘。
Landsat-OLI场景上的系统指数相互比较表明，没有单一的水指数是普遍最优的，这强调了对自适应阈值的需求。例如，Liu等人2024年使用概率函数描述了应用于青海湖的NDWI的频率直方图。
除了基本阈值处理之外，其他技术如变化检测也用于测绘水体。变化检测将水体的当前状态与已知的参考情况进行比较。Hostache, Matgen, and Wagner, 2012, 探索了从在线档案中选择最合适参考SAR图像的过程。他们的研究表明，在选择与待分析图像同年同期的参考图像后，构建站点的时间序列并基于后向散射行为的变化统计评估水覆盖变化至关重要。在此过程中，计算异常指数以检测显著变化。
类似地，Amitrano等人（2017）开发了季节性水存在伪概率（SWPP）方法，用于检测布基纳法索半干旱地区Yatenga的季节性水变化。该方法使用Cosmo-SkyMed影像有效监测地表水动态。
3.5.2. 基于图像分类的方法
用于水面测绘的基于图像分类的方法属于计算机视觉范畴，主要涉及机器学习和深度学习技术——人工智能（AI）。这些方法包括监督分类、非监督分类、用于分类的集成方法和卷积神经网络（CNNs）。分类算法预测每个数据点所属的类别。
监督分类需要使用标记数据训练分类器。最简单的监督分类算法之一是K-近邻（K-NN），一种非参数学习技术。K-NN与支持向量机（SVM）和决策树算法一起被用于分类Pleiades卫星图像。决策树算法在开发相关的决策树的同时将数据集逐步分割成更小的子集，然后该决策树可用于图像分类。这种方法被应用于使用哨兵-1号SAR观测绘制柬埔寨和越南湄公河三角洲的地表水图，并使用Landsat影像绘制澳大利亚Gregory湖的表面。
支持向量机（SVM）算法基于线性代数来转换和解决分类问题，也已广泛用于水体提取。例如，SVM被应用于绘制土耳其Burdur湖的水体。
非监督分类方法不需要先验的训练数据。相反，它们基于统计特性自动对像素进行分组，揭示数据中隐藏的结构。在这些方法中，K-means聚类是最常用于确定水库表面积的方法。在简单情况下，K设为2，将水与非水类别分开。另一种方法ISODATA基于特征之间的欧几里得距离对数据进行聚类，并已被几位作者用于水体制图。此外，分层基于相关的聚类被用于分类Yukon Flats生态区域中湖泊表面积时间序列数据。另一种非监督方法，在线自适应可能性C均值（OAPCM），逐个处理像素以形成聚类，并应用于哨兵-2号图像以检测Northern Pindos国家公园的水体范围。
用于分类的集成方法结合多个学习模型以提高预测准确性。随机森林（RF）是一种基于装袋的集成算法，使用二进制逻辑聚合多个决策树的结果。RF被Ghansah等人（2022）在GEE中用于绘制小型水库图，并被Psomiadis等人（2019）用于描绘希腊Bramianos大坝。梯度提升是另一种结合弱学习器以减少偏差的集成技术。极端梯度提升（XGBoost）是一种强大的变体，被用于绘制亚马逊盆地的水范围图。
这些分类方法在各种平台上实现，包括ENVI、ArcGIS、Google Earth Engine (GEE)、VIPER Tools、Keras、哨兵应用平台（SNAP）和通用合成孔径雷达（GSAR）套件。
近年来，基于深度学习的方法已成为水体测绘的强大工具。其中，卷积神经网络（CNNs）显示出特殊的潜力，将每个像素分类到特定类别。然而，CNNs通常涉及复杂的架构，生成大量参数，需要较长的训练时间，并导致沉重的数据集。为了解决这些挑战，Liu等人（2021）开发了轻量级区域和边缘网络（LaeNet），这是一种结合了语义特征提取、区域分割和边缘检测的新型CNN架构。LaeNet使用Landsat 8影像进行测试，以绘制色林错湖（中国）的表面积，并采用Keras框架、Python和ArcGIS进行实现。Liu等人（2024）还使用注意力引导的U-Net变体——R50A3-LWBENet实现了破碎池塘的实时测绘。
3.5.3. 混合方法
在许多情况下，结合多种分类方法可以提高水体测绘的准确性和鲁棒性。当不同的方法，如机器学习、深度学习和基于阈值的方法相结合时，该策略被称为混合方法。一些研究整合了非监督分类和深度学习技术，其中深度学习作为后处理步骤来优化初始结果。一种称为非监督课程学习（UCL）的方法已在全球范围内用于水库表面积确定。其他研究工作结合了监督分类、深度学习和集成方法，以更准确地绘制水体。
这些研究表明，利用多种算法的优势可以显著提高测绘结果。在一项侧重于从加纳半干旱上东部地区的雷达图像中描绘小型水库的案例研究中，采用了一种结合非监督和监督分类的混合方法。具体来说，应用了最大似然分类，并使用ERDAS Imagine提供了训练数据。
3.5.4. 基于高程数据的面积生成
基于高程数据的面积生成是另一种通常直接在专用软件工具中实现的方法。它涉及使用数字高程模型（DEM）根据地形特征描绘水体的范围。例如，Khojiakbar等人（2019）使用Global Mapper以及来自航天飞机雷达地形任务（SRTM）的DEM数据来提取乌兹别克斯坦Shtepa水库的等高线。类似地，该方法被Sichangi和Makokha（2017）应用于维多利亚湖的表面积估算，基于Landsat影像结合高程信息的分析。该技术在对高程差异明确定义水体边界区域特别有用，当仅靠光学或雷达影像不足时提供了额外的精度层。
3.6. 用于水库水位/水深确定的光学传感器
利用卫星图像确定的水深测量称为卫星衍生的水深测量（SDB）。用于水库表面测绘的光学卫星通常与用于水位和深度估算的卫星相同。然而，关键区别在于图像处理和
