利用SWOT观测数据绘制淹没区的海底地形图：对全球湖泊淹没和储水量变化监测的启示

《Journal of Hydrology》：Mapping drawdown-zone bathymetry using SWOT observations: implications for global monitoring of lake inundation and storage changes

SWOT卫星数据通过空间迭代滤波与加权平均融合方法实现湖泊干涸地形高精度重建，验证显示MAE<1m，R2>0.85，为全球湖泊淹没动态监测提供新工具。

　　

刘凌阳|刘凯|詹鹏飞|宋春桥

中国科学院南京地理与湖泊研究所湖泊与流域水安全科学重点实验室，南京 211135，中国

摘要

高精度绘制湖泊退水地形对于理解水文过程、生物地球化学循环和水资源管理至关重要。然而，现有的方法受到空间覆盖范围不足、成本高昂或无法捕捉因水位波动导致的地形动态变化的限制。最近发射的“地表水和海洋地形”（SWOT）卫星配备了Ka波段雷达干涉仪，能够精确测量水面及其相邻过渡带的高程。这些独特的能力为重建动态湖泊地形提供了新的机会，但目前仍缺乏一种有效整合多时相SWOT观测数据的方法。为了解决这一难题，我们开发并验证了一种新的方法——空间迭代滤波与加权平均融合（SIF-WAF），该方法能够生成完整且精确的退水地形。通过利用SWOT的宽幅高频率观测数据，通过空间约束滤波和加权平均将多时相高程数据融合成互补的数字高程模型（DEM），从而增强了重建地形的稳健性和覆盖范围。SIF-WAF方法被应用于全球十个具有不同气候、水文和地貌条件的代表性湖泊，使用了2023年7月至2024年7月的SWOT数据。与ICESat-2数据的对比验证表明，该方法在大多数情况下能够重建超过95%的退水地形，平均绝对误差（MAE）低于1米。此外，通过将重建的地形与Landsat/Sentinel虚拟星座的影像相结合，我们成功重建了密集的水位时间序列，实现了高验证精度（R2 > 0.85），能够捕捉季节性和长期变化。这些发现表明，SIF-WAF能够实现湖泊退水地形的稳健和高精度重建，并显示出广泛的应用潜力。全球分析进一步显示，大约17%的全球湖泊区域在季节性情况下会被暴露出来，可以使用SWOT和SIF-WAF进行重建，尤其是在亚马逊盆地、西非、东亚和南亚地区。总体而言，这项研究强调了SWOT在动态绘制湖泊退水地形方面的前所未有的能力，并对其在全球监测湖泊淹没和储存变化方面的更广泛应用具有重要意义。

引言

退水区是指由于水位波动而周期性或偶尔暴露在外的湖泊、水库和河流周围的区域。这些生态系统的动态特性使它们特别脆弱，容易受到自然和人为干扰的影响。退水区在支持生物多样性、水净化和碳排放方面发挥着重要作用（Liao等人，2024年；Qin等人，2025年）。为了理解和量化这些多功能过程，准确描述退水地形至关重要。此类信息有助于研究水能平衡（Mishra等人，2010年）、水质（Lindim等人，2011年）、沉积物量化（Selvabalan等人，2019年）和生物地球化学循环（Heathcote等人，2015年），以及管理任务，如水淹没制图（Shin等人，2019年）和水资源储存监测（Li等人，2021年；Xiao等人，2023年）。除了这些特定领域的应用外，高效检索退水地形对于制定应对日益增加的环境压力的气候适应性和可持续淡水治理全球策略也至关重要（Woolway等人，2020年）。

重建湖泊退水地形主要依赖于四种方法：（1）现场水深测量，可以捕捉完整的水下地形；（2）现有的全球数字高程模型（DEM），通常由InSAR或立体摄影测量获得，包括常用的数据集如SRTM DEM、ASTER GDEM和TanDEM-X（Li等人，2021年；Weekley和Li，2022年；Zhang和Gao，2020年）；（3）利用时间匹配的水位和水域范围的水线方法（Feng等人，2011年；Tan等人，2022年）；（4）基于多源遥感数据的机器学习方法（Du等人，2025年；Qiao等人，2025年）。现场测量可以提供高精度和完整的水下地形，但其高昂的成本和低效率限制了其在大尺度上的应用。第二种方法基于全球DEM产品，具有广泛的空间覆盖范围，但其静态采集特性限制了其在低水位时捕捉退水地形的能力，导致暴露的过渡带被低估（Liu等人，2024年）。水面方法充分利用了遥感卫星的大规模、低成本观测能力，实现了动态监测。然而，它有两个主要限制：首先，高度计卫星的空间覆盖范围有限，不利于观测小型和中型湖泊；其次，忽略水面的自然坡度会导致重建误差（Zhang等人，2025年）。至于使用流行的机器学习算法重建的水下地形，这些方法往往由于依赖大量数据样本进行预测而面临细节表现不自然的问题。因此，迫切需要一种高效且可扩展的方法，能够在保持广泛空间覆盖范围的同时实现高精度的退水地形重建。

最近发射的“地表水和海洋地形”（SWOT）卫星配备了Ka波段雷达干涉仪（KaRIn），为捕捉水面及其相邻退水区的精细高程变化提供了前所未有的机会。其高分辨率、宽幅观测为捕捉动态陆水过渡区的精细地形变化提供了新的可能性（Wang等人，2025年）。最近的研究表明，SWOT在高频监测水位动态方面具有巨大潜力（Laipelt等人，2025年；Maubant等人，2025年；Wu等人，2025年；Xiong等人，2023年），并可用于分析水文机制（Jiang等人，2025年；Ming等人，2025年；Zhan等人，2025年）。此外，KaRIn观测已被证明可以获取陆水过渡带的高程，并已成功应用于潮间带地形测绘（Salameh等人，2024b）。这一技术突破表明，SWOT在重建湖泊退水地形方面也有类似的潜力，可能成为全球湖泊水深数据库的重要补充。通过整合SWOT的广泛空间覆盖范围、高分辨率高程数据和频繁重访能力，现在可以弥合水文和地貌测量之间的长期观测差距，从而支持更全面的湖泊监测和过程建模（Keller等人，2021年；Ma等人，2024年；Qin等人，2025年）。然而，现有的基于SWOT的地形重建方法仍然受到单一数据源和插值驱动表面的限制，这可能会传播不确定性并过度平滑地形变化，从而降低精度和表示地形细节的能力。因此，需要一种有效的方法，充分利用SWOT观测的优势，同时整合多源遥感数据，以实现更完整和准确的退水地形重建。

为了解决这一难题，我们首次应用SWOT观测数据重建退水地形，并开发了一种新的空间迭代滤波与加权平均融合（SIF-WAF）方法。该方法在十个具有不同地貌和水文变化特征的全球研究地点进行了严格评估。通过与ICESat-2数据集的对比，验证了SIF-WAF方法在使用SWOT栅格数据重建退水地形以及通过重建地形进行水位监测方面的有效性。此外，我们还评估了SWOT在全球范围内重建退水地形的潜力，并提出了整合全球公共DEM的策略。通过引入SIF-WAF方法，本研究有效克服了传统基于高度计观测的空间和时间限制。本研究突显了SWOT在提供近乎无缝的空间覆盖范围和促进长期湖泊水量预算评估方面的能力，特别是在气候和人为压力不断增加的背景下。重建的地形显示出增强全球湖泊淹没和储存变化监测的强大潜力，为不同地区的水资源可持续管理提供了宝贵的见解。

研究地点

为了证明SWOT在重建湖泊退水地形方面的优越性能，我们选择了具有显著水陆转换特征的研究地点。根据全球陆地分析与发现（GLAD）实验室提供的地表水出现产品（https://glad.umd.edu/dataset/global-surface-water-dynamics）（Pickens等人，2020年），确定了十个研究地点：四个天然湖泊（Laguna Llancanclo湖、咸海、卓乃湖和鄱阳湖）以及六个

基本思路

考虑到现有的基于SWOT的地形重建方法通常依赖于单一数据源和插值驱动的表面，这可能会影响精度和地形细节的表示。本研究旨在开发一种使用直接干涉测量SWOT数据重建湖泊退水地形的通用方法，目标是实现广泛的空间覆盖范围和高精度。通过利用SWOT的近乎无缝的宽幅观测

重建退水地形的精度评估

基于SIF-WAF方法，使用SWOT数据重建了十个研究地点的退水地形，这些地点的海拔范围从-3.21米到4,759.69米不等（图4）。格林纳达水库、Foum Gleita水库、Tungabhadra水库、卓乃湖、Satellite Reseroir水库、Sirsi水库和鄱阳湖的退水区重建比例（即成功重建的非永久性水域比例）超过了95%，表明SWOT观测在测绘方面的巨大潜力

不同参数组合设置的敏感性测试

SWOT预处理过程中的像素质量指标阈值“wse_qual”和空间迭代滤波过程中的异常值去除阈值是影响重建退水地形精度和空间覆盖范围的两个关键参数。“wse_qual”值分别为0、1、2和3，分别对应良好、可疑、退化和不良的测量结果（JPL D-56416，2024年）。通常使用基于1倍、2倍或3倍标准差的阈值来去除

结论

最近发射的SWOT卫星能够测量湖泊表面及其周围陆地的高程。然而，单时相观测受到动态水位波动和数据采集误差的影响，限制了重建的精度和空间完整性。为了利用SWOT的干涉测量能力进行全球退水地形建模以及水位和储存变化的监测，本研究提出了一种名为SIF-WAF的新方法。

CRediT作者贡献声明

刘凌阳：撰写——原始草稿、可视化、验证、软件、方法论、正式分析、数据整理、概念化。刘凯：撰写——审稿与编辑、验证、方法论、资金获取、正式分析、概念化。詹鹏飞：概念化。宋春桥：撰写——审稿与编辑、方法论、资金获取、概念化。

利益冲突声明

作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。

致谢

本研究得到了国家自然科学基金（项目编号：42171421、42371399、42571492）、国家重点研发计划（项目编号：2022YFF0711603）、江苏省基础研究计划（BK20240112）以及NIGLAS的科学技术规划项目（项目编号：2022NIGLAS-CJH04）的支持。