集成 ICESat-2 光子计数激光雷达与多光谱影像进行博斯腾湖水深反演及水储量估算

《Journal of Hydrology: Regional Studies》：Integrating ICESat-2 photon-counting lidar with multispectral imagery for bathymetry retrieval and water storage estimation in Bosten Lake

　　

研究区域

博斯腾湖，新疆最大的淡水湖。

研究重点

在干旱区，湖泊水储量是生态稳定与绿洲可持续性的基础。博斯腾湖在水深反演方法和水储量定量研究方面仍然缺乏充分研究。该研究采用基于密度的噪声应用空间聚类（DBSCAN）的 ICESat-2（ATL03）数据去噪方法，实施折射校正，并通过 Landsat 8/Sentinel-2 与 ICESat-2 的相关性分析识别水深反演变量。在此基础上，构建了经验模型与随机森林（Random Forest, RF）模型用于水深反演，利用实测数据与轨道剖面评估模型精度，并生成湖泊水下地形，计算其固有水储量。

区域新水文见解

结果表明，Landsat 8 双波段对数比值模型的总体精度最高，其中 LnB7/LnB3 模型表现最佳（MAE = 0.89 m，RMSE = 1.27 m，在预测水深 ± 0.50 m 范围内的平均光子一致性为 20.35%）。基于 Landsat 8 的模型整体优于 Sentinel-2 对应模型，二次多项式结构进一步提高了基于 Landsat 的反演精度。Landsat 8 模型误差总体更集中（在无先验约束时不确定性增加），而 Sentinel-2 误差主要聚集于近岸浅水区。博斯腾湖固有水储量估算为 6.55 × 10⁸ m³，最大/平均水深分别为 11.28 m 和 7.94 m。该研究为博斯腾湖水文参数提取提供了数据支持，并推动了水下地形与水储量估算研究。

该文发表于《Journal of Hydrology: Regional Studies》，围绕干旱区大型内陆淡水湖博斯腾湖的水下地形反演与水储量基线估算展开研究。湖泊是区域水循环系统的重要组成部分，在干旱区尤其承担着维持生态平衡、支撑绿洲稳定和保障农业灌溉与水资源调控的关键功能。博斯腾湖作为新疆最大的内陆淡水湖，其水文过程和储量变化对区域生态安全与经济发展具有重要意义。在气候变暖背景下，湖泊水文特征已成为指示区域气候响应的重要信号，因此开展高精度湖底地形反演和稳定水资源基线评估，具有明确的科学价值与应用意义。

现有湖泊水下地形研究仍面临多方面局限。传统 DEM 数据集如 GDEM 和 SRTM 本质上更接近数字表面模型，难以反映水下真实地形，且受地表覆盖、观测时间和成像角度影响明显，不适用于湖底地形恢复。船载测深和机载 LiDAR 虽具有较高精度，但成本高、适用范围受限，且在偏远或敏感区域实施困难。光学遥感方法能够以连续空间覆盖进行湖泊水深反演，但常受水体浑浊度、底质条件和校准样本不足的影响。ICESat-2 通过先进地形激光高度计系统（ATLAS）提供高精度高程信息，其 532 nm 绿色激光具备一定的水体穿透能力，可用于浅水测深，但仅能提供沿轨离散观测，同时还需进行去噪与折射校正。因此，将 ICESat-2 离散高精度水深信息与 Landsat 8、Sentinel-2 连续光谱信息结合，成为突破单一数据源局限、实现湖泊连续水下地形制图的可行路径。

研究人员以博斯腾湖为研究区，提出了基于“点到面”框架的多源遥感集成方案，将经过去噪与折射校正后的 ICESat-2 水深作为先验真值，将 Landsat 8 和 Sentinel-2 多光谱特征作为模型输入，比较不同传感器、不同经验模型与机器学习模型在湖泊水深反演中的适用性，并进一步估算博斯腾湖“固有水储量”。文中提出的“固有水储量”是指湖泊永久性水体所对应的稳定储水体积，用于表征较少受季节和年际波动影响的长期稳定水资源背景。这一指标对于评估湖泊持续维持生态功能、支撑湿地系统与抵御干旱增暖胁迫的能力具有重要意义。

在技术方法上，研究主要采用以下几类关键手段：首先，选取 2022 年 5 月 6 日覆盖博斯腾湖的 ICESat-2 ATL03 数据，利用 DBSCAN 算法进行光子去噪，并依据折射校正公式修正水-气界面导致的湖底高程偏差；其次，获取 2022 年 5 月 1 日 Landsat 8 Collection 2 Level-2 数据和 2022 年 4 月 30 日 Sentinel-2 L2A 数据，结合 2022 年 6 月 27 日采集的 76 组手持超声测深仪实测水深数据，对波段、对数变换、对数比值和水体指数与水深的关系进行分析；然后，分别构建单波段模型、双波段对数比值模型、光谱指数模型和随机森林模型，并用实测数据及 ICESat-2 轨道剖面双重验证；最后，利用 1993—2023 年长期水体范围数据计算水体淹没频率（WIF），提取永久性水体范围并估算固有水储量。

4.1 ICESat-2 data preprocessing results

研究首先对 ICESat-2 数据进行预处理。研究人员选取各轨道强波束左轨进行分析，经过 DBSCAN 去噪后提取湖面和湖底有效光子，再进行折射校正。结果显示，当日三条轨道综合得到平均湖面高程为 985.378 m。轨道 1 去噪后最低高程由 973.69 m 校正至 976.66 m，湖底光子平均校正值为 1.60 m；轨道 2 最低高程由 971.71 m 校正至 975.18 m，平均校正值达 2.37 m；轨道 3 最低高程由 970.21 m 校正至 974.01 m，平均校正值为 2.10 m。总体上，湖面以下约 10 m 范围内光子最为密集且连续性较好，10–12 m 深度仍可在缓坡区记录较完整湖底信息，而超过 12 m 后光子点显著稀疏，仅能反映模糊湖底轮廓。这表明 ICESat-2 在博斯腾湖中对浅至中等深度区域具有较好探测能力，但深水区信息明显衰减。

4.2 Selection of feature variables

在特征变量筛选中，研究人员分别分析 Landsat 8 和 Sentinel-2 原始波段、对数变换波段、波段对数比值以及水体指数与 ICESat-2 水深之间的相关关系，且所有变量均达到显著相关（p < 0.001）。对 Landsat 8 而言，绿色波段 B3 与水深相关性最高（r = 0.94），红光和蓝光次之；对数比值中，LnB7/LnB3 与水深的负相关最强（r = -0.94），LnB6/LnB3 次之；由对数反射率计算的 NDWI 和 MNDWI 同样具有较强负相关。对 Sentinel-2 而言，绿色波段 B3 相关性最高（r = 0.90），蓝、红、近红外和短波红外波段也表现出较高相关性；经对数变换后，部分波段相关性进一步提升；对数比值中，LnB2/LnB3 与水深相关性最好，LnB8/LnB3 次之。研究据此认为，约 0.561–0.750 μm 的光谱范围最适于博斯腾湖水深反演，并据相关性高低选择线性模型的输入变量，同时为随机森林保留多维特征组合。

4.3 Model inversion performance

模型性能评价采用两阶段策略：一方面利用 76 组实测水深进行精度评估，另一方面将模型生成的水深图沿 ICESat-2 三条强光轨道提取剖面，通过统计预测值 ± 0.5 m 范围内的光子占比，评价模型对真实地形变化的拟合能力。

4.3.1 Accuracy of Single‐Band Model

单波段模型方面，Landsat 8 以 B3 和 LnB3 为输入，Sentinel-2 同样以 B3 和 LnB3 构建模型。利用实测数据评估时，Landsat 8 基于 LnB3 的二次多项式模型表现最佳，R² = 0.80，MAE = 1.02 m，RMSE = 1.48 m，说明二次多项式结构能够更好捕捉反射率与水深之间的非线性关系。Sentinel-2 中，LnB3 二次多项式模型也取得相对较优结果。

但结合 ICESat-2 剖面分析后，Landsat 8 基于 B3 的二次多项式模型对湖底地形形态拟合更好，在 ± 0.5 m 范围内三条轨道平均光子一致性为 21.19%，显著高于基于 LnB3 的 9.36%。Sentinel-2 中，B3 与 LnB3 模型剖面表现相近，LnB3 略优。综合判断，单波段模型中 Landsat 8 B3 二次多项式模型整体更优。

4.3.2 Accuracy of Dual‐Band Log‐Ratio Model

双波段对数比值模型中，Landsat 8 分别采用 LnB6/LnB3 和 LnB7/LnB3，Sentinel-2 采用 LnB2/LnB3 和 LnB8/LnB3。实测数据结果表明，Landsat 8 基于 LnB6/LnB3 的二次多项式模型取得最高统计精度，R² = 0.86，MAE = 0.89 m，RMSE = 1.27 m；而在轨道剖面对比中，LnB7/LnB3 模型对轨道 2 和轨道 3 的湖底变化拟合更好，且 ± 0.5 m 范围内平均光子一致性达 20.35%，高于 LnB6/LnB3 的 18.39%。因此，研究将 Landsat 8 LnB7/LnB3 二次多项式模型视为双波段模型中综合精度最高者。Sentinel-2 中，LnB2/LnB3 的统计精度较高，但剖面拟合则以 LnB8/LnB3 更佳，不过整体仍低于 Landsat 8。

4.3.3 Accuracy of Spectral Index Model

光谱指数模型方面，研究采用 NDWI 与 MNDWI 分别构建模型。Landsat 8 基于 NDWI 的二次多项式模型具有最佳统计性能，R² = 0.83，MAE = 0.99 m，RMSE = 1.38 m，整体优于 MNDWI 模型；从剖面分析看，MNDWI 和 NDWI 模型在 ± 0.5 m 范围内平均光子一致性分别为 21.72% 和 21.65%，差异很小，但 MNDWI 在不同轨道间稳定性较差，因此 NDWI 模型被认为更具综合优势。Sentinel-2 中，NDWI 模型与 ICESat-2 数据较为接近，但局部地形波动更明显，MNDWI 则较平滑，整体精度仍低于 Landsat 8。

4.3.4 Random forest inversion accuracy

随机森林模型结果显示，Landsat 8 模型相较 Sentinel-2 模型表现更佳。基于 Landsat 8 的 RF 模型与实测水深对比的 R² = 0.81，RMSE = 1.83 m，MAE = 1.48 m，重要特征主要为 NDWI、MNDWI 和 B3。Sentinel-2 RF 模型精度明显下降，R² = 0.66，RMSE = 2.52 m，MAE = 3.17 m，主要特征为 B3 和 LnB3。剖面分析中，Landsat 8 RF 模型在湖心区拟合较好，但近岸偏差较大，平均光子一致性仅 10.98%；Sentinel-2 RF 模型在浅水区拟合相对较好，平均光子一致性 15.87%，但由于实测点在湖岸分布较少，其统计精度偏低。总体而言，RF 并未超过最佳经验模型。

4.4 Bathymetric inversion results of Bosten Lake

基于 Landsat 8 的各类模型反演结果在空间分布上具有较高一致性，均表现为博斯腾湖中央较深、向四周逐渐变浅。不同模型的差异主要出现在西南、西北和东南岸的浅水区域及地形过渡带。单波段模型在东南边缘反演水深偏浅；光谱指数模型在西南角浅水区未能有效模拟，局部存在明显突变；双波段对数比值模型在浅水区无明显异常，整体地形连续性最佳；RF 模型则表现出更宽的地形过渡区域。结合实测散点图，除 RF 外，其余模型误差较集中，其中 LnB3 模型虽剖面表现较差，但在离散实测点上的拟合仍较好，反映出不同评价尺度下结果存在差异。

基于 Sentinel-2 的反演结果也显示一定空间一致性，但双波段和光谱指数模型在湖泊中右部深水区出现更明显像元级波动，除 RF 外，多数模型在西北角存在异常反演现象。散点图分析表明，Sentinel-2 的单波段和双波段模型在近岸浅水区精度较高，光谱指数模型误差更分散，而 RF 模型总体反演偏浅，但在近岸浅水区误差较小。研究进一步指出，本研究构建的模型在深水区和极浅水区精度仍需提高，深水区受限于先验 ICESat-2 可探测底部高程下限，而浅水区则受复杂光学环境制约。

4.5 Inherent water storage of Bosten Lake

在水储量估算中，研究利用 1993—2023 年长时序水体范围提取博斯腾湖多年水体数据，计算水体淹没频率 WIF，并将 WIF > 75% 的区域定义为永久性水体。该永久水体面积为 977.521 km²，代表湖泊长期稳定被水覆盖的空间范围。研究选取综合精度最高的五个模型提取永久水体区域内的水深，并借助 ArcGIS 10.8 的 Surface Volume 工具计算最小、最大、平均水深及总储水量，最后以五模型平均结果作为博斯腾湖水深参考。结果表明，不同模型推算的平均水深较为接近，但最小高程和有效反演面积存在差异。其中，LnB7/LnB3 模型有效反演面积最大，B3 模型最小；LnB7/LnB3、LnB6/LnB3 和 B3 模型反演的最大水深均超过 11 m，而 NDWI 与 MNDWI 模型最大水深未超过 10 m。综合五模型平均结果，博斯腾湖平均水深为 7.944 m，最大水深为 11.283 m，固有水储量为 6.55 × 10⁸ m³。

讨论部分指出，研究建立的 Landsat 8 水深反演模型在 2022 年 5 月 1 日影像上表现较好，但迁移至其他日期影像时精度下降，说明模型对水体光学性质时变性较为敏感。两期 Landsat 8 影像在水域上的一致性较低（R² = 0.50），而在其他地表类型上的一致性较高（R² = 0.84），提示湖泊水色与光学特征短期内已有明显变化。研究还将结果与已有文献比较，指出本文结果在特定日期具有较好的可靠性和稳定性。对于 Sentinel-2 模型精度偏低，文中认为可能与复杂模型结构放大输入噪声、高空间分辨率放大底质差异，以及影像辐射一致性问题有关。

对于误差来源，研究将水深误差分为深水、中间和浅水三个区间进行分析。结果表明，深水区误差主要由先验 ICESat-2 数据不足引起，而浅水区虽局部误差较大，但五模型平均后误差有所减小，且变异系数与标准差处于可接受范围。文中同时强调，该联合反演方法受水体透明度、水深和水生植被覆盖限制较大；随着浑浊度增加，可穿透水柱并返回湖底的有效光子显著减少，多次散射也会增加米级不确定性。此外，近岸浅水区还受到浮游植物、悬浮颗粒物和有色可溶性有机物影响，导致光学环境复杂，底部植被覆盖也会削弱反射信号并增加光谱复杂性。因此，该方法更适用于水深小于 12 m、透明度较高且无密集水生植被覆盖的干旱区湖泊。

研究结论部分可译为：该研究集成 ICESat-2 激光测高数据与 Landsat 8、Sentinel-2 多光谱影像，对博斯腾湖水下地形进行制图并估算水储量。主要结论如下：（1）博斯腾湖水深反演中存在清晰的“数据源—模型适配性”规律，不同传感器的光谱响应特征决定了最优模型结构，体现出传感器设计与模型选择之间的物理一致性；（2）当通过波段组合或二次多项式形式增强时，Landsat 8 的表现优于 Sentinel-2，且稳健性更强，这表明特征选择与模型设计比空间分辨率更为关键；（3）博斯腾湖固有水储量为 6.55 × 10⁸ m³，平均水深为 7.94 m。上述估算为干旱区湖泊水资源评价和长期水文监测提供了定量基线。总体而言，该研究为气候变化背景下干旱区湖泊生态系统健康评估、动态水位调控及水资源安全策略制定提供了重要技术支撑。