全球内陆水体水位演变：基于ICESat-2 ATL13数据的干旱化速率分析

《Journal of Hydro-environment Research》：Global evolution of inland water levels: drying-speed analysis using IaCESat-2 ATL13

本综述基于ICESat-2 ATL13数据（2018-2025），对全球超过110万个湖泊和水库的水位动态进行了系统性分析。研究通过同月年际差分法消除季节性影响，引入干旱化速率指数（DSI）量化持续性水位下降，验证均方根误差（RMSE）达0.35?m。结合统计与机器学习方法（ARIMA/ETS/LSTM）进行短期预测，为全球水资源管理提供了厘米级精度的卫星测高基准。

　　

Highlight

全球ICESat?2覆盖范围与数据集意义

除了广泛的空间覆盖范围，ICESat-2/ATL13数据对先前的方法进行了补充和改进。相较于像TOPEX/POSEIDON、Envisat、Jason和CryoSat-2这样的雷达高度计——它们的千米级足迹和波形重跟踪不确定性限制了其在小或不规则形状水体上的表现——ATL13产品约17米的光子足迹和厘米级的仪器精度使得能够可靠地获取从小型水体到大型湖泊的高度数据。相对于ICESat-1/GLAS（2003–2009）激光测高提供的较高垂直精度（约3厘米）但采样稀疏和单波束覆盖的限制，ATL13的多波束配置和更高采样密度显著增强了对小型湖泊和狭窄河流的监测能力。

结论

我们利用NASA的ICESat-2 ATL13数据（2018–2025）为约110万个湖泊和水库构建了月度水位序列，并评估了不同面积等级（>10,000?km² 到 <1?km²）和纬度带的水位趋势。同月年际差分法——通过一个干旱化速率指数（DSI）进行总结——揭示出全球水体水位呈现下降趋势（通常每年几厘米到几十厘米），而水位上升的湖泊数量较少且幅度较弱，主要集中在高纬度或湿润热带地区。这种方法消除了季节性混叠效应，并突出了持续性的水位下降信号。短期预测（最多12个月）结合了统计方法（ARIMA, ETS）和机器学习模型（LSTM），通过滚动原点验证进行评估，为近期的水资源规划提供了数据驱动的外推结果，并强调了其预测技能。这些发现确立了卫星激光测高作为监测全球内陆水体近期演变的强大工具，同时强调，要理解更长期的轨迹，需要明确整合本研究数据集范围之外的水文气候和人为驱动因素。