河流的沉睡之地：西非萨赫勒地区短暂存在的沙河的测绘

《Remote Sensing Applications: Society and Environment》：Where rivers sleep: mapping ephemeral sand rivers in the West African Sahel

本研究利用遥感、GIS和机器学习技术，首次系统 Mapping了布基纳法索、马利和尼日尔三国萨赫勒地区的季节性河流（ESRs），发现其可为约300万人口提供浅层地下水资源，显著提升区域抗旱能力。通过多时相Sentinel-2影像分析，结合随机森林分类和植被-含水层关联模型，成功识别402公里高潜力ESRs，为当地农业和饮水安全提供空间决策依据。

　　
西非萨赫勒地区 ephemeral sand rivers（ESRs，间歇性沙河）的检测与制图研究

一、研究背景与意义
西非萨赫勒地区正面临严重的水资源短缺问题，约71%的河流在每年至少有30天处于无流状态。这类间歇性河流床覆盖着细沙层，具有在雨季蓄水、旱季提供浅层地下水的重要功能。然而，该地区缺乏系统性的ESRs制图，阻碍了水资源管理和农业发展的规划。本研究通过整合遥感数据、地理信息系统和机器学习方法，首次实现了萨赫勒地区ESRs的大规模检测与分类，为农村居民提供可及的淡水资源。

二、研究方法
1. 数据来源：
- 使用90米分辨率的MERIT数字高程模型（DEM）构建河流网络
- 融合国家地理数据库（布基纳法索、马里的官方河流网络）与Landsat卫星数据（尼日尔）
- 采用Sentinel-2A光学影像（10米分辨率）进行多时相分析（2020-2024年）

2. 检测流程：
- **河流网络提取**：通过修改后的流域燃烧技术（Stream Burning Technique）在MERIT DEM中提取河流网络，设定2.5平方公里上游集水面积阈值
- **流量周期分类**：基于1269个水文站1958-1998年的数据，采用四阶段分类法（常年流、弱间歇、强间歇、完全干涸）
- **缓冲区分析**：围绕有效河流段（集水面积≥1000平方公里）建立500米缓冲区
- **光谱指数筛选**：开发NDESI（归一化差异沙漠指数）和NDVI（归一化植被指数）的复合阈值体系

3. 分类模型：
- 采用随机森林算法（500棵决策树，特征选择按根号特征数）
- 通过多时相数据（旱季、雨季、过渡季）进行季节性调整
- 引入改进型MNDWI（阈值-0.1）分离水体与植被

三、关键发现
1. **ESRs空间分布**：
- 检测到总长31,287公里的间歇性河流
- 其中山河段（季节性河流）占78%，完全干涸河段占22%
- 高潜力段（浅层地下水指示区）达402公里，覆盖人口2,710万

2. **水文-植被关联性**：
- 植被覆盖率与地下水可及性呈显著正相关（R2=0.83）
- 常绿灌木（≥5米树高）指示区与地下水储层空间匹配度达91%
- 沙质河床与裸露土壤的NDVI值差异（ΔNDVI≥0.12）可区分两类地表

3. **人口分布特征**：
- 78%的高潜力ESRs位于人口密度＞100人/平方公里的区域
- 尼日尔段集中了42%的目标人口（1,700万）
- 布基纳法索段人口密度最低（0.7万/公里ESRs）

四、技术突破与创新
1. **复合阈值体系**：
- 紧缩阈值（CT1）：NDESI∈[0.3,0.4]且NDVI∈[0.05,0.125]
- 扩展阈值（CT2）：NDESI∈[0.25,0.45]且NDVI∈[0,0.14]
- 实验证明CT2在萨赫勒环境中具有72%的检测精度

2. **多时相数据融合**：
- 建立三个月期（旱季/雨季/过渡季）光谱特征矩阵
- 发现SWIR波段（ Band 12）在雨季（6-9月）的植被分离度提升37%
- 通过时间序列分析可降低分类误差（总体误差从18%降至9%）

3. **地下水指示模型**：
- 开发植被-地形-光谱三维评估模型
- 确定五个关键因子：树高≥5米、NDVI≤0.15、坡度＜15%、流域面积＞1000平方公里、NDESI≥0.25
- 验证显示该模型在尼日尔三角洲地区的预测准确率达89%

五、应用价值与挑战
1. **水资源管理**：
- 识别出402公里高潜力ESRs带，覆盖人口2,710万
- 每公里ESRs可支持约6,700人用水需求（基于5公里缓冲区）
- 建议在干涸河床建设砂坝（Sandy Dams）可增加储水量15-20%

2. **农业发展**：
- 雨季灌溉潜力评估显示：每10公里ESRs可支持约2,300公顷旱作农业
- 植被覆盖度与作物产量呈正相关（R2=0.79）
- 建议在布基纳法索南缘建立50个小型灌溉站

3. **技术局限性**：
- 数据分辨率限制：10米影像难以精确识别1米宽度的沙河
- 植被指示误差：约12%的裸露土壤段被误判为植被覆盖区
- 水文验证缺失：仅3%的样本点进行过实地水文测试

4. **改进方向**：
- 开发多源数据融合系统（光学+雷达）
- 构建深度学习模型（CNN架构）进行分类
- 建立季度动态监测机制
- 实施无人机遥感验证（建议验证密度＞1点/平方公里）

六、区域发展启示
1. **水资源分配**：
- 每公里ESRs可减少3,200升/日的地表径流损失
- 建议优先开发尼日尔段（资源密度最高，达0.45 km3/km ESRs）

2. **农业规划**：
- 在植被覆盖度＞0.3的区域推荐发展雨养农业
- 在NDESI＞0.35区域建议建设滴灌设施
- 识别出12个潜在农业增长带（总面积达5,800平方公里）

3. **气候变化适应**：
- 建议在ESRs周边建立10公里缓冲区作为气候韧性绿带
- 开发季节性水位监测系统（精度±0.5米）
- 建立社区水资源管理小组（建议每5公里设置1个）

本研究通过创新性地整合多源遥感数据与机器学习方法，为萨赫勒地区的水资源管理提供了科学依据。开发的复合阈值检测系统（CT2）在现有条件下具有最佳性能平衡（检测精度72% vs 分类精度92%）。后续研究应着重于：（1）开发基于InSAR的地形变化监测模块；（2）构建地下水储量估算模型；（3）建立社区参与式管理机制。该成果已被联合国环境署列为2025年非洲干旱区水资源管理技术白皮书的主要参考案例。