基于机器学习融合SAR与CYGNSS数据的河流水位动态监测方法研究

为解决传统卫星监测技术时空分辨率低、单一数据源精度不足的问题，研究人员创新性地结合Sentinel-1 SAR影像与CYGNSS反射信号数据，通过机器学习算法构建融合模型。该研究实现了日尺度高精度水位反演，RMSE降低50.74%（0.341→0.168 m），相关系数R提升至0.936，为洪水预警与水资源管理提供了突破性技术方案。

　　

在广袤的地球表面，河流如同跳动的脉搏，其水位变化直接关系着人类生存与生态平衡。然而传统的水位监测手段却面临巨大挑战：人工测站维护成本高昂且难以覆盖偏远地区，单一卫星数据要么像光学遥感（如Landsat）那样被云层阻隔，要么如雷达高度计（Jason系列）受限于低空间分辨率。更棘手的是，新兴的SWOT卫星虽能兼顾水位与河宽测量，但21天的重访周期难以捕捉洪水的突发动态。这种"时空不可兼得"的困境，使得小流域洪涝预警成为国际水文遥感领域的"卡脖子"难题。

中国江苏省地理信息监测重点实验室的研究团队另辟蹊径，巧妙地将两种看似不相关的太空观测数据——欧洲航天局Sentinel-1合成孔径雷达(SAR)的高分辨率地表影像与美国NASA飓风全球导航卫星系统(CYGNSS)的频繁反射信号——通过机器学习"编织"成时空连续的水位监测网。这项发表于《Remote Sensing of Environment》的研究，首次实现了日尺度、米级精度的河流水位动态追踪，其精度提升幅度堪比从"标清"跃升至"4K"水文监测时代。

研究团队采用三项核心技术：首先通过十折交叉验证从15个均匀分布的水文站数据中提取SAR后向散射系数(VV/VH)与CYGNSS反射率特征；继而运用XGBoost算法构建多源数据融合模型；最后采用独立验证策略，用8个时空独立测站检验模型泛化能力。这种"特征提取-算法优化-严格验证"的技术路线，确保了方法在复杂环境下的鲁棒性。

整体性能分析显示，融合模型在15个测站的综合评估中，均方根误差(RMSE)从0.341米骤降至0.168米，降幅达50.74%，相关系数R提升至0.936。更令人振奋的是，在空间异质性显著的里下河"锅底洼地"区域，83%的测站实现误差降低35%以上，证明该方法对复杂地形具有独特优势。

独立验证实验进一步证实了模型的普适性：在未参与训练的8个测站上，RMSE仍保持0.202米的精度水平，较单一数据源提升57.8%。这一结果打破了传统水文模型"训练区有效、外推区失效"的魔咒，为跨流域应用奠定基础。

技术优势部分指出，CYGNSS星座的8颗卫星组网可实现每小时4-6次观测，其时间分辨率是Sentinel-1的72倍；而SAR影像10米的空间分辨率又能弥补CYGNSS在细小河道监测的不足。这种"时间换空间、空间补时间"的互补效应，恰似为水文监测装上了"显微镜"与"高速摄像机"的组合镜头。

该研究的突破性在于：一是创建了首个融合GNSS-R与SAR的机器学习框架，开辟了水文遥感新范式；二是研制出业务化运行的日尺度水位产品，响应了联合国"早期预警全覆盖"倡议；三是为SWOT等新型卫星数据提供了地面验证基准。正如评审专家所言，这项技术将"彻底改变中小河流监测的游戏规则"，为全球3亿沿岸居民筑起一道数字防洪堤。未来，研究团队计划将该系统应用于湄公河、尼日尔河等国际河流，推动构建人类水文命运共同体。