基于卡尔曼滤波的SWOT卫星数据同化方法实现河流日流量连续估算

本文创新性地提出基于卡尔曼滤波（Kalman filter）的数据同化框架，通过融合地表水与海洋地形（SWOT）卫星观测的水面高度、河道宽度等参数，构建线性动态系统模型，实现了单支流河网连续河段的日流量估算。研究采用蒙特卡洛模拟生成合成数据集验证，在15个测试案例中取得中位数相关系数0.95、纳什效率系数（NSE）0.81的优异表现，为解决传统水文监测站减少导致的全球河流动态监测难题提供了新思路。

　　

研究背景与意义

河流流量（Q）作为水文循环的关键变量，在全球水循环和气候研究中具有重要作用。传统监测站网络因维护成本高、覆盖不足等问题持续萎缩，而地表水与海洋地形（SWOT）卫星的发射为全球河流监测带来了新机遇。该卫星能同步测量水面高度（H）、河道宽度（W）和水面坡度（S），但其21天重访周期导致时间分辨率不足。本研究旨在开发新型数据同化方法，突破时空分辨率限制。

方法论创新

研究团队建立了包含过程模型和观测方程的线性动态系统。过程模型基于物理驱动的时空流量相关性模型，通过自协方差矩阵（Σ）和互协方差矩阵（Σ_Δ）构建状态转移矩阵（Φ）。观测方程则整合了两种SWOT产品：基于质量守恒原理的断面面积变化（δA）观测方程，以及直接同化流量产品（Q_Sat）的观测方程。

关键技术突破

1. 1.

   时空相关性建模：采用扩散波速（c₀）、水力扩散率（D₀）等参数建立物理基础的相关模型，计算不同河段、不同时间的流量相关性（ρ）

2. 2.

   卡尔曼滤波实现：通过预测-更新循环，将稀疏的SWOT观测（平均每年35次）内插为日尺度数据

3. 3.

   误差控制：利用蒙特卡洛模拟生成的10,000组扰动数据量化观测不确定性，采用四分位距（IQR）法估算标准差（σ）

验证与结果

在15个测试河段（含布拉马普特拉河、俄亥俄河等）的验证显示：

• •

  整体性能：中位数相关系数0.95，NSE 0.81，相对偏差5%

• •

  极端事件表现：在爱荷华河500年一遇洪水事件中，仍保持稳定的估算能力

• •

  空间填补：对SWOT未观测的"坏河段"（如低水头坝附近）也能生成合理估算

应用价值与局限

该方法首次实现了基于单一卫星的河网连续日流量估算，相比传统插值方法显著提高精度。但在布拉马普特拉河等宽浅河道表现欠佳，主要受限于：

1. 1.

   SWOT测量偏差（δA相对偏差3-72%，Q相对偏差33-494%）

2. 2.

   季节性流量变化剧烈河段的均匀变异性假设

3. 3.

   支流汇合处的地貌分散效应未考虑

未来展望

研究团队建议从四方面改进：

1. 1.

   融合多源卫星数据（如测高卫星、光学影像）

2. 2.

   建立季节性变异的流量变异性模型

3. 3.

   改进支流汇流处的相关性建模

4. 4.

   整合侧向流入的观测协方差结构

这项研究为即将发布的SWOT流量产品（预计2025年）提供了重要的应用框架，将显著提升全球无测站河流的监测能力，在水资源管理、洪水预警等领域具有广阔应用前景。