基于ICESat-2与Sentinel-2数据融合的黄河上游洪泛区二维水力建模精度提升研究

本研究针对开放源DEM在洪泛区地形表征中的精度不足问题，创新性结合ICESat-2高程数据、Sentinel-2多光谱影像与人工神经网络(ANN)，构建了10米分辨率的修正DEM(ANN DEM)。通过MIKE 21二维水力模型验证，ANN DEM使洪水模拟的CSI指数提升19%，偏差降低25%，为数据稀缺区域的洪水风险评估提供了可扩展的技术方案。

　　

在全球气候变化加剧的背景下，河流洪水已成为最具破坏性的自然灾害之一。黄河作为中国第二长河，其上游复杂的辫状河道系统和广阔的洪泛区使得洪水预测尤为困难。传统洪水模拟的精度高度依赖于数字高程模型(DEM)的准确性，然而当前广泛使用的开放源DEM（如FabDEM）存在分辨率不足（30米）、植被干扰和河道地形失真等问题，尤其在缺乏实测数据的偏远地区，这些问题严重制约了洪水风险评估的可靠性。

为突破这一技术瓶颈，由丹麦技术大学Monica Coppo Frías领衔的研究团队在《Reproduction and Breeding》发表了一项创新性研究。该研究巧妙融合了NASA的ICESat-2激光测高数据（垂直精度0.1米）和Sentinel-2多光谱影像（10米分辨率），开发了一种基于人工神经网络(ANN)的DEM校正方法。通过建立光谱特征与地形误差的非线性关系，成功将FabDEM的分辨率提升至10米，并显著降低了近河道区域的 elevation error（最大降低38厘米）。

研究团队采用四项关键技术：1）ICESat-2 ATL03光子数据滤波与地形提取技术；2）Sentinel-2 B2/B3/B4/B8波段与高程的 Pearson 相关性分析；3）包含两层隐藏层的ANN误差预测模型；4）MIKE 21二维水力模型稳态模拟（网格分辨率20米）。研究选取黄河上游唐乃亥站上游190公里处的典型辫状河段作为试验区，利用2018-2022年的卫星数据，对比了高、中、低流量四种水文情景下的模拟效果。

研究结果显示：

1. 1.

   DEM精度提升：ANN DEM在距河道1200米范围内平均降低高程误差38厘米，训练集MSE从0.45米降至0.35米。近红外波段(B8)对误差修正的贡献度达0.12，显示出光谱特征与微地形的强关联性。

2. 2.

   洪水模拟改进：在2019年9月中流量事件中，ANN DEM使关键成功指数(CSI)提升19%，F1分数提高13%。通过_Ks=50 m^1/3/s的粗糙度参数设置，有效减少了洪泛区过度预测（偏差降低25%）。

3. 3.

   地形特征识别：10米分辨率ANN DEM成功识别出FabDEM遗漏的小型河道（宽度≥20米），如在AOI 2区域新增的绿色命中像素（图11），证实了高分辨率地形对辫状水系表征的重要性。

讨论部分指出，该方法的价值在于：1）突破性利用ICESat-2光子数据校正植被干扰，解决了Copernicus DEM在洪泛区的系统误差；2）建立的光谱-高程关联模型可推广至全球其他缺乏实测数据的河流；3）稳态模拟框架平衡了计算效率与精度需求，适用于大范围洪水风险评估。不过研究也承认， submerged bathymetry（水下地形）的估算仍依赖FabDEM的插值结果，未来可结合雷达测深数据进一步改进。

这项研究为全球洪水风险管理提供了可扩展的技术范式，其创新性体现在三个方面：首次将ICESat-2 ATL03原始光子数据用于洪泛区DEM校正；开发了基于Sentinel-2多光谱特征的ANN误差预测模型；验证了中等分辨率（20米）网格在非城市区洪水模拟的性价比优势。该成果尤其适用于"一带一路"沿线数据稀缺地区的灾害防治，为联合国可持续发展目标(SDG)中的气候行动目标提供了关键技术支撑。