基于动态规划和沿轨约束的子波形重跟踪方法用于Sentinel-3测高数据内陆河流水位反演

《Journal of Hydrology》：Dynamic-programming-based subwaveform retracking with along-track constraints for inland river water level retrieval from Sentinel-3 altimetry

　　

• 提出了一种基于动态规划的子波形重跟踪方法。• DPSR通过沿轨全局优化来确定正确的子波形。• 与现有方法相比，DPSR能提供更多有效水位观测数据，且精度更高。• DPSR在不同宽度和条件的河流上均表现出良好的稳健性。引言可靠的连续内陆河流水位观测是洪水预警、水资源调配、水库调度、航运和生态系统管理的基础。然而，在许多偏远和跨境流域中，实地水位站网仍然稀疏或难以维护（Fekete等，2012；Lyu等，2026；Ruhi等，2018；Shiklomanov等，2002；Zheng等，2026a）。因此，卫星雷达高度计成为监测内陆水位的互补手段，并越来越多地应用于湖泊、水库和河流（Schwatke等，2015；Xia等，2026；Yan等，2026；Zhao等，2023）。然而，将雷达高度计从开阔海域和大型湖泊转移到内陆河流并非易事。河流高度计观测的重跟踪仍然面临挑战，因为狭窄的河道及周边的泛滥平原、植被、地形和基础设施可能污染雷达回波，产生畸变或多峰值波形（Deng等，2025；Guo等，2009；Huang等，2018；Huangfu等，2025；Lin等，2024）。为解决这些问题，已开发了广泛的波形重跟踪方法（Deng等，2025）。为便于说明，我们根据其主要处理策略对现有重跟踪方法进行归纳分类，如表1所示。第一类为经验重跟踪器，因其简洁和易移植性而得到广泛应用，包括阈值重跟踪算法（Davis，1997）、偏移重心法（OCOG）（Wingham等，1986）等。第二类为函数拟合重跟踪器，通过拟合理论波形模型来估计历元时刻，包括Brown模型（Brown，1977）、SAMOSA重跟踪器（Dinardo等，2015，已应用于Sentinel-3产品）等。第三类为子波形分析重跟踪器，通常将子波形分析嵌入上述两类基本重跟踪方法中，以处理由陆地污染引起的多峰值波形，包括ALES重跟踪器（Passaro等，2014）、TIC算法（Huang等，2018）、CTR算法（Hu等，2024）、IMSA算法（Fang等，2025）等。这些分类旨在提供一个概念性框架，而非互斥的类别，因为部分重跟踪器结合了多种处理策略的元素。特别是，基于子波形的方法通常识别或提取与目标水面相关联的波形分量，然后对选定的子波形应用经验或函数拟合重跟踪器。除了这些已确立的重跟踪策略外，近期研究开始探索基于机器学习的高度计波形处理方法。例如，卷积神经网络已应用于乌尔米耶湖的波形重跟踪（Memarian Sorkhabi等，2022）；利用模拟雷达回波图训练的深层神经网络已被用于内陆水位提取，包括河流应用（Nino等，2021）。近期，还开发了利用模拟波形训练的卷积神经网络重跟踪器用于冰盖雷达高度计（Helm等，2024）。这些研究表明数据驱动模型在波学习波形形状与重跟踪位置之间复杂关系方面的潜力。然而，其在异质性河流环境中的应用仍然有限，部分原因在于构建具有可靠参考重跟踪位置的具有代表性训练数据集较为困难，且模型在不同卫星、河流系统和波形条件下的可迁移性尚未得到系统建立。同时，水面与海洋地形（SWOT）任务的发射（2022年12月），专门用于为陆地水文学提供宽幅水面高程和水体几何观测（Biancamaria等，2016）。早期任务结果进一步展示了其以高分辨率观测河流和湖泊的能力（Fu等，2024）。尽管SWOT大幅推进了宽幅内陆水观测（Maubant等，2025；Patidar等，2025），但其观测记录相对较短，因此改进传统天底高度计提取方法对于长期河流监测仍然重要。然而，现有重跟踪方法在复杂的内陆河流环境中仍存在重要局限性。经典经验法和函数拟合重跟踪器通常对单个波形进行操作，对陆地污染、非天底回波和不规则多峰值波形高度敏感，这一问题在河流宽度小于高度计足迹间距时尤为突出，因此其性能通常在相对洁净、以水体为主导的观测中更为稳健，而在狭窄和异质性河段中表现不佳（Chen等，2022；Deng等，2025；Hu等，2024；Jiang等，2020）。子波形分析方法通过隔离更可能代表目标水面回波的候选波形分量来部分缓解这一问题。然而，其性能仍强烈依赖于候选子波形的检测、过滤和选择方式，而这些步骤通常依赖于局部或方法特定的准则（Deng等，2025；Fang等，2025；Ke等，2025）。更重要的是，一项针对高度复杂河流环境的近期诊断研究表明，没有任何单一重跟踪器在所有虚拟站（VS）上均表现一致良好，而融合多波形信息的策略优于纯单波形方法（Xia等，2026）。利用邻近波形信息的优势在其他高度计环境中也得到了验证。例如，Roscher等（2017）开发了STAR技术，融合空间和时间邻近波形，通过基于图的优化方法识别一致的海面高程集合。然而，此类方法主要为海洋和近岸高度计开发，而非用于内陆河流中遇到的高度污染且频繁出现多峰值波形的场景。对于在同一次卫星过境过程中沿同一河段依次获取的足迹，水位通常在短沿轨距离上渐进变化。相反，急剧且孤立的水位变化更可能源自陆地污染回波、错误峰选或其他波形异常。因此，邻近足迹之间的空间关系为区分合理的水面回波与局部有利但空间不一致的候选解提供了有价值的互补信息。然而，在汇流区、水工结构附近或河段几何形态快速变化的区域，确实可能发生真实的水位变化。因此，空间连续性应被视为软约束，而非作为绝对平滑性假设来施加。这些考虑揭示了一个方法学上的差距。尽管现有子波形重跟踪器能够生成合理的候选回波，但专门针对内陆河流、在连续足迹上联合选择水相关子波形并同时考虑沿轨空间一致性的统一框架仍然有限。弥合这一差距需要从独立的逐波形决策转向整个卫星过境航段上的联合优化。此类框架应评估单个候选解的可靠性，约束邻近足迹之间不合理的变化，并允许跳过无法识别可靠候选解的足迹。据此，本研究提出了一种基于动态规划的子波形重跟踪方法（DPSR），用于Sentinel-3河流高度计数据。DPSR从单个波形中生成候选水位，并将其联合选择表述为最短路径问题，其中节点代价、转移代价和跳过代价分别代表候选解可靠性、沿轨一致性和跳过不可靠足迹的选项。动态规划搜索随后确定全局最优沿轨水位路径，而非做出独立的逐足迹决策。该方法在亚马逊河流域和鄱阳湖流域两个对比鲜明的河系中，与代表性重跟踪器进行了对比评估，以检验提取精度、数据可用性、跨河宽稳健性和跨区域可迁移性。本文其余部分组织如下：第2节介绍研究区和所用数据集。第3节阐述DPSR的基本原理和实现流程，并简要介绍本研究中考虑的其他重跟踪器。第4节报告DPSR和基准方法的水位提取结果，并进一步分析若干典型案例。第5节讨论结果，包括所提方法的性能、适用性、局限性及未来工作方向。最后，第6节总结本研究的主要结论。研究区选择两个流域——南美洲的亚马逊河流域和中国东南部的鄱阳湖流域，以评估所提DPSR方法在多种河流条件下的适用性和稳健性。亚马逊河流域是地球上最大的河流流域，汇水面积达600万平方公里，在全球气候、水循环和区域水资源中发挥着重要作用。其复杂的河道-泛滥平原连通性以及如此广阔流域中有限的实地观测数据……Sentinel-3水位提取框架在雷达高度计中，水位是通过卫星高度与卫星到地表距离之差获得的，并施加相应的地球物理改正（S3任务性能中心（S3MPC），2022）。因此，相对于大地水准面的水位可计算为H = 卫星高度 ? 距离 + 改正 ? 大地水准面，其中H表示相对于EGM2008大地水准面的水位，altitude为参考椭球面上的卫星高度，range为……全周期整体性能图4和表2总结了DPSR和四种基准重跟踪方法在亚马逊河流域和鄱阳湖流域所有水位站-虚拟站配对上的整体提取精度和数据可用性。总体而言，DPSR在两个研究区均取得了最佳整体性能，在产生最低提取误差的同时，提供了明显更多的有效水位观测数据。在亚马逊河流域，DPSR的中位和平均均方根误差值分别为0.41米和0.44米，均低于……跨水位站评估中相对指标的必要性除了量化原始单位误差的RMSE和MAE之外，本研究还采用了RSR作为相对性能指标。此前的模型评估研究通常将RMSE和MAE视为尺度相关误差指标，适用于描述单个站点或水文相似站点之间的绝对误差。相比之下，归一化或无量纲指标提供相对评估，因此更适合用于……结论本研究提出了一种基于动态规划的子波形重跟踪方法（DPSR），用于从Sentinel-3高度计数据中提取内陆河流水位，并在亚马逊河流域的78个水位站-虚拟站（VS）配对和鄱阳湖流域的39个水位站-VS配对上，与OCOG、ICE-1、50%阈值法和IMSA进行了评估。主要结论如下。（1）DPSR在两个研究流域上均取得了持续优于基准重跟踪器的整体提取精度。作者贡献声明Mengran Tang：初稿撰写、验证、软件、方法论、形式化分析、数据整理、概念化。Lihua Xiong：资金获取。利益冲突声明作者声明不存在可能影响本文工作的已知竞争性经济利益或个人关系。致谢本研究由国家自然科学基金资助（编号52579017）。Sentinel-3高度计数据和Sentinel-1/2影像可从哥白尼数据空间生态系统获取（https://dataspace.copernicus.eu/）。实地水位数据来自Hidroweb（https://www.snirh.gov.br/hidroweb/）。Landsat 8/9影像来自美国地质调查局（USGS）Landsat Collection 2存档（https://www.usgs.gov/landsat-missions/landsat-collection-2）。SWORD数据可从……获取。Mengran Tang | Lihua Xiong