利用多年合成SAR数据和高程测量技术研究热带洪泛林的分布范围及其动态变化

《Remote Sensing of Environment》：Extent and dynamics of tropical flooded forests with multi-year SAR composites and altimetry

　　•长波长雷达数据能够检测到密集森林下的洪水情况。
•季节性变化数据来源于11年的PALSAR-2档案。
•高水位和低水位的时间信息基于高度计数据。
•洪水范围在亚马逊盆地和中央库韦特地区进行了评估。
•大面积的洪泛区展示了复杂的洪水动态。

**引言**
每年，亚马逊和刚果盆地的热带河流都会泛滥，淹没大片森林，这些森林维持着丰富的生物多样性，支撑着当地居民的生活，并影响着全球气候。例如，在亚马逊低地，水位波动可达15米（Barichivich等人，2018年；Richey等人，1989年），导致河流两岸数十公里的森林被淹没（Irion等人，1997年）。这些季节性洪水塑造了生态景观：洪水为洪泛区补充养分（Koschorreck和Darwich，2003年），陆地动物会迁移到较高地带或树冠层，许多鱼类从河道迁移到被淹没的森林中，将其作为觅食和繁殖的场所（Fernandes，1997年）。当地社区的生活和传统也围绕着这种水位的周期性变化而形成（Harris，1998年）。
除了生态和文化意义之外，热带湿地还是全球碳循环的重要组成部分（Bousquet等人，2006年）。它们在土壤中储存大量有机碳（Stewart等人，2024年），其中一部分通过侧向传输进入河流（Abril等人，2014年）。仅中央库韦特地区的泥炭地就储存了约300亿吨的碳，这些碳是在过去42,000年间积累的（Dargie等人，2025年；Garcin等人，2022年），而亚马逊盆地也有广阔的泥炭地（Hastie等人，2024年）。然而，这些滞水的厌氧条件促进了甲烷的产生，使热带湿地成为主要的天然甲烷来源（Melack等人，2022年；Saunois等人，2025年），树木介导的碳通量是一个主要途径（Pangala等人，2017年）。土壤中的碳储存和甲烷排放强烈依赖于洪水范围和动态（Garcin等人，2022年；Parker等人，2018年），而刚果和亚马逊盆地的水文状况正在发生变化：刚果盆地正处于干燥趋势，干旱季节正在延长（Jiang等人，2019年；Wongchuig等人，2025年），而亚马逊盆地的洪水持续时间正在增加（Fleischmann等人，2023年），极端事件也更加频繁（Marengo和Espinoza，2016年），包括2023年末创纪录的干旱（Moreira等人，2025年；Santos Fleischmann等人，2025年）。这些水文变化突显了需要精确的大尺度洪水动态地图，以便更好地理解这些富含碳的生态系统的脆弱性和温室气体通量。

**研究方法**
人们利用各种卫星数据来源尝试绘制全球地表水范围和洪水频率的地图。光学数据集如Global Surface Water Explorer（Pekel等人，2016年）提供了高空间分辨率，但由于树冠遮挡，大大低估了洪水范围。被动微波产品如GIEMS（Global Inundation Extent from Multi-Satellites，Prigent等人，2020年）利用地球表面自然发出的长波长微波辐射穿透云层和植被，提供每月的地表水范围估计，但分辨率非常粗糙（约25公里），限制了其在精细空间尺度应用中的使用。合成孔径雷达（SAR）技术作为一种有前景的折中方案出现，具有穿透云层的能力和高空间分辨率，但全球数据集仍然有限（Jung等人，2026年）。现有全球地表水范围数据集的对比显示，在植被覆盖区域存在显著差异（Aires等人，2018年；Zhang等人，2021年），这是由于部署的卫星特性和能力不同，以及缺乏可靠的验证数据来限制偏远地区的洪水范围估计所致。

在亚马逊盆地，早期使用长波长（L波段）SAR数据绘制湿地和洪水地图的努力证明了L波段信号能够穿透植被冠层并绘制森林区域的洪水情况（Hess等人，2003年）。由于特征性的“双次反射”散射，L波段SAR数据可以观测到被淹没的森林：雷达信号穿透密集的树冠层，从平滑的水面反射，然后从树干等垂直结构反弹回来（图1），从而产生比无水情况下更高的后向散射。多项研究在此基础上发展，生成了整个盆地的最大和最小洪水范围地图（Rosenqvist等人，2020年），或应用机器学习技术对单独的SAR数据进行处理（Oakes等人，2024年）。Fleischmann等人（2022年）比较了亚马逊河流域几种基于SAR的方法与光学、被动微波和水文模型的方法，发现在以开阔水域为主的洪泛区有很好的一致性，而对于被淹没的森林和河间湿地则存在较大不确定性。

在刚果雨林中，不确定性更加明显，因为该地区受科学界的关注较少（Alsdorf等人，2016年；Bates等人，2024年）。现有的刚果盆地湿地地图是结合光学、地形和雷达数据源制作的（Betbeder等人，2014年；Bwangoy等人，2010年；Crezee等人，2022年；Dargie等人，2017年）。虽然地形和植被组成与长期洪水情况密切相关（低洼和平坦地区更容易被淹没，积水会影响特定区域的树木密度和种类），但这些数据集无法直接提供森林冠层下的洪水状态信息，通常只能生成土地覆盖地图而非洪水范围或动态。De Grandi等人（2000年）使用1996年10月至11月的JERS-1数据制作了中央库韦特地区的100米分辨率镶嵌图。Rosenqvist和Birkett（2002年）指出，由于该地区水文周期不同，这种合成图经常无法捕捉到许多南部支流的峰值水位。最近，Betbeder等人（2014年）通过聚类PALSAR后向散射时间序列来绘制不同的洪水模式，Lee等人（2015年）利用MODIS和PALSAR数据在高水位季节估计被淹没森林的水深，Georgiou等人（2023年）使用PALSAR-2时间序列绘制易发生洪水的地区和雨养地区，并估计水位动态。然而，这些使用PALSAR或PALSAR-2的研究仅限于中央库韦特地区内350公里宽的单个区域。除中央库韦特外，刚果雨林以及亚马逊盆地边界外的湿润森林（包括圭亚那 shield和哥伦比亚部分地区）的洪水范围仍基本未知。

在先前的研究中，Hess等人（2015a，2015b）制作的覆盖亚马逊低地盆地的双季节产品仍然是亚马逊湿地洪水范围的基准（Fleischmann等人，2022年）。该产品通过机载视频图像进行了验证，并需要大量的人工图像解释。该产品根据两个JERS-1 SAR镶嵌图的后向散射值对土地覆盖和洪水状态（是否被淹没）进行分类：一个镶嵌图结合了1995年9月至12月的数据，称为“低水位镶嵌图”，另一个称为“高水位镶嵌图”，时间跨度为1996年5月至8月。然而，高水位或低水位镶嵌图未能全面反映整个盆地的高水位和低水位阶段。他们记录到高水位数据采集时间可能滞后于河流峰值排放月份达四个月（Hess等人，2015a，2015b），特别是在盆地南部。因此，需要一种基于水文信息、能够检测密集植被下洪水情况的SAR方法。

在本研究中，我们提出了一种基于L波段SAR观测时间序列的方法，结合卫星高度计的水文信息，来绘制亚马逊和刚果森林冠层下的洪水范围和季节性动态。卫星高度计使我们能够将每片雨林划分为反映局部水文特征的区域，捕捉洪水时间的空间变化，而不是对整个盆地应用统一的时间标准。我们生成了多年ALOS-2 PALSAR-2合成图像，代表了四种不同的水文阶段（即低水位、高水位和两个中间阶段）。这些合成图像基于十年的数据，比单独的观测数据噪声要低得多，我们使用概率方法估计了被淹没森林的范围。高水位合成图像提供了被淹没森林范围的估计，而其他合成图像则揭示了典型的季节性洪水动态。我们在多个尺度上对这些产品进行了验证：整个亚马逊低地盆地（Fleischmann等人，2022年）、亚马逊盆地的不同区域（Hess等人，2015a，2015b）以及刚果盆地的局部尺度（高分辨率机载SAR AirMOSS，Chapin等人，2012年）。据我们所知，目前还没有仅基于L波段SAR的整个亚马逊和刚果雨林季节性洪水动态地图。

**技术细节**
PALSAR-2是一种合成孔径雷达（SAR）传感器，工作在L波段（1.2 GHz频率或约24厘米波长），搭载在日本宇宙航空研究开发机构的ALOS-2卫星上（Kankaku等人，2013年）。其长波长微波信号可以穿透云层和植被冠层。卫星测量后向散射信号的幅度，干森林和被淹没森林之间的差异使得可以直接测量树冠下的洪水情况。卫星发射水平极化的（H）信号……

**方法**
为了估计森林洪水的范围和季节性动态，我们的方法包括三个主要步骤：
1. 使用卫星高度计数据确定亚马逊和刚果森林的水文阶段轮廓（图2，a-c）。
2. 生成代表不同水文阶段的ALOS-2 PALSAR-2合成图像（图2d）。
3. 从这些合成图像中确定被淹没森林的范围及其季节性动态（图2，e-f）。

**结果与讨论**
利用卫星高度计的水面高度时间序列，我们确定了亚马逊和刚果雨林多个虚拟站点的最大（tmax）和最小（tmin）河流水位时间。两个研究区域的北部和南部在河流水位峰值时间上存在显著差异（图5，a和b）。在亚马逊，南部河流水位峰值出现在2月，而在北部则出现在7月。在刚果雨林，水位的变异性……

**与其他研究的比较**
我们将亚马逊的洪水范围地图与Hess等人（2015a，2015b）报道的林地和森林湿地范围以及Rosenqvist等人（2020）预测的被淹没植被范围进行了比较，这两个数据集也依赖于L波段SAR数据（图8）。对于后者，我们考虑了2014/2015年、2015/2016年和2016/2017年三个年度的数据。我们发现这与两个产品有很好的一致性……

**方法优势**
我们方法的一个关键优势是将亚马逊和刚果雨林划分为水文一致的区域。亚马逊和刚果雨林的高水位和低水位阶段在北部和南部河流之间相差数月（图5）。Hess等人（2015a，2015b）指出这种变异性可能是误差的来源。通过根据不同区域定义不同的水文阶段的时间范围，我们……

**结论与展望**
在这项工作中，我们提出了一种新颖的L波段SAR方法，利用超过十年的ALOS-2 PALSAR-2数据来绘制亚马逊和刚果雨林的洪水范围和季节性动态。我们还依赖于卫星高度计数据（超过7000个时间序列）来定义水文一致的区域，并在当地定义高水位、中间水位和低水位条件。我们使用这些区域水文阶段来构建代表局部情况的PALSAR-2合成图像……

**作者贡献声明**
Paul Senty：撰写——审稿与编辑、原始草稿撰写、验证、软件开发、调查、正式分析、概念化。
Cécile Kittel：撰写——审稿与编辑、原始草稿撰写、验证、监督、项目管理、调查、概念化。
Fabrice Papa：撰写——审稿与编辑、原始草稿撰写、验证、监督、方法论、概念化。拉斯姆斯·芬斯霍尔特：撰写——审稿与编辑；撰写——初稿；验证；利益冲突声明
作者声明他们没有已知的财务利益冲突或可能影响本文研究内容的个人关系。

致谢
本项工作得到了诺和诺德基金会（全球湿地中心，项目编号NNF23OC0081089）的支持。作者还感谢日本宇宙航空研究开发机构（JAXA）提供ALOS-2 PALSAR-2 ScanSAR数据；感谢Google Earth Engine为这些数据集提供存储空间及研究所需的计算资源；感谢杜伊斯堡工业大学（DGFI-TUM）提供的内陆水体水文时间序列数据库（DAHITI）；同时感谢法比奥·克拉梅里（Fabio Crameri）提供的各种科学色彩地图（Crameri, 2023）。

作者名单：
保罗·森蒂（Paul Senty）| 塞西尔·基特尔（Cécile Kittel）| 法布里斯·帕帕（Fabrice Papa）| 拉斯姆斯·芬斯霍尔特（Rasmus Fensholt）| 莫妮卡·科波·弗里亚斯（Monica Coppo Frias）| 斯蒂芬妮·霍里昂（Stéphanie Horion）