《Science of Remote Sensing》：Diagnostic assessment and validation of early SWOT data for reservoir water storage in India employing multi-source altimetry and ground observations
编辑推荐：
：
监测印度水库动态对于应对区域水资源短缺、解决跨邦水资源共享争端以及优化水电发电至关重要。研究人员利用地面观测数据量化了145座水库的新兴趋势，对SWOT（地表水与海洋地形卫星）获取的印度水库水面高程（WSE）与蓄水量观测进行了早期诊断评估，并通过整合DAH
：
监测印度水库动态对于应对区域水资源短缺、解决跨邦水资源共享争端以及优化水电发电至关重要。研究人员利用地面观测数据量化了145座水库的新兴趋势，对SWOT（地表水与海洋地形卫星）获取的印度水库水面高程（WSE）与蓄水量观测进行了早期诊断评估，并通过整合DAHITI（内陆水域水文时间序列数据库）中的多任务卫星测高辅助数据，构建了连续长期时间序列。根据蓄水能力，水库被划分为小型（<400 MCM）、中型（400–1000 MCM）和大型（>1000 MCM）三类，以评估基于分类的性能表现。结果表明，SWOT与实地WSE观测总体吻合良好，大型水库的平均皮尔逊相关系数r为0.90，平均无偏均方根误差（ubRMSE）为1.87 m。在蓄水量估算方面，中型水库表现出令人满意的性能（平均r=0.83，平均KGE=0.50），而大型水库的百分比偏差（PBIAS）为10.87%。小型水库表现出较强的时间一致性以及相对较低的绝对WSE误差，但鉴于该类水库样本量有限（n=2），上述结果仍属初步发现。对三座选定水库的深入调查佐证了相关推论，表明SWOT能够准确捕捉观测到的水库动态，同时展示了SWOT与历史卫星测高及实地观测的整合效果（WSE的r介于0.91至0.99之间，蓄水量的PBIAS介于1.40%至?21.90%之间）。研究结果凸显了SWOT在印度乃至更广泛地区数据稀缺水库中进行水库监测和制定动态水库运行策略的实际潜力。该多源方法提供了一个透明且实用的框架，可为在气候变化背景下制定长期水资源管理策略提供可操作的数据支撑。
一、研究背景与科学问题
地表水循环是维持地球生命的关键物理机制之一，而水库作为最重要的水利基础设施，在水资源供给、粮食安全、防洪、水力发电、航运和灌溉等方面发挥着不可替代的作用。全球范围内已建成超过5万座大坝，累计蓄水能力约为7000–8300 km3，相当于全球年入海径流总量的五分之一。印度作为亚洲大坝数量最多的国家之一，根据2025年国家指定大坝登记册，全国共有6628座指定大坝，其中6545座已完工、83座在建。然而，在气候变化与人类活动的双重压力下，全球水文循环正发生显著改变，水资源短缺问题日益严峻，准确监测水库蓄水动态成为保障水安全的关键环节。
传统的水库蓄水监测主要依赖实地水位计，但这种方法存在测站网络稀疏且分布不均、地理定位误差、维护成本高、难以覆盖偏远地区以及数据共享机制受限等固有缺陷。同时，陆面模型和水文模型由于缺乏水库调度运行信息，其估算结果也存在较大不确定性。卫星遥感技术在过去几十年中逐渐成为监测内陆水体WSE和面积的重要手段，但传统的天底卫星测高任务（如Jason系列、Envisat、SARAL/AltiKa等）受限于一维轨道剖面观测模式，空间覆盖有限、重访周期较长，难以全面捕捉小型或复杂内陆水体的动态变化。DAHITI数据库虽然通过整合多任务测高数据提供了长期连续水位序列，但仍依赖卫星轨道与水体交会，大量偏离轨道的库区无法被有效监测。
2022年12月发射的SWOT卫星作为美国NASA与法国CNES的联合任务，搭载了Ka波段雷达干涉仪（KaRIn），刈幅宽度达120 km，可覆盖全球超过90%面积大于62,500 m2的内陆水体，在21天重访周期内提供约2–7次观测，具备高精度（对面积超过1 km2的湖泊精度优于10 cm）、高空间分辨率（10 m–60 m × 6 m固有像元尺寸）和广域覆盖（77°S–77°N）等优势。尽管已有研究初步验证了SWOT在河流和水库WSE反演方面的性能，但将其观测转化为体积蓄水量估算的研究仍然有限，尤其是在印度背景下。蓄水量估算需要将SWOT WSE与水深测量信息及水位-库容关系整合，引入了超出单纯WSE反演的额外误差来源。因此，本研究旨在弥合长期水库蓄水精确估算的研究空白，系统评估SWOT在印度水库监测中的实际应用潜力。
二、研究目的与关键方法
本研究的具体目标包括：（1）利用2000–2024年实地水位和蓄水记录建立印度水库动态分析的稳健历史基线，识别长期趋势和季节性特征；（2）利用实地观测评估早期SWOT WSE和蓄水量估算在印度选定水库上的性能；（3）考察SWOT WSE和蓄水量估算在不同库容等级（小型<400 MCM、中型400–1000 MCM、大型>1000 MCM）水库中的尺度依赖性能；（4）通过协调CWC实地观测、DAHITI传统天底测高和SWOT现代宽刈幅干涉测量，建立水库动态长期多源整合框架。
研究采用了以下几项关键技术方法：第一，利用GRanD（全球水库与大坝数据库）1.3版确定332座印度水库的地理位置和最大蓄水能力，并按Biswas和Hossain（2022）提出的分类方案划分库容等级；第二，从CWC获取145座水库的逐日实地水位和蓄水长期记录；第三，采用Li等（2020）开发的全球高分辨率水库水深数据集（覆盖347座全球水库，约30 m空间分辨率），该数据集通过整合ICESat、Hydroweb和G-REALM等多源卫星测高观测与Landsat水面范围数据建立经验面积-高程（A–E）关系，再应用于地表水出现频率（SWO）图生成动态水深数据；第四，从NASA PO.DAAC获取SWOT L2_HR_LakeSP（Version C）高分辨率湖泊单次过境矢量数据产品，采用质量标志（quality_f）≤1的严格质量控制过滤，并开发了直接像元级体积积分框架：将SWOT WSE栅格化后与30 m水深栅格空间对齐，计算每个有效像元的水深（Depth = max(WSE ? Bathymetry, 0)），乘以像元面积并累加得到绝对体积蓄水量；第五，由于SWOT WSE参考EGM2008大地水准面而CWC记录采用局部平均海平面基准，研究采用平均偏差校正法进行垂直基准统一；第六，采用非参数Mann-Kendall显著性检验评估趋势方向，采用Sen斜率估计器量化变化幅度；第七，采用最近邻时间匹配方法（最大时间容差±2天）将SWOT观测与CWC实测配对，使用皮尔逊相关系数（r）、相对均方根误差（rRMSE）、百分比偏差（PBIAS）和Kling-Gupta效率（KGE）等指标进行性能评估。
三、主要研究结果
3.1 地面长期蓄水量和水位变化
基于CWC实地记录的单调趋势分析显示，大多数被评估水库未呈现统计学显著趋势。在119座进行蓄水趋势分析的水库中，71.40%无显著趋势；在145座进行水位趋势分析的水库中，71%无显著趋势。这种平稳性主导特征与受调度管理水库的运行特性在水文上自洽——严格运行规则曲线和调控泄流抵消了长期变率，使库水位在季风补给后回归稳定基线。水位趋势方面，仅4座水库（占2.75%）呈现显著下降趋势，平均降幅为?0.22米/年；38座水库（占26.21%）呈现上升趋势，平均增幅为+0.67米/年。蓄水趋势方面，4.20%的水库以平均?0.027 BCM/年的速率下降，24.40%的水库以平均+0.042 BCM/年的速率上升。年际变率方面，研究捕捉到从2000年代初持续亏缺到2021年达到峰值+28.90 BCM的显著“恢复阶段”转变，这归因于2019年强正印度洋偶极子（IOD）事件和2020–2023年持续拉尼娜事件的有利大尺度气候异常序列。2000年、2002年和2003年的严重蓄水亏缺与历史记录的灾难性季风失败直接吻合。
3.2 实地记录的季节性变化
对124座水库的聚合季节性蓄水动态分析揭示了典型的季风“锯齿”剖面。6月识别出关键最小蓄水状态（约30 BCM），随后印度夏季季风（ISM）到来启动季风充蓄阶段，平均充蓄速率为+22.74 BCM/月，10月达到约121 BCM的峰值。季风季后进入由运行规则曲线控制的消耗阶段，旱季平均消耗速率为?11.37 BCM/月。季风充蓄阶段年均蓄水量为90.96 BCM。每座水库的平均季节振幅为0.90 BCM，对应14.46米的垂直水位变幅。
3.3 实地观测的邦级变化
邦级分析揭示了显著的区域差异。安得拉邦13座水库的平均区域下降最为严重，达?0.0150 BCM/年/库，反映了主要半岛河流系统的流域闭合动态——上游密集大坝建设和大规模农业取水减少了地表径流。中央邦9座水库增幅最高，平均稳定增长+0.0792 BCM/年，反映降雨增加或水库管理改善。季节动态方面，喜马偕尔邦3座水库平均季节通量达2.75 BCM，为最具季节动态性的邦，体现了Pong Dam、Kol Dam和Rihand Dam等大型坝项目利用喜马拉雅融雪和强季风径流的特点。马哈拉施特拉邦27座水库平均季节通量稳定在0.48 BCM。
3.4 SWOT观测性能评估
对26座水库（大型19座、中型5座、小型2座）的验证显示，SWOT观测与实地数据在所有水库类别中均表现出良好的统计一致性。WSE方面，大型、中型和小型水库的平均皮尔逊r分别为0.90、0.93和0.99，对应平均rRMSE分别为0.54%、0.38%和0.47%，平均KGE分别为0.79、0.70和0.93。绝对误差方面，大型水库平均偏差为?0.24 m、RMSE为2.59 m、ubRMSE为1.87 m；中型水库平均偏差为0.98 m、RMSE为1.11 m、ubRMSE为0.30 m；小型水库平均偏差为?0.91 m、RMSE为1.07 m、ubRMSE为0.55 m。大型水库类较高的平均ubRMSE（1.87 m）主要受Tehri水库（个别ubRMSE=28.46 m）的强烈影响，该库位于陡峭山区环境，复杂地形可能挑战SWOT雷达测高反演；其余18座大型水库的平均ubRMSE约为0.39 m。蓄水量估算方面，大型和中型水库平均WSE PBIAS为0.13%和0.34%，对应蓄水PBIAS为10.87%和13.52%；小型水库平均WSE PBIAS为?0.41%，蓄水PBIAS为?23.56%。大型、中型和小型水库的平均蓄水rRMSE分别为44.65%、33.58%和26.27%。大型和中型水库的正蓄水偏差部分归因于季风驱动的临时淹没——水漫入周边洪泛平原和农田，这些区域被SWOT误分类为永久库容，因为近天底Ka波段雷达后向散射容易混淆开阔水体与湿土和饱和滨岸带。独立Sentinel-2光学影像（10 m）在SWOT过境约6小时后获取的可视化比对证实了这一假设。
3.4.4 代表性印度水库案例研究
研究选取了Rihand（约10,600 MCM，Son河流域季风主导的北部平原大型基准）、Indravati（约2,300 MCM，Godavari流域中东部印度高原过渡型大型基准）和Mari Kanive（约850 MCM，Krishna河流域半干旱条件下的中型基准）三座水库进行微观评估。Indravati水库WSE验证表现卓越，皮尔逊r达0.99、KGE为0.97、rRMSE仅0.10%；蓄水量估算也最为精确，r为0.92、KGE为0.79、PBIAS仅1.40%。Rihand水库WSE的r为0.91、KGE为0.84；蓄水量r为0.91、rRMSE为11.40%、PBIAS为?7.10%，准确捕捉了从2.0 BCM到1.0 BCM的泄降过程。Mari Kanive水库WSE的r为0.99、KGE为0.79；蓄水量PBIAS为?21.90%、r为0.64。多源整合方面，通过7天容差窗口的最近邻时间匹配和平均偏差校正实现垂直基准统一后，DAHITI、SWOT与CWC数据成功构建了2000–2025年的连续长期时间序列。SWOT观测从2023年开始与晚季风峰值完美对齐并精确捕捉泄降阶段；Rihand水库2025年季风季快速充蓄事件（单季从1.50升至4.20 BCM）被SWOT准确捕获，展示了其监测水库快速水文变化的能力。
3.5 SWOT观测的新兴水库蓄水变率
基于40座水库（大型23座、中型7座、小型10座）的SWOT观测分析显示，小型水库表现出最显著的年际波动，平均变异系数（CV）为38.09%，其中Kaketo水库CV最高达109.82%；中型水库整体稳定性最高，平均CV为24.63%，其中Majalgaon水库CV为62.47%；大型水库平均CV为35.52%，Srisailam水库CV高达78.40%，主要因其密集用于灌溉和水电。WSE变率方面，大型水库平均WSE波动为5.09 m，反映管理大规模泄水所需的深垂直泄降；小型和中型水库平均WSE波动分别为2.85 m和3.29 m。标准化Z-score异常分析显示大多数SWOT观测落在±1σ范围内，反映典型季节性行为，同时SWOT也捕捉到了极端离群值。
四、讨论与结论
研究讨论指出，蓄水量估算的不确定性源于多个顺序处理步骤，包括SWOT WSE反演、水面范围划定、库盆水深表示和像元级体积积分。大型水库类平均蓄水rRMSE（44.65%）高于中型（33.58%）和小型（26.27%），表明蓄水估算误差存在显著水库特异性变率。研究局限包括：按蓄水能力而非水面面积进行分组可能影响对SWOT反演性能的解读；小型水库验证样本量有限（n=2）不足以支撑统计稳健的普适性结论；严格的定量不确定性传播分析因全球水深数据集缺乏空间一致的不确定性信息而超出研究范围。
研究结论表明，SWOT观测在印度水库WSE和蓄水量监测方面展现出良好的实际应用潜力。大型水库WSE平均皮尔逊r为0.90、ubRMSE为1.87 m，中型水库蓄水量估算性能令人满意（平均r=0.83、KGE=0.50）。通过整合CWC实地观测、DAHITI传统测高和SWOT宽刈幅干涉测量，研究建立了透明且实用的多源整合框架，能够提供可操作的数据以更好地制定长期水资源管理策略。该框架支持跨政治邦界的透明水库动态量化，有助于缓解数据共享受限背景下的跨邦水资源争端，并为数据稀缺地区水库的动态运行策略制定提供了科学依据。在气候变化背景下，这一多源监测框架为印度乃至更广泛地区的水资源管理提供了重要的技术支撑。
