《Science of Remote Sensing》：Long-term changes and attribution of lake water levels on the Tibetan Plateau revealed by multisource satellite altimetry data
编辑推荐：
监测青藏高原（Tibetan Plateau, TP）湖泊受到恶劣环境和方法的限制。为克服单任务卫星测高在时空覆盖上的局限以及传统线性分析的不足，研究人员整合了CryoSat-2和Sentinel-3A/B测高观测，并采用多层级鲁棒异常检测框架，生成了2010
监测青藏高原（Tibetan Plateau, TP）湖泊受到恶劣环境和方法的限制。为克服单任务卫星测高在时空覆盖上的局限以及传统线性分析的不足，研究人员整合了CryoSat-2和Sentinel-3A/B测高观测，并采用多层级鲁棒异常检测框架，生成了2010–2026年间11个代表性TP湖泊的水位时间序列。随后采用基于LOESS的季节趋势分解（Seasonal-Trend Decomposition using LOESS, STL）和XGBoost–SHapley Additive exPlanations（SHAP）框架，用以刻画时空变化特征并评估其与五个水文气象因素之间的非线性关联。所生成的时间序列与实地观测高度吻合（R > 0.94，均方根误差RMSE：0.07–0.11 m）。在16年研究期内，超过80%的研究湖泊呈现持续的水位上升，区域平均速率为0.27 m yr-1。然而，近期各湖泊的水位轨迹出现分化，部分湖泊呈加速上升趋势，另一些则呈减速或趋势逆转。年内变率亦有所增强：近五年平均季节振幅增加了48.6%（0.17 m）。归因分析揭示了显著的空间异质性。尽管统计模型表明，在XGBoost框架内降水（32.5%）和地下水（21.6%）的区域贡献最大，但各湖泊呈现出以降水主导、热损失敏感或地下水关联为主的差异化响应模式。这些对比鲜明的模式可能受流域地形、湖泊形态及当地地质条件的差异所调控。上述发现为估算湖泊蓄水量变化、评估长期水位趋势、监测溢流与洪水风险，以及研究TP湖泊生态系统、气候变率与区域水资源之间的相互作用提供了更完善的基础。
论文解读
一、研究背景与意义
青藏高原被誉为“亚洲水塔”，是全球海拔最高、面积最大的高原，孕育着地球上最广泛的高海拔湖泊系统。这些湖泊在维持区域生态平衡、调节亚洲季风系统以及为下游数十亿人口供给淡水资源方面发挥着不可替代的作用。由于这些湖泊极少受到人类活动的直接干扰，其动态变化成为全球气候变化最纯净、最敏感的指示器。然而，高原的高海拔、极端寒冷气候、严重缺氧以及崎岖难以到达的地形，使得长期实地观测极为困难，绝大多数湖泊处于数据稀缺或完全无监测的状态。传统的地面监测网络不仅建设和维护成本高昂，而且空间和时间覆盖极为有限。
过去数十年间，卫星雷达测高已发展为内陆水体监测的有效工具。特别是合成孔径雷达（Synthetic Aperture Radar, SAR）测高技术的进步，显著提升了测量精度和沿轨分辨率，使其在复杂山地地形中日益可行。然而，现有基于测高的TP湖泊研究仍面临若干显著局限：第一，依赖单一卫星任务常导致显著的时间间隙，难以进行连续的年内和季节分析；第二，传统雷达测高仪受崎岖山地地形、锯齿状岸线和冬季冰盖的严重波形污染；第三，多任务数据融合常因垂直参考系统不一致和卫星轨道空间偏移而引入关键的任务间偏差；第四，传统线性归因方法难以充分捕捉TP独特环境中降水、蒸发、地下水和冰冻圈融水之间高度复杂、非线性和协同的相互作用。
针对上述观测与分析局限，本研究选取TP上11个代表性湖泊，时间跨度为2010至2026年，提出了一套综合分析框架——将高保真SAR测高融合与鲁棒时间分解及探索性机器学习相结合，旨在系统性地解决上述关键问题。
二、主要技术方法
研究人员采用以下关键技术方法开展研究：其一，融合CryoSat-2（SARIn模式）和Sentinel-3A/B（标准SAR模式）的Level-2测高观测数据，利用两种任务均采用Ku波段延迟多普勒/SAR架构、沿轨足迹更小的优势，优化时间分辨率并确保雷达散射机制的高度一致性；其二，构建多层级质量控制框架，结合动态中位数绝对偏差（Median Absolute Deviation, MAD）滤波与支持向量回归（Support Vector Regression, SVR）去除异常值，生成连续高保真水位时间序列；其三，在数据融合中通过重叠期交叉校准施加常数偏移以消除任务间空间偏移；其四，采用基于LOESS的季节趋势分解（STL）方法稳健地分离长期趋势、非线性波动和年内变率；其五，运用可解释机器学习XGBoost–SHAP框架，探索水位变率与水文气象变量之间的复杂非线性关系。验证数据方面，使用了扎日南木错（2010–2017）和鲁玛江冬错（2016–2021）的实地逐日水位观测，以及DAHITI数据库和Liao等人（2025）开发的多源卫星测高数据集进行交叉验证。辅助数据包括Landsat 7/8影像提取的湖泊边界、HydroBASINS Level 7流域边界、ERA5再分析变量（降水、气温、蒸发、总径流）及SSP2-4.5情景下的青藏高原地下水数据集。
三、研究结果
3.1 生成湖泊水位时间序列的精度评估
研究通过多源交叉验证和实地观测对比评估了生成的水位时间序列。与DAHITI记录相比，11个湖泊的平均相关系数R为0.98，平均均方根误差（Root Mean Square Error, RMSE）为0.11 m，其中纳木错的一致性最佳（RMSE = 0.05 m）。与Liao等人数据集的对比同样高度一致，平均R大于0.95。在扎日南木错，生成序列与实地观测的R为0.95、RMSE为0.11 m，优于Liao等人数据集（R = 0.73，RMSE = 0.24 m）。在鲁玛江冬错，经偏移校正后，生成水位与观测的R为0.99、RMSE为0.07 m。上述结果支持了所提方法再现观测水位变率的能力。
3.2 湖泊水位动态分析
年际水位变化分析：2010至2026年间，研究湖泊总体呈上升趋势，区域平均速率为0.27 m yr-1，平均累计增幅超过4.3 m。11个湖泊中有9个（81.8%）呈现显著上升趋势，其中阿克齐吉卡杰湖增速最快（0.61 m yr-1），赤布张错、美马错、阿牙克库木湖和鲁玛江冬错增速介于0.33至0.50 m yr-1之间。相比之下，鄂陵湖和纳木错呈轻微下降趋势（分别为?0.05和?0.01 m yr-1）。区域平均水位变化速率从前期十年的0.26 m yr-1略降至近五年的0.25 m yr-1。11个湖泊中6个在近五年呈现加速上升，其中赤布张错加速最为显著（从0.42升至0.72 m yr-1）；而扎日南木错、哈拉湖、色林错、昂拉仁错和美马错则出现减速或趋势逆转，扎日南木错约在2020年前后从0.16 m yr-1的稳定上升转为?0.16 m yr-1的下降。
季节水位变化分析：研究湖泊呈现大体一致的年内水位周期，区域平均季节强度指数（S）为0.65。11个湖泊中8个（72.7%）为中等季节性，3个为强季节性，纳木错的季节强度最高（S = 0.87）。近五年区域平均季节振幅从0.35 m增至0.52 m，绝对增幅0.17 m，相对增幅48.6%；区域平均季节强度指数从0.30增至0.48，增幅达60%。近期季节周期呈现显著的双向扩张：8–10月湿季水位峰值更高，1–4月干季水位谷值更低。鄂陵湖、美马错、阿克齐吉卡杰湖和鲁玛江冬错的季节强度分布呈显著上移。相比之下，扎日南木错和赤布张错的季节行为变化甚微。
3.3 湖泊水位变化的统计归因
XGBoost–SHAP分析表明，降水在解释11个湖泊水位变率方面具有最大的区域重要性，平均相对贡献为32.5%。降水与地表径流（17.5%）合计占50.0%；气温（16.2%）与蒸发（12.1%）合计占28.3%；地下水贡献为21.6%。各湖泊间差异显著：6个湖泊（包括赤布张错和阿牙克库木湖）以降水主导为主，赤布张错的降水贡献最高（49.6%）；美马错以地表径流为主导（48.1%）；鄂陵湖和昂拉仁错的热力与蒸发因素更为突出（气温贡献35.7%，蒸发贡献30.4%）；鲁玛江冬错和阿克齐吉卡杰湖的降水贡献较低（13%–16%），但地下水贡献分别高达69.7%和52.7%。
四、讨论与结论
讨论部分指出，SHAP结果提示区域湖泊水位变率反映了间歇性水文输入、热力蒸发过程和地下水交换的综合作用，湖泊呈现降水/径流主导、热损失敏感和地下水关联三种主要响应模式。这种空间异质性可能受流域地形、湖泊形态和局部地质等未建模物理因素的调控。针对季节振幅增强现象，研究认为其并非来自年水量供给的均匀增加，而是反映了冷季和早暖季水分损失与夏末秋初水分输入之间对比的扩大：冬春季节正的气温和蒸发异常伴随径流减少，加深了雨季前的年度水位最低值；而8–9月集中的降水输入则抬高了湿季峰值。在年际尺度上，2015/2016年强厄尔尼诺事件与2015年区域降水赤字相吻合，而2016–2018年降水虽转为高于平均，区域湖泊水位却未立即恢复，这与流域尺度的水文记忆效应一致——2015年干旱可能耗尽了土壤水分和地下水储量，后续降水先补充陆面储水而非直接转化为地表径流入湖。
研究结论可概括为三点：第一，生成的水位时间序列与公开测高数据集和实地观测高度吻合（R普遍超过0.94，RMSE为0.07–0.11 m），超过80%的监测湖泊呈持续上升，区域平均速率为0.27 m yr-1，但近年前期十年与近期对比显示各湖泊轨迹日益分化；第二，STL分析揭示季节水位变率系统性增强，区域平均季节振幅增加48.6%（绝对增幅0.17 m），表现为季节周期双向扩张，与集中夏末降水输入和雨季前增强的蒸发损失相关；第三，XGBoost–SHAP分析显示区域尺度上降水重要性最大（32.5%），其次为地下水（21.6%），湖泊尺度上识别出降水/径流主导、热损失敏感和地下水关联三种响应模式，表明TP湖泊水位响应受流域水文气候、水源组成、地形和水文连通性差异的强烈制约。由于SHAP值度量的是模型内变量重要性，所推断的机制仍需利用独立的水量平衡和地下水观测进一步评估。
