基于物理引导与噪声增强的自适应融合双流网络的水位估计方法——联合CYGNSS与Sentinel-1观测数据

《Satellite Navigation》：A physics-guided noise-enhanced adaptive fusion dual-stream network for water level estimation using CYGNSS and Sentinel-1 observations

　　

准确的河流水位估计对于防洪减灾、水资源管理和河网调控至关重要。然而，复杂河网区域的水位变化具有强非平稳性和非线性特征，给精确估计带来了显著挑战。为解决这一问题，本研究提出了一种基于物理引导、噪声增强的自适应融合双流网络（PGNAF-DSNet），利用CYGNSS（Cyclone Global Navigation Satellite System）和Sentinel?1的SAR（Synthetic Aperture Radar）观测数据，针对江苏平原复杂河网进行水位估计。该模型整合了物理引导融合特征、选择性高斯噪声增强、双流时序编码和自适应特征融合机制，并采用严格的时间顺序划分策略。实验结果表明，PGNAF-DSNet优于CNN、Transformer、LSTM和Transformer-LSTM等机器学习模型，在测试集上实现了均方根误差（SRMSE）为0.2388米、平均绝对误差（SMAE）为0.1624米、相关系数（R）为0.9889的性能。值得注意的是，在受人类活动影响显著的地区，预测误差降低了约50%，展现出强大的泛化能力和抗干扰能力。此外，该模型在长期T+6预测中保持了高稳定性，R持续超过0.95。这些结果证明了PGNAF-DSNet在复杂河网区域水位预测中的有效性，并为平原河网的动态水位监测和精细化管理提供了可靠的技术基础。

一、研究背景、问题与意义

准确的水位估计对于防洪减灾、水资源管理和河网调控至关重要。然而，在复杂河网区域，水位变化受到降水、水闸调度、人类活动和农业灌溉等多重因素共同影响，呈现出强烈的非平稳性、非线性和空间异质性，对精确估计提出了巨大挑战。传统的水位获取方式依赖水文站的实地测量，但该方法空间覆盖稀疏、运营成本高且实时获取能力有限，难以实现大规模、高频次和连续的水位监测。卫星遥感技术，如传统的卫星测高任务（Jason系列、Sentinel-3等）和新一代的SWOT（Surface Water and Ocean Topography）任务，虽能提供水面高程信息，但分别受限于轨道间距稀疏和重访周期较长（SWOT名义上为21天）。光学和合成孔径雷达（SAR）影像可用于提取水面范围和水宽，但光学传感器易受云层影响，而Sentinel-1 SAR的重访周期也仅为6-12天，难以满足连续日尺度监测的需求。相比之下，CYGNSS（Cyclone Global Navigation Satellite System）星座凭借其极高的重访频率（数小时量级）和多卫星覆盖优势，能够捕捉快速演变的水文过程。尽管已有研究探索了结合SAR和CYGNSS数据进行水位估计，但这些方法多停留在数据级或序列级的融合层面，未能充分挖掘跨模态特征的交互作用，且纯粹的数据驱动映射可能缺乏物理一致性和泛化能力。

因此，本研究旨在解决上述关键空白，即如何构建一个稳健且具有物理意义的融合表征，用于卫星遥感的河流水位估计。研究人员提出了一种基于物理引导、噪声增强的自适应融合双流网络（PGNAF-DSNet），通过在特征层面深度融合SAR和CYGNSS的互补信息，并结合物理先验知识和深度学习模型，以提高复杂河网区域水位预测的精度、鲁棒性和可解释性。该研究发表于《Satellite Navigation》期刊，为动态水位监测和平原河网的精细化管理提供了可靠的技术基础。

二、关键技术方法

为开展此项研究，研究人员采用了以下关键技术方法：

1. 1.
   物理引导特征构建：利用Sentinel-1的VV和VH极化后向散射系数构建极化差特征（P_pol），并将其与CYGNSS反射率（I_ref）相乘，构造物理引导融合水体指数（PFSWI）。同时，引入站点的河宽变异系数（Width_cv）作为反映河道形态变化的物理引导特征。
2. 2.
   选择性高斯噪声增强：通过对原始观测特征进行小波去噪，提取噪声残差并验证其符合高斯分布。在此基础上，采用Tree-structured Parzen Estimator（TPE）算法优化噪声强度参数，在训练阶段对易受观测误差影响的变量（如VV、VH、河宽、降水）注入高斯噪声，以提升模型的鲁棒性和泛化能力。
3. 3.
   双流时序编码架构：设计并行运行的Transformer和长短期记忆网络（LSTM）编码器，分别从同一输入序列中提取全局依赖信息和局部动态模式。
4. 4.
   自适应特征融合（AFF）模块：通过动态学习的权重，将Transformer和LSTM编码器输出的互补特征进行自适应整合。
5. 5.
   预测解码：使用LSTM解码器基于融合后的特征生成未来的水位预测值。

三、研究结果

3.1 不同基线模型的预测性能对比

通过与CNN、Transformer、LSTM和Transformer-LSTM等基线模型进行对比，PGNAF-DSNet在所有评估指标上均表现最优，在测试集上达到了0.2388米的均方根误差（S_RMSE）、0.1624米的平均绝对误差（S_MAE）和0.9889的相关系数（R）。这表明所提出的融合框架在捕捉复杂河网水位动态方面具有显著优势。

3.2 不同时间步长下的泛化性能

在长期T+6预测（即未来第6天的预测）任务中，PGNAF-DSNet的相关系数（R）持续超过0.95，显示出模型在面对更长预测窗口时仍能保持高度的稳定性和预测能力，证明了其在应对极端水文波动方面的优越性。

3.3 消融实验

通过逐步移除PGNAF-DSNet的各个核心组件（如物理引导特征、噪声增强、双流结构、自适应融合），研究人员证实了每个模块对最终性能均有贡献。其中，物理引导特征和双流自适应融合机制的贡献最为显著，验证了其设计的有效性和必要性。

3.4 极端水文情景下的鲁棒性验证

在受人类活动（如水闸调度）影响显著的区域，PGNAF-DSNet的预测误差相比其他模型降低了约50%。这证明了该模型在复杂、受扰动的实际环境中具备强大的泛化能力和抗干扰能力。

四、讨论与结论

讨论部分总结：研究人员讨论了CYGNSS与Sentinel-1融合的合理性，指出两者在时空分辨率上具有天然互补性：CYGNSS提供高频但相对粗糙的信息，而Sentinel-1提供高空间分辨率但低频的信息。物理引导特征（PFSWI和Width_cv）的引入，使得模型不仅学习了数据间的统计关系，还融入了水面散射和河道形态变化的物理先验知识，从而提升了模型的物理一致性和可解释性。模型的可解释性分析表明，PFSWI和CYGNSS反射率等特征是影响水位预测的关键变量。同时，研究也指出了当前方法的局限性，例如对高质量地面真值数据的依赖以及在更广泛地理区域的适用性有待进一步验证。

研究结论部分：这项研究提出了一种基于物理引导、噪声增强的自适应融合双流网络（PGNAF-DSNet），用于利用CYGNSS和Sentinel-1观测数据对复杂河网区域的水位进行估计。该模型整合了物理引导融合特征、选择性高斯噪声增强、双流时序编码和自适应特征融合机制。实验结果表明，PGNAF-DSNet在各项评估指标上均优于CNN、Transformer、LSTM和Transformer-LSTM等机器学习模型。值得注意的是，在受人类活动显著影响的区域，预测误差降低了约50%，展现了强大的泛化能力和抗干扰能力。此外，该模型在长期T+6预测中保持了高稳定性。这些结果证明了PGNAF-DSNet在复杂河网区域水位预测中的有效性，并为平原河网的动态水位监测和精细化管理提供了可靠的技术基础。