融合ICESat-2激光测高与Sentinel-2影像重建光学复杂内陆湖泊水深地形——以巴尔喀什湖为例

《Journal of Hydrology: Regional Studies》：Reconstructing inland lake bathymetry in optically complex waters by fusing ICESat-2 altimetry and Sentinel-2 Imagery: A case study of Lake Balkhash

　　

本研究旨在解决干旱区内陆湖泊水量估算中可靠水深地形数据匮乏的难题。研究人员开发了融合ICESat-2光子计数激光雷达（photon-counting LiDAR）与多期Sentinel-2光学影像的水深反演框架，并以中亚哈萨克斯坦东南部的巴尔喀什湖为案例进行验证。该湖作为大型内流湖，具有显著的空间异质性水体光学特征，西部子盆地为淡水且较浅，东部子盆地为咸水且较深。针对ICESat-2光子点云中存在的噪声干扰问题，研究人员采用基于自适应DBSCAN（Density-Based Spatial Clustering of Applications with Noise，基于密度的噪声应用空间聚类）算法的二次去噪与再聚类流程，从复杂光子信号中提取有效的湖床光子。提取的水深样本与Sentinel-2光谱特征相结合，通过随机森林（Random Forest，RF）模型实现全湖高分辨率连续水深地形重建。研究结果表明，该融合框架在不同水体浑浊度条件下均表现良好，独立原位验证数据的均方根误差（Root Mean Square Error，RMSE）为1.046 m。重建的水深地形揭示了两个子盆地之间清晰的形态差异：西部浅水子盆地相比东部深水咸水子盆地，对水文波动更为敏感。通过建立水位-面积-体积关系，研究人员重建了1879-2024年湖泊水量变化的长期记录，发现2019-2024年间湖泊储水量出现新一轮下降趋势。这些发现揭示了传统基于面积的监测方法的局限性，为中亚地区水资源评估提供了体积基准。

## 论文解读

### 一、研究背景与研究意义

湖泊是陆地淡水资源的重要组成部分，为人类用水和水生生态系统提供必要支撑。准确理解湖泊储水量的长期变化，对于评估区域水资源分配和生态系统动态具有重要意义。在表征湖泊变化的诸多参数中，湖泊体积是反映储水量变化最直接的指标，而水位和水面面积仅能提供水文变异的部分信息。然而，体积估算需要详细的湖床地形信息，这对于许多大型或偏远湖泊而言难以获取。传统的水深测量方法依赖野外测深、船载回声测深系统和机载激光雷达测深，这些方法在应对大规模或高海拔湖泊时需要大量人力财力，且往往无法实现全湖覆盖。虽然基于水位-面积关系的方法可在无直接水深测量的情况下近似体积变化，但其仅适用于湖盆形态相对简单的湖泊，对于湖床结构复杂的湖泊可能引入显著的体积估算不确定性。

近年来，主动星载激光测高与被动光学遥感的发展为克服传统测深的局限提供了新机遇。特别是ICESat-2（Ice, Cloud, and Land Elevation Satellite-2，冰、云和陆地高程卫星2号）搭载的高级地形激光测高仪系统（Advanced Topographic Laser Altimeter System，ATLAS），能够以亚米级垂直精度提供高密度光子计数激光测高观测，在清水环境下可探测约40 m水深。然而，现有ICESat-2湖泊测深研究多聚焦于清水环境，其在光学复杂内陆水体中的适用性尚待充分评估。许多内陆湖泊，尤其是干旱区湖泊，由于水动力再悬浮和风力沉积输入导致悬浮颗粒物浓度较高，水体浑浊度低，光子在水中传播时产生强烈的体积散射噪声，使真实湖床光子的识别变得困难。尽管ICESat-2数据单独应用于高浑浊水体通常被认为不适合深度估算，但在中等复杂光学条件下的研究表明光子计数激光雷达仍具潜力。

将ICESat-2光子计数激光雷达数据与Landsat、Sentinel-2等被动光学影像融合，已成为大规模水深估算的有前景方法。机器学习技术的进步使得整合数据集以建模光谱特征与水深之间的非线性关系成为可能。但现有融合方法主要面向清水湖泊开发，常需手动筛除受浑浊度影响的数据，在光学复杂的大型湖泊中抑制水下噪声和识别可靠湖床信号仍存困难，限制了其在干旱区湖泊中的应用。因此，本研究提出一种主被动遥感融合框架，用于重建光学复杂大型湖泊的水深地形，将ICESat-2激光测深与Sentinel-2光学影像作为互补数据源协同运用。

### 二、关键技术方法

本研究核心技术方法包括：（1）ICESat-2测深样本提取：基于自适应DBSCAN算法进行光子去噪，采用直方图峰值检测法确定瞬时水面高程，结合高斯滤波与空间聚类的滑动窗口 procedure 识别湖床光子，最后进行折射校正（n_water≈1.34）；（2）Sentinel-2光学反演：提取蓝、绿、红和近红外波段及六种对数比值特征，以ICESat-2衍生水深为标签训练机器学习模型；（3）模型比较与优化：评估SVR、RF、LightGBM、XGBoost、MLP和基于Transformer的模型六种算法，采用Optuna自动化超参数优化；（4）多期融合策略：按月合成高质量Sentinel-2影像生成月尺度水深图，转换为绝对湖床高程后进行异常值抗性平均，生成最终数字水深模型。

### 三、研究结果

**ICESat-2测深样本提取与验证**：以2019年4月GT1L轨道为例，展示光子云处理流程。自适应DBSCAN结合KNN（k-nearest neighbors，k近邻）参数估计进行光子去噪，保留主信号结构；通过直方图峰值检测识别瞬时水面高程（约342.93 m），设置±0.2 m垂直缓冲带排除水面光子；采用高斯滤波与局部空间聚类识别湖床光子簇，经IQR（Interquartile Range，四分位距）滤波和10 m半径空间聚合后，与OPTICS（Ordering Points to Identify the Clustering Structure，排序点以识别聚类结构）算法相比，提出的自适应DBSCAN方法产生更多验证点且RMSE更低（n=31，RMSE=1.004 m vs. n=15，RMSE=3.313 m）。全部387个验证点与ICESat-2衍生深度比较，R²为0.959，RMSE为0.868 m，共获得126,830个水深样本，深度范围0.12-26.37 m。

**水深反演模型评估**：基于30%保留测试集评估六种机器学习模型。RF、基于Transformer的模型和XGBoost表现最优，R²分别为0.912、0.876和0.867。深度分层残差分析显示，LightGBM、XGBoost和RF预测深度分布与参考深度接近，方差有限，在9-18 m中等深度区间保持稳定。定量比较中，RF在所有评估指标上均优于其他模型，RMSE为0.931 m，MAE为0.790 m，MAPE为17.744%，平均偏差为0.191 m，故被选为全湖水深重建的最优模型。

**全湖水深预测**：Sentinel-2影像按月合成进行逐月反演，各月重建结果RMSE均值为1.34±0.12 m，MAE均值为1.04±0.14 m。经多期融合后，最终融合水深与离散原位验证点比较，RMSE降至1.046 m，MAE为0.829 m，R²为0.961。以2019年6月最高水位（约342.87 m）定义湖泊边界，重建湖床最低高程315.88 m，全湖平均湖床高程336.48 without 48 m。深水区集中于东部子盆地，西部子盆地最低高程328.15 m，两子盆地最深点高差12.27 m，东部子盆地湖床起伏更大，西部子盆地相对平坦，最东端存在明显深水凹陷。

**水位-面积-体积关系与储水量变化**：利用卫星衍生水位和重建湖床高程模型建立关系。因历史高水位接近345 m超过重建模型覆盖范围，以COP30高程模型补充342.85 m以上区域。在342 m参考水位，湖泊面积约1.65×10⁴ km²，对应水量约107.6 km³。西部子盆地曲线更陡，342 m时面积9.82×10³ km²、水量51.34 km³，占总面积59.6%但仅占总体积47.7%；东部子盆地梯度更缓，328.15 m时仍保留面积1801 km²、水量7.29 km³。基于1879-2024年历史水位记录重建长期储水量变化，揭示湖泊在1908年达到最高水位343.73 m，20世纪末显著下降至1987年历史低水位约340.68 m，随后恢复至2012年的342.79 m，2019-2024年出现新一轮下降，2021年水量减少最大（5.48 km³），2024年水位降至341.69 m。

### 四、讨论与研究结论

**主被动融合框架的性能与可迁移性**：该框架在异质光学条件下重建巴尔喀什湖水深地形具有合理精度，ICESat-2衍生深度与原位等深线的一致性表明，当自适应去噪、湖床光子探测、聚合和折射校正相结合时，仍可从光学复杂内陆水体中提取有效湖床光子。与OPTICS的比较进一步证实了所提光子提取流程的可靠性。RF模型表现最优的原因在于，巴尔喀什湖光学-水深关系的非线性和空间异质性，除深度相关光衰减外，Sentinel-2反射率还受悬浮沉积物、底质变异性和东西子盆地对比光学条件的影响，RF通过多决策树组合及原始光谱波段与对数比值特征的联合使用，能够捕捉互补的深度相关信息。该框架的优势在于ICESat-2与Sentinel-2的互补信息协同：ICESat-2提供稀疏但物理意义明确的沿轨深度约束，Sentinel-2则将之扩展至全湖连续表面。与主要针对清水环境的前期研究相比，本研究将策略拓展至浑浊度空间变异更强的大型内陆湖泊。

**巴尔喀什湖水文意义**：重建水深凸显了两子盆地间的强烈形态对比。西部子盆地广而浅，东部深而窄，这解释了相同水位变化在不同湖区产生不同面积和体积响应的原因。现有研究多限于水位-面积评估，本研究建立的水位-面积-体积关系为将历史水位记录转换为储量变化提供了直接基础，捕捉了20世纪末下降、1987年后恢复及2019-2024年新一轮储量减少的过程。该水深数据集还为未来水文动力和生态分析提供了空间基础。

**不确定性与未来研究**：主要不确定性源于ICESat-2/ATLAS在浑浊内陆水体中的有限穿透能力，水柱衰减降低湖床光子可探测性，可能使训练样本偏向较浅或较清区域。按浑浊度分层的误差分析显示，RMSE从低浑浊度（NDTI≤0）的0.931 m增至中等浑浊度（00.1）的1.293 m。空间和时间匹配是另一不确定性来源，ICESat-2窄轨样本与Sentinel-2像元尺度存在空间尺度失配，大气条件、短期光学变异性和风驱沉积再悬浮可能导致时间失配。此外，使用现状水深重建历史储量变化假设湖床形态未发生足以改变关系的改变，尽管巴尔喀什湖存在3.4 mm yr^-1的沉积速率，但不应线性外推至整个1879-2024时期。

**研究结论**：本研究开发了融合ICESat-2光子计数激光雷达数据与多期Sentinel-2影像的主被动遥感融合框架，用于重建光学复杂内陆湖泊的水深地形。该框架从噪声光子云中提取可靠湖床深度样本，作为机器学习反演的训练标签。六种评估模型中RF表现最优，内部测试集RMSE为0.931 m；多期融合后最终水深模型独立原位验证RMSE为1.046 m。重建水深揭示了巴尔喀什湖两子盆地间的显著形态差异：西部子盆地浅而宽，东部深而窄。这些差异强烈影响湖泊的水位-面积-体积关系，表明水位变化在两子盆地中产生不同的体积响应。所推导的水位-面积-体积关系实现了1879-2024年水量变化的长期重建，识别出2019年后湖泊储水量的新一轮下降。该研究为光学条件异质、数据匮乏的内陆湖泊水深重建提供了实用框架，所得水深模型和水位-面积-体积关系为巴尔喀什湖水量变化评估提供了有价值的体积基准，可支持未来干旱区水文模拟和水资源管理。