集成卫星衍生测深与形态动力学评估用于受调控河流监测：基于机器学习与Sentinel-2数据

《Water》：Integrated Satellite-Derived Bathymetry and Morphodynamic Assessment for Regulated River Monitoring Using Machine Learning and Sentinel-2 Data

　　

该研究提出了一种集成数据驱动框架，用于大型受调控河流的卫星衍生测深（SDB）和形态动力学评估，提供了支持河段尺度水文形态监测和河流管理的空间数据库。研究人员利用24,768个现场水深测量数据和Sentinel-2多光谱数据，训练随机森林（RF）和人工神经网络（ANN）模型以开发卫星衍生测深（SDB）。在浑浊水体条件下，随机森林（RF）模型在模拟水光谱与水深之间的非线性关系方面优于人工神经网络（ANN）模型；RF模型的决定系数（R²）为0.828，均方根误差（RMSE）为0.93 m，而ANN模型的R²为0.608，RMSE为1.40 m。深度相关误差在中间深度最小，在浅水和深水区域较大。研究人员利用基于归一化差异水体指数（NDWI）的水体掩膜定义河道边界，计算了2017年、2019年和2021年的形态测量参数，包括蜿蜒度指数（SI）和辫状指数（BI）。该河段呈现中等蜿蜒度（SI ≈ 1.16），并观察到辫状指数增加（BI范围从1.33到1.36）。从2017年到2019年，侵蚀面积（3.51 km²）超过沉积面积（1.25 km²）。相反，2019–2021年期间侵蚀和沉积面积大致相等（各1.63 km²）。该分析受到2015年单一校准调查、Sentinel-2光学穿透深度限制以及仅依赖三个形态测量快照（2017年、2019年、2021年）的制约，可能无法捕捉短期调整。该研究的创新之处在于将基于机器学习（ML）的Sentinel-2测深与多时相形态测量指标相结合，以联合表征受调控河流的垂直和水平动态。

**研究背景与问题**
传统回声测深调查成本高、耗时且难以在长距离形态动态河段重复实施，因此光学遥感卫星衍生测深（SDB）成为高效替代方案。SDB方法分为经验方法和物理方法，后者因参数化需求高而限制其在大河系统中的操作性。近年来，机器学习（ML）回归算法（如随机森林RF和人工神经网络ANN）被广泛用于SDB，能够建模水深与多光谱波段间的非线性关系。尼罗河作为全球最大的受调控河流之一，是水文形态监测的关键案例，但以往研究多聚焦于单一测深映射或平面形态分析，未将深度模式与河道平面形态变化整合。为填补这一垂直-水平监测缺口，研究人员提出集成ML-based Sentinel-2测深与多时相形态测量指标（如蜿蜒度指数SI、辫状指数BI和侵蚀-沉积映射）的框架，以联合表征受调控河段的垂直和水平动态。该研究以尼罗河第一河段为对象，旨在开发基于RF和ANN的测深模型，并量化2017–2019及2019–2021期间的形态变化。论文发表在《Water》。

**关键技术与方法**
采用Sentinel-2 Level-1C影像，经大气校正（暗目标减法）和太阳耀光校正（Hedley回归法），计算归一化差异水体指数（NDWI）提取水体掩膜。测深建模使用24,768个现场水深测量（来自尼罗河研究所2015年调查）和13个Sentinel-2波段，随机分割70%训练、30%测试，并实施块状空间验证（按UTM y坐标分组为8个纵向块，5块训练、3块独立测试）。RF模型构建300棵回归树，ANN为多层感知器（两个隐藏层各64神经元，ReLU激活）。形态分析基于2017、2019、2021年NDWI水体掩膜计算SI和BI，并叠加掩膜生成侵蚀-沉积图（面积以像素数×100 m2计）。样本来源：尼罗河第一河段（阿斯旺高坝下游至埃斯纳拦河坝上游，长约169 km）。

**研究结果**
**3.1 测深结果**
通过RF与ANN模型对比，RF在独立测试集上表现更优：均方根误差（RMSE）=0.93 m，决定系数（R²）=0.828，平均绝对误差（MAE）=0.53 m，残差偏差近零（0.0029 m）；ANN的RMSE=1.40 m，R²=0.608，MAE=0.97 m，偏差0.06 m。深度相关误差分析显示，RF在中间深度（5–10 m）误差最小（RMSE=0.65 m），浅水（<5 m）和深水（>10 m）误差增大（RMSE分别为1.31 m和1.50 m），ANN在各深度类别误差均更大。块状空间验证下，RF在独立测试块上的RMSE升至2.43 m，ANN为2.60 m，表明深度-反射率关系存在空间非平稳性。基于RF的测深图再现了主要深度梯度，清晰区分了深水航道与浅滩。

**3.2 形态测量结果**
通过NDWI水体掩膜计算SI和BI，河段平均蜿蜒度指数（SI）在2017、2019、2021年保持近乎恒定（约1.16–1.17），属于中等蜿蜒（1.05 ≤ SI < 1.3）；辫状指数（BI）从2017年的1.33略微增至2021年的1.36，表明多河道形态逐渐发展。平面形态变化分析显示，2017–2019年侵蚀面积（3.51 km2）超过沉积面积（1.25 km2），净侵蚀2.26 km2，指示河道展宽；2019–2021年侵蚀与沉积面积均衡（各1.63 km2），净变化0.00 km2，稳定面积扩大。侵蚀主要发生在凹岸和心滩上游，沉积分布在凸岸和心滩下游，符合经典曲流与沙洲动力学。

**讨论与结论**
**讨论**：RF模型性能优于ANN，与浑浊水体中基于树的算法鲁棒性结论一致；深度误差模式符合光学测深典型限制。块状空间验证显示模型在未校准河段可靠性下降，但可用于相对深度模式。形态指标表明河段为中等蜿蜒、弱辫状受调控河段，2017–2019年活跃平面调整后趋于准稳定。整合测深与形态测量为管理提供补充信息，如识别浅水关键段和规划护岸工程。局限性包括：单一2015年校准调查、Sentinel-2光学穿透深度限制、仅三个时相快照，2018和2020年高浊度年份不确定性增加。
**结论**：该研究证明，集成Sentinel-2影像与机器学习可成功生成测深图并量化尼罗河第一河段的形态变化。RF模型在浑浊水体中达到更高精度（R²=0.828，RMSE=0.93 m），深度相关误差位于典型范围。RF测深图再现主要深度梯度，清晰区分深水航道与浅滩。整合机器学习测深与多时相形态测量分析为受调控河流的河段尺度水文形态监测提供了有效框架，同时捕捉深度变异和平面调整，比单独测深或形态分析更全面。观测模式表明河段总体稳定，研究期间存在局部横向调整和沙洲演变。该研究通过结合测深统计、SI-BI指数和侵蚀-沉积映射，提供了垂直-水平联合视角，支持水文形态评估、浅水关键段识别及疏浚或护岸措施的初步筛查。该框架可推广至尼罗河其他受调控河段或类似大型冲积河流，前提是具备本地校准数据。