基于机器学习方法改进小型水库 SWOT 像元云 (PIXC) 数据的水体像元检测

《Journal of Hydrology》：Improving water pixel detection in SWOT Pixel Cloud (PIXC) data over small reservoirs using machine learning methods

　　

•机器学习模型通过减少假阳性和假阴性分类，提高了 SWOT PIXC 数据中的水像素检测能力。
•PIXC 衍生特征（相干性、后向散射、不确定性指标）结合外部水出现先验信息增强了检测可靠性。
•跨多个水库的评估显示，与原始 PIXC 和 LakeSP 产品相比，与现场观测的一致性得到改善。
•特征分析确定了驱动 SWOT PIXC 数据中水/非水可分离性的关键地球物理和处理变量。
•所有 ML 模型（KNN、随机森林、XGBoost）均显示出一致的改进，没有单一模型在所有水库中占主导地位。

引言

水是一种关键自然资源，支持生态系统、农业、工业和人类生活。湖泊、河流、水库和湿地等淡水系统在全球水文循环中发挥着核心作用（Allan 等，2005；Palmer 等，2015）。然而，人口增长、工业化和气候变化显著加剧了对水资源的压力。全球水需求在过去一个世纪迅速增加，并持续稳步上升（WWAP，2018）。同时，由气候驱动的极端事件如干旱和洪水变得更加频繁和严重（Chen 等，2022）。这些综合压力突显了可靠水资源监测系统日益增长的重要性。

传统现场测量提供了内陆水体准确观测，但往往受成本、可达性和时间覆盖范围的限制（Li and Niu, 2022）。因此，卫星遥感已成为大规模和持续监测水资源的关键工具。在最近的任务中，2022 年 12 月发射的表面水和海洋地形（SWOT）任务代表了利用干涉合成孔径雷达（InSAR）进行高分辨率水观测的重大进步（Munier 等，2015）。基于模拟 SWOT 数据的早期研究证明了其在湖泊和水库监测方面的潜力，并有助于改进检索算法和不确定性表征（Lee 等，2010；Munier 等，2015；Solander 等，2016；Grippa 等，2019；Bergeron 等，2020；Ottlé 等，2020；Du 等，2021；Nair 等，2021；2022；Xiong 等，2023；Desrochers 等，2023）。

随着 SWOT 观测数据的发布，几项研究确认了其检索水面高程和监测内陆水动力变化的能力，且具有合理的准确性。例如，SWOT 衍生的湖泊和河流产品已显示出与多个地区的独立测高和现场观测的高度一致性（Hamoudzadeh 等，2024；Normandin 等，2024；Weibel 等，2024；Yu 等，2024）。这些研究证明了 SWOT 在全球尺度水文监测方面的能力，包括在洪水分析、水循环评估和气候影响研究中的应用（Fayne, 2024；Getirana 等，2024；Fu 等，2024；Laipelt 等，2025；Simoes-Sousa 等，2025；Wang 等，2025；Wu 等，2025；Shirafkan, 2026）。

在 SWOT 数据产品中，像素云（PIXC）数据集对于内陆水研究尤为重要，因为它提供了高分辨率的像素级物理和分类信息，包括来自 Ka 波段雷达干涉仪（KaRIn）的雷达后向散射、干涉相干性和质量指标。PIXC 将每个观测值分类为七种地表类型：开阔水体、暗水、低相干开阔水、近陆地水体、近陆地低相干水、近水体陆地和陆地。图 1 展示了 15-Khordad 水库此分类的一个示例。

2 级湖泊单次过境矢量（LakeSP）产品是通过聚合和矢量化过程从 PIXC 数据生成的。在此处理链中，PIXC 中识别出的水像素使用先验湖泊数据库（PLD）中定义的湖泊边界进行分组，并估计水面高程（WSE）、表面积和储量变化等湖泊尺度参数。该产品还包括相关的元数据、质量标志和不确定性估计，以及应用的地球物理和大气校正。PIXC 和 LakeSP 产品均通过美国宇航局物理海洋学分布式主动存档中心（PO.DAAC）公开发布，可用于研究和应用目的。

Fayne (2024) 研究了 SWOT 合成孔径雷达（SAR）观测在内陆水体上的潜力。他们的研究主要集中在两个主要目标：估计大于 1 平方公里湖泊上的风速以及检测土壤湿度和植被含水量的变化。结果表明，SWOT 后向散射信号不仅对水体上由风驱动的表面动态敏感，还对陆地表面湿度条件的变化敏感。

雷达后向散射和环境条件中的这些敏感性可能会降低水类与陆地类之间的可分离性，特别是在低相干或陆水混合条件下，导致 PIXC 产品中像素级分类的不确定性增加。

为了解决这个问题，本研究专门致力于改进 SWOT PIXC 数据中的水像素检测。本研究的主要目标是通过减少假阳性和假阴性，改进 SWOT PIXC 数据中的水像素检测，从而提高水库表面积估计的准确性和一致性。与假设单一最优分类器的方法不同，本研究采用比较框架来评估多种机器学习方法用于 PIXC 校正。

为实现这一目标，我们提出了一种基于机器学习的校正框架，利用从 PIXC 产品衍生的像素级特征和辅助水文信息来细化 PIXC 水/非水标签。三种监督学习方法——K 近邻（KNN）、随机森林（RF）和极端梯度提升（XGBoost）——在伊朗八个水库中进行评估和比较。

所提出的框架分为两个阶段设计。首先，使用 PIXC 衍生特征构建训练数据集以改进 PIXC 水像素检测。其次，评估和比较不同机器学习模型的性能，以评估它们在提高 SWOT PIXC 产品中水检测准确性方面的有效性。

模型性能使用多个标准进行评估，包括与现场测量、原始 PIXC 输出和 SWOT LakeSP 产品的比较。此外，分析了表面积、水位和水库体积之间的一致性，以进一步验证校正水掩膜的可靠性。

本文其余部分组织如下。第 2 节描述了本研究使用的数据集。第 3 节提出了方法论。第 4 节讨论了结果。第 5 节总结了本研究。

章节摘要

研究区域

我们选择了伊朗 8 个大小和形状不同的水库：15-Khordad、Dez、Karun 4、Zayandehrud、Agh Chai、Doosti、Shahid Rajaei 和 Garan。图 2 说明了它们在该国的地理分布。

15-Khordad 水库位于 Qomrud 河上，大约位于伊朗迪利詹县西北 5 公里处（34.06N, 50.62E）。Dez 水库位于 Dez 河上，安迪梅什克以北 23 公里及德兹富勒以北（32.60N, 48.46E）。更南边，Karun 4 水库位于

方法论

本研究专注于使用机器学习技术改进 SWOT PIXC 数据内的水像素检测，以提高衍生的水库表面积估计的准确性。主要目标是减少 PIXC 衍生的水观测中的假阳性和假阴性检测，这直接影响表面积和体积估计。

PIXC 产品提供像素级辐射和分类相关变量；然而，水检测受到

结果与验证

在本研究中，应用机器学习框架改进水库环境中的 SWOT PIXC 水像素检测。由此产生的改进减少了水检测中的误分类，导致水库表面积和体积的估计更加一致。

为了评估泛化性能，实验设计扩展到一个包括 Dez、Shahid Rajaei 和 Agh Chay 水库的多水库框架。这些水库表现出不同的水文气候和

结论

本研究表明，机器学习模型可以有效改进 SWOT PIXC 数据中的水像素检测，通过减少假阳性和假阴性，从而提高水库表面积估计的时间一致性。使用 PIXC 衍生特征结合外部水出现先验信息，三个模型（KNN、随机森林和 XGBoost）使用从三个水库（Dez、Shahid Rajaei 和 Agh Chay）衍生的 21 次时间观测进行训练，这些水库被选为

CRediT 作者贡献声明

Shayan Shirafkan: 撰写 - 初稿，数据整理。Mohammad Ali Sharifi: 撰写 - 审阅与编辑，监督，项目管理。Mohammad J. Tourian: 撰写 - 审阅与编辑，监督，方法论，概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系，可能被认为影响了本论文中报告的工作。

致谢

我们感谢伊斯法罕地区水务组织提供本研究中使用的现场数据。

Shayan Shirafkan|Mohammad Ali Sharifi|Mohammad J. Tourian