利用多源测高融合技术长期监测长江流域湖泊动态变化

《Journal of Hydrology》：Long-term monitoring of lake dynamics across the Yangtze River Basin using multi-source altimetry fusion

　　

• 我们开发了一种多源测高数据融合方法，用于探测细微的湖泊变化。
• 该算法有效提升了湖泊监测的覆盖范围与频次。
• 我们生成了长江流域（YRB）连续的湖泊动态数据集。
• 长江流域的湖泊变化表现出显著的大小依赖性和空间异质性。

1. 引言

湖泊是全球水文循环和生态系统的重要组成部分。湖泊构成了地表液态淡水最大的储存库，并介导复杂的生物地球化学过程，调节陆-气相互作用及更广泛的环境条件（Borges 等, 2015, Crétaux 等, 2016, Yao 等, 2019）。在全球范围内，湖泊储存了约 182,000 km3 的液态淡水，占全球非冰川陆地水体积的 0.8%（Messager 等, 2016），相当于全球年河流径流量的四倍（Oki 和 Kanae, 2006）。作为气候变化的哨兵，湖泊动态为气候与环境条件的变化提供了敏感的指示（Adrian 等, 2009, Woolway 等, 2020, Zhao 等, 2025）。近期的评估表明，全球约 53% 的大型湖泊在过去三十年间经历了显著的水量减少（Yao 等, 2023）。除了气候变化外，人类活动对湖泊造成的压力也日益加剧（Tao 等, 2020, Xu 等, 2022）。过去 50 年间，全球用水量翻了一番（Wada 等, 2011），推动了水利工程设施的广泛建设（Li 和 Zhao, 2026, Li 等, 2023, Zarfl 等, 2015），导致全球约 77% 的河流受到调控（Grill 等, 2019）。人工管理的水库约占全球季节性水储量变化的 61%，其季节性水位波动幅度大约是自然湖泊的四倍（Cooley 等, 2021）。此类水利工程不仅重新分配地表水，还通过干扰入流-出流机制以及与之相关的水-泥沙-营养物质过程，深刻改变湖泊系统的自然动态（Chaudhari 等, 2018, Yassin 等, 2019）。

湖泊的动态特性需要高精度且连续的监测。然而，传统的原位监测往往受到复杂环境条件和较高维护成本的制约（Marcé 等, 2016, Papa 等, 2023）。此外，公开可用的原位观测资料稀缺——尤其是在发展中地区——继续制约着对全球水资源动态的评估（Cooley 等, 2025, Lin 等, 2023, Sheffield 等, 2018）。因此，卫星遥感已成为湖泊监测的一种有效替代手段。光学卫星影像可提供具有全球覆盖和长期时间连续性的可靠湖泊面积测量（Pekel 等, 2016, Li 等, 2025）。然而，仅依靠光学观测无法直接量化湖泊水位和水储量变化，而这些变化对于理解水文过程和支持水资源评估至关重要。

卫星雷达测高技术作为监测水位的关键技术，在全球大型湖泊监测中表现出优异的性能（Berry 等, 2005, Jiang 等, 2017, Li 等, 2019a）。目前，面向内陆水应用的雷达测高任务主要包括 Sentinel-3A/3B、CryoSat-2、Saral/AltiKa、Topex/Poseidon 以及 Jason-1/2/3。然而，单个任务受限于空间覆盖和重访频次（Maillard 等, 2015, Shu 等, 2020a）。为解决这一问题，多任务数据融合推动了全球内陆水高程数据库的发展，例如全球水库与湖泊监测（G-REALM）（Birkett 等, 2010）、Hydroweb（Crétaux 等, 2011）以及内陆水水文时间序列数据库（DAHITI）（Schwatke 等, 2015）。然而，这些数据库主要聚焦于大型水体，且所提供的历史水位记录时间连续性有限。与雷达测高相比，ICESat 和 ICESat-2 等卫星激光测高任务具有更精细的沿轨分辨率，已被广泛应用于内陆水（尤其是小型水体）的高程监测（Phan 等, 2012, Ryan 等, 2020, Xiang 等, 2021, Zhang 等, 2019）。值得注意的是，Cooley 等（2021）利用约 18 个月的 ICESat-2 观测数据，量化了全球 227,386 个湖泊的季节性水位变化。然而，ICESat/ICESat-2 的 91 天重复周期限制了其捕捉高频变率及实现水位动态连续监测的能力（Ma 等, 2024, Yao 等, 2024）。

建立稳健的湖泊面积-高程（A-E）关系，已成为将光学遥感获取的湖泊面积转换为湖泊水位和水储量估算的关键途径（Fan 等, 2024, Li 等, 2019b, Li 等, 2020, Zhang 等, 2017）。然而，基于 A-E 关系在较大尺度上构建可靠的长期湖泊水位与水储量估算仍存在两大主要挑战。第一，尽管光学卫星任务（如 Landsat 和 Sentinel-2）为湖泊面积的时空监测提供了强有力的支持（Ahmad 等, 2019, Dong 等, 2022, Li 等, 2021），但水体提取可因云污染、地形阴影、水生植被以及冰雪覆盖而受到严重干扰（Chen 等, 2020, Jia 等, 2018）。这些限制在长江流域等地区尤为明显，该区域湿地植被茂密，且常出现持续的阴云或降雨，进一步降低了湖泊面积观测的时间连续性。为缓解这些问题，一些研究采用了无云影像合成，或从受污染影像中推断完整的水体范围（Yao 等, 2019, Zhao 和 Gao, 2018）。然而，这些方法通常依赖于先验数据集（如全球地表水（GSW）数据集）或有限的湖泊样本，可能限制其在异质环境条件下的可迁移性和稳健性。第二，稳健的 A-E 关系需要高精度的测高水位观测，尤其是在高程动态较小的湖泊系统中。以长江流域为例，大多数自然湖泊的水位波动一般小于 2 m，表明细微的水文信号容易受到系统性测量误差的掩盖甚至放大。因此，精确校准并融合多源测高数据对于有效捕捉这些细微变化至关重要。然而，不同卫星任务在测量原理、传感器特性和空间采样模式上存在固有差异，可能引入任务间的偏差，从而影响重建湖泊水位和水储量的精度和长期一致性（Duan 和 Bastiaanssen, 2013）。

长江流域是全球湖泊最为密集的流域之一，在维持区域水文平衡、生物多样性、农业灌溉和饮用水供应方面发挥着关键作用（Hou 等, 2017, Wang 等, 2014）。近几十年来，在气候变化与人类活动的共同作用下，长江流域湖泊的时空格局发生了显著的长期变化（Chang 等, 2024, Xu 等, 2022）。尽管已开发出全球湖泊水储量数据集（Busker 等, 2019, Hou 等, 2024, Messager 等, 2016, Yao 等, 2023），但这些数据集普遍存在精度不足、时间序列短或不连续、湖泊覆盖不完整等局限，制约了对长江流域复杂且异质的湖泊系统的稳健表征。Cai 等（2016）利用 MODIS 数据估算了长江流域 128 个大型湖泊在 2000 至 2014 年间的储量变化。近期，Liu 等（2024）通过融合光学遥感与数字高程模型（DEM）数据，重建了 119 个湖泊（面积 >10 km2）的湖泊面积、水位和水储量的月际变化。然而，采用空间均一化的模型参数（Cai 等, 2016）和基于低分辨率 DEM 的 A-E 关系（Liu 等, 2024）可能引入较大不确定性，且在不同类型湖泊间的验证仍然不足。此外，现有研究主要聚焦于大型湖泊，对中小型湖泊关注有限，尽管后者在数量上占主导并具有重要的生态意义。因此，迫切需要一种能够明确纳入中小型湖泊、以高精度观测和异质湖泊系统的稳健验证为支撑的长江流域湖泊长期动态综合评估。

为应对上述挑战，本研究旨在：（i）开发一种先进的多源测高数据融合算法，以提升湖泊水位观测的空间覆盖和精度，从而为构建可靠的 A-E 关系提供稳健的水位时间序列；（ii）建立覆盖长江流域（1990–2023 年）的连续高分辨率湖泊面积、水位和水储量数据集，并系统分析湖泊动态的时空演化特征，以支持流域尺度的水资源管理和生态保护。

2. 资料与方法

2.1. 研究区

长江流域的地形自西向东逐渐降低，形成了中国分布最为广泛的淡水湖泊区。上游包括青藏高原和四川盆地，以高度敏感于气候变化的高山湖泊为主。中游拥有密集的湖泊网络，包括洞庭湖、鄱阳湖等重要水体，在防洪调节、农业灌溉和生物多样性保护方面发挥着关键作用。下游地形平坦、河网密布，拥有太湖和巢湖等重要湖泊。这些湖泊分布于多样化的地形梯度之上，共同在维持流域水文平衡与生态系统完整性方面发挥着关键作用。

为刻画长江流域湖泊的时空分布，本研究依据国家地球系统科学数据中心提供的水系边界将流域划分为九大主要子流域，包括雅砻江流域（YLRB）、岷江流域（MRB）、嘉陵江流域（JRB）、长江干流流域（YRMB）、汉江流域（HRB）、洞庭湖流域（DLB）、乌江流域（WRB）、鄱阳湖流域（PLB）和太湖流域（TB）。通过整合 HydroLAKES 数据库（Messager 等, 2016）与中国天然湖泊数据集（NLD_China）（Chen 和 Liu, 2021），识别出面积超过 1 km2 的湖泊。对于面积大于 10 km2 的湖泊，进一步利用高分辨率谷歌地球影像通过目视解译细化边界。HydroLAKES 数据库中不合理或不一致的湖泊边界利用 NLD_China 的矢量数据进行了修正。共选定 968 个湖泊（图 1），总面积为 14,362.97 km2，占中国湖泊总面积的 17.97%。

下载：下载高清图片（624KB）下载：下载全尺寸图片
图 1.（a）长江流域（YRB）及其九大子流域概览：雅砻江流域（YLRB）、岷江流域（MRB）、嘉陵江流域（JRB）、长江干流流域（YRMB）、汉江流域（HRB）、洞庭湖流域（DLB）、乌江流域（WRB）、鄱阳湖流域（PLB）和太湖流域（TB）。（b–d）展示修正后的湖泊边界数据集中面积最大的三个湖泊，分别为洞庭湖、来子湖和延湖。

2.2. 数据

2.2.1. 卫星测高数据

本研究使用的卫星测高数据包括两种主要技术：雷达测高和激光测高。雷达测高具有较高的时间分辨率和长期观测连续性，特别适合监测中大型内陆水体（Shu 等, 2020b）。然而，雷达测高仪的有效作用范围随工作模式差异较大。传统低分辨率模式（LRM）测高仪的作用范围通常为几公里（约 5–10 km），而合成孔径雷达（SAR）模式测高仪可将沿轨作用范围缩减至数百米（约 300 m）。因此，LRM 测高在小型湖泊或地形复杂区域仍然受到限制，而 SAR 测高则显著提升了这些环境下的测量精度和空间适用性。相比之下，激光测高提供更高的空间分辨率，因此在监测小型水体和地形复杂区域方面更为有效，但其较低的时间分辨率限制了捕捉短期动态的能力（Chen 等, 2022）。鉴于两者互补的优势与局限，雷达测高与激光测高的协同融合能够实现比单一数据源更全面、更可靠的湖泊水位监测。

雷达测高数据来自多个国际卫星任务，包括 CryoSat-2、Saral/AltiKa、Jason-1/2/3、TOPEX/Poseidon 以及 Sentinel-3A/3B。CryoSat-2 是由欧洲空间局（ESA）运营的极轨雷达测高任务，具有三种测量模式：LRM、SAR 模式以及 SAR 干涉（SARIn）模式。这些模式根据 CryoSat-2 的采集策略进行配置，因此每次观测均以单一模式获取，不同模式不会在同一地理位置同时运行。尽管标准 CryoSat-2 二级产品中实现的轨迹重跟踪程序最初是为海洋、海冰和冰缘应用开发的，但在经过适当的质量筛选和地表分类处理后，所得测高产品已成功应用于内陆水位监测（Jiang 等, 2017）。

特别是SAR和SARIn模式提供了更精细的沿轨分辨率，并降低了对离垂向和足迹相关污染的敏感性，使其在监测复杂地形中的湖泊和相对狭窄的水体方面尤为有利（Kleinherenbrink等，2014；Kleinherenbrink等，2020）。SARAL/AltiKa任务由国家空间研究中心（CNES）和印度空间研究组织（ISRO）联合开展，是首个搭载Ka波段雷达高度计的任务。其较高的时间分辨率适合监测大型湖泊，但较粗的空间足迹限制了其对小型水体的适用性。Jason系列（Jason-1/2/3）和TOPEX/Poseidon是由美国国家航空航天局（NASA）和CNES联合领导的任务，最初设计用于全球海洋高度测量，但已被广泛用于大型湖泊和主要河流的长期水位监测（Jarihani等，2013）。这些任务的轨道重访周期约为10天，可为中小型和大型水体提供长期时间序列数据。Sentinel-3A/3B是欧盟哥白尼计划的重要组成部分，搭载双频雷达高度计，是最早在全球范围内采用SAR模式的业务化任务之一。这一能力显著提高了内陆水体测量的准确性和可靠性，特别是对具有复杂岸线的湖泊和河流（Jiang等，2020）。

对于激光高度测量，主要使用ICESat和ICESat-2任务的数据。由于其高空间分辨率，这些激光高度测量任务已成为监测小型和微型水体的重要数据来源。然而，其较低的时间分辨率（91天）限制了其捕捉短期水位动态的能力。ICESat搭载了地球科学激光测高系统（GLAS），激光足迹直径约为70米，沿轨采样间隔约为170米，支持中小湖泊的水位观测（Zhang等，2011）。ICESat-2搭载了高级地形激光测高系统（ATLAS），采用多光束光子计数激光技术。该系统将激光足迹缩小至约17米，并实现了约0.7米的沿轨采样间隔，为复杂地形中小水体的监测提供了显著增强的空间分辨率和精度（Neumann等，2019）。为确保数据一致性和可比性，所有高度测量数据均参考EGM2008大地水准面模型（Pavlis等，2012）。卫星高度测量任务的详细信息总结于表1。

表1. 本研究使用的卫星高度测量任务总结。

| 卫星任务 | 产品 | 重访周期（天） | 时间范围 | 沿轨采样间隔（米） | 重跟踪器/算法 |
|---|---|---|---|---|---|
| CryoSat-2 | SIR_GDR | 369（30天子周期） | 2010–至今 | ~300（20 Hz） | Ocean CFI（LRM）；UCL海冰（SAR）；UCL边缘区（SARIn） |
| SARAL/AltiKa | GDR-f | 35 | 2013–至今 | ~175（40 Hz） | MLE4 |
| Jason-1 | GDR-e | 9.9156 | 2001–2013 | ~300（20 Hz） | MLE4 |
| Jason-2 | GDR-d | 9.9156 | 2008–2019 | ~300（20 Hz） | MLE4 |
| Jason-3 | GDR-f | 9.9156 | 2016–至今 | ~300（20 Hz） | 自适应 |
| TOPEX/Poseidon | GDR-f | 10 | 1992–2006 | ~300（20 Hz） | MLE4 |
| Sentinel-3A | SR_2_LAN_HY | 27 | 2016–至今 | ~300（20 Hz） | OCOG |
| Sentinel-3B | SR_2_LAN_HY | 27 | 2018–至今 | ~300（20 Hz） | OCOG |
| ICESat | GLAH14 | 91 | 2003–2009 | ~170 | 高斯拟合 |
| ICESat-2 | ATL13 | 91 | 2018–至今 | ~0.7 | 内陆水体物理拟合 |

**2.2.2. 卫星影像和专题地表水数据集**

为了准确刻画1990年至2023年长江流域（YRB）月度湖泊面积动态，本研究将多源光学和雷达卫星影像与专题地表水数据集相结合（表2）。Landsat-5/7/8和Sentinel-2任务的光学观测数据，空间分辨率为10至30米，是提取动态湖泊面积的主要数据来源。为克服光学影像在持续云层覆盖下的固有局限，本研究纳入了Sentinel-1 SAR数据，利用其全天候和昼夜观测能力增强了湖泊水面监测的时空连续性。此外，本研究还使用了联合研究中心（JRC）发布的GSW数据集（Pekel等，2016）。具体而言，JRC全球地表水映射图层v1.4产品基于Landsat观测数据，提供了1984–2021年全球地表水出现率（SWO）数据。像素级SWO信息对于表征湖泊水面范围的空间变异性以及构建可靠的面积-高程（A-E）关系至关重要。此外，JRC年度水类分类历史v1.4产品通过区分永久水体、季节性水体和非水体类别来补充SWO，从而为重建连续的月度湖泊面积时间序列提供了坚实基础。

表2. 本研究中用于湖泊面积监测的数据集概述。

| 数据来源 | 传感器/产品 | 空间分辨率（米） | 时间分辨率（天） | 时间范围 |
|---|---|---|---|---|
| Landsat-5 | TM | 30 | 16 | 1984–2013 |
| Landsat-7 | ETM+ | 30 | 16 | 1999–至今 |
| Landsat-8 | OLI | 30 | 16 | 2013–至今 |
| Sentinel-2 | MSI | 10–20 | 5 | 2015–至今 |
| Sentinel-1 | SAR | 5–40 | 6 | 2014–至今 |
| JRC-GSW | 月度水历史v1.4 | 30 | 30 | 1984–2021 |
| JRC-GSW | 年度水类分类历史v1.4 | 30 | 365 | 1984–2021 |

**2.2.3. 对比和验证数据**

来自12个湖泊的逐日实地观测数据用于验证增强型卫星湖泊水位产品和重建的月度湖泊水位时间序列，两者均包含在长江流域湖泊动态（YLD）数据集中（图2和表3）。为提高湖泊监测的准确性和可靠性，本研究采用航天飞机雷达地形测量任务（SRTM）的数字高程模型（DEM）数据对湖泊面积和水位的提取进行校正和精细化。此外，本研究利用HydroLAKES（Messager等，2016）和NLD_China（Chen和Liu，2021）数据库作为长江流域湖泊识别和后续分析的地理参考。HydroLAKES是一个全球水体名录，记录了约140万个面积不小于10公顷的湖泊和水库，提供岸线多边形和关联属性。NLD_China数据集基于2015–2020年间30米分辨率的长期湖泊水塞奇深度数据集（LAWSD30）开发，包含中国超过40,000个湖泊的信息。该数据集经过人工校正和多源数据交叉验证，以确保高准确性和可靠性。

下载：下载高分辨率图像（903KB）

下载：下载全尺寸图像

图2. 长江流域12个验证湖泊的空间分布及其对应的Sentinel-2影像。（a）验证湖泊在流域中的位置。（b–m）分别为太湖、鄱阳湖、巢湖、石臼湖、南漪湖、长湖、梁子湖、泊湖、浮托湖、洞庭湖、古城湖和东流的Sentinel-2影像。

表3. 用于验证的12个具有实地水位观测的湖泊详细信息。

| 湖泊名称 | Hylak_id | 经度（°E） | 纬度（°N） | 站点名称 | 时间跨度 |
|---|---|---|---|---|---|
| 太湖 | 1481 | 20.54 | 31.11 | 太湖和大通口 | 2004.01.01–2020.12.31 |
| 鄱阳湖 | 1511 | 16.22 | 29.75 | 康山和星子 | 2016.01.01–2020.12.31 |
| 巢湖 | 1430 | 117.85 | 31.59 | 中庙 | 2016.01.01–2023.12.31 |
| 石臼湖 | 1436 | 118.77 | 31.49 | 佘山 | 2016.01.01–2023.12.31 |
| 南漪湖 | 1446 | 118.84 | 31.11 | 南漕嘴 | 2016.01.01–2023.12.31 |
| 长湖 | 1456 | 112.82 | 30.40 | 长湖 | 2016.01.01–2023.12.31 |
| 梁子湖 | 1458 | 114.60 | 30.26 | 梁子镇 | 2016.01.01–2023.12.31 |
| 泊湖 | 1460 | 116.50 | 30.14 | 天祥嘴 | 2016.01.01–2023.12.31 |
| 浮托湖 | 1462 | 114.18 | 30.07 | 三洲 | 2016.01.01–2023.12.31 |
| 洞庭湖 | 1470 | 112.77 | 29.10 | 城陵矶和南嘴 | 2016.01.01–2023.12.31 |
| 古城湖 | 15,206 | 118.90 | 31.30 | 高淳 | 2016.01.01–2023.12.31 |
| 东流 | 15,287 | 114.40 | 30.56 | 东流 | 2016.01.01–2023.12.31 |

**2.3. 方法**

总体研究框架由两个主要部分组成：数据集生成与验证以及时空分析（图3）。首先，我们开发了一种多源高度测量融合（MAF）算法，以获取长江流域（YRB）的增强型湖泊水位时间序列。随后，将这些水位估计值与卫星观测的月度湖泊面积时间序列相结合，建立各湖泊的稳健面积-高程（A-E）关系，从而实现1990年至2023年湖泊面积、水位和蓄水量月度时间序列的重建。随后，应用Mann-Kendall（M-K）趋势检验（Mann等，1945），辅以Pettitt变化点检验（Pettitt等，1979），以揭示长江流域湖泊在过去30年间的时空演变格局。

下载：下载高分辨率图像（336KB）

下载：下载全尺寸图像

图3. 研究的总体技术流程。

**2.3.1. 数据集生成与验证**

本研究采用并进一步改进了Zhao等（2022）提出的月度湖泊面积重建方法。原始方法通过基于GSW产品显式建模季节性动态来重建历史月度湖泊面积变化，从而有效缓解了云污染和短期地表水波动的影响。为提高重建精度，我们利用云覆盖率≤20%的高质量遥感观测数据（包括Landsat-5/7/8和Sentinel-2影像）推导月度比例因子来细化原始方法。此外，纳入了Sentinel-1 SAR影像以改进多云条件下的水体提取。在Google Earth Engine（GEE）平台上，采用基于指数的方法（包括归一化差值水体指数（NDWI，McFeeters等，1996）和Sentinel-1双极化水体指数（SDWI，Han等，2022））提取地表水范围。使用自动Otsu阈值算法分离水体和非水体区域，同时实施额外的预处理程序——如云层掩膜、边缘检测和地形校正——以进一步提高提取精度。详细的处理流程见Wang等（2025）。通过这些改进，我们成功重建了长江流域904个湖泊从1990年至2023年的完整月度湖泊面积时间序列。

面积-高程（A-E）关系在准确重建湖泊水位和蓄水量的月度变化中起着关键作用。然而，单一高度测量任务的观测往往不足以提供建立稳健A-E关系所需的水位样本密度和精度，这一局限性对小型湖泊尤为明显。为解决此问题，我们开发了多源高度测量融合（MAF）算法（图4），该算法整合多个卫星高度测量任务的观测数据，以增强湖泊水位监测的空间覆盖和精度。MAF算法由两个主要部分组成：湖泊水位提取和高度测量融合。

（1）湖泊水位提取

下载：下载高分辨率图像（508KB）

下载：下载全尺寸图像

图4. 多源高度测量融合（MAF）算法的工作流程。

首先，我们从湖泊边界内识别有效的卫星足迹，获取初始高度测量观测数据，包括雷达高度计（CryoSat-2、SARAL/AltiKa、Jason-1/2/3、Sentinel-3A/3B和TOPEX/Poseidon）和激光高度计（ICESat和ICESat-2）。需要注意的是，本研究直接使用官方二级和三级高度测量产品中的标准重跟踪测量值（表1）。各任务采用的对应质量标志、地表分类标准和筛选参数总结于表A1。质量控制程序、标志定义和筛选标准选择依据的详细说明见附录。对于雷达高度测量数据，湖泊水位按照标准化高度测量处理公式计算如下：

$$H_{lakes} = H_{sat} - R_{range} - Geoid_{EGM2008} - \Delta C \tag{1}$$

$$\Delta C = \Delta C_{iono} + \Delta C_{wet} + \Delta C_{dry} + \Delta C_{solid} + \Delta C_{pole} \tag{2}$$

其中$H_{lakes}$代表湖泊水位，$H_{sat}$表示卫星相对于参考椭球的高度，$R_{range}$为卫星与水面之间的测量距离，$Geoid_{EGM2008}$表示参考EGM2008的大地水准面高度，$\Delta C$为总改正项。改正项包括电离层延迟（$\Delta C_{iono}$）、湿对流层延迟（$\Delta C_{wet}$）、干对流层延迟（$\Delta C_{dry}$）、固体潮（$\Delta C_{solid}$）和极潮（$\Delta C_{pole}$）的贡献。除$Geoid_{EGM2008}$外，所有参数均直接从原始卫星高度测量产品中获取。对于CryoSat-2和激光高度计，在利用官方产品中对应的数据质量标志剔除低质量观测后，直接导出湖泊水位。

其次，为获取高质量湖泊水位值，我们实施了多步骤异常值剔除策略，包括以下步骤：

A. 基于SRTM的高程筛选：使用30米分辨率SRTM DEM识别并剔除与DEM高程差大于20米的测量值；

B. SWO过滤：基于GSW提供的SWO数据，仅保留位于地表水出现率值超过10%的湖泊表面区域内的高度测量观测；

C. 统计异常值检测：采用两轮迭代中值绝对偏差（MAD）方法，阈值为1.5×MAD，以剔除偏离中值水位估计的统计显著异常值。

最后，由于同一天的卫星过境通常产生带状轨迹，湖泊附近区域的多个高程测量值可能同时包含水体和附近陆地的回波，导致虚假的高程变异性。为减轻湖泊水位估计中的陆地污染，我们设计了一种将反距离加权（IDW）与SWO约束相结合的双权重插值方案。同日湖泊水位（H）按加权平均计算：

$$H = \frac{\sum_{i=1}^{n}(h_i \times W_i)}{\sum_{i=1}^{n} W_i} \tag{3}$$

$$W_i = \frac{1}{d_i^2} \times |SWO_p - SWO_i| \tag{4}$$

其中$d_i$表示第$i$个卫星测量点与湖泊质心之间的距离；$SWO_p$和$SWO_i$分别表示湖泊质心和第$i$个测量点对应的SWO值；$W_i$为第$i$个测量点的权重；$h_i$为第$i$点测量的高程。该方法有效缓解了陆地污染的影响，提高了同日湖泊水位估计的稳健性。

（2）高度测量数据融合

为消除不同高度测量任务观测之间的系统性偏差，我们设计了一种基于公共参考基准的差异化校正策略。根据对长江流域各高度测量任务空间覆盖和时间分辨率的评估（表4），选择ICESat-2作为参考任务，因其湖泊覆盖范围和监测密度具有明显优势。此处，监测密度定义为给定高度测量任务在研究区域所有湖泊上的平均观测数。

表4. 不同卫星高度测量任务对长江流域湖泊的监测能力。

| 卫星任务 | 观测数量统计（总数） | 监测密度 |
|---|---|---|
| | 2–4 | 5–8 | 9–12 | 13–20 | ≥21 |
| ICESat-2 | 301 | 309 | 1104 | 2127 | 7449 | 1.10 |
| ICESat | 525 | 835 | 1121 | 581 | 1.10 |
| SARAL/AltiKa | 277 | 2138 | 841 | 3064 | 944 | 7.5 |
| CryoSat-2 | 167 | 752 | 915 | 1029 | 615 | 5 |
| Sentinel-3A | 1687 | 144 | 590 | 2.64 | |
| Sentinel-3B | 261 | 712 | 124 | 711 | 42 | 3.3 |
| Jason-1 | 202 | 31 | 80 | 2.3 | |
| Jason-2 | 80 | 51 | 41 | 80 | 2.9 |
| Jason-3 | 101 | 05 | 70 | 4.5 | |
| TOPEX/Poseidon | 111 | 238 | 0.41 | | |
| YLD | 169 | 1902 | 04 | 178 | 14288 | 311.35 |

对于与ICESat-2时间重叠的卫星高度测量任务，我们应用了基于湖泊的偏差校正，调整卫星$j$的湖泊水位时间序列，得到校正后的序列$h_{j,cor,t}$：

$$h_{j,cor,t} = h_{j,ini,t} - \frac{1}{NN} \sum_{t=1}^{N} (h_{j,t} - h_{ICESat-2,t}) \tag{5}$$

其中$h_{j,ini,t}$表示由卫星$j$导出的初始湖泊水位序列；$h_{j,t}$和$h_{ICESat-2,t}$分别表示重叠期间卫星$j$和ICESat-2的同期湖泊水位观测；$N$为该期间配对观测的数量。

这种湖泊特定的偏差校正方法通过充分利用重叠的测高测量数据，有效地消除了任务间的系统偏差。对于与ICESat-2没有时间重叠的卫星测高任务，我们采用了汇集偏差校准策略。首先，利用所有具有ICESat-2重叠观测的湖泊，我们计算了卫星k的全球平均偏差 Δh?k。该值代表了通过汇集所有可用湖泊的偏差信息所估计的区域一致的系统偏差。然后，将该统一偏差应用于校正非重叠时期的湖泊水位时间序列，得到校正后的序列 Hk,cor,t：(6) Hk,cor,t = hk,ini,t ? Δh?k 与公式(5)中的湖泊特定校准方法不同，这种方法通过利用区域尺度的统计特征有效地校正了历史非重叠数据，假设系统间任务偏差在研究区域内保持一致。为了进一步确保校准数据的质量和可靠性，我们采用了支持向量回归(SVR)(Smola和Sch?lkopf, 2004)进行自适应异常值检测。我们采用了径向基函数(RBF)核，因为它能够捕捉湖泊水位时间变化的非线性动态，包括季节变率和长期趋势。模型的配置参数为：惩罚参数(C)为100，核宽度(γ)为0.01，不敏感损失参数(ε)略高于原始高程数据的标准差(例如，标准差的1.05倍)。残差超出回归线±3σ范围的观测值被识别为异常值并予以剔除(图5)，其中σ表示残差的标准差。这种配置能够在对观测噪声和异常测量保持鲁棒性的同时，实现水位变化的稳健非线性拟合。

通过上述步骤，我们成功构建了黄河流域的增强型湖泊水位时间序列数据集，为后续湖泊A-E关系的建立提供了坚实的基础。A-E关系的建立采用时间邻近方法(Gao等, 2012)，该方法将同一时间或时间相邻获取的湖泊面积和水位观测值进行配对。尽管同日同时观测能提供更高的时间一致性，但其可用性往往受限于卫星过境不同步和光学影像的云污染。因此，采用月度时间邻近窗口作为大规模湖泊分析中时间一致性与数据可用性之间的实用折中方案(Li等, 2020, Tortini等, 2020, Wang等, 2025)。为确保A-E关系模型的统计稳健性，仅保留决定系数(R2)大于0.5的湖泊，因为该阈值在水文和遥感研究中被广泛认为是可接受模型性能的指标(Makumbura等, 2025, Yuan等, 2024)。敏感性分析进一步表明，采用更严格的R2阈值会减少保留的湖泊数量，但对湖泊面积、水位和蓄水量变化的总体趋势和幅度的影响可忽略不计。基于建立的关系，我们重建了每个湖泊的完整月度湖泊水位时间序列。

此外，我们采用蓄水量变化模型(Crétéux等, 2016)估计月度湖泊水量变化。该方法通过近似湖泊为锥形体来简化湖泊形态，湖泊水量变化计算如下：(7) ΔVrs = (hrs ? hmin)3(Ars + Amin + √ArsAmin) 其中ΔVrs代表遥感湖泊水量变化；Ars和Amin分别表示遥感湖泊面积和观测期内最小湖泊面积，来源于湖泊面积时间序列；hrs和hmin代表遥感湖泊水位和相应最小水位，两者均通过湖泊特定的A-E关系获得。

为评估遥感产品的精度，我们采用了多种性能指标，包括R2、相关系数(CC)、均方根误差(RMSE)和归一化RMSE(NRMSE)。所有指标均通过将卫星估计值与相应的原位测量值进行比较计算得出。评估指标定义如下：(8) R2 = 1 ? [Σ(yi ? ?i)2] / [Σ(yi ? ?)2] (9) CC = Σ(yi ? ?)(?i ? ??) / [√Σ(yi ? ?)2 · √Σ(?i ? ??)2] (10) RMSE = √[1/n · Σ(yi ? ?i)2] (11) NRMSE = RMSE / (ymax ? ymin) × 100 其中yi和?i分别表示第i个观测值和估计值；?和??分别表示观测数据和估计数据的均值；ymax和ymin分别是观测最大值和最小值；n为配对观测的总数。

2.3.2. 时空分析
(1) M-K趋势检验 M-K趋势检验是一种广泛用于水文时间序列数据分析的非参数统计方法。其主要优势在于能够在不对底层数据分布(如正态分布)作出假设的情况下检测单调趋势(Mann等, 1945)。对于时间序列X = {x1, x2, ?, xn}，检验统计量S定义为：(12) S = Σ[sgn(xj ? xi)] 其中sgn(xj ? xi)是符号函数，当xj > xi时为1，当xj = xi时为0，当xj < xi时为?1。标准化M-K统计量τ计算如下：(13) τ = S / √Var(S) 其中Var(S)表示S的方差。τ为正(负)值表示时间序列呈增加(减少)趋势，其绝对值反映趋势强度。在给定显著性水平α(通常为0.05)下，若τ超过标准正态分布的临界值Z1?α/2，则拒绝无趋势的原假设，表明时间序列中存在统计上显著的单调趋势。

(2) Pettitt突变检验 Pettitt突变检验是一种稳健的水文时间序列分析非参数方法，通过检查序列内的累积差异来识别突变点(Pettitt等, 1979)。对于给定时间序列X = {x1, x2, ?, xn}，检验统计量Uk定义为在时间k处分割的两个子样本之间的秩和之差：(15) Uk = Σ[sgn(xj ? xi)] 突变点位置对应于|Uk|达到最大值的时间k。检测到的突变点相关的近似显著性水平p计算如下：(16) p ≈ 2·exp(?6K2/(n3+n2)) 当p < α(通常为0.05)时，拒绝无突变点的原假设，表明时间序列X在时间k前后存在统计上显著的变化。

3. 结果
3.1. 黄河流域观测湖泊的空间覆盖度 使用两个关键绩效指标——观测次数和监测密度——我们评估了各种测高任务在黄河流域监测湖泊水位的有效性(表4)。结果表明，ICESat-2表现出最强的总体监测能力，其次是SARAL/AltiKa，而Jason系列和TOPEX/Poseidon的表现相对较弱。这种差异主要归因于空间分辨率的差异。Jason和TOPEX/Poseidon任务的雷达 footprint 较大(约2–10 km)，在观测较小湖泊时更容易受到地形引起的信号干扰。因此，湖泊水位提取所需的关键参数——如Range和Hsat——经常缺失或不可靠。值得注意的是，尽管ICESat-2表现优异，但仅有164个湖泊的观测次数超过8次，占总监测湖泊的21.19%。这一发现凸显了单一测高任务在实现连续长期湖泊水位监测的综合时空覆盖方面的固有局限，强调了多任务测高融合的必要性。

YLD数据集利用MAF算法提供了883个湖泊的增强型湖泊水位产品，为440个湖泊提供了稳健的A-E关系，并基于这些关系重建了湖泊面积、水位和水量变化的月度时间序列。图6比较了YLD与黄河流域不同大小湖泊的单个测高任务的水位监测能力。总体而言，YLD覆盖了占流域总湖泊面积约99.12%的湖泊，仅排除了少数小湖泊。在时间分辨率方面，YLD为524个湖泊(占所有监测湖泊的59.34%)提供了超过8次观测，显著优于ICESat-2。值得注意的是，观测次数超过13次的湖泊数量较ICESat-2增加了近五倍。在子流域尺度上，YLD在PLB、YRMB、TB、DLB、YLRB和HRB等多个关键子流域实现了超过十次观测的监测密度，展示了其强大的空间覆盖和稳健的长期监测能力。对于传统上难以监测的小湖泊(≤5 km2)，ICESat-2观测了536个湖泊，但仅有49个(9.14%)被采样超过8次。相比之下，YLD将该比例提高至47.51%，显著增强了小湖泊的监测能力。总体而言，YLD数据集有效解决了单一测高任务固有的时空覆盖局限，并提供了足够密集的水位观测以支持稳健湖泊A-E关系的建立。

3.2. YLD数据集的验证
3.2.1. 增强型湖泊水位产品 为系统评估YLD提供的增强型湖泊水位产品的精度，我们通过将卫星估计值与12个湖泊的日原位水位观测值进行比较，采用RMSE、NRMSE和R2作为性能指标(图7)。结果表明两者总体一致性较强，平均RMSE、NRMSE和R2值分别为0.46 m、10.33%和0.75，凸显了YLD产品在湖泊水位监测中的高可靠性。然而，各湖泊的性能存在差异。具体而言，RMSE值范围为0.11 m(图7a)至1.13 m(图7j)，NRMSE值范围为5.78%(图7b)至22.30%(图7l)，R2值介于0.54(图7f)和0.93(图7b)之间。在研究的湖泊中，鄱阳湖(图7b)的监测精度最高，这主要归因于其显著的季节性水位波动(>10 m)，产生了强测高信号并增强了水位提取的稳定性。相比之下，东洞庭湖(图7l)表现最低，可能由于其相对较小的水面面积(<30 km2)和有限的水位变化(<2 m)，使其更容易受到地形复杂性和稀疏轨道覆盖的影响。

进一步分析表明，约91.67%的评估湖泊实现了高精度(NRMSE < 12%)，75%的湖泊与原位测量表现出强相关性(R2 > 0.7)。需要注意的是，不同的性能指标反映了提取精度的不同方面。尽管一些较小湖泊表现出相对较低的RMSE值，但这主要归因于其有限的水位变率。相比之下，较大湖泊通常表现出更低的NRMSE值和更高的R2，表明相对于水位波动幅度的提取性能更稳定可靠。这些结果表明，较大湖泊的水位估计通常更稳健准确，而较小湖泊则表现出更大的相对不确定性和变异性(表5)。总体而言，这一全面验证确认了YLD数据集与原位观测高度一致，并为后续湖泊A-E关系的建立提供了稳健可靠的高程数据。

3.2.2. 重建的湖泊水位时间序列 结合重建的月度湖泊面积时间序列与增强型湖泊水位产品，我们为黄河流域440个主要湖泊建立了遥感A-E关系，这些湖泊合计占流域总蓄水量90.20%。随后，利用这些A-E关系重建了每个目标湖泊完整的月度湖泊水位和蓄水量变化时间序列。所建立的A-E关系表现出较强的整体性能，平均R2为0.76。平均每个湖泊约使用16个有效样本来拟合A-E关系，确保了统计稳健性。

值得注意的是，所研究的湖泊中，61.71%的湖泊水位变幅小于2 m（例如图8a、e、o、q、s和w）。尽管波动幅度较小，所提出的MAF算法仍能成功捕捉到细微的水位动态变化，即使在低幅度变幅湖泊中也能构建可靠的面积-高程（A–E）关系。因此，YLD数据集有效地刻画了扬子江流域的湖泊动态，具有广泛的空间覆盖性和稳健的时间一致性。

图8. YLD数据集中12个湖泊的遥感A–E关系及重建的月度湖泊水位时间序列与实地观测的验证结果：(a–b)太湖，(c–d)鄱阳湖，(e–f)巢湖，(g–h)石臼湖，(i–j)南漪湖，(k–l)长湖，(m–n)梁子湖，(o–p)泊湖，(q–r)付湖，(s–t)洞庭湖，(u–v)古城湖，(w–x)东洞庭湖。N表示用于建立各湖泊A–E关系的样本数量。

我们定量评估了重建的月度湖泊水位时间序列与12个湖泊的实地测量结果，使用相关系数（CC）、均方根误差（RMSE）和归一化均方根误差（NRMSE）作为验证指标（图8）。结果显示，CC平均值为0.73，RMSE为0.73 m，NRMSE为14.05%，表明YLD数据集具有优异的整体性能。然而，验证指标在不同湖泊间表现出显著差异。具体而言，CC值从0.53（图8x）到0.89（图8d）不等，RMSE在0.18 m（图8x）到1.52 m（图8t）之间变化，NRMSE则从10.18%（图8l）到20.62%（图8x）不等。这种异质性可能反映了湖泊规模和湖水水位变幅程度的差异。总体而言，卫星测高对于面积较大、水位波动较显著的湖泊具有更强的反演性能，因为这些湖泊的水文信号更容易与测量噪声区分开来。需要注意的是，YLD的验证仅限于湖泊水位时间序列，因为可靠的实地湖泊储量数据通常稀缺且难以获取。尽管如此，重建的湖泊水位与实地观测之间的高度一致性，支持了所推导A–E关系的稳健性，并为YLD数据集中重建的月度湖泊面积和储量时间序列的可靠性提供了间接但令人信服的证据。

**3.3 扬子江流域湖泊的时间动态**

YLD数据集监测的湖泊主要分布在太湖流域（TB）、长江干流流域（YRMB）、汉江流域（HRB）、洞庭湖流域（DLB）、鄱阳湖流域（PLB）和长江上游流域（YLRB）。相比之下，其余子流域以大型水库为主，自然湖泊相对较少（图1）。考虑到水文地理条件和湖泊动态特征的相似性，将扬子江流域划分为三个区域以方便区域分析：下游地区（TB）、中游地区（YRMB、HRB、DLB和PLB）和上游地区（YLRB）。

所有用于趋势分析的湖泊面积、水位和储量变化时间序列均按照方法部分所述的程序重建为覆盖1990年至2023年的连续月度记录，确保各湖泊和变量之间的时间一致性和可比性。对于区域尺度分析，各区域内的所有湖泊面积和储量月度变化值通过求和进行聚合，而湖泊水位变化则通过取平均值进行聚合，因为水位不是可加量。从1990年到2023年，扬子江流域的湖泊面积和水储量均表现出显著的下降趋势，M?K检验的τ值分别为?0.29和?0.38。相比之下，湖泊水位呈现出微弱的上升但统计上不具有显著性的趋势（τ = 0.062）（图9）。定量而言，湖泊总面积减少了591.30 km2，相当于年均下降16.07 ± 6.95 km2/年，检测到1999年为转折点。与此同时，湖泊水储量累计减少了4108.52 Mm3，平均速率为144.28 ± 44.11 Mm3/年，2003年被识别为显著转折点。与面积和储量的下降相反，流域平均湖泊水位以0.017 ± 0.0050 m/年的速率上升，其转折点出现在较晚的2014年（图9a）。水位与储量变化之间的这种表面差异反映了湖泊形态、水文调节和水资源空间再分配之间复杂的相互作用。

图9. 1990年至2023年扬子江流域湖泊面积（LA）、湖泊水位距平（LWLa）和湖泊水储量距平（LWSa）的时间动态。图版(a1–a3)对应整个扬子江流域（440个湖泊），(b1–b3)为下游地区（61个湖泊），(c1–c3)为中游地区（325个湖泊），(d1–d3)为上游地区（54个湖泊）。每条时间序列包含由Pettitt检验确定的转折点（CP）、由Mann-Kendall（M?K）检验得出的趋势幅度（τ），以及使用线性回归估计的年变化速率（Slope）。

观察到的显著空间异质性表明：下游和上游的湖泊一般经历了扩张，而中游的湖泊则表现出大幅收缩。中游地区（包括325个湖泊）所观察到的显著负趋势主导了流域整体动态，并成为扬子江流域湖泊面积和水储量整体下降的主要驱动因素（图9b）。值得注意的是，中游湖泊面积和水储量在2003年前后观察到的同步转折点与三峡大坝的初期蓄水时间紧密吻合，提示大规模水利工程可能对区域湖泊系统的演化产生影响。

此外，识别出了湖泊动态中显著的规模依赖性模式（图10）。具体而言，大约69.61%（102个大型湖泊（≥10 km2）中有71个）的大型湖泊表现出收缩趋势，其中最显著的变化发生在中游地区。这些大型湖泊的减少是流域总湖泊面积和水储量减少的主要驱动因素。相比之下，61.29%（248个小湖泊（<5 km2）中有152个）的小湖泊表现出扩张趋势。尽管小湖泊面积和储量的累计增加不足以弥补大型湖泊的损失，但其数量上的优势对流域平均湖泊水位的整体上升做出了重大贡献。值得注意的是，上游湖泊的平均水位出现了统计上显著的增加（τ = 0.78，p < 0.01），这对提高流域平均水位起到了重要作用。相比之下，下游（τ = 0.062，p = 0.61）和中游（τ = 0.041，p = 0.74）的平均湖泊水位变化在统计上并不显著。

图10. (a)湖泊面积（LAar）、(b)湖泊水位（LWLar）和(c)湖泊水储量（LWSar）年变化速率的分布。湖泊按表面积分为七个规模等级。

**3.4 扬子江流域湖泊动态的空间格局**

基于YLD数据集（1990–2023），对湖泊面积（LAar）、湖泊水位（LWLar）和湖泊水储量（LWSar）年变化速率的分析揭示了扬子江流域显著的空间异质性和不同的演化模式（图11）。总体而言，约52%的湖泊表现出扩张趋势，但存在明显的区域对比。在上游地区，特别是青藏高原区域（即YLRB），湖泊总体呈扩张态势，LAar、LWLar和LWSar的范围分别为0.01至1 km2/年、0.01至0.5 m/年和0.1至10 Mm3/年。这些增加与区域气候变暖背景下冰川融水输入增加和降水增多密切相关（Song等，2014；Xu等，2022）。相比之下，下游地区（即TB）的湖泊表现出适度扩张或相对稳定，大多数湖泊的LAar、LWLar和LWSar呈现正趋势或接近零的趋势。值得注意的是，太湖经历了特别显著的增长（LAar = 9.44 km2/年，LWLar = 1.07 cm/年，LWSar = 23.95 Mm3/年）（图10），显著影响了区域整体趋势，反映了2007年以来在太湖流域实施的"退耕还湖"生态修复政策的积极效果（Xu等，2017）。

图11. 扬子江流域湖泊动态的空间格局，展示了(a–b)湖泊面积（LAar）、(c–d)湖泊水位（LWLar）和(e–f)湖泊水储量（LWSar）的年变化速率。所分析的子流域包括雅砻江流域（YLRB）、长江干流流域（YRMB）、汉江流域（HRB）、洞庭湖流域（DLB）、鄱阳湖流域（PLB）和太湖流域（TB）。

相比之下，中游地区的子流域（例如YRMB、HRB、DLB和PLB）表现出最为复杂的动态，该地区涵盖了扬子江流域73.86%的湖泊。该区域的特征是大型湖泊收缩与小型湖泊扩张同时发生。所观察到的小型湖泊扩张可能反映了自然驱动因素（如降水增加）和人为因素（如农业径流增强和生态修复措施）的综合作用。然而，直接与长江干流相连的大型洪泛区湖泊，特别是洞庭湖和鄱阳湖，水储量出现了大幅下降，速率分别为40.17 Mm3/年和82.63 Mm3/年。由于其重要的地理位置和关键的生态功能，这些湖泊对人为扰动高度敏感。潜在的驱动因素包括湖泊周边的无序围垦、大规模水利工程（如三峡大坝）导致的河湖相互作用和水沙过程改变，以及流域内日益增长的水资源消耗（Li等，2024；Xie等，2017）。总体而言，过去33年间，扬子江流域湖泊表现出中游收缩、上下游扩张的显著空间格局，突显了气候变化和人类活动对区域湖泊演化的异质性影响。

**4. 讨论**

**4.1 与雷达测高数据集的比较**

G-REALM（Birkett等，2010）、Hydroweb（Crétaux等，2011）和DAHITI（Schwatke等，2015）是提供长期内陆水位变化时间序列的主要全球数据集。然而，这些数据集主要关注大型湖泊和水库，仅覆盖扬子江流域内的15个主要湖泊（图12g）。它们对中小型湖泊的代表性有限，制约了对流域复杂异质性水文动态的综合评估。相比之下，YLD数据集的增强型湖泊水位产品将监测覆盖范围扩大至883个湖泊，包括面积仅1 km2的水体，从而与现有全球产品相比大幅提高了空间代表性。

图12. (a–f) YLD数据集湖泊水位估计值与DAHITI和Hydroweb雷达测高产品的比较。N表示各数据集在研究期间提供的湖泊水位观测总数。所有时间序列均通过减去各自的长期均值进行标准化，以消除测高参考基准之间的差异。图版(g)展示了多源数据集在扬子江流域内覆盖的湖泊数量及空间分布。

为评估YLD的性能，我们针对太湖、鄱阳湖、洞庭湖和古城湖进行了对比分析——这四个湖泊同时被DAHITI和Hydroweb监测。所有湖泊水位时间序列均通过减去各自的长期均值进行标准化，以消除测高参考基准之间的差异，从而确保比较的一致性和稳健性。评估结果表明，YLD在精度和时间分辨率方面均取得了显著改进。对于四个匹配湖泊，YLD达到了0.82的平均R2和8.30%的平均NRMSE。与DAHITI相比，YLD平均R2提高了约0.05，平均NRMSE降低了1.96%。与仅监测其中两个湖泊的Hydroweb相比，改进更为显著，平均R2提高了0.12，平均NRMSE降低了3.99%。对于浅水湖的代表——太湖，YLD达到了0.83的R2和6.41%的NRMSE，大幅优于DAHITI和Hydroweb（图12a和e）。这种增强的性能可能源于ICESat和ICESat-2观测数据的整合，其小脚迹和高垂直精度有助于减轻测高在浅水湖泊中常见的波形畸变、距离不确定性和岸线干扰（Babbel等，2021）。此外，YLD的采样密度（平均N = 201.75）远高于DAHITI（77.25）和Hydroweb（62.5），反映了更高的观测频率和更强的时间稳定性。在所有监测湖泊中，YLD平均获得16.36次观测，对于面积大于10 km2的湖泊则增加到53.85次。总体而言，YLD数据集大幅增强了扬子江流域湖泊水位监测的空间和时间覆盖范围，同时相较于现有全球数据集提高了反演精度和稳健性。

**4.2.**

## 与以往研究对比的季节性湖泊水位变化评估

湖泊水位的季节性变化是湖泊生态系统动态和区域水文过程的重要指标。为全面评估YLD数据集的表现，我们通过计算多年平均年最高水位与最低水位之差来量化湖泊水位的季节性波动（Chen et al., 2021, Cooley et al., 2021）。经过严格筛选，我们最终得到了黄河流域（YRB）757个湖泊的季节性水位变化数据。为确保数据质量和时间代表性，被排除的湖泊主要是每年观测次数少于四次或年观测时段不足四个月的湖泊。

我们将YLD数据集与Cooley et al. (2021)和Song et al. (2023)开发的两个公开可用数据集进行了比较，详细的比较结果汇总于表6中。Cooley et al. (2021)使用ICESat-2数据对全球227,386个水体进行了分析，其中包括黄河流域599个湖泊，其中249个与我们的数据集重叠。Song et al. (2023)使用ICESat-2数据对中国1,255个湖泊进行了分析，其中包括黄河流域207个湖泊，与本研究匹配了161个样本。值得注意的是，Cooley et al. (2021)将季节性水位变化估计为研究期间观测到的最高水位与最低水位之差。这种方法可能会引入更大的不确定性，特别是对于观测稀疏的小型水体而言。相比之下，YLD在黄河流域实现了更广的湖泊覆盖范围，这不仅归功于其更长的卫星观测记录，还得益于多源测高任务数据的整合。

**表6. YLD数据集与以往研究季节性湖泊水位变化的比较。**

| 数据集 | 总数 | 黄河流域 | 数据源 | 研究时段 |
|--------|------|----------|--------|----------|
| Cooley et al. (2021) | 227,386（全球） | 599（天然湖泊和水库） | ICESat-2 | 1.5年 |
| Song et al. (2023) | 1,255（中国） | 207（天然湖泊） | ICESat-2 | 3年 |
| YLD | 757（黄河流域） | 757（天然湖泊） | 多源测高 | 33年 |

定量比较表明，YLD与Cooley et al. (2021)相比的R2值为0.45（图13a）。这一差异可能反映了计算方法、研究时段和湖泊边界划定方面的差异，正如Song et al. (2023)所指出的一样。相比之下，YLD与Song et al. (2023)的一致性更强，R2值为0.68（图13b）。这种较高的一致性可能部分归因于与Cooley et al. (2021)匹配的湖泊中超过60%为小型湖泊（<5 km2），而该比例与Song et al. (2023)匹配结果的差异约为1.65倍。估计小型湖泊的季节性变化通常对有限的观测频率和时间采样间隔更为敏感。此外，我们估计季节性变化的方法与Song et al. (2023)所采用的方法一致，这也进一步促成了更高的一致性。总体而言，YLD数据集在大幅扩展黄河流域湖泊监测空间覆盖范围的同时，保持了可靠的数据质量，从而为研究这一关键流域的湖泊水文过程提供了更坚实的观测基础。

**图13. YLD数据集与以往研究季节性湖泊水位变化的比较：(a) Cooley et al. (2021)和(b) Song et al. (2023)。N表示两个数据集中可用匹配记录的湖泊数量。**

### 4.3 重建时间序列的不确定性分析

YLD数据集为黄河流域440个湖泊提供了面积—高程（A–E）关系。然而，用于拟合这些关系的抬升样本主要来源于2016年之后获取的卫星测高观测数据。因此，对于在2016年前后经历了显著变化的湖泊，利用已建立的A–E关系重建历史湖泊水位和水量变化本质上涉及超出校准范围的推断，从而为重建的时间序列引入了额外的不确定性。

为定量评估这种不确定性，我们根据各湖泊A–E关系的有效范围定义了湖泊面积变化的关键阈值区间。通过将超出校准范围的湖泊面积值与重建的遥感湖泊面积时间序列进行比较来识别。不确定性随后量化为超出范围样本占总观测数的比例，作为A–E关系在重建湖泊水位和湖泊水量月时间序列方面可靠性的指标。

如图14所示，440个湖泊的平均不确定性为0.18，约70%的湖泊不确定性值在0.03至0.30之间。湖泊面积与不确定性之间存在明显的负相关关系（图14b）。小型湖泊（<5 km2）占所有湖泊的56.14%，且往往表现出较高的不确定性，约44.50%的小型湖泊不确定性值大于0.2。相比之下，超大湖泊（≥50 km2）仅占总湖泊数的11.14%，其不确定性超过0.2的比例降至24.49%。这种与湖泊规模相关的不确定性模式可能反映了小型湖泊更为复杂的岸线形态、相对较高的面积变率以及卫星测高在小型水体上的采样局限性。尽管如此，尽管存在这些差异，所有湖泊规模类别的中位不确定性仍保持在0.2以下，表明YLD数据集中的A–E关系总体上是稳健的，可以利用历史湖泊面积数据可靠地重建湖泊水位和水量的月度变化。

**图14. (a) YLD数据集重建时间序列不确定性的空间分布，(b) 不同湖泊面积类别不确定性的箱线图。参数n表示各类别中的湖泊数量。**

### 5. 结论

为克服单一任务卫星测高在监测水位变化微弱的湖泊时固有的时空局限性，本研究开发了一种融合多源卫星测高与光学和SAR遥感数据的新型框架。该方法实现了对黄河流域湖泊动态的高分辨率、长期监测。所生成的YLD数据集为883个湖泊提供了增强的水位监测，覆盖了该流域99%以上的湖泊总面积。此外，YLD为440个湖泊建立了稳健的A–E关系，覆盖了90%以上的湖泊总水量容量，从而实现了1990年至2023年湖泊面积、水位和水量月度变化的重建。与实测观测的验证表明具有高度一致性，证实了该数据集的可靠性。值得注意的是，YLD大幅改善了黄河流域湖泊监测的空间覆盖范围和时间频率，特别是对小型湖泊的观测能力得到了显著增强。

利用该数据集，我们量化了过去三十年来黄河流域湖泊面积、水位和水量的长期趋势。结果显示，湖泊总面积和水量同步下降，年均下降速率分别为16.07 ± 6.95 km2/年和144.28 ± 44.11 Mm3/年。相比之下，流域平均湖泊水位表现出持续上升趋势，速率为1.65 ± 0.50 cm/年。在空间上，湖泊动态呈现出明显的"中游萎缩、上下游扩张"格局，反映了气候变率和人为活动的综合影响。此外，湖泊变化表现出强烈的规模依赖性：约70%的大湖泊萎缩，而61%的小型湖泊扩张。

总体而言，YLD数据集为黄河流域湖泊关键水文参数提供了高分辨率、长期的观测记录，为深化理解区域水文过程和支持科学水资源管理提供了坚实的数据基础。未来研究将着重于利用先进的遥感技术增强实时湖泊监测能力，并进一步探究三峡工程等大规模水利工程对湖泊水文动态的长期调控效应。

### CRediT作者贡献声明

Yong Wang：初稿撰写、可视化、验证、软件、方法学、调查、形式分析、数据整理。
Yulin Gong：审校与编辑、数据整理。
Yinghong Jing：审校与编辑、形式分析。
Xiaojun She：审校与编辑。
Shanlong Lu：审校与编辑。
Yao Li：审校与编辑、监督、资源、项目管理、方法学、经费获取、形式分析、概念化。

### 未引用参考文献

Chao et al., 2021; Long et al., 2015; Song et al., 2021; Winemiller et al., 2016; Xu et al., 2020; Zhang et al., 2015.

Yong Wang | Yulin Gong | Yinghong Jing | Xiaojun She | Shanlong Lu | Yao Li