《Journal of Arid Environments》：Seasonal and interannual surface water variability in the Okavango River Basin using multi-satellite data and machine learning
编辑推荐：
干旱地区地表水资源日益受到气候变异性和日益增长需求的威胁，这需要准确、及时且空间明确（spatially explicit）的监测方法。本研究开发了一个基于机器学习的框架，通过结合雷达和光学数据的多传感器融合方法（multi-sensor fusion app
干旱地区地表水资源日益受到气候变异性和日益增长需求的威胁，这需要准确、及时且空间明确（spatially explicit）的监测方法。本研究开发了一个基于机器学习的框架，通过结合雷达和光学数据的多传感器融合方法（multi-sensor fusion approach），定量评估地表水的季节和年际动态。研究人员在Google Earth Engine（GEE）平台中处理了2015-2021年期间的Sentinel-1合成孔径雷达（SAR）、Sentinel-2多光谱影像和Landsat-8地表反射率数据。研究采用随机森林（Random Forest, RF）和梯度提升树（Gradient Tree Boosting, GTB）分类器，Sentinel-1/2数据取得了优异的总体分类精度（OA = 99.34-99.92%；Kappa = 0.8862-0.9983），Landsat-8数据（OA = 99.33-99.76%；Kappa = 0.9859-0.9949）。此外，水体指数之间呈现正相关，特别是改良归一化差异水体指数（MNDWI）和归一化差异水体指数（NDWI），而SAR后向散射变量（VV_median和VH_median）与归一化差异植被指数（NDVI）和增强型植被指数（EVI）等植被指数呈正相关。同时，Shapley加性解释（SHAP）分析显示，MNDWI、NDWI和SAR后向散射指标是地表水发生的最有影响力的预测因子，其次是植被指数，最后是单个波段（B2-B8）。季节分析显示，与5月至9月的较干燥月份相比，10月和11月的地表水变异性更大。年际变异性分析表明，2016年地表水范围最大（28,869 km2），2019年最小（9,743 km2）。同时，与水文气候变量的描述性分析显示，降水和蒸散（ET）的变化与地表水范围观测到的时空格局相对应，2017年除外。总体而言，所提出的框架为在数据稀缺的干旱地区监测地表水变异性提供了一种可扩展的方法，支持水资源管理、干旱监测和气候适应。
**奥卡万戈河流域地表水季节与年际变化研究：多源遥感与机器学习框架的应用与启示**
**一、研究背景与科学问题**
跨界河流流域在全球水资源供给与生态维持中扮演着关键角色，支撑着约28亿人口的生产生活。地表水作为其中最核心的资源之一，对于维持生计、促进经济增长和保持陆地生态系统完整性均具有重要意义。然而，全球地表水资源正面临日益严峻的 scarcity 形势，尤其干旱区水资源供需矛盾尤为突出。在南部非洲，水坝、河流和洼地等水源正在萎缩，形成孤立的小斑块，导致该区域供水系统持续退化。以奥卡万戈河流域（Okavango River Basin, ORB）内的恩加米湖（Lake Ngami）为例，自19世纪90年代以来湖泊面积急剧缩小，暴露出近年来日益严重的水安全关切。减少的地表水往往由快速增加的人为活动、持续的厄尔尼诺事件、降雨不足以及工业用水的大量浪费共同驱动，这些均对生态系统和自然景观施加了巨大压力。
遥感技术已成为提供全球与区域水文观测的关键手段，尤其在地面站点数据有限的地区。然而，地表水动态建模并非简单的过程，它依赖于环境性质、景观特征和数据可用性；模型互操作性、效率等方面挑战持续存在。目前研究多侧重于采用单一卫星传感器（如仅用Landsat或仅用Sentinel数据集）进行地表水制图。尽管单一传感器方法提供了宝贵信息，但在光学与雷达融合、超参数调优、可解释模型解析及气候指标整合方面仍较为有限。鉴于奥卡万戈河流域气候条件不稳定、洪泛平原广阔、湿地植被茂密，准确探测地表水的难度较大，该流域为在旱地环境中监测地表水变异性提供了理想场所。因此，本研究旨在解决以下目标：（i）利用多源卫星数据开发并评估RF和GTB模型用于地表水提取；（ii）通过特征重要性和SHAP分析评估光谱、雷达及指数预测因子的贡献；（iii）量化地表水的季节与年际变化，并考察其与降水及蒸散的关系。
**二、研究方法概述**
研究人员以奥卡万戈河流域为研究区，该流域位于安哥拉、博茨瓦纳和纳米比亚三国交界处，地理坐标约南纬12°00′—25°00′、东经15°00′—31°30′，面积约720,000 km2。研究使用了2015至2021年间Sentinel-1合成孔径雷达（SAR）C波段10 m分辨率数据、Sentinel-2多光谱10—60 m分辨率地表反射率数据以及Landsat-8 30 m分辨率地表反射率影像。所有数据均在Google Earth Engine（GEE）平台内按研究区、日期及云量（<30%）进行过滤。数据处理时，Sentinel-1与Sentinel-2融合为一个堆栈并生成中值合成影像，Landsat-8则单独建模；全部影像重投影至WGS 84/UTM Zone 35 S并采用双线性插值法重采样至30 m。研究计算了归一化差异水体指数（NDWI）、改良归一化差异水体指数（MNDWI）、水体比值指数（WRI）、自动水体提取指数有阴影（AWEIsh）与无阴影（AWEInsh）等水体指数，以及增强型植被指数（EVI）、归一化差异植被指数（NDVI）、归一化差异土壤指数1（NDSI1）和针叶林指数（NI）等非水体指数，并将这些指数与原始光学波段和SAR后向散射波段叠加构成多层数据集。分类采用随机森林（RF）和梯度提升树（GTB）两种机器学习算法，通过网格搜索进行超参数调优，数据按70%训练和30%测试划分。同时运用Pearson相关矩阵评估多元共线性，并应用Shapley加性解释（SHAP）框架对GTB模型进行解释。精度验证采用来自Google Earth Pro的高分辨率影像，共获取4051个地面参考多边形（含2452个水体样本和1599个非水体样本），通过混淆矩阵量化总体精度、Kappa系数、生产者精度、用户精度等指标。水文气候数据方面，降水采用CHIRPS 0.05°数据，蒸散（ET）来自ERA5 Land 11.5 km数据，均通过Climate Engine平台获取并进行描述性对比分析。
**三、主要研究结果**
**（一）多源预测变量的相关性与多重共线性分析**
研究人员对全部20个预测变量进行了多重共线性评估。结果显示，MNDWI、NDWI、NDWI2、MNDWI2和WRI等水体相关指数呈强正相关，相关系数介于0.81至1.00之间；植被指数NDVI和EVI与水体指数呈反向关系；SAR后向散射变量VV_median和VH_median与植被指数正相关但与水体指数负相关；光谱波段B3至B8A之间也存在强相关，表明该预测因子组内存在冗余。尽管存在共线性，研究保留了相关变量以保持分类预测信息，并在SHAP结果解释时将其视为预测因子组。
**（二）模型分类精度验证**
在季节尺度上（以2020年为基准），GTB结合Sentinel数据在3月至11月各月均取得优异的分类效果，总体精度（OA）介于99.58%至99.91%之间，Kappa系数介于0.9913至0.9982之间，生产者精度和用户精度普遍超过99%。在年际尺度上，Sentinel-1/2数据GTB分类的OA为99.34%—99.92%，Kappa为0.8862—0.9983，RF分类的OA为99.34%—99.92%，Kappa为0.8862—0.9983；Landsat-8数据GTB分类OA为99.33%—99.76%，Kappa为0.9859—0.9949，RF分类OA为99.33%—99.76%，Kappa为0.9859—0.9949。GTB在精度上略优于RF，因此被选为后续变异性分析的首选模型。
**（三）预测因子重要性评估与SHAP可解释性分析**
基于GTB模型的SHAP分析选取了2018、2020和2021三个年份进行评估。结果表明，水体敏感指数（MNDWI2、MNDW1、NDWI2和NDWI）在各年均稳定居于最有影响力的预测因子之列；SAR后向散射变量VH_median和VV_median亦表现出较高贡献；WRI和AWEI贡献适中，均值接近零；单个光谱波段（B2—B8）贡献最低。较高的VH后向散射、EVI和MBI值通常会降低目标类别（水体）的分类概率。由于预测因子间存在强相关性，SHAP结果主要按照预测因子组而非单一变量进行解读。
**（四）季节尺度地表水变异性**
以2020年为基准的月尺度地表水制图显示，奥卡万戈流域的地表水覆盖在4月、10月和11月较为集中且范围较大，而3月、5月、6月、7月、8月和9月则呈现相对有限的空间格局。以恩加米湖为例，6月至11月期间湖泊地表水逐渐增加，3月至5月覆盖面积最小，9月至11月水体像元最为集中，3月覆盖面最低。12月和2月因大规模云覆盖被排除分析。总体上，月尺度制图表明地表水范围在受洪水影响的时期较大，在较干燥月份较为有限。
**（五）年际尺度地表水变异性**
基于6月至10月中值合成影像的年际分析覆盖2015至2021年。地表水制图显示，恩加米湖区域2015年水体覆盖面积最高（但该年数据不完整），2016年和2017年也呈现相对广泛的覆盖，2019年和2020年出现显著下降，2021年水体覆盖面积略有回升，表明湖泊淹没范围出现部分恢复迹象。在流域尺度上，年际分析显示地表水范围呈明显波动：2016年达到最大（约28,869 km2），2019年降至最低（约9,743 km2），此后至2021年逐渐回升至约13,660 km2。
**（六）地表水范围与水文气候指标的关系**
描述性对比分析表明，年降水量从2015年约356 mm升至2017年峰值672 mm，2019年降至研究期最低水平（约335 mm），随后在2020至2021年增加。地表水范围总体随降水波动，但二者并非在每一年均保持一致对应关系。ET在研究期内持续维持较高水平，介于2015年394 mm至2021年537 mm之间，2020年达到峰值550 mm。2017年尽管降水量和ET值均为最高，但地表水范围相对较低（约10,160 km2）；2019年地表水范围与最低降水量和ET相一致；2015年因Sentinel-2数据自6月中旬起才可用，结果应谨慎解读。
**四、讨论与结论**
讨论部分指出，RF和GTB均取得了超过99%的总体精度，GTB略微优于RF且目视效果更清晰，这一发现与Tesfaye和Breuer (2025)的观察一致。SHAP分析表明水体指数和SAR极化的贡献高于植被指数和单个波段，与已有研究指出的结合水体与植被指数可增强分类精度的结论一致。季节制图清晰反映了奥卡万戈三角洲的洪水脉冲特性，较大的淹没发生在受洪水影响的时期，干燥月份则缩减。年际分析显示地表水覆盖从2015年到2020年逐渐减少，2021年略有恢复，但这一模式并非始终与降水总量一致；2017年虽为Ngamiland地区自1981年至2021年间最湿润的夏季，但地表水范围较低，说明来自安哥拉的上游流入和 hydrological lag 可能影响地表水变化。2019年的最低地表水范围与同期最低降水和ET一致，并与先前研究报告的三角洲最低淹没范围相符。这些结果表明年降水量并不总是即时转化为地表水范围的扩大，地表水变化可能受其他水文过程（如径流产生机制、地下水过采和人类活动等）的共同影响。本研究为半干旱跨界流域提供了一个可迁移的框架，可用于支持干旱监测、水资源管理、旅游业、农业与生态系统保护，并为实现可持续发展目标（SDGs）和国家适应计划提供了决策支撑。未来研究应纳入河流流量、径流、温度、土地覆盖和取水量等更多水文与环境变量，以更全面地理解地表水变化机制。
