《Water Resources Research》：Polygon-Based Spectral Reflectance Sampling for Real-Time River Discharge Estimation
编辑推荐：
河流流量估算（RDE）方法传统上存在成本高昂、易受极端事件影响以及受实时数据可用性制约等问题。当前基于遥感（RS）的RDE方法主要提取河流宽度和水面高程（WSE）等基本河流特征，但很少充分利用卫星影像的完整光谱信息。大多数研究也缺乏适当的不确定性评估，而这对于
河流流量估算（RDE）方法传统上存在成本高昂、易受极端事件影响以及受实时数据可用性制约等问题。当前基于遥感（RS）的RDE方法主要提取河流宽度和水面高程（WSE）等基本河流特征，但很少充分利用卫星影像的完整光谱信息。大多数研究也缺乏适当的不确定性评估，而这对于可靠的水资源管理决策至关重要。本研究提出一种机器学习（ML）方法用于RDE，克服了传统方法在地形、阴影和植被覆盖河岸方面的局限性。研究分析了来自12个美国地质调查局（USGS）水文站的资料，涵盖四种河流规模等级：溪流、小型、中型和大型河流。针对每个站点，研究人员沿河道从多个多边形中提取平均光谱波段值，并与时间上同步的原位流量测量数据配对。这一整合数据集被用于训练五种ML模型——极端梯度提升（XGBoost）、多层感知器（MLP）和三种贝叶斯神经网络（BNN）——建立了一个能够量化不确定性的稳健估算框架。模型使用2016–2023年数据进行训练和测试，随后在2024–2025年观测数据上评估以检验时间迁移能力。测试（评估）结果显示优异性能，Kling-Gupta效率（KGE）从溪流的0.60（0.35）到中型和大型河流的0.96（0.92）不等。该方法在正常和极端流量条件下均保持准确性，并且对阴影区域和复杂河道几何形态具有稳健性。通过将卫星观测与ML相结合，所提出的方法能够实现实时RDE，这对于流量预报、水资源配置和水库调度至关重要。
论文解读文章
一、研究背景与问题
河流流量估算（RDE）是流量预报、干旱监测和水资源配置的基础性工作。传统上，河流流量（RD）主要依靠水文站进行实测，但全球水文站数量正持续下降，主要原因包括高昂的经济成本、后勤挑战和劳动密集型维护。这些站点还容易因洪水灾害造成数据缺失，同时缺乏实时数据传输能力，限制了其在及时预报和管理中的效用。卫星遥感（RS）提供了一种经济高效、可扩展且接近实时的全球RDE替代方案。然而，现有基于RS的RDE方法主要分为两类：基于河流宽度/水面范围（RW/SWE）的方法和基于水面高程（WSE）的方法，二者各有明显局限。RW方法受制于光学影像的云层覆盖、阴影、河岸植被和饱和土壤等环境因素导致的分类误差，且在窄而陡峭的山地河流中失效；WSE方法则受限于沿轨道的狭窄空间覆盖和较长的重访周期。此外，大多数研究仅利用归一化差异水体指数（NDWI）和归一化差异植被指数（NDVI）等少数光谱波段，丢弃了大量其他光谱波段的信息，难以充分表征光学复杂环境。机器学习（ML）在卫星RDE中的应用也仅有少数研究探索，且大多缺乏不确定性评估。针对上述不足，本研究提出了一种绕过传统RW提取流程的新型方法，直接建立Sentinel-2光谱反射率与RD之间的映射关系，利用全部10个光谱波段，并通过多边形中心线采样策略规避阴影和河岸植被的光谱混淆问题。
二、研究内容与主要结论
研究人员利用美国12个USGS水文站数据，涵盖溪流、小型、中型和大型四类河流规模等级，通过Google Earth Engine（GEE）平台提取Sentinel-2影像中沿河道中心线布置的约50个多边形采样点的平均光谱反射率，并与时间同步的原位流量观测数据配对，构建了包含光谱预测变量和流量目标的建模数据集。数据集按时间顺序划分：2016–2023年数据的80%用于训练、20%用于测试，2024–2025年数据完全留出用于独立评估。研究训练了五种ML模型——XGBoost、多层感知器（MLP）以及三种贝叶斯神经网络（BNN）变体（变分推断VI、马尔可夫链蒙特卡洛MCMC和蒙特卡洛丢弃MCDO），以建立稳健的估算框架并量化不确定性。
研究得出的主要结论包括：测试阶段KGE值从溪流的0.60到中型和大型河流的0.96不等，评估阶段从0.35到0.92不等；该方法在正常和极端流量条件下均保持准确性，对阴影区域和复杂河道几何形态具有稳健性；特征重要性（FI）分析表明蓝色波段（B2，490 nm）在所有站点中始终是最主要的贡献因子，绿色波段（B3，560 nm）位居第二，红色波段（B4，665 nm）第三；短波红外波段（B11和B12）具有中等重要性，而近红外波段（B5–B8A）贡献相对较低但仍有意义。该研究的重要意义在于：通过直接建立光谱反射率与RD的关系，绕过了传统RW提取的误差传播链，为窄小河流、植被覆盖河岸和阴影区域的实时RDE提供了新途径，且BNN模型能够提供估算的不确定性区间，为水资源管理决策提供了可靠性信息。
三、关键技术方法概述
本研究采用的核心技术方法包括：第一，基于多边形的光谱采样策略，在GEE平台中沿河道中心线布置方形多边形，利用Scene Classification（SCL）层预处理Sentinel-2 Level-2A影像并掩膜云和阴影像素，仅对高质量水体像素进行平均，以最小化河岸植被和结构性阴影的影响；第二，五种机器学习模型的集成框架，包括XGBoost（梯度提升树）、MLP（含两个256神经元隐藏层，LeakyReLU激活，Adam优化）以及三种BNN变体（VI采用Bayes-by-backprop和重参数化技巧，MCMC采用No-U-Turn采样器（NUTS）抽取400个后验样本，MCDO在推理阶段保持丢弃层激活进行70次随机前向传播）；第三，五种拟合优度（GoF）指标评估体系，包括决定系数（R2）、Nash-Sutcliffe效率（NSE）、Kling-Gupta效率（KGE）、归一化均方根误差（nRMSE）和百分比偏差（PBIAS）。数据来源为12个USGS水文站2015年至2025年中的日流量记录和Sentinel-2卫星影像。
四、研究结果
4.1 河流数据集特征
12条研究河流的数据集规模从8,725到31,445条记录不等，Sentinel-2影像数量从302到714幅不等，平均流量从4.3 m3/s（ID-15519100）到4,113 m3/s（ID-3303280）跨越多个数量级，涵盖了从低流量溪流到高容量大型河流的完整规模谱系。
4.2 特征重要性
基于XGBoost算法的FI分析表明，蓝色波段（B2，490 nm）在所有12个站点中始终是最主要的贡献因子，FI值从69,359（ID-03231500）到93,022（ID-15514000）不等；绿色波段（B3，560 nm）稳定位居第二，红色波段（B4，665 nm）第三。这一稳定排序模式归因于浑浊水体光谱反射曲线在蓝绿区域（约490–560 nm）的峰值，该区域对与RD变化相伴的水体浊度和悬浮沉积物浓度（SSC）变化最为敏感。短波红外波段（B11、B12）排名第四和第五，具有中等重要性。波段组合敏感性分析显示，从仅可见光波段（BC1）到全光谱配置（BC4），测试KGE值持续提升，其中加入宽近红外波段（B8）带来了最显著的增益（KGE提升0.05–0.13），最终全光谱配置在四类代表性河流中实现了最高的测试性能（KGE 0.67–0.89）。
4.3 河流水文过程线动态描述
五种模型均能有效捕捉从溪流到大型河流的观测流量模式。对于溪流站点，所有模型都能准确复现基流和洪峰时序，但对某些尖锐洪峰存在轻微低估。贝叶斯模型能更紧密地跟随流量波动并提供不确定性量化，95%置信区间在洪峰附近出现展宽，表明极端条件下的估算置信度降低。对于小型河流，模型性能稳健，成功捕捉了季节性和主要流量模式，但对突发洪峰的精确估算能力存在差异。对于中型和大型河流，BNN模型的均值估计以及XGBoost和MLP的点估计均与观测流量波动紧密匹配，且洪峰期间置信区间反而更窄，表明高流量时模型不确定性更低，这归因于中型和大型河流表面特征（如宽度）变化显著且易于检测。
4.4 模型性能定量研究
模型性能明显依赖河流规模。溪流和小型河流是最难建模的类别，特别是站点12041200和15511000，测试和评估数据集的KGE值低于0.45，nRMSE高于1.0。大型和中型河流在所有模型中持续表现最佳，测试和评估数据集的KGE值经常超过0.85，nRMSE保持在0.5以下。散点图分析显示，测试期间小型河流的R2值主要在0.78–0.94之间，BNN-MCMC和BNN-VI模型持续达到最高相关性；中型河流测试R2达0.93–0.98；大型河流所有模型测试R2持续超过0.92。评估期间出现系统性性能下降：小型河流R2降低0.05–0.28至0.5–0.8，大型河流保持最稳健（R2>0.89），中型河流R2在0.78–0.96之间，溪流性能最不稳定（评估R2降至0.38–0.86）。残差分析显示，残差的绝对量级和方差随河流规模增大而增加；MLP在溪流和小型河流中产生紧密的误差分布；BNN变体（尤其是BNN-MCVI）在所有河流规模中表现出更稳健和稳定的性能；XGBoost能捕捉流量中心趋势但误差方差较高。PBIAS分析显示所有模型的PBIAS值严格介于?20和+20之间，MLP和BNN-MCMC表现出卓越的一致性，绝对PBIAS经常低于10%，确认了该框架在不同水文尺度下可靠地保持了总流量体积。
五、讨论与结论
讨论部分的核心发现包括：第一，RDE精度取决于河流规模，中型和大型河流的高精度归因于宽阔河道产生的清晰光谱信号，而溪流和小型河流精度较低主要源于Sentinel-2的10 m空间分辨率不足以分辨宽度小于单个像素的窄小河道，导致混合像元污染。第二，多边形中心线采样策略有效缓解了阴影和河岸植被对RDE精度的负面影响，同时该策略对部分云覆盖影像具有相对韧性——云污染的多边形可被排除，而仍从其余清晰位置提取有效反射率数据，最终通过对可用无云点的数据取平均来计算河段RD。第三，与测高法相比，该光学方法不依赖传感器足迹大小和河流形态，不受测高卫星地面轨道交叉数量有限的稀疏覆盖限制，且能对测高法通常不适用的窄小河流产生高精度估算。第四，FI分析证实了光谱-流量关系的物理基础：蓝绿波段对浊度和SSC的高敏感性使其成为最强预测因子，SWIR波段在浑浊条件下对SSC保持单调响应而不像近红外波段那样饱和，因此提供了补充性判别信息。
研究结论指出，所提出的基于RS的方法能够实现精确的近实时RDE，对干旱监测、水资源配置、水库调度和水电发电预报等水资源管理应用具有实用价值。该框架通过建立Sentinel-2光谱波段与RD之间的直接关系，克服了当前文献中对RW或WSE等几何代理变量的依赖这一关键局限。特征重要性分析持续识别蓝色（B2，490 nm）和绿色（B3，560 nm）波段为主导预测因子，短波红外波段（B11和B12）也做出有意义的贡献。模型性能表现出对河流规模的明确依赖，中型和大型河流持续达到高精度，而溪流和小型河流因Sentinel-2的10 m空间分辨率导致的混合像元污染而性能略低。研究局限性包括：Sentinel-2空间分辨率对窄小河流的约束、对无云影像的依赖、多边形采样假设水体光学性质在过境期间均质、数据驱动方法对训练数据条件多样性的敏感性，以及BNN主要表征认知不确定性而可能低估总预测不确定性。
