大地测量与地球动力学

评估对象	数据量	bias/m	r	RMSE/m	MAE/m
城陵矶-提取点1	18	0.30	0.93	1.44	0.70
城陵矶-提取点2	18	－0.31	0.98	0.87	0.51
城陵矶-提取点3	17	－0.38	0.99	0.55	0.45
DAHITI(东)	8	1.07	0.99	1.14	1.07
南咀-提取点1	16	0.06	0.96	0.56	0.28
南咀-提取点2	16	0.07	0.91	0.80	0.41
南咀-提取点3	17	0.09	0.91	0.70	0.36
DAHITI(西南)	21	－1.36	0.96	1.44	1.37
小河咀-提取点1	16	0.10	0.91	0.76	0.76
小河咀-提取点2	18	0.15	0.90	0.82	0.82
小河咀-提取点3	17	0.13	0.95	0.50	0.50
DAHITI(西南)	21	－1.30	0.96	1.38	1.30

评估对象	数据量	bias/m	r	RMSE/m	MAE/m
城陵矶-提取点1	18	0.30	0.93	1.44	0.70
城陵矶-提取点2	18	－0.31	0.98	0.87	0.51
城陵矶-提取点3	17	－0.38	0.99	0.55	0.45
DAHITI(东)	8	1.07	0.99	1.14	1.07
南咀-提取点1	16	0.06	0.96	0.56	0.28
南咀-提取点2	16	0.07	0.91	0.80	0.41
南咀-提取点3	17	0.09	0.91	0.70	0.36
DAHITI(西南)	21	－1.36	0.96	1.44	1.37
小河咀-提取点1	16	0.10	0.91	0.76	0.76
小河咀-提取点2	18	0.15	0.90	0.82	0.82
小河咀-提取点3	17	0.13	0.95	0.50	0.50
DAHITI(西南)	21	－1.30	0.96	1.38	1.30

卫星轨道	城陵矶站卫星过境时间(条带号)	南咀、小河咀站卫星过境时间(条带号)	重访周期/d
103F	2024-06-16(521) 2024-07-07(521) 2024-07-28(521)	2024-06-06(243) 2024-06-27(243) 2024-07-18(243)	21
052F	2024-06-18(562) 2024-07-09(562)	2024-06-08(284) 2024-06-29(284) 2024-07-20(284)	21

卫星轨道	城陵矶站卫星过境时间(条带号)	南咀、小河咀站卫星过境时间(条带号)	重访周期/d
103F	2024-06-16(521) 2024-07-07(521) 2024-07-28(521)	2024-06-06(243) 2024-06-27(243) 2024-07-18(243)	21
052F	2024-06-18(562) 2024-07-09(562)	2024-06-08(284) 2024-06-29(284) 2024-07-20(284)	21

新型SWOT卫星数据监测2024-07洞庭湖洪水事件

李楚翘 ¹ , 钟玉龙 ¹^,²^,³^,* , 杨凯钧 ¹^,²^,⁴ , 陈嘉明 ³ , 雷帆 ²^,⁴

大地测量与地球动力学 | 特色栏目: 地震大地测量学 2026,46(5): 645-654

收起

大地测量与地球动力学 |特色栏目: 地震大地测量学 2026 , 46 (5) : 645 -654

新型SWOT卫星数据监测2024-07洞庭湖洪水事件

全屏

李楚翘¹, 钟玉龙¹^,²^,³^,*, 杨凯钧¹^,²^,⁴, 陈嘉明³, 雷帆²^,⁴

作者信息

1 中国地质大学(武汉)地理与信息工程学院, 武汉, 430078

2 自然资源部南方丘陵区自然资源监测监管重点实验室, 长沙, 410118

3 波恩大学大地测量与地理信息学院, 波恩, 53115

4 湖南省第二测绘院, 长沙, 410119

通讯作者:

钟玉龙, 博士, 副教授, 主要研究方向为水文大地测量学, E-mail: zhongyl@cug.edu.cn

作者简介:

李楚翘, 硕士生, 主要研究方向为水文大地测量学, E-mail: qqs@cug.edu.cn

Monitoring of the July 2024 Dongting Lake Flood Event Using New SWOT Satellite Data

Chuqiao LI¹, Yulong ZHONG¹^,²^,³^,*, Kaijun YANG¹^,²^,⁴, Jiaming CHEN³, Fan LEI²^,⁴

Affiliations

1 School of Geography and Information Engineering, China University of Geosciences, Wuhan 430078, China

2 Key Laboratory of Natural Resources Monitoring and Supervision in Southern Hilly Region, MNR, Changsha 410118, China

3 Institute of Geodesy and Geoinformation, University of Bonn, Bonn 53115, Germany

4 Hunan Provincial Second Surveying and Mapping Institute, Changsha 410119, China

出版时间: 2026-05-15 doi: 10.14075/j.jgg.2025.07.233

文章导航

摘要

收起

通过提取与分析SWOT卫星测高水位数据验证其可靠性, 并以2024-07洞庭湖流域洪水灾情为例, 探索其在洪水动态监测中的应用潜力。结果表明, SWOT卫星提供的水位数据准确性较高, 与实测水位对比表现最优时相关系数达0.99, RMSE为0.55 m, 描绘的水体范围与光学影像对比呈现高度的空间一致性。

关键词

SWOT卫星 / 卫星测高 / 卫星遥感 / 洪水监测 / 洪水淹没范围

Abstract

收起

The reliability of SWOT satellite altimetry-based water level data was validated through extraction and analysis, with the July 2024 flood event in the Dongting lake basin serving as a case study to explore its application potential in dynamic flood monitoring. The results demonstrate that the water level data provided by the SWOT satellite exhibits high accuracy, with an optimal correlation coefficient of 0.99 and a RMSE of 0.55 m when compared to in-situ measurements. The derived water extents also show high spatial consistency with optical imagery.

Key words

SWOT satellite / satellite altimetry / satellite remote sensing / flood monitoring / flood inundation extent

引用本文

李楚翘, 钟玉龙, 杨凯钧, 陈嘉明, 雷帆. 新型SWOT卫星数据监测2024-07洞庭湖洪水事件. 大地测量与地球动力学, 2026 , 46 (5) : 645 -654 . DOI: 10.14075/j.jgg.2025.07.233

Chuqiao LI, Yulong ZHONG, Kaijun YANG, Jiaming CHEN, Fan LEI. Monitoring of the July 2024 Dongting Lake Flood Event Using New SWOT Satellite Data[J]. Journal of Geodesy and Geodynamics, 2026 , 46 (5) : 645 -654 . DOI: 10.14075/j.jgg.2025.07.233

正文

收起

洪水是全球频发的自然灾害之一，其突发性强、破坏范围广^[1-2]。洪水灾害发生期间，准确监测河流、湖泊等陆面重要水存储形式的水体范围和水位的变化，可有效减少其对社会、生态的持续性破坏。传统洪水监测手段(如地面站点观测和人工实地巡查)存在成本高、时效性差和空间覆盖不足等局限^[3]，而卫星遥感技术凭借其大范围、多时相观测的优势，已成为洪水动态监测的核心手段^[4-5]。

利用测高卫星(如Jason-3、ICESat等)与光学/SAR卫星(如Landsat、Sentinel-1等)已分别实现了水位动态监测与洪水淹没范围解译^[6-8]。然而，受限于单一传感器的技术特性，现有卫星遥感技术对水文要素观测普遍呈现单一性——测高卫星无法同步监测面积变化，成像卫星则缺乏直接获取水位的能力。2022-12由NASA与CNES联合发射的地表水和海洋地形卫星(surface water and ocean topography, SWOT)实现了技术革新。SWOT卫星以其搭载的Ka波段雷达干涉仪为主要仪器，结合多频测高仪与微波辐射计，能同时以厘米级的精度测量水位和以百米级的空间分辨率获取水体范围，并实现21 d全球覆盖，突破了传统技术的时空限制^[9-11]。

已有研究证实了SWOT卫星在全球内陆水循环监测中的潜力。如其连续观测了2023-07—2024-11美国俄亥俄河流域湖泊和水库的水位波动，为该流域的水资源管理提供了全新的数据支持^[12]。Weibel等^[13]利用SWOT卫星成功捕捉了2024-01—04巴拉那河中游水面高程的时空变化，其水面高程产品的估算值与4个站点的实测数据吻合良好，相对误差在1.34%~5.85%之间。研究人员基于SWOT卫星数据成功反演出死亡谷内由希拉里飓风形成的临时湖泊的水深变化，填补了传统观测手段在类似场景中无仪器监测的空白^[14]。此外，Yao等^[15]通过融合休斯敦湖地面水文站实测水位与Landsat-8遥感影像数据对SWOT产品进行交叉验证，结果表明，其内陆大型水体水位监测绝对精度达到0.15 m，边界矢量识别准确率高达99.6%。

在洪水监测方面，SWOT卫星也展示了其强大的潜力。Frasson等^[16]通过评估SWOT卫星在时间和空间上的采样能力，表明其能够观测到Dartmouth洪水观测数据库中55%的洪水事件记录，特别是持续时间较长和影响较大的洪水事件。Desrochers等^[17]利用多源遥感数据和SWOT模拟数据，完整重建了2020年加拿大和平-阿萨巴斯卡三角洲洪水事件的时空演变过程，SWOT卫星以每月3~4次的覆盖频率与高时空分辨率为洪水过程的研究提供了新范式。在2024-02的加州洪水事件中，SWOT卫星成功记录了洪水从形成到消退的全过程^[18]。Laipelt等^[19]探讨SWOT卫星在巴西南部洪水事件中的应用，结果表明, SWOT卫星观测结果与地面数据高度一致，捕捉了99%的水位变化，为理解洪水动力学提供了新的见解。然而，现有研究尚未充分阐明SWOT卫星在监测特定洪水事件时，其重访周期和幅宽覆盖范围的实际应用价值^[17]，尤其缺乏在具体洪涝灾害场景中对SWOT卫星同步获取水体高程与面积这一能力的验证，以及对其时间分辨率在实际洪水灾情响应中的局限性的分析。

2024-07-05湖南省岳阳市华容县团洲垸洞庭湖一线堤防因持续强降雨决口。多源卫星(如资源一号、吉林一号、高分三号)为灾后评估提供了淹没范围与地表被淹情况^[20]，但这些影像数据难以同步获取水位，一定程度上限制了其全面评估灾情的效果。因此，本研究利用SWOT卫星的L2级水文产品Raster数据对2024-07洞庭湖洪水事件进行动态监测。通过提取SWOT卫星同步获取的水位与面积数据，结合地面实测水位数据与遥感影像，验证SWOT卫星在洪水事件中的可靠性，并探讨其在洪水动态监测中的制约因素。

1 研究区域与数据

收起

1.1 研究区域

洞庭湖位于长江中游，紧邻荆江南岸，跨湘、鄂两省，划分为东洞庭湖、南洞庭湖、西洞庭湖3个湖区。作为中国第二大淡水湖，洞庭湖水体面积有非常明显的丰水期和枯水期的年内变化^[21]，其水位也随季节性气候变化而显著波动。这种水文特征使得洞庭湖流域在雨季发生洪水的可能性较高，尤其是在春夏之交，当长江上游来水和本地强降雨叠加时，洪水风险尤为突出。研究区域概况见图 1。

受持续强降雨和上游来水增加的影响，2024-06-30洞庭湖城陵矶(七里山)水文站出现高洪水位，水位涨至警戒线(33.00 m)。2024-07-03东、南洞庭湖水位全线超警。洞庭湖水面面积随着水位上涨，已从原先的1 100 km²逐渐扩大到约2 570 km²^[22]。在遭遇2024年以来最强降雨后，城陵矶站2024-07-05仍然维持警戒水位。同日，湖南岳阳市华容县团洲垸堤坝决堤。

1.2 研究数据

1.2.1 SWOT数据

本文选用2024-02—08 SWOT Level 2 Water Mask Raster Image Data Product，版本2.0的产品(SWOT_L2_HR_Raster_2.0)进行分析。数据来源于NASA Earthdata搜索平台。该数据产品采用NetCDF-4文件格式，以单个NetCDF文件格式提供给用户，包含100 m和250 m两种空间分辨率。本研究采用空间分辨率为100 m的SWOT Raster数据。

Raster数据中包括多种变量，研究主要采用“wse”“wse_uncert”和“wse_qual”3个变量，分别表示水表面高程值(water surface elevation, WSE)、水位数据的不确定值和水位数据的质量标志。

1.2.2 实测站点数据

选取城陵矶水文站、南咀水文站和小河咀水文站作为整个洞庭湖区的代表性站点。城陵矶站作为长江中游防洪控制的关键点，发挥着监测洞庭湖和长江流域水情变化的重要作用。南咀站位于西洞庭湖北部湖口，监测松滋河、虎渡河、澧水和沅水等水系流向南洞庭湖的传输过程。小河咀站承担着监测西洞庭湖(南端)流入南洞庭湖水情的重任，也是洞庭湖流域中重要的水文站。

本研究使用的水文数据源自各水文站实时采集的连续水位记录，从湖南水文公众服务一张图网站中下载获取。站点数据逐小时记录，从中选取与SWOT卫星过境时间相匹配的实测水位数据，便于后续分析卫星观测值与实测值之间的差异和原因。

1.2.3 遥感影像数据

选用洞庭湖洪水事件前后(2024-06-15和2024-07-06)的GF-1 WFV多光谱卫星影像，数据来源于中国资源卫星应用中心陆地观测卫星数据服务平台。GF-1 WFV宽幅相机装载了WFV1、WFV2、WFV3和WFV4四个传感器，可获取空间分辨率为16 m的多光谱彩色图像，同时成像的幅宽可达800 km左右。MFV传感器有4个波段，分别为B1(蓝波段，波长范围0.45~0.52 μm)、B2(绿波段，0.51~0.59 μm)、B3(红波段，0.63~0.69 μm)和B4(近红外波段，0.77~0.89 μm)，覆盖从可见光到近红外的光谱范围。

2 研究方法

收起

2.1 水位数据处理

2.1.1 水位数据提取

依据坐标值采用最邻近法从SWOT Raster数据中匹配并提取空间上最邻近网格单元的水位相关数据集，包括“wse”“wse_uncert”和“wse_qual”等。再按卫星过境时刻将“wse”值与逐小时实测水位数据进行时间匹配，以不同颜色点表示“wse”值的各个质量等级(由“wse_qual”变量决定，0级为最佳)，并附带误差棒量化测量的不确定性(其长度由“wse_uncert”变量决定)。

2.1.2 高程基准统一

SWOT卫星提供的水位数据是以大地水准面为基准的正高，其高程值通过EGM2008重力场模型计算得到，而我国1985国家高程系统采用的是以似大地水准面为基准的正常高。为进行水位数据的精度比较，需将SWOT卫星水位数据与国内高程系统统一至相同的基准面：

(1)

$h_{\mathrm{w}}=\mathrm{wse}-\beta$

式中，h_w为转换为1985高程系统的水位；β为1985国家高程系统与EGM2008大地水准面之间0.32 m的偏差^[23]。

对于地面水文站点的数据，城陵矶水文站的高程基准为吴淞高程，而南咀、小河咀水文站的高程基准为1985国家高程基准。为了统一实测水位数据的高程基准，依据转换常数对实测水位值进行校正：将城陵矶站的水位减去1.717 m，得到其与1985国家高程基准相对应的水位值。

经过处理后，SWOT卫星水位数据与实测水位数据均统一为1985国家高程基准，确保了水位高程数据的准确性、可用性。

2.1.3 异常值剔除

提取出的SWOT水位数据中存在空白值或缺失值，这些值以非数值(not a number, NaN)形式表示，可能是由于监测设备未能记录数据或数据在传输过程中丢失造成的。NaN值的存在会影响数据分析的结果，需要剔除。剔除NaN值后，采用基于历史同期水文数据的动态阈值法识别并剔除水位数据中的异常值。该方法利用城陵矶、南咀、小河咀3个水文站2019—2023年的日实测水位数据，通过计算目标日期前后各15 d的历史同期水位数据的第5百分位数和第95百分位数，分别作为该日卫星水位异常值判定的动态下限与上限。剔除阈值区间外的水位数据并进行人工复核，确保提取的水位值位于洞庭湖区域水文季节变化的正常范围内。

2.1.4 系统误差处理

在进行高程系统统一后，SWOT卫星所得水位与实测水位变化趋势大致相同，但仍需消除由于地球重力势在不同区域存在的差异及测量设备或方法不一致所引起的系统误差^[24]。

(2)

$\Delta h=\frac{1}{n} \sum\limits_{i=1}^n\left|h_{\mathrm{s}_i}-h_{\mathrm{w}_i}\right|$

(3)

$H_{\mathrm{w}}=h_{\mathrm{w}_i}+\Delta h$

式中，h_{s_i}为水位站实测水位；h_{w_i}为SWOT转换为1985高程基准后的测高水位；n为观测次数；H_w为消除系统高差后的SWOT水位值。

2.1.5 水位精度验证

通过计算皮尔逊相关系数(r)和均方根误差(RMSE)量化卫星水位与实测水位的一致性。并以卫星过境时刻为节点，绘制实测水位与观测水位的时间序列曲线，叠加误差棒，展示匹配精度。

2.2 影像数据处理

处理GF-1 WFV影像时，首先进行辐射定标和大气校正，以消除影像中的辐射失真和大气干扰。并将影像的第四、第三、第二波段分别对应红、绿、蓝通道进行假彩色合成，这样的波段组合能得到地物特征显著、色彩对比度高、层次清晰的遥感图像，极大提升了水体识别的准确性。在此基础上，利用SWOT Raster数据中的“wse”变量，绘制出洞庭湖洪水事件前后的水位空间分布图，并与经过处理的GF1光学遥感影像进行洪水淹没范围的对比。

3 结果分析

收起

3.1 水位精度评价

研究首先基于城陵矶、南咀、小河咀水文站的精确地理坐标选取距离站点最近的网格单元值作为卫星水位观测值，并与实测水位进行一致性对比。但受限于SWOT数据100 m的空间分辨率，水文站的实际位置与所选网格中心点难以精确重合。如图 2所示，结果揭示出所提取水位数据与实测数据之间存在较大的差异。这种偏差的一个潜在因素是水文站点多位于岸边的位置，在靠近水体边缘的区域，雷达接收的信号容易受到水体边缘附近的地形、植被干扰，形成水面与非水面反射的混合信号，导致卫星记录的数据并非纯粹的水面回波，引入了显著的测量误差^[10]。

为了削弱此类误差，本研究重新选取位于水文站附近、远离岸边干扰且处于水面中心位置的区域作为SWOT水位数据的新提取点。新提取的点位于研究区域的中央开阔水域，距离水文站(也就是岸边)的直线距离约为1 km，同时其各自间距大于Raster数据的空间分辨率，各点对应独立网格，避免了空间自相关的干扰。对从网格提取出的“wse”变量进行处理，并将新提取的SWOT水位数据与实测水位数据再次进行对比分析。改进后的分析结果见图 3，通过选取更为适宜的SWOT数据提取点，SWOT水位数据与实测水位的一致性显著优于基于水文站点提取的水位数据。相比之下，水文站点提取的水位数据与实测水位之间存在较大的总体偏差和波动性。

通过绘制SWOT卫星水位数据与水文站实测水位数据之间的散点对比图进一步验证改进后的水位数据精度。如图 4所示，多数观测点数据经系统误差校正后与实测水位数据吻合良好，相关系数较高，但部分点位仍存在显著偏差。卫星与实测水位对比图显示，偏差较大的观测点多集中于2级质量点。对各质量等级数据点进行偏差与标准差统计，结果表明，2级质量点的数据平均偏差为0.13 m，且偏差值的标准差最大(1.04 m)，数据离散程度最高。而0级(平均偏差－0.11 m, 标准差0.11 m)和1级质量点(平均偏差－0.21 m, 标准差0.25 m)的观测值更接近真实水位且稳定性更好。0级质量点表现最优，这证实了数据质量等级是卫星水位观测精度的主要影响因素。城陵矶站中，大部分数据拟合良好，但存在个别突出值导致整体RMSE偏大。总体来说，SWOT卫星测高在测量湖泊水位方面可以达到较高的精度，能作为获取湖泊水位的重要方法。

将SWOT卫星获取的湖泊水位序列与DAHITI水文数据集提供的水位序列进行对比分析。DAHITI水文数据集由慕尼黑工业大学与德国地质研究局共同研发，旨在利用卫星测高技术监测全球内陆水体(如湖泊、河流和水库)的水位变化。DAHITI数据集的数据来源于涵盖Envisat和Jason等卫星，可为内陆水域提供高精度的水位时间序列数据。虽然Hydroweb水文数据集也是广泛使用的水文数据资源，但在本研究的实验过程中发现，Hydroweb数据集中缺乏2024年洞庭湖的水位高度数据。因此，为确保实验数据的完整性和时效性，选取数据覆盖更为全面的DAHITI水文数据集作为实验的验证数据集。SWOT卫星与DAHITI水文数据集的水位数据对比结果见图 5。

为更好地对比SWOT水位与DAHITI水位数据，分别评估SWOT水位和DAHITI水位相对于实测水位数据的精度指标，见表 1。

通过这些指标分别评估SWOT水位数据和DAHITI水位数据与实测水位的误差大小、总体误差幅度和一致性。分析可知，DAHITI数据虽然在相关系数上普遍优于SWOT数据，且在城陵矶站点精度表现突出，但该站的有效数据量较少，降低了DAHITI数据在该站的可靠性；相比之下，SWOT数据在大多数点位(城陵矶提取点1除外)的偏差与误差均小于DAHITI数据，表明SWOT数据在数据质量较好时能展现出更优的局部精度与可靠性。

3.2 洪水期水位监测结果

根据§3.1的结果，SWOT卫星数据提取的水位与洞庭湖各水文站实测水位在高质量数据点较多时表现出高度一致性，相关系数达0.99，验证了SWOT卫星在水位监测方面的可靠性。但受限于SWOT卫星21 d的重访周期，各监测站点在洪水发生过程中均未能及时捕捉到峰值水位。

城陵矶站在2024-06-30—07-05一直维持着警戒水位，同日，团洲垸洞庭湖堤坝决堤，大量洪水涌入。结合水位时间序列(图 3)和卫星过境日期(表 2)可知，SWOT卫星覆盖城陵矶水文站区域的轨道过境时间与洪峰出现时刻存在错位，未能捕捉到该峰值水位，仅在峰值过后捕捉到了洪水期后期的水位。南咀、小河咀站卫星过境时间稍早于西南洞庭湖主汛期，仅捕捉到前期水位。这一现象表明，尽管SWOT卫星在水位监测方面具有一定的可靠性，但在应对突发性洪水事件，特别是在实时监测洪水峰值方面仍存在不足。

3.3 洪水淹没范围对比

获取2期与GF1 WFV时间间隔较短的SWOT卫星数据，用以对比分析SWOT卫星识别洪水事件的能力。

2024-06-16以来，洞庭湖流域的强降雨持续时间延长，进入全面入汛阶段。洞庭湖流域湖泊范围迅速扩张，河道明显加宽，周边地区地势较为平坦的耕地和滩地逐渐被淹没。由图 6、7可知，SWOT卫星识别出的湖泊淹没区域与GF-1影像所示基本一致。

降雨量增多给洞庭湖区的蓄洪防洪造成压力，2024-07-06团洲垸发生溃堤。如图 8所示，尽管SWOT数据无法像光学影像一样清晰地识别团洲垸的决堤口，但根据其水位数值能够显示出团洲垸堤防内被淹情况的严重程度。

综上，SWOT卫星数据能够准确识别洞庭湖在洪水期间水体范围的扩展和水位的上升，在监测湖泊洪水事件中具有较好的可用性。

3.4 水位与累积降水对比

本研究还对2024-07洞庭湖洪水事件进行了累积降水量与水位的时序变化对比分析。累积降水量利用中国气象局陆面数据同化系统降水产品计算，该产品的空间分辨率为0.062 5°，采用的时段为2024-06-01—08-31。裁剪出研究区域内的日降水数据，过滤无效数据后，为每个有效降水值赋予面积权重，计算区域日平均降水量。将处理后的日平均降水值按时间顺序累加，生成累积降水曲线，将其与实测水位和SWOT卫星水位对比(图 9)。

可以看出，水位变化与降水事件之间存在正相关关系，累积降水量达到高峰时，水位也在升高。在洪水期，3个站点的SWOT水位与实测水位的变化趋势基本一致，反映了水位的波动情况，证明SWOT卫星在洪水期水位监测方面具有一定的可靠性。

4 讨论

收起

运用SWOT卫星数据对湖泊水位进行监测的方法在精度上具备可行性，然而，在选取水位数据提取区域时需谨慎。这是因为SWOT卫星的雷达波束具有一定的宽度，不仅覆盖水面，还会覆盖邻近的湖岸带或水陆交错带，进而记录非水面数据。特别是当湖泊周边存在建筑物、桥梁等人工障碍物时，雷达波束可能会发生散射或反射，导致非水面区域产生回波。此外，雷达波的穿透性可能使其穿透植被或湿润土壤，导致非水面区域的反射信号被误识别为水面反射信号。因此，若在水位数据提取过程中混入了岸边、植被、湿润土壤等非水面数据，将会对数据的精度产生较大的影响，进而影响后续对湖泊水位的监测与分析。

水位的不确定值与水位质量标志相关，研究提取并分析了SWOT数据中不同质量指标对应的不确定值，发现0级质量数据(最优等级)具有较低的不确定性；3级质量数据(最低等级)的不确定值呈现NaN特征，分析中应予以剔除；1级和2级质量数据的不确定值分布跨度较大，但仍有一定的研究价值。建议后续研究优先采用0级水位观测值。数据点提取区域的优化选择和数据中质量标志与不确定值的筛选分析，能有效提升SWOT数据的可靠性。

SWOT卫星水位和DAHITI水位均能较好地贴合实测水位。尽管在某些情况下存在偏差，但总体而言, SWOT水位与实测水位之间的偏差更小。DAHITI通过整合多源历史水文数据，依托既有卫星产品的后处理，更适用于长期趋势研究。相比之下，SWOT卫星数据时效性更强，能够实现动态地监测洪水。SWOT卫星数据在监测湖泊水位方面展现出了一定的精度和可靠性，能在洪水期对水位进行动态监测。然而，受其重访周期的限制，在实时监测湖泊水位变化方面存在一定短板。洪水过程往往在数小时至数天内迅速变化，SWOT卫星捕捉水位急速上升、峰值和洪水消退时刻的效果取决于卫星过境时间与该时刻的对应情况。

同时，利用SWOT卫星进行洪水淹没范围监测的技术也呈现出了其特有的优势与局限性。当前，遥感成像技术中用于洪水监测的主要为光学卫星影像和雷达卫星影像。基于光学影像的洪水监测起步较早，可提供高分辨率的洪水淹没区域影像，但光学遥感传感器的波长较短，易受云层遮挡，而洪涝灾害发生时常伴阴雨天气，传感器往往难以获得清晰的淹没区域影像。相对而言，合成孔径雷达(SAR)采用更长的波段，能穿透云层，受天气条件影响小，可以全天候、全天时监测，被广泛用于洪水发生时淹没范围的动态监测^[25]。在SAR影像中，水体表现出较低的后向散射系数，利用这一特征结合地形和纹理信息等，可通过阈值分割、决策树分类、深度学习等方法提取洪水范围信息^[26]。但雷达遥感影像的处理和分析要求具备较高的专业知识，且数据处理流程相对复杂。

使用SWOT Raster数据进行洪水监测时，数据处理流程相对简单。仅仅观察洪水淹没的区域并不足以完整地刻画洪水事件的详细情况，而该数据既可以提供淹没范围的空间分布，反映洪水事件的演变情况，又可以提供水位高程数据，计算水面高程变化，从而得到更准确详尽的洪水信息。但SWOT数据在淹没区域的细节捕捉上仍有不足，尤其是在植被覆盖和水体混合区域，会错误地将其识别为水面并记录水体高程数据，导致在数据可视化时，虽然可以直接观察到严重受灾地区的水位上升，但无法正确识别出土地覆被类型，需要结合光学影像进行判读。

5 结语

收起

本文以洞庭湖为研究区，使用2024-07洪水期前后的逐月SWOT卫星数据进行水位提取并构建水位序列。通过与实测水位数据和DAHITI水文数据集水位进行对比，证实了SWOT数据的可靠性，其与实测水位的最佳相关系数高达0.99，此时RMSE为0.55 m。

将SWOT数据可视化的水面高程图与高分辨率遥感影像数据识别出的洪水期间的淹没范围进行对比。结果表明，SWOT数据能准确识别湖泊扩展范围。

SWOT数据为湖泊水位动态监测提供了更方便快捷的途径，但在洪水关键期的应急监测中，SWOT数据的时间分辨率仍显不足。由于重访周期的限制，其只能聚焦于特定时期(洪水前、洪水后)进行对比分析，可能难以监测到洪水峰值的水位及对应日期的洪水淹没范围。未来可以考虑将SWOT卫星与多源遥感卫星相结合，并联合地面传感器与无人机开展洪水实时监测，整合它们在空间分辨率、时间分辨率和时间覆盖范围等方面的优势，从而进一步提高监测精度。

基金

收起

国家自然科学基金(42374032)
湖南省自然科学基金(2024JJ8348)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

Friedrich

H K

, Tellman

, Sullivan

J A

, et al. Earth Observation to Address Inequities in Post-Flood Recovery[J]. Earth's Future, 2024, 12 (2)

Landuyt

, Wesemael

A V

, Schumann

G J P

, et al. Flood Mapping Based on Synthetic Aperture Radar: An Assessment of Established Approaches[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57 (2): 722- 739

胡新茹. SAR影像快速洪水范围和深度提取方法与应用研究[D]. 徐州: 中国矿业大学, 2022

Hu Xinru. Research on Rapid Extraction Method and Application of Flood Extent and Depth from SAR Images[D]. Xuzhou: China University of Mining and Technology, 2022

Kuntla

S K

. An Era of Sentinels in Flood Management: Potential of Sentinel-1, -2, and -3 Satellites for Effective Flood Management[J]. Open Geosciences, 2021, 13 (1): 1616- 1642

黄诗峰. 遥感技术在我国洪涝灾害监测评估中的应用[J]. 中国减灾, 2013 (24): 36- 37

Huang

Shifeng

. Application of Remote Sensing Technology in the Monitoring and Assessment of Flood Disasters in China[J]. Disaster Reduction in China, 2013 (24): 36- 37

黎鹏, 李辉. 基于多源卫星测高数据的洞庭湖流域2003—2017年湖泊水位变化监测[J]. 地球科学, 2020, 45 (6): 1956- 1966

Peng

, Li

Hui

. Monitoring Lake Level Variations in Dongting Lake Basin over 2003-2017 Using Multi-Mission Satellite Altimetry Data[J]. Earth Science, 2020, 45 (6): 1956- 1966

段伟芳, 温小乐, 徐涵秋, 等. 基于光学与雷达影像变化检测的2020年鄱阳湖洪灾评估与分析[J]. 地球信息科学学报, 2022, 24 (12): 2435- 2447

Duan

Weifang

, Wen

Xiaole

, Xu

Hanqiu

, et al. Assessment and Analysis of the 2020 Poyang Lake Flood Hazard Based on Optical and Radar Image Assisted Change Detection[J]. Journal of Geo-Information Science, 2022, 24 (12): 2435- 2447

李香颜, 陈怀亮, 李有. 洪水灾害卫星遥感监测与评估研究综述[J]. 中国农业气象, 2009, 30 (1): 102- 108

Xiangyan

, Chen

Huailiang

, Li

You

. A Review on Monitoring and Assessment of Flood Disaster by Satellite Remote Sensing[J]. Chinese Journal of Agrometeorology, 2009, 30 (1): 102- 108

么嘉棋, 常奂宇, 王梦然, 等. 新一代水文水资源监测卫星SWOT数据特征、应用与展望[J]. 地球科学进展, 2024, 39 (4): 374- 390

Yao

Jiaqi

, Chang

Huanyu

, Wang

Mengran

, et al. Characteristics, Application, and Prospects of a New Generation Hydrological and Water Resources Monitoring Satellite: SWOT[J]. Advances in Earth Science, 2024, 39 (4): 374- 390

Biancamaria

, Lettenmaier

D P

, Pavelsky

T M

. The SWOT Mission and Its Capabilities for LandHydrology[J]. Surveys in Geophysics, 2016, 37 (2): 307- 337

Durand

, Fu

L L

, Lettenmaier

D P

, et al. The Surface Water and Ocean Topography Mission: Observing Terrestrial Surface Water and Oceanic Submesoscale Eddies[J]. Proceedings of the IEEE, 2010, 98 (5): 766- 779

NASA Jet Propulsion Laboratory. Ohio Basin Lakes Water Levels[EB/OL]. https://www.jpl.nasa.gov/images/pia26188-ohio-basin-lakes-water-levels, 2024

Weibel C L, Walker E, Szupiany R, et al. Evaluation of SWOT Water Surface Elevation Product along the Middle Paraná River[C]. IEEE Biennial Congress of Argentina (ARGENCON), Argentina, 2024

NASA Jet Propulsion Laboratory. SWOT Death Valley Lake Depth[EB/OL]. https://www.jpl.nasa.gov/images/pia26184-swot-death-valley-lake-depth, 2024

Yao

J Q

, Xu

, Wang

M R

, et al. Promoting Global Surface Water Monitoring Research with the SWOT Satellite[J]. The Innovation Geoscience, 2024, 2 (4)

Frasson

R P D M

, Schumann

G J P

, Kettner

A J

, et al. Will the Surface Water and Ocean Topography (SWOT) Satellite Mission Observe Floods?[J]. Geophysical Research Letters, 2019, 46 (17-18): 10435- 10445

Desrochers

N M

, Peters

D L

, Siles

, et al. A Remote Sensing View of the 2020 Extreme Lake-Expansion Flood Event into the Peace-Athabasca Delta Floodplain-Implications for the Future SWOT Mission[J]. Remote Sensing, 2023, 15 (5): 1278- 1278

NASA Jet Propulsion Laboratory. California Coastal Flooding Captured in SWOT Data[EB/OL]. https://www.jpl.nasa.gov/images/pia26182-california-coastal-flooding-captured-in-swot-data, 2024

Laipelt

, Paiva

R C D D

, Fan

F M

, et al. SWOT Reveals how the 2024 Disastrous Flood in South Brazil Was Intensified by Increased Water Slope and Wind Forcing[J]. Geophysical Research Letters, 2025, 52 (2)

任昕宇. 卫星助力洞庭湖洪水灾情监测[J]. 卫星应用, 2024 (8): 62- 64

Ren

Xinyu

. Satellite-Assisted Flood Disaster Monitoring in Dongting Lake[J]. Satellite Application, 2024 (8): 62- 64

王威, 隋兵, 林南, 等. 基于Landsat遥感数据的洞庭湖面积变化研究[J]. 气象科技进展, 2020, 10 (3): 128- 132

Wang

Wei

, Sui

Bing

, Lin

Nan

, et al. Study on Area Changes of the Dongting Lake Based on Remote Sensing Data[J]. Advances in Meteorological Science and Technology, 2020, 10 (3): 128- 132

中华人民共和国水利部. 湖南洞庭湖区积极应对今年第1号洪水[EB/OL]. http://www.mwr.gov.cn/xw/dfss/202407/t20240702_1754698.html, 2024-07-02

Ministry of Water Resources of the People's Republic of China. Hunan's Dongting Lake Region Actively Responds to the First Flood of 2024[EB/OL]. http://www.mwr.gov.cn/xw/dfss/202407/t20240702_1754698.html, 2024-07-02

翟振和, 魏子卿, 吴富梅, 等. 利用EGM2008位模型计算中国高程基准与大地水准面间的垂直偏差[J]. 大地测量与地球动力学, 2011, 31 (4): 116- 118

Zhai

Zhenhe

, Wei

Ziqing

, Wu

Fumei

, et al. Computation of Vertical Deviation of Chinese Height Datum from Geoid by Using EGM2008 Model[J]. Journal of Geodesy and Geodynamics, 2011, 31 (4): 116- 118

孙伟, 金建文, 李国元, 等. 激光测高卫星ICESat-2监测太湖水位精度评价[J]. 测绘科学, 2021, 46 (11): 6- 11

Sun

Wei

, Jin

Jianwen

, Li

Guoyuan

, et al. Accuracy Evaluation of Laser Altimetry Satellite ICESat-2 in Monitoring Water Level of Taihu Lake[J]. Science of Surveying and Mapping, 2021, 46 (11): 6- 11

曾玲方, 李霖, 万丽华. 基于Sentinel-1卫星SAR数据的洪水淹没范围快速提取[J]. 地理信息世界, 2015, 22 (5): 100- 103

Zeng

Lingfang

, Li

Lin

, Wan

Lihua

. SAR-Based Fast Flood Mapping Using Sentinel-1 Imagery[J]. Geomatics World, 2015, 22 (5): 100- 103

高寒新, 陈波, 孙洪泉, 等. SAR卫星影像洪水检测研究进展及展望[J]. 地球信息科学学报, 2023, 25 (10): 1933- 1953

Gao

Hanxin

, Chen

, Sun

Hongquan

, et al. Research Progress and Prospect of Flood Detection Based on SAR Satellite Images[J]. Journal of Geo-Information Science, 2023, 25 (10): 1933- 1953

2026年第46卷第5期

引用本文

BibTeX

文章信息

doi: 10.14075/j.jgg.2025.07.233

接收时间：2025-07-03
首发时间：2026-10-29
出版时间：2026-05-15

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-07-03

基金

国家自然科学基金(42374032)

湖南省自然科学基金(2024JJ8348)

作者信息

1 中国地质大学(武汉)地理与信息工程学院, 武汉, 430078

2 自然资源部南方丘陵区自然资源监测监管重点实验室, 长沙, 410118

3 波恩大学大地测量与地理信息学院, 波恩, 53115

4 湖南省第二测绘院, 长沙, 410119

通讯作者:

钟玉龙, 博士, 副教授, 主要研究方向为水文大地测量学, E-mail: zhongyl@cug.edu.cn

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/ddcl/CN/10.14075/j.jgg.2025.07.233

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT