Journal of Hydrology：基于Sentinel影像的植被区河宽精确估算方法
第一作者：李毛毛
通讯作者：赵长森
论文DOI：https://doi.org/10.1016/j.jhydrol.2024.131913
详细信息：Li, M., Zhao, C., Duan, Z., Cheng, H., Lian, Y. and Wang, G. 2024. Mechanically and accurately calculate river width in vegetation areas by coupling Sentinel-1 and -2 imageries within land-water-mixed pixels. Journal of Hydrology 643, 131913. （PDF）
成果简介
近日，北京师范大学水科学研究院赵长森课题组在国际期刊《Journal of Hydrology》（一区TOP，影响因子5.9）上发表了科研成果：“Mechanically and accurately calculate river width in vegetation areas by coupling Sentinel-1 and -2 imageries within land-water-mixed pixels.”。北京师范大学为该论文的第一完成单位，北京师范大学水科学研究院2020级博士生李毛毛为第一作者，北京师范大学水科学研究院赵长森副教授为通讯作者。
论文导读
河流宽度的准确测量一直是遥感领域中的一大挑战，尤其是当河流与周围的混合陆地-水体像素相交时，传统的经验模型往往难以提供精确结果。针对这一问题，该研究提出了一种全新方法——RW-vebasud，通过基于Sentinel-1和Sentinel-2影响的时间序列分析，精确估计植被区域像素内的河流宽度，突破了传统模型的限制。研究中首先探索了增强植被指数（EVI）与反向散射强度（σ）之间的变化机理，成功消除了植被生长对σ~EVI关系稳定性的影响。然后分别构建了水体比例、植被覆盖度比值与去除植被影响后的后向散射强度的函数关系，实现了基于机理过程的亚像元内水陆分离。突破了植被生长影响σ~EVI关系稳定性导致σ~EVI时空异质性强、资料系列短建模难的瓶颈，解决了以往河宽计算方法机理不足导致大范围推广应用难、中小河流应用误差大的问题。
图1 RW-vebasud方法流程图
结果展示
实验结果表明，EVI与σ之间呈显著的正相关关系，相关系数（R²）范围为0.16到0.69（P<0.05）<>；AW/AROI与σROI,noveg呈现负相关关系，即随着ROI内水体比例的增大，σROI,noveg值降低（图2）。不同流域σROI,noveg均值不同，珠江流域σROI,noveg值最大（0.020±0.013），东南诸河流域次之（0.018±0.0051），黄河流域σROI,noveg值最小（0.0047±0.0032）。
图2 AW/AROI与σROI,noveg的函数关系曲线
利用RW-Vebasud方法计算了中国九大流域的河宽，并据此分析了中国河流水面宽的时空格局与变化规律（图3）。结果表明，过去六年（2016-2021年）河流宽度呈现出逐年增加的趋势。在湿季，河流宽度的平均年增长率为2.26米（P<0.05），而在干季为2.17米（p<0.05）。同时，研究也发现，黄河流域的河流宽度最大，达到了平均155.28米，而海河<>流域的河流宽度则最小，仅为22.99米。
与传统的MNDWI（修正归一化差值水指数）方法相比，RW-vebasud在河流宽度计算中展现了显著更高的准确性。当河流宽度小于90米时，RW-vebasud的均方根误差（RMSE）减少了4.32至6.65米；而当河流宽度超过90米时，误差减少幅度达到了66.12%。即使在空间尺度上，RW-vebasud依然能够保持高精度，其Nash-Sutcliffe效率系数（NSE）为0.70，RMSE为3.19，且误差小于图像分辨率的3倍，突破了国际上普遍认同的“只有当河流宽度大于卫星分辨率的三倍时才能准确提取宽度”的限制。
图4 MNDWI估算河宽与本文方法（RW-Vebasud）估算精度：(a)<10m;>10~30m; (c) 30~90m; (d) >90m.
图5 卫星与RW-Vebasud方法产生的河流宽度不同百分比误差的频率分布
（RW指河流宽度，MNDWI表示通过MNDWI识别的河流宽度，RW-Vebasud表示使用我们的方法估算的河流宽度）
此外，RW-vebasud的精度在全球河流宽度数据集GRWL和MERIT Hydro中也表现突出（图6）。在RW-vebasud与GRWL/MERIT Hydro数据集的对比中，模型分别展现出NSE为0.99、0.93、0.87，RMSE为5.99、42.33、54.27，R²分别为0.99、0.91、0.74，进一步验证了其卓越的准确性。
图6 亚像元分解河宽与GRWL和MERIT Hydro河宽数据集对比
综上，RW-vebasud，不仅可以为地表河流宽度的重建提供有效的技术支持，还能够为全球资源和环境建模领域提供强有力的技术支撑，可为研究者们提供了一种更为高效、准确的河流监测手段。