多源衛星測高數據監測太湖水位變化及影響分析

魏浩翰，許仁杰，楊 強，周權平

(1.南京林業大學土木工程學院，南京 210037；2.中國地質調查局南京地質調查中心，南京 210016)

0 引言

太湖是中國第三大淡水湖，位于中國經濟發達、人口密度大、科技能力強的長江三角洲。隨著人類利用水資源的能力和強度不斷增加，導致太湖流域水資源發生一定程度的時空變化，太湖水位的異常變化將導致垂向水文形變、旱澇災害等一系列現象，影響正常的農業生活與工業生產[1]。水文站點作為傳統湖泊水位監測方式，受到成本、人力以及區位三方面的約束，難以獲取大范圍、持續實測水位數據；此外，我國地理狀況復雜、水系發達，長時間和大范圍湖泊數據難以實時共享。近年來，隨著衛星測高技術在海平面監測中日趨成熟，相關學者不斷優化算法[2-3]，衛星測高技術逐漸應用于內陸湖泊水位監測的研究。相較于水文站實地監測，衛星測高無需建立多個水文站便能做到長期、實時、持續監測，彌補缺失的實測數據。目前，國內外已有較多研究長江中下游地區[4]、青藏高原[5]、亞馬孫流域[6]等區域的湖泊水位變化。由于單一衛星運行壽命有限，時間覆蓋范圍大多在5～10 a，故融合多源衛星測高數據可以有效延長觀測時間[7-8]。由于不同衛星間運行軌道、高程基準均不同，不同研究區域選取的衛星并不固定，目前利用多源衛星測高數據監測太湖水位的研究較少。此外，結合氣候變化與人類活動分析湖泊長期水位變化規律及影響因素的研究仍比較少。

綜上所述，本研究融合Envisat與Cryosat-2兩類衛星測高數據研究2003—2019年太湖水位變化規律，進一步結合地表氣象數據與城市人口變遷數據分析湖泊水位變化的影響因素，為太湖流域生態環境穩步發展及水資源可持續利用提供參考。

1 研究區概況及數據源

1.1 研究區概況

太湖位于江蘇省南部，長江三角洲南緣，橫跨江蘇、浙江兩省，周邊主要城市有蘇州、無錫、湖州、嘉興等。主湖體地理坐標為30°55′～31°32′N，119°52′～120°36′E，如圖1所示。地處北亞熱帶氣候區，溫和濕潤，年均水溫17.1 ℃，常年平均降水量1 260 mm，常年很少結冰，湖泊平均水深1.9 m，最深處約為2.6 m，面積約為2 338 km2。湖內島嶼眾多，上游有苕溪、荊溪兩大水系匯水入湖，下游黃浦江是太湖最大的出水通道，太湖承擔著蓄水、航運、防洪、提供生活用水的重要作用。

圖1 太湖概況及數據分布圖Fig.1 Overview of Taihu Lake and data distribution map

2018年太湖流域總人口14 388萬人，占全國人口的10.3%，占全國GDP的18.2%，是全國人均GDP的2.2倍，水資源總量231.3億m3。高速發展的背后帶來的是對太湖的破壞，例如2007年的太湖藍藻污染事件造成無錫全城自來水污染。在多年治理下，太湖水情有較大的改善，但仍存在一定隱患，因此太湖水情監測具有十分重要的戰略意義。

1.2 數據源

1)Envisat測高數據。Envisat衛星是ERS1和ERS2后續地球觀測任務，由歐洲航天局(ESA)于2002年2月28日發射升空，與太陽同步軌道，計劃使用壽命5 a，實際使用壽命10 a，搭載RA-2雷達高度計，周期35 d，每周期1 002個軌道，累計獲取108期數據。本研究選用Envisat/RA-2的GDR_v3版本數據，時間范圍為2003年1月—2010年9月[9]。針對不同類型表面(海洋、冰、海冰等)的地球數據，數據產品中共使用Ocean,Ice-1,Ice-2,Sea-Ice這4種波形重跟蹤算法，依據已有學者研究[10]，Ice-1算法能夠更為準確提取內陸湖泊水位信息。

2)Cryosat-2測高數據。Cryosat-2衛星由歐洲航天局(ESA)于2010年4月10日發射升空，搭載SIRAL合成孔徑干涉雷達高度計，周期369 d，每30 d為一個子周期，具有低分辨率模式(LMR)、合成孔徑雷達模式(SAR)、干涉合成孔徑雷達模式(SARin)3種模式。本研究選用Cryosat-2/SIRAL的SIR_GDR_Baesline-C版本數據，時間范圍為2010年10月—2019年4月[11]。選用數據產品中LMR模式的OCOG算法提取太湖水位信息。

3)MODIS光學遙感數據。中分辨率成像光譜儀(MODIS)是搭載在Terra和Aqua衛星上的傳感器，其中Terra衛星過境時間為上午10：30分左右(或晚上10：30分)，Aqua衛星過境時間為下午1：30分(或凌晨1：30分)。本研究選用的MODIS光學影像為Terra/MODIS的MOD13Q1數據產品，MOD13Q1為Level-3的合成產品，將相隔8 d生成16 d的復合圖像，通過組合數據來獲取不同時間分辨率的數據產品，時間范圍為2003年1月—2019年12月[12]。

4)氣象觀測數據。氣象觀測數據包括地表溫度與降水數據。其中降水數據采用中國氣象數據網提供的2003年1月—2018年8月中國月降水數據集，其空間分辨率為0.5°×0.5°，經交叉驗證質量狀況良好[13]。地表溫度數據采用NCAR的全球探空資料[14]，該數據集中包括地表溫度、地表壓強、地表水汽壓、地表相對濕度等氣象數據，月平均地表溫度觀測站選擇位于太湖南部約60 km的杭州站點，時間范圍為2003年1月—2019年9月。

5)實測水位與用水量數據。實測水位數據和用水量數據來自水利部太湖流域管理局提供的太湖歷年《水情月報》[15]、《太湖流域及東南諸河水資源公報》，包括太湖流域每月雨情、水情水量及太湖流域用水量等信息。其中太湖及周邊有多個水文站提供水位觀測值，考慮到水位數據的連續性和可靠性，選取位于太湖中心的太湖水文站的多年連續觀測水位數據作為實測數據，其位置如圖1中紅色三角形所示。

6)城市人口變遷數據。歷年城鎮人口數據源于2003—2018年《中國人口統計年鑒》[16]，選取太湖周邊城市無錫、蘇州、湖州、嘉興及其所屬縣級市人口數據。

2 研究方法

2.1 衛星測高原理

高度計測量范圍是從衛星到地球表面的距離，湖泊水位是指參考橢球體上方的水位高度。根據水面返回的信號以確定水面至衛星間的距離，風速，有效波高等參數[17]，計算如式(1)所示：

Height=Halt-Hran-Hgeoid-Hcor，

(1)

式中：Height為湖泊水位高度(即實際表面至參考橢球體上方的距離)；Halt為衛星質心在參考橢球體上方的距離；Hran為衛星距離實際表面的高度；Hgeoid為大地水準面差值；Hcor為各類誤差校正。

Hran測得數據在理想情況下為雷達高度計至湖泊水面高度，但雷達高度計向地面發射脈沖時，受到非湖泊表面、地形等影響，回波波形中波形前緣點會出現一定的偏差，波形重跟蹤算法能夠進行校正[18]，校正方法如式(2)所示，即

Hran_Cor=(C′-C)×ds，

(2)

式中：Hran_Cor為波形重跟蹤后需改正的距離；C′為波形重跟蹤后的波形前緣點；C為預設波形前緣點；ds為距離校正因子，與脈沖寬度與光速相關。

同時觀測值精度也受到軌道誤差、物理儀器誤差以及信號接收誤差等影響。Hcor誤差校正項的構成如式(3)所示，即

Hcor=wtc+dtc+ic+setc+ptc，

(3)

式中：wtc為濕對流校正(wet troposphere correction)；dtc為干對流校正(dry troposphere correction)；ic為電離層校正(ionosphere correction)；setc為固體潮校正(solid earth tide correction)；ptc為極潮校正(pole tide correction)。

2.2 湖泊水位信息提取

衛星的發射時間，運行期限，數據發布機構不同，若獲取長時間序列湖泊水位數據，需整合衛星的發布數據，分析衛星軌道、運行時間以及數據精度，組合衛星的湖泊覆蓋信息與時間范圍，同時受到衛星本身的各項參數、高度計等差異的影響，需校正衛星之間的系統誤差、統一參考坐標系以及剔除粗差，最終提取出長時間序列湖泊水位信息。

1)湖泊邊界提取。利用MODIS光學遙感影像提取湖泊邊界信息，采用歸一化植被指數(normalized difference vegetation index，NDVI)，該指數最早用于監測植被覆蓋率，后從研究紅波段與近紅外波段中發現，植被反射率從紅光波段至近紅外波段逐漸增強，水體反射率從紅光波段至近紅外波段逐漸減弱，通過不同波段組合能夠有效區分出水體與植被[19]，計算方法為：

(4)

式中：Red為紅波段亮度值；NIR為近紅外波段亮度值。

通過對NDVI圖像選取合適的閾值，能夠清晰分辨出植被與水體的界限，從而較好的識別水體[20]。NDVI<0時為水體，NDVI>0時為植被或陸地。受到湖泊水生植物覆蓋及泥沙的影響，需適當提高閾值，同時湖泊附近水生植物的覆蓋密度及季節性變化影響，閾值因環境改變選取也不完全相同，根據學者研究與反復的實驗對比驗證后[21]，本研究不同時期閾值范圍為0.05～0.25。

在ENVI與ArcGIS軟件的環境下，進行遙感影像拼接、重投影及剪裁，將柵格數據轉換為矢量數據，提取2003—2019年每月湖泊邊界，從而提取對應的星下點足跡。

2)數據預處理。① 粗差剔除。衛星大多使用雷達高度計，適用于海平面這類面積大且相對平坦的平面，而內陸湖泊大多面積較小，雷達信號觸及水體以外的其他地物而被污染，導致個別水位數據異常，故首先剔除原始水位數據中的異常值。2003—2019年期間太湖范圍內Envisat衛星累計獲取26 728個水位值，Cryosat-2衛星累計獲取33 100個水位值。正常情況下，水位值差值大多在40～80 cm波動，但存在一些水位值波動超過幾米甚至幾十米，將會影響總體平均值的計算，與總體水位平均值作差，剔除差值超過±2 m的數據。

其次采用PauTa準則(又稱3σ準則)進一步剔除粗差，該準則適用于樣本數量較大，且能夠預先統計出標準誤差，剔除等精度重復測量的基礎上異常值與噪聲。假定單天水位樣本為x1,x2,x3,…,xn，判定方法為：

(5)

(6)

若Vi>3σ，則xi已超過極限誤差，剔除該值；若Vi<3σ，則xi為正常單天水位值，保留該值。將剩余單天水位值計算平均值，即為該日水位值。

② 數據平滑。對全體單天水位值進行平滑處理，采用高斯濾波處理，其實質為信號濾波器，獲取信噪比較高的信號，搜索窗口大小的選擇對濾波作用效果至關重要，在前人研究與實驗的基礎上，選用高斯濾波的平滑窗口為半年[22]。

3)系統誤差消除。盡管Envisat與Cryosat-2衛星的參考橢球均為WGS84橢球，但由于衛星本身的各項參數不同以及所攜帶的高度計存在差異，衛星間的測高結果仍存在一定的系統誤差。以Envisat衛星測高結果為參考值[23]，可通過下式對系統誤差進行改正：

(7)

由式(7)可得，太湖流域內衛星間的系統誤差為0.29 m，將Cryosat-2衛星測高數據進行改正后即可獲得長時間序列太湖水位信息，太湖水位值為整個湖面范圍內去除異常值后的平均值。

3 結果

3.1 精度驗證

本研究采用皮爾遜相關系數(R)、顯著性值(P)以及均方根誤差(RMSE)3項指標進行湖泊水位精度驗證。利用距平值分析系統誤差消除后的長時間序列衛星測高數據與地表實測水位變化，距平值為某一時刻的水位值減去該湖泊長期水位平均值后的剩余值[24]，將單天水位值按月取平均即為月水位值。精度驗證采用2007年1月—2010年9月與2014年10月—2017年4月實測水位數據，分別與兩類衛星測高數據對比。圖2和圖3分別為Envisat與Cryosat-2衛星測高水位與地表實測水位數據對比圖，從圖可知，Envisat與Cryosat-2衛星測高水位均與地表實測水位變化趨勢基本一致，Envisat衛星測高數據R值為0.82，RMSE值為0.083 2 m；Cryosat-2衛星測高數據R值為0.82，RMSE值為0.107 7 m，P值均小于0.01。

(a)Envisat衛星測高水位與地表實測水位 (b)Envisat衛星測高水位與地表實測水位相關性分析

(a)Cryosat-2衛星測高水位與地表實測水位 (b)Cryosat-2衛星測高水位與地表實測水位相關性分析

由表1可知，在驗證水位點個數足夠的基礎上，兩類衛星測高數據與實測數據的變化趨勢仍表現出較高的一致性，且皮爾遜相關系數(R)均超過0.8，顯著性值(P)均小于0.01，表現出極強顯著相關性。結果表明，Envisat與Cryosat-2衛星測高數據均可用于監測內陸湖泊長時間序列水位變化，提取湖泊水位精度較高，極大程度上方便了內陸湖泊水位的長時間監測。

表1 衛星測高水位與地表實測水位相關性表Tab.1 Correlation between satellite altimetry water level and surface measured water level

3.2 太湖水位變化特征分析

結合兩類衛星測高數據可提取2003—2019年太湖水位序列，圖4為2003—2019年太湖水位時間序列圖，從圖可知，兩類衛星測高數據均可獲取較為準確水位變化趨勢及明顯的季節與年際波動。從季節水位變化可以看出，水位最高點大多在夏季7，8月份，最低點大多在冬季1，2月份，水位一般從年內4月水位開始上漲，年內11月水位逐漸下降，年內水位差值在0.5～1.2 m之間。從年際變化可以看出，水位高峰值均出現在夏季，低谷值均出現在冬季，與已有水情報告一致。其中太湖水位的最高峰值出現在2016年夏季，最低谷值出現在2015年冬季。通過對年水位值進行二次擬合得到水位變化趨勢，可知2009年左右為節點，2003—2009年水位呈上升趨勢，2009—2019年水位呈下降趨勢。為了進一步分析水位變化趨勢，分別提取2003—2009年和2009—2019年水位變化曲線的線性趨勢項，可明顯看出，2003—2009年期間水位增長線性趨勢為0.036 m/a，2009—2019年期間水位下降線性趨勢為-0.014 4 m/a。

圖4 2003—2019年太湖水位時間序列圖Fig.4 Long time series of water level of Taihu Lake (2003—2019)

4 討論

4.1 地表溫度和降水對太湖水位變化的周期性影響

地表溫度和降水變化是影響湖泊的兩大重要因素。太湖地處北亞熱帶濕潤季風氣候，夏熱冬溫，雨熱同期，季風發達。圖5為2003—2019年太湖月平均地表溫度變化與水位變化關系圖，從圖中明顯看出太湖流域地表溫度變化穩定，呈現出明顯的周期性，同時太湖水位變化與地表溫度變化趨勢較為一致，具體表現在夏季地表溫度較高，太湖水位也較高；冬季地表溫度偏低，太湖水位亦處于較低水位。雖然地表溫度升高會使得湖泊水的蒸發量增大，但是地表溫度升高時帶來的降雨量增加會導致湖泊水量增加。因此必須考慮降水對太湖水位變化的影響。圖6為2003—2019年太湖地區月平均降水量與太湖水位變化關系圖，降水數據時間范圍為2003年1月—2018年8月?？傮w來看，雨水充沛的年份，水位明顯高于多年平均水位，而雨水稀少的年份，水位低于多年平均水位，由于太湖汛期大多集中在夏季，受到北亞熱帶濕潤季風氣候雨熱同期的影響，太湖流域夏季正值梅雨期，雨水充沛，故各水文站漲幅與強降水分布緊密相關。從單一年份來看，2011年，2016年降水量明顯高于平均水平，根據太湖《水情月報》顯示[15]，2011年8月和2016年5月—7月，太湖流域均發生長時間的持續降水，導致相應時間段內太湖水位明顯上升。其中，2011年8月的持續降水主要集中在太湖流域北部，而2016年5月—7月的持續降水主要集中在太湖湖區，因此2016年太湖水位增長幅度更大，水位更高。從長時間序列來看，地表溫度變化與水位變化趨勢具有一致性，而降水對太湖水位變化的影響更為直接。綜上所述，地表溫度和降水均對太湖水位變化有周期性影響，相對于地表溫度變化，降水對太湖水位變化影響更為顯著。

圖5 太湖水位與月平均地表溫度變化趨勢圖Fig.5 Trend of water level and monthly mean surface temperature in Taihu Lake

圖6 太湖水位與月降水量變化趨勢圖Fig.6 Trend of water level and monthly precipitation in Taihu Lake

4.2 城市人口變遷對太湖水位變化的整體性影響

太湖周邊城市主要包括江蘇的蘇州、無錫與浙江的湖州、嘉興及其所屬縣級市，經濟發達，城市化進程快。據《中國人口統計年鑒》統計，2003—2018年該區域人口由807萬人增長至940萬人，增長趨勢為7.98萬人/年。圖7為太湖水位變化與人口增長圖，由圖7可知，2003—2019年周邊城市總人口持續增長，2009年之前人口增長趨勢為7.89萬人/年，2009年之后人口增長趨勢為9.764萬人/年，人口增長速度從2009年開始明顯提高，相應的水位變化速率分別為0.036 m/a(2009年之前)與-0.014 4 m/a(2009年之后)，2009年為水位變化節點，如圖4所示，說明人口的加速增長一定程度上影響太湖水位變化。同時，受到城市人口逐年遞增為主的諸多因素影響，必將導致太湖周邊城市用水量的增加，從而引起太湖水位的變化響應。據《太湖流域及東南諸河水資源公報》統計，2003—2019年太湖流域周邊城市年用水量波動變化，2010年以來用水量總體呈下降趨勢，2013年后趨勢減緩。如圖8所示，2007年太湖周邊城市用水量達到期間峰值372.7億m3，與此同時，太湖水位持續下降，而2008年起用水量降低的同時太湖水位變化值轉為正值，這意味著太湖水位開始上升，總體來看，用水量增加的年份太湖水位呈下降趨勢。因此，城市人口變遷對太湖水位變化有整體性影響，其中城市人口帶來的用水量變化與太湖年度變化趨勢較為一致。

圖7 太湖水位變化與人口增長趨勢圖Fig.7 Trend of water level of Taihu Lake and population growth

圖8 太湖年水位變化與時間變化對比圖Fig.8 Comparison water level of Taihu Lake and water consumption change

5 結論

1)Envisat與Cryosat-2衛星測高數據融合處理結果表明2003—2009年期間太湖水位整體以0.036 m/a的趨勢上升，2009—2019年期間太湖水位整體以-0.014 4 m/a的趨勢下降。

2)太湖水位變化受氣候變化與人類活動影響比較明顯。月平均地表溫度變化和月降水量與水位變化趨勢一致，表明氣候變化對太湖水位變化有周期性影響，相較于地表溫度，降水對太湖水位變化影響更為顯著。

3)人類活動對太湖水位的影響主要體現在城市人口變遷帶來的影響，其中用水量變化的影響更為明顯。從變化趨勢來看，以2009年為節點，2009年后城市人口變遷速度加快，一定程度上導致太湖水位呈下降趨勢，對比之下年度用水量的影響更為明顯，表明人類活動對太湖水位變化有整體性影響。

4)本研究中，尚未獲取到太湖湖盆相關數據，關于太湖湖盆抬高對水位變化的影響有待進一步研究。