湖泊研究进展

Abstract

      受气候波动和变化的影响，近年来青藏高原湖泊迅速扩张，对区域气候‒水文相互作用机制和湖泊周边的人员及基础设施安全产生重大影响。由于实测资料极度匮乏，卫星遥感监测手段尤为重要。本研究综合利用多源卫星雷达测高、光学湖泊岸线监测、遥感云计算平台等，研制了高时间分辨率青藏高原湖泊水量变化数据集，并为监测存在溢流风险的湖泊提供了解决方案。该研究近期发表于地球科学领域顶级期刊Earth System Science Data，影响因子10.951，生成的数据集同步公开发表。

Introduction

       青藏高原是“亚洲水塔”和“中华水塔”，也是我国湖泊分布最集中的地区，大于1平方公里的湖泊超过了1200个。这些湖泊是区域水热循环的重要节点，对气候变化十分敏感。准确认识气候波动和变化下湖泊水量消长的规律，对提高区域水文‒气候相互作用机理及演变规律的认识具有重要的科学意义。近20年来青藏高原湖泊呈现快速扩张的趋势，对湖泊邻近地区的农田牧场、基础设施的威胁与日俱增，甚至可能诱发湖泊溢流洪水。为提高对青藏高原湖泊水量变化的认识，清华大学水利系遥感水文与水资源团队龙笛研究员，李兴东博士生(第一作者)、黄琦博士生、韩鹏飞博士生，赵凡玉硕士生等综合运用卫星测高技术、光学遥感岸线监测、遥感云计算方法，研制了高时间分辨率的2000‒2017年青藏高原湖泊水位、水量变化数据集。该研究将缺资料的大中型湖泊的水位、水量变化数据时间分辨率由年、季尺度提升到月、旬尺度，并指出了同类研究中普遍存在的系统性偏差问题，为遥感监测湖泊溢流风险提供了解决方案。研究成果于近期发表于地学领域顶级期刊《地球系统科学数据》(Earth System Science Data，IF=10.951)，相关数据集发表于PANGAEA (https://doi.org/10.1594/PANGAEA.898411)，可供用户免费下载。

Highlights

       本研究主要创新点在于借助谷歌地球引擎(Google Earth Engine)高效利用Landsat光学影像，将光学影像观测到的岸线变化过程转化为湖泊水位消长过程(以下简称“光学水位”)，再结合湖泊面积观测将其转化为水量变化信息，并通过严格的不确定性分析和多次野外实验对光学水位信息的准确性进行了有效验证。理论和实验结论均表明：湖泊光学水位的不确定性在0.1‒0.2米，与传统的测高水位精度相当，从而极大地丰富了湖泊水位遥感观测的信息源。

Study Area

       青藏高原的湖泊大多分布在其内流区，内流区的面积约71万平方千米，平均海拔约4900米，年均降水量在100‒300 mm之间，包含超过300个面积大于10平方千米的湖泊。本研究选取了39个位于内流区的湖泊以及13个位于外流区的湖泊(面积均大于100平方千米)，并且分别在内流区的纳木错湖和外流区的羊卓雍错湖开展了野外实验，收集实测资料(如实测水位、无人机影像等)用于验证遥感数据的精度，实验考察地点和实验开展情况如图1和图2所示。

Data

       我们综合利用了多源测高卫星数据，包括ICESat，Envisat，CryoSat和Jason-1/2/3系列测高数据，同时还利用了Landsat 5/7/8数据提取湖泊岸线变化过程(用于生成光学水位)以及湖泊面积的变化信息。不同的测高信息源的空间覆盖、时间分辨率以及有效时段均不相同，这造成了不同湖泊的测高数据质量“贫富分化严重”。对于同一个湖泊，不同测高数据源之间还存在系统性偏差，这种系统性偏差可以通过两两比较测高数据重叠期的观测加以移除; 对于没有重叠期的两种测高数据，就需要利用光学水位信息识别系统性偏差并加以移除。各种数据源的有效时段和空间覆盖情况如图3所示。可以看到：对于多数同时拥有ICESat数据和CryoSat数据的湖泊而言，借助光学水位信息实现二者的拼接尤为关键。

Methodology

      我们首先使用GEE批量处理Landsat 5/7/8影像(约2万景，其中一半用云量筛选算法筛除)，运用MNDWI和NDWI水体指数以及自动阈值分割的方法提取岸线研究区内水体占比，从而得到湖泊的岸线变化过程。光学水位的生成是通过建立湖泊岸线变化与同期测高水位之间的统计回归关系实现的，这种统计关系一般为稳定的线性关系(这反映出湖泊的岸坡在研究时段是基本稳定的，坡度保持不变)，拟合优度R平方通常大于0.8，借助该回归关系即可将湖泊岸线变化过程转化为水位变化过程，进而可以利用生成的光学水位实现无重叠期测高水位之间的拼接。获得拼接融合的湖泊水位数据(包含多源测高和光学水位)后，再结合同期观测的湖泊面积数据，通过积分运算获得湖泊水量的变化。光学水位的生成过程如图4所示，其中图4(b)中的浅黄色条形区域为提取湖泊(羊卓雍错)岸线变化的研究区，如果选取得当，可以避开Landsat 7 ETM数据中的无效条带，即图4(b)中的黑色条带区域，从而最大程度对有条带瑕疵的Landsat 7 ETM数据加以利用。

Uncertainty Analysis

       为了合理评估光学水位的质量与可靠性，我们一方面前往西藏开展实验，收集实测水位信息并与同期的光学水位进行比较; 另一方面结合高分二号的遥感影像(空间分辨率优于1 m)从源头上分析误差的来源，对光学水位的不确定性做了综合论证。图5展示了羊卓雍错光学水位与实测水位的比较结果， R平方约为0.89，RMSE约为0.11米。而通过高分二号数据对Landsat影像进行亚像元的分析表明：光学水位的精度取决于所选取的湖泊岸线研究区切向宽度、湖岸坡度的大小、用于拟合的测高水位的质量、光学影像的分辨率以及水体识别算法的可靠性。本研究推导了光学水位不确定度与上述各种因素的数学关系，如公式(1-3)所示，并且以羊卓雍错为例计算了其理论不确定性在0.12‒0.22m之间，与实验结果基本一致。图6展示了理论不确定性分析第一步，即借助高分影像识别出岸线的精确位置从而给出Landsat水体识别算法的“效率函数”——某一像元内水体面积占比与该像元被划分为水体像元的概率之间的关系。

Results

       研究涉及的青藏高原52个大中型湖泊大多呈现扩张趋势，2000‒2017年湖泊总水储量增加约100立方千米，相当于2.5个三峡水库的总库容。其中2000年到2012年水量增加速率较快，为6.7立方公里/年，2012年后增速放缓至2立方公里/年，如图7所示。湖泊水量变化空间分布规律复杂(图8)，例如色林错流域呈现出“小湖收缩，大湖扩张”的反常现象，与该地区复杂的河湖耦合机制相关，这样一些现象在时间分辨率较低的数据集中难以得到很好地体现。另一方面，利用光学水位作为参考信息，可以识别出一些广泛使用的湖泊测高水位数据集中可能存在的系统性偏差现象，具体表现为不同时段和来源的测高水位反映出的水位相对高低与光学影像所观测到的结果不相符，如图9所示。

       我们利用本研究研制的数据对存在溢流风险的湖泊进行监测，例如可可西里地区的卓乃湖—库赛湖—海丁诺尔湖—盐湖系统。上游的卓乃湖于2011年发生溃决，湖水下泄到库赛湖并引起库赛湖溢流，进而注满了海丁诺尔湖，最后注入盐湖。盐湖的面积近年来扩大了数倍，也存在溢流风险，其下泄点距离青藏铁路沿线仅十公里左右。本研究利用库赛湖的遥感水位数据和光学影像观测到的溢流现象，推算出库赛湖下泄口的高程以及宽度，运用堰流公式估算了溢流时段的下泄水量，并将这一下泄水量(模型计算值)与同时段盐湖增加的水量(遥感观测值)对比，结果高度一致，证明利用该数据集监测湖泊溢流风险的可行性，图10展示了确定库赛湖下泄口高程的过程。

Conclusion

       本研究利用湖泊岸线的变化过程生成水位信息，充分发掘了光学影像时间连续性较高的优势，解决了非同源测高水位系统性偏差的问题，较大程度提升了湖泊水位和水量数据的时间分辨率，对区域水文、气象和气候变化研究有较高的应用价值，并可服务于区域水资源和水安全管理，发挥遥感监测的优势，节省人力物力。

       本研究承蒙基金委西南径流重大研究计划、优秀青年基金、十三五重点研发计划等项目支持，在此谨致谢忱！