EN中文

地理学报 >

2024 , Vol. 79 >Issue 3: 565 - 583

DOI: https://doi.org/10.11821/dlxb202403002

理论与方法探索

河道流量遥感估算研究进展与展望

  • 孙文超 , 1, 2 ,
  • 王星灿 1, 2 ,
  • 徐宗学 1, 2
展开
  • 1.北京师范大学水科学研究院，北京 100875
  • 2.城市水循环与海绵城市技术北京市重点实验室，北京 100875

孙文超(1981-), 男, 教授, 博士生导师, 主要从事遥感水文、水资源与水环境研究。E-mail:

收稿日期: 2023-06-05

  修回日期: 2024-03-08

  网络出版日期: 2024-04-02

基金资助

国家重点研发计划(2021YFC3200102)

国家自然科学基金项目(52179002)

国家自然科学基金项目(41671018)

收起

Estimating streamflow using remote sensing: Progress and prospects

  • SUN Wenchao , 1, 2 ,
  • WANG Xingcan 1, 2 ,
  • XU Zongxue 1, 2
Expand
  • 1. College of Water Sciences, Beijing Normal University, Beijing 100875, China
  • 2. Beijing Key Laboratory of Urban Hydrological Cycle and Sponge City Technology, Beijing 100875, China

Received date: 2023-06-05

  Revised date: 2024-03-08

  Online published: 2024-04-02

Supported by

National Key R&D Program of China(2021YFC3200102)

National Natural Science Foundation of China(52179002)

National Natural Science Foundation of China(41671018)

Fold

摘要

河道流量数据为水文水资源领域科学研究与水利工程规划设计提供重要的科学依据。缺实测资料地区河道流量估算是过去几十年水文学界重点解决的科学问题之一。基于遥感观测的河道流量估算方法是解决水文资料缺乏的有效手段，同时也是定量遥感与水文水资源学科交叉研究的重要领域。本文系统总结了河道水面宽度、水面高程等与河道流量紧密相关水力学变量的遥感反演方法研究现状，梳理了经验关系法、与水文模型结合和与河流水动力模型结合等基于卫星观测的流量估算数学方法研究进展。在此基础上，阐述了河道流量遥感估算研究中流量估算结果误差评估、多星协作提升观测频率与方法普适性评估等难点问题与未来发展趋势。最后，探讨了遥感估算流量方法的应用前景。

关键词： 遥感; 河道流量; 缺资料地区; 水力学; 水文循环

本文引用格式

孙文超 , 王星灿 , 徐宗学 . 河道流量遥感估算研究进展与展望[J]. 地理学报, 2024 , 79(3) : 565 -583 . DOI: 10.11821/dlxb202403002

Abstract

Streamflow data provide vital information for research on hydrology and water resources, as well as for the design of water conservancy and hydropower projects. The lack of streamflow data is an important limiting factor that researchers in the field of hydrology have tried to address in the past decades. Streamflow estimation based on satellite data is an effective way to solve this problem, and it is an important topic for interdisciplinary research on quantitative remote sensing and hydrology. This paper summarizes the current research status of remote sensing inversion methods for hydraulic variables closely related to streamflow, including water surface width and water surface elevation. The research progress of mathematical methods of streamflow estimation based on satellite observations, such as establishing empirical relationships and integrating information with hydrological or hydrodynamic models, is described. The error evaluation of streamflow estimates, increasing observation frequency by multi-satellite collaboration, and the applicability of inversion method are discussed, are the factors that have hindered research into streamflow estimation based on remote sensing. Trends for future studies are elaborated and potential applications for streamflow estimation based on remote sensing are proposed.

Key words： remote sensing; streamflow; ungauged regions; hydraulics; water cycle

1 引言

河道流量是单位时间内流经河流特定过水断面的水量，是流域水文循环研究领域最重要的实地观测变量之一。作为大陆与海洋物质交换的重要一环，河道水流是全球水循环与生物化学循环的重要组成要素[1]。河水携带大量颗粒与溶解物质进入海洋，对海洋化学过程和营养物质循环具有重要影响。从陆面过程角度来看，它是人类赖以生存的淡水资源的主要来源，同时也对生态系统功能具有重要调节作用。相比其他水文循环过程变量，河道流量观测相对简单，并包含了丰富的流域水文循环信息，因而被看作是水文循环的重要表征指标之一[2-3]。
长时间序列的河道流量数据为水文循环过程演变及归因、水旱灾害防治、水资源管理等相关的科学研究与水利工程规划设计提供了十分重要的信息[4]。科学界当前的一个共识是全球河道流量观测网络无法完全捕捉到地表水系统复杂的时空演变规律[5]。与此同时，过去几十年间全球水文观测网络的覆盖区域与观测数据的可获取性在持续降低，其主要原因有两个：① 许多国家尤其是发展中国家难以全面保障维持水文观测站点的正常运行，需要大量的人力物力[6]；② 随着水资源稀缺性的不断提高，各国对于水资源的竞争愈演愈烈，利益相关方之间的信息壁垒使得水文数据的共享变得更加困难[7]。
在无实地观测流域进行河道流量估算是国际水文科学协会（IAHS）2003—2013年国际水文十年计划“缺资料地区水文预报”（PUB）的重要研究课题之一[8]。对于IAHS提出的2013—2022年科学计划“变化环境下的水文学与社会”（Panta Rhei）[9]以及2023—2032年科学计划“共同的世界，人人参与的水文学”（HELPING），无资料地区流量估算仍是上述科学计划的重要研究问题。
20世纪70年代初Landsat 1卫星成功发射后，各国已先后发射了许多对地观测卫星，积累了大量地表信息。对于水文循环过程中的降水、蒸散发、土壤含水量、陆地水储量变化等要素已经形成了比较成熟的反演方法与可靠的数据产品[10]，而根据遥感观测估算河道流量的研究相对滞后。随着遥感技术的不断进步，河流水面面积/河宽[11]、水面高程[12]及水面坡度等与河道流量密切相关的水力学信息可以通过卫星遥感观测获得。利用这些遥感观测推算流量的研究工作在过去20年内得到广泛认可，为无地面观测地区的流量估算这一水文学界重要问题提供了新的研究思路与方法。遥感技术的优势在于可观测大空间范围内常规手段无法测量的水文变量或参数的长期、动态变化[13]。基于遥感的河道流量估算研究对于提升对河流水动力过程、河流形态变化机理的认识程度，亦具有重要理论价值和现实意义。
该研究领域涉及遥感观测类型众多，估算方法各异，已有学者进行了一些总结。Smith[14]和Alsdorf等[15]对于20世纪末和21世纪初该领域研究进展进行了较为系统的梳理。随着遥感技术的迅速发展，新型遥感观测层出不穷。近年来有学者对光学影像等[16]特定类型传感器、“地表水和海洋地形（Surface Water and Ocean Topography, SWOT）”卫星等[17]特定卫星观测或者季节性河流等[18]特定河流类型的流量反演研究现状进行了分析，也有学者[19]基于实测流量数据缺失的不同程度对适用的方法进行了归纳。遥感流量估算方法的应用目标是服务于水文水资源领域科学研究与为水利工程设计提供决策支持信息，是集成遥感与水文两个学科的交叉性研究领域。以往综述性研究对于遥感观测与水文水动力模拟方法融合、遥感流量估算方法可能的应用场景论述尚不充分。基于上述认识，本文梳理与总结当前与河道流量相关的水力学变量遥感反演研究现状，归纳当前河道流量遥感估算方法，尤其是融合遥感地表水信息与水文模型、水动力学模型方法的研究进展，并分析所存在的难点问题，最终探讨河道流量遥感估算方法发展趋势，并提出河道流量遥感估算可能的应用场景，框架如图1所示。
图1 本文研究框架

Fig. 1 The framework of this study

2 河道流量遥感估算研究现状

某一时刻河道流量的数值等于该时刻过水断面的面积与断面平均流速的乘积。常规水文站流量观测通常在不同丰枯水文条件下多次实地测量过水断面面积与断面流速得到实测流量，之后建立观测水位与观测流量之间的经验关系曲线。这样在日常观测时，只需要观测水位，即可通过水位—流量关系曲线推算出河道流量瞬时值。当前通过卫星遥感技术可以观测到与计算过水断面面积紧密相关的河流水面宽度与高程。对于流速，可表征水流重力与河道摩擦力之间关系的河道坡度与河道弯曲程度也可通过卫星观测进行反演。在过去几十年间，已经有大量学者[20⇓-22]基于上述卫星观测对河道流量进行了估算。

2.1 河道水力学变量遥感反演

2.1.1 水面面积与河宽

水面由于其特殊的电磁波谱特征，易于从可见光、红外或微波影像中识别。相比于其他地表覆盖类型，水面在红外波段的反射率几乎为零。这是从光学波段影像中反演陆域地表水体水面的主要依据。当前可用于提取水面的光学波段影像种类繁多。低空间分辨率（百米级）影像虽然对地表信息进行了大幅概化，但是通常其观测的时间分辨率与空间覆盖范围较高，代表性卫星观测包括AVHRR与MODIS。中空间分辨率（几十米级）影像是当前反演陆域水面的主流卫星观测数据。其中最常用的是Landsat系列卫星，最早的卫星影像可以追溯到20世纪70年代初。另外，SPOT、ASTER以及Sentinel系列卫星影像亦是此类观测的代表。高空间分辨率影像（米级或亚米级）使得从卫星观测中小地表水体变得可能，但是单景影像较小的空间覆盖范围和相对较高的价格限制了其在识别地表水体中的广泛应用。具有代表性的卫星包括QuickBird、WorldView以及中国高分系列等。上述遥感数据的土地利用与覆盖变化提取方法已得到长足发展[23]，可用于提取水面覆盖范围。对于从可见光影像反演水体，水体指数法是提取水体像元简单有效的方法[16]。水体指数由两个或多个波段的反射值计算而来，通过识别影像空间范围内阈值来对水体与非水体进行分割。水体在绿色波段通常有较高的反射率，而在近红外波段反射率较低，归一化差异水体指数（Normalized Difference Water Index, NDWI）可较好的突出这种差异，已被广泛应用于不同遥感影像的水面提取中[24⇓⇓-27]。常用的水体指数还包括改进的归一化差异水体指数（Modification Normalized Difference Water Index, MNDWI）、自动提取水体指数（Automated Water Extraction Index, AWEI）与线性判别分析水体指数（Water Index 2015, WI2015）等[28⇓-30]，其中AWEI与WI2015更加适用于Landsat系列遥感影像。缨帽湿润指数（Tasseled Cap Wetness index, TCW）、归一化差异植被指数（Normalized Difference Vegetation Index, NDVI）等指数可通过监测地表生物量，间接推断水分是否存在[31-32]。此外，可将上述水体指数进行组合，使用较为综合的水体指数如开放水体似然指数（Open Water Likelihood index, OWL）或自动提取河湖的方法（Automated Method for Extracting Rivers and Lakes, AMERL）反演水体[33-34]。使用水体指数提取水面范围最为关键的问题是分割阈值的选择，可使用经验赋值或手动调整阈值的方法分割水体范围。自动选择阈值的方法包括全局阈值分割法[35-36]与局部阈值分割法[37-38]。受遥感影像斑点噪声以及相似辐射特征地物混淆的影响，此类方法不适用于高噪声的小型水体范围提取[39]。由于不同卫星传感器波段设置的差异以及全球范围内水体反射特征具有明显空间异质性，目前还没有适用于多种传感器的普适性水体指数。
光学影像在水体提取中得到了广泛应用，但是具有两个局限性。① 云层覆盖等大气层因素会阻碍水面面积的提取，该问题在雨季尤为严重，限制了光学影像对洪水淹没范围的识别[40]。② 植被冠层以下的水面范围变化无法从可见光影像提取。雷达波段影像则可以克服上述光学波段影像的两个局限。星载雷达可分为被动式和主动式两类。被动微波辐射测量计可用于大空间尺度洪泛区范围探测。例如，欧盟委员会联合研究中心与美国科罗拉多大学联合研发的全球洪水探测系统（Global Flood Detection System, https://www.gdacs.org/flooddetection/）采用AMSR系列、TRMM和GPM被动微波数据观测全球近实时陆域地表水体空间范围，但是该类观测空间分辨率很低（约几十千米）。发射微波并收集与地表接触后反射回波的合成孔径雷达（Synthetic Aperture Radar, SAR）是最常用的一类主动微波雷达，包括SEASAT-1、JERS-1、ENVISAT ASAR、RADARSAT-1、TerraSAR-X以及Sentinel-1等，其分辨率从几十米到几米不等。该类观测具有穿透云层的能力且水面在该波长范围内通常呈现镜面反射特征，因此适合于提取水面范围。基于水体在SAR影像中后向散射值较低的特征，阈值分割也是从SAR影像识别水面范围的最常用方法[41-42]。也有学者[43-44]基于水体与非水体在影像中纹理特征的差异进行反演，该方法也会受到影像中噪声的影响，另外选择有效识别水体的纹理特征亦是难点之一。
实地河道水面宽度观测通常采用直接测量断面河岸两侧陆水交接点距离的方式。对于QuickBird、高分等超高分辨率观测，直接从卫星影像上测量单个河道横断面水面宽度是可行的，例如Zhang等[45]在长江流域的研究。对于中低分辨率影像，由于陆水混合像元的存在，直接测量河道横断面水面宽度会造成较大误差。故在使用遥感河道水面宽度反演流量的研究中，为了降低单个断面的观测误差，通常从卫星影像当中提取一定河段长度范围内的水面面积，之后除以河段长度得到平均水面宽度，亦称为有效河流水面宽度[46]。同时对于所选取的河段长度也有一定要求，Bjerklie等[20]推荐至少要涵盖两个完整的河道弯曲（meander）或者大于河道宽度10倍。随着批量化提取大范围、多时相河流水面宽度需求的出现，从遥感影像反演水面范围进而自动计算河宽的软件工具应运而生，具有代表性的包括基于形态距离变换提取河流中心线与河宽的RivWidth[47]，基于此方法，Allen等[37]生产了针对北美地区的河宽数据集NARWidth（http://gaia.geosci.unc.edu/NARWidth/index.html），2018年Allen等[48]生产了全球河宽数据集GRWL（https://zenodo.org/records/1297434）。Yang等[49]对RivWidth算法进行了改进后，生产了多时相中国河宽数据集MCRW。Isikdogan等[50]研制了专门针对Landsat影像的全自动河流水面反演与河宽计算数据引擎RivaMap。

2.1.2 水面高程

水面高程是与河道流量最紧密相关的水力学变量之一。星载雷达测高计是当前进行观测最常用的微波传感器，通过记录发射雷达波到达地面后反射回卫星的时间来对水面高程进行推算。以往研究中用于提取地表水面高程的雷达测高计包括美国发射的Geosat（1985—1990年）、GFO（1998—2008年），欧洲发射的ERS-1（1991—2000年）、ERS-2（1995—2011年），美国和法国发射的TOPEX/POSEIDON（T/P，1992—2006年）、Jason1-3（2001年至今），中国发射的HY-2A（2011年至今）以及HY-2B（2018年至今）等。从不同卫星的雷达波中计算水面高程的方法类似，已经形成了一些成熟算法与陆地水体数据集，包括法国航天局的HydroWeb（https://hydroweb.theia-land.fr/）、美国农业部的USDA Lake database（https://ipad.fas.usda.gov/cropexplorer/global_reservoir/）、德国慕尼黑大学的DAHITI（https://dahiti.dgfi.tum.de/en/）及欧洲宇航局的CCI-LWL（https://climate.esa.int/en/projects/lakes/）等。大部分星载雷达测高计设计目的是监测海洋以及绘制冰原和海冰图，通常是卫星轨道经过之处水面高程的一维观测。两条相邻的卫星观测之间轨道距离通常有几百千米，极大的限制了其对陆域水体观测的空间覆盖范围。与此同时，雷达测高观测准确度受到足印所覆盖地貌对雷达回波的反射情况影响。对于海面或者湖面等比较开阔的水体，雷达回波信号较为均一，观测误差会相对较小[51]。对于河道水面高程观测，不可避免会受到河岸两侧陆地的影响，雷达回波信号组成较为复杂，精度相对较低。一般适用于河宽在几百米到几千米的河流观测，观测误差在几十厘米级别[52-53]。
新型星载测高技术具有解决现有星载雷达测高计空间覆盖范围较小和精度相对较低问题的潜力。2022年用于观测陆域地表水体的SWOT卫星[54]发射成功，基于宽幅雷达干涉技术，可对全球宽度大于100 m河流提供平均十余天一次的水面高程观测。另外一项值得关注的技术是星载激光测高技术，通过星载激光器向地面发射脉冲，卫星记录经地物散射产生的微弱后向散射回波，经过测算获得足印处精确三维坐标。其最突出的优点是观测精度大幅高于星载雷达测高技术。目前在轨卫星相对较少，应用最为广泛的是用于观测海冰消融过程的ICESat系列卫星。Song等[55]和Yuan等[56]分别使用ICESat和ICESat-2在中国多个湖泊开展反演水面高程的研究；Xiang等[57]使用ICESat-2对密西西比河下游进行河流水位观测，均方根误差为0.12 m；Lao等[58]使用ICESat-2数据对湄公河流域水位进行了观测，均方根误差为0.24 m。上述研究说明该类卫星观测具有重要的应用潜力，但是该类观测亦容易受到云层等大气要素的干扰。

2.1.3 其他水力学变量

流速也是与河道流量紧密相关的水力学变量之一。基于同一地区拍摄时间相差在毫秒级的两幅SAR影像之间的相位差与水体表面流速的关系，Romeiser等[59]从SRTM的X波段干涉SAR数据中成功反演了德国易北河河口处水流流速。水体与陆地在近红外波段的辐射特征相差较大，也有学者[60]采用同一地区近水面永久陆地像元与邻近永久水面像元在近红外波段反射率的比值来反演流速。但与遥感反演河流水面宽度与高程的研究相比，上述研究方法尚未在全球范围内得到广泛评估。另外一个值得关注的问题是从遥感观测的河流表面流速需转化为断面平均流速才能用于流量估算。
另外一个可通过卫星遥感数据反演的水力学变量是河流坡度。从数字高程模型（DEM）中测量一定长度河道的高程差可直接计算出该河段坡度。LeFavour等[61]使用SRTM高程数据对亚马逊流域河道坡度进行了计算。Yamazaki等[62]基于SRTM高程数据建立了全球河网分布和河流属性数据集，可用于提取河道坡度。从DEM计算的静态河道坡度，无法反映河流水面的动态变化。亦有通过河道不同断面间星载雷达测高计观测水面高程差来对河流水面坡度进行估算的研究。Birkinshaw等[63]基于ENVISAT雷达测高数据估算了湄公河与鄂毕河3个河段水面坡度。Bjerklie等[64]使用Jason-2观测对北美阿拉斯加地区育空河两个河段水面坡度动态变化进行了反演。受到星载雷达测高一维观测特性的影响，测量坡度的两点观测间必然存在一定的时间间隔，因而不适用于追踪洪水快速上涨和消落时期的河流水面坡度。另外，激光测高计ICESat-2通过地面轨迹间隔3.3 km的3对平行激光束测量地形，适合观测河段尺度瞬时坡度[65]。基于2018年10月—2022年8月的ICESat-2观测，Scherer等[66]生产了全球河段尺度水面坡度产品IRIS（https://zenodo.org/ records/8202984）。

2.2 河道流量遥感估算方法

2.2.1 基于经验关系推算流量

对于河流某一特定过水断面，通过卫星同步观测计算流量所需三要素，即河流水面宽度、平均水深（水面高程）及平均流速较为困难，尤其是断面平均流速目前尚未有全球普适性的遥感观测方法。有许多学者通过建立可获取的遥感观测与实测流量经验关系公式的方式，尝试从遥感观测来估算河道流量。包含单变量关系与多变量关系两类（表1）。此类方法其实质是对质量守恒和牛顿运动定律进行简化，试图采用一种或多种遥感观测表征河流水面宽度、平均水深及平均流速这3个水力学变量，进而对流量进行估算，而经验关系中参数的取值，反映了河道的水力学特征。在对具体河段进行流量估算过程中，公式的选择主要取决于所能够获取的有效遥感观测类型以及河道断面形状特征这两个要素。
表1 遥感河道流量反演常用经验公式

Tab. 1 Commonly used empirical equations of streamflow estimation based on remote sensing

分类 公式 特点及适用范围 应用案例
单
变
量		 We=aQb (1) 遥感数据来源最为丰富，但不适用于断面近似矩形河道 Smith等[67]、Pavelsky等[68]、Huang等[69]
Q=c(H-H0)d (2) 与地面水文站水位流量关系类似，对绝大部分河流均适用 Leon等[70]、Bogning等[71]、
Huang等[69]
多
变
量		 Q=k1×Wee×Yf×Sg (3) 对表征流量变化的水力学要素描述最为充分 Bjerklie等[20]、Birkinshaw等[63]、Tarpanelli等[72]
Q=k2×Weh×Y i (4) 假设河流坡度恒定，避免了坡度遥感误差对流量估算的影响 Sichangi等[21]、Huang等[69]

式中：Q为流量；We为河流水面宽度；H为水面高程；H0为河床底部高程；Y为河流平均水深；S为河道坡度；a~i、k1和k2为经验参数。

可建立单变量关系的卫星观测包括河流水面宽度（式（1））和水面高程（式（2））。河流水面范围或宽度几乎可以从所有类型的卫星遥感影像中获取，有不少学者开展了利用遥感河流水面宽度估算流量的研究，通常是采用单站点水力几何形态关系[73]（At-a-station Hydraulic Geometry, AHG）。例如，Smith等[46]基于ERS-1 SAR影像与MODIS多光谱影像反演出北半球高纬度地区辫状河流形态特征，探究了河道流量和有效水面宽度之间的数学关系。在河流水面宽度与水面高程关系可获取的情况下，Zhang等[45]在长江流域使用高分辨率QuickBird全色影像反演河流的水面宽度，之后转化为水面高程估算河道流量。在某些横断面形状近似矩形的河道，其水面宽度对流量的变化并不十分敏感，故不适合用遥感河宽估算流量。对于使用水面高程遥感观测估算流量的经验方法，其数学描述与地面水文站所建立的水位—流量关系类似。Leon等[70]将T/P和ENVISAT的星载雷达测高计观测的水位数据与河流水动力模型模拟的流量进行拟合，得出南美洲亚马逊流域内格罗河上游21个“虚拟流量站”的水位—流量关系。基于地面实测水位与流量间的经验关系，Bogning等[71]使用Jason-3等7种雷达测高观测对非洲的奥果韦河流量进行了观测。河流水面高程是估算流量最有效的变量，但是当前的直接卫星观测仅限于星载雷达测高计。经验关系的参数取决于所观测河道的水力学特征，很难直接移植到其他河流。
为了更加准确地量化河道流量变化特征以提升估算精度，有许多学者[20-21]利用多个河流水力学变量的遥感观测值来构建估算河道流量的经验公式（表1）。除了与水面宽度及高程相关的变量以外，还包含河道坡度等以间接地对流速进行定量描述。类似于谢才与曼宁公式类的阻力方程，包含河流水面宽度、高程（衡量水深）与坡度的公式目前应用最为广泛（式（3））。使用该类公式的一个难点是如何将卫星观测的水面高程转化为水深，Birkinshaw等[63]提出了一种基于临近枯水期实测流量估算水面高程最低值的方法。另外，考虑到河流水面坡度遥感观测来源有限及误差相对较大的情况，Sichangi等[21]、Huang等[69]假设河流水面坡度恒定，进而将经验关系简化为只使用遥感观测水面宽度与水位的形式（式（4））。上述多参数经验关系中的参数值取决于河道断面形状及河道粗糙程度等要素，很难通过物理定律直接进行推求。流量数据与遥感水力学信息的回归分析是获取这些经验参数值的唯一途径，因而仍然无法摆脱对于实地流量观测的依赖，难以在完全无地面观测区域进行应用。
随着覆盖全球的遥感河流水面面积/宽度、高程及坡度数据集的出现，基于质量守恒水流运动定律的反演方法（Mass-conserved Flow Law Inversion, McFLI）[74]逐渐受到关注。根据水流运动与质量守恒定律，McFLI方法反推到底需要多大的流量才能产生遥感观测到的河宽等水力学变量的数值。常用的描述河水流动的方法包括曼宁方程以及多站点水力几何关系（At-Many-stations Hydraulic Geometry, AMHG）[75]。AMHG是AHG关系的延伸，描述一定河长范围内不同断面间AHG参数之间的关系。Hagemann等[76]将曼宁公式与AHG关系融合，并基于贝叶斯推断计算流量估算值与模型参数的不确定性，形成了贝叶斯—多点水力几何—曼宁方程融合方法（Bayesian AMHG-Manning, BAM）。BAM需要基于参量的先验知识进行随机采样，Brinkerhoff等[77]在根据地貌和水力学特征对河流进行分类的基础上，构建了Geo-BAM方法，针对不同类型的河流设定不同的参量先验分布，流量反演精度相比于BAM有了显著提升。McFLI类方法的优势在于不需要地面观测数据，适用于完全无资料地区。

2.2.2 与流域水文模型结合

流域水文模型是描述流域降雨径流过程的数学模型[78]。该类模型把整个流域视为一个系统，将降雨时间序列数据作为系统输入，进而计算流域出口断面河道流量时间序列作为系统的输出[79]。在实际应用之前，需要使用一定数量的实测流量时间序列数据对模型参数进行率定。遥感河道水力学信息则提供了一种在地面实测流量数据缺乏的情况下，对流域水文模型进行率定的替代方法。通过遥感水力学信息率定后的水文模型可直接应用于连续流量估算。该方法能够将遥感观测与水文模型的优势结合起来，使用不连续的卫星观测来率定可在时间维度进行连续模拟的水文模型，从而克服单独使用遥感观测估算流量的时间不连续性与单独使用水文模型时对流量数据率定参数的依赖。使用遥感河道水力学信息率定流域水文模型，通常需要采用参数自动优化方法来完成，此类研究的3个关键问题包括：
（1）如何描述流域出口断面河道流量与卫星观测之间的关系。有学者[80]基于多项式回归建立卫星观测的反射率信号与流量之间的关系。对于河道水面高程，最直接的方式是采用类似水文站的水位—流量关系曲线[81]。也有学者[82]在对河道水面宽度和流速进行概化的基础上，建立模型模拟流量与水深的关系。基于对河道断面形状的假设或者观测，有学者[83-84]在建立过水断面面积与河道水位或者水面宽度关系的基础上，采用曼宁公式构建流量与卫星观测之间的关系。也有学者[85⇓-87]基于单站点水力几何形态关系AHG，用幂函数分别建立流量与河道水面宽度、水面高程之间的关系。
（2）如何用卫星观测拟合流域水文模型模拟结果，进而获得反映流域水文循环特征的模型参数值。最直接的方式是基于描述流量与卫星观测之间的数学公式，将流域水文模型模拟的河道流量转化为河道水力学变量，以降低模型模拟的河道水力学变量与同时期遥感观测值之间的差异为目标来率定水文模型参数值[88-89]，如图2所示。第二种方式则是将卫星观测作为输入，利用河道流量与卫星观测之间的关系来估算流量，以降低模型模拟的河道流量与通过卫星观测的河道流量之间的差异为目标来率定水文模型参数值[90]。
图2 使用遥感观测河流水面高程或水面宽度率定水文模型方法框架

Fig. 2 The framework for hydrological model calibration using water surface elevations or widths derived from remote sensing observations

（3）如何获得河道流量与卫星观测关系中的参数值。有学者[82,91]通过拟合地面实测流量与卫星观测推算的流量值方式来获取参数值。得到的参数值通常比较准确，但是该方法在缺乏实地观测的区域难以应用。考虑到该问题，也有学者[81,92]将河道流量与卫星观测关系中的参数视为流域水文模型参数，同时调整两类参数值来降低模型模拟与卫星观测之间的差异。当两者差异最小化后，将获得的流域水文模型的参数值视作能够反映流域降雨径流过程特征的参数值。但该方法增加了需要通过率定获得的参数数量，不可避免的增加了最终模型估算流量时间序列的不确定性。

2.2.3 与河流水动力学模型结合

河流水动力模型是模拟河道水流时空变化规律的模型。通常采用Navier-Stokes方程作为水动力过程基本方程，在对河流实际水动力特征进行简化的基础上，采用有限差分或有限元等算法计算数值解[93]。将河道上边界入流量等水力学状态变量实测时间序列数据或者流域水文模型模拟时间序列值作为模型输入[94]，该类模型可模拟河道流量、水位、流速以及水面淹没范围等水力学状态变量的沿程变化情况。相比于流域水文模型，该类模型的优势在于不需要对模型结构进行改动即可直接与遥感反演的水力学信息进行融合。此类研究有3个关键问题:
（1）遥感观测变量的选择问题。常用的遥感数据包括从遥感影像反演的河流水面覆盖空间范围与河流水面高程。河流水动力模型最主要的应用目的是对洪水演进过程进行模拟或预测，而洪水期云层覆盖限制了可见光波段影像对于洪水淹没范围的反演。SAR影像则不受云层限制，因而有许多研究基于此类遥感影像展开[95-96]。对于水面高程，将星载雷达/激光测高计观测的水面高程应用于水动力模型模拟的可行性已得到广泛认可[97-98]。也有学者[99]采用将SAR影像提取的洪水覆盖范围与LiDAR观测的高分辨率地形数据相结合的方法，反演洪水覆盖范围边界的高程作为河流水位。
（2）遥感数据与河流水动力模型的融合方法。将遥感观测用于模型参数率定是其中的方法之一。相比于包含大量经验参数或者物理过程概化参数的流域水文模型[100]，河流水动力模型参数通常具有明确物理意义或取值范围较为明确，被率定的参数通常包括河道与河漫滩摩擦阻力系数、河床底高程或者水深等[101-102]。更加常用的是遥感时序观测数据与河流水动力模型同化的方法，即将遥感观测的河流水动力过程变量用于更新河流水动力模型所模拟同一变量的数值，进而提升模型模拟或预测精度（图3）。常用的时序数据同化方法包括卡尔曼滤波[103]和粒子滤波[104]等。
图3 遥感观测河流水面高程或水面范围与河流水动力模型模拟同化方法框架

Fig. 3 The framework for hydrodynamic model assimilation using water surface elevations or widths derived from remote sensing observations

（3）使用遥感观测的应用场景。相比于将流域出口断面流量作为核心输出的流域水文模型，河流水动力模型除了可用于模拟河道流量以外，其更重要的应用目的是模拟河流水力学状态变量的时空演变情况。建模过程需要较为精细的河道地形信息以及模型模拟边界水动力条件，在完全无地面观测资料的河段，模型应用难度较大。与此同时，遥感河道水面范围或高程观测的时间频率与精准度均低于地面观测，因而无法完全取代地面观测。此类遥感观测的定位应该是率定河流水动力模型或者实时约束模型模拟时地面观测的一种有益补充。例如，Domeneghetti等[97]采用ERS-2和ENVISAT水面高程遥感观测在意大利波河约140 km河段上率定二维水动力模型，结果显示在与地面实地观测数据共同率定模型的情况下，遥感观测能够提升对于河道水流状态的模拟精度。

2.2.4 3类方法的优势和局限性

基于经验关系推算流量方法的优势在于建模过程比较简单，通过遥感观测与实测流量的拟合即可获取经验关系中的参数值，比较适合在获取遥感数据后对流量值进行近实时的推算。该方法观测时间频率受到卫星重访周期的影响，无法对流量快速动态变化进行把握，同时回归关系依赖于地面流量实测数据对模型参数进行校准。与流域水文模型结合的方法优势在于遥感数据不用于直接进行流量估算，而是以调整模型参数的方式对模型行为进行约束，摆脱了对于地面实测流量的依赖，加之驱动模型所需气象数据亦可通过遥感数据集获取，因而适合无地面观测数据的区域。同时模型可以进行时间维度上连续流量模拟，因而适合在特定区域进行长时间序列流量数据的重建。但是此类方法需要对模型本身结构进行改造或引入额外需要进行率定的参数，在一定程度上会增加模型模拟的不确定性，因而只适合于完全缺资料地区。与河流水动力学模型结合的方法，不需要对模型结构进行改动即可将遥感观测的河流水面范围、宽度或高程用于模型参数率定或者模型模拟同化，可对洪水演进过程进行更加准确的模拟。但是此类模型需要上游或者支流入流的水量和水位时间序列数据作为边界条件，限制了其在完全缺资料地区的应用。

3 河道流量遥感估算中的难点问题

3.1 河道流量估算结果误差评估

在使用遥感方法估算的流量数据进行科学研究或水利工程设计时，一个不可回避的问题是所估算河道流量的精准度是否能够达到应用的需求。通常实地观测的河道流量数据被默认为是反映实际流量的真实、无误差数值[105]。但是在从卫星传感器观测的地面辐射信息反演河道水力学变量具体数值的过程中，辐射信息的误差以及反演方法本身会影响所反演河道水力学变量的精准性。无论是使用经验关系法或与水文、水动力模型相结合的方法，描述遥感反演信息与河道断面流量之间关系的数学模型结构的准确度会对估算结果产生影响。上述过程误差逐步累积使得遥感估算流量的误差不容忽视。一个最直接的问题是用遥感方法所估算的河道流量与流量真实值的差异到底有多大?遥感流量估算结果的不确定性受到遥感数据、所采用模型的结构和参数不确定性的影响。基于不同率定方案情景分析，Huang等[87]讨论了遥感观测数量、误差与参数自动率定方法对基于遥感河宽数据率定后的水文模型模拟不确定性的影响。基于通用似然不确定性分析方法，Sun等[85]提出了一种定量评估遥感流量估算结果不确定性的方法，可计算出流量估算的概率分布。基于此方法，Sun等[86,106]分别评估了星载雷达测高计观测误差以及岸边带植被造成的水面面积反演误差对遥感流量估算结果精准度的影响。随着遥感估算流量方法由最初的方法可行性验证阶段发展到方法实际应用阶段，对流量估算结果误差的评估将更加重要。

3.2 多星协作提升遥感观测频率

基于经验关系直接推算河道流量的方法，所估算的流量是遥感观测时刻的瞬时值，可用于从近实时遥感影像中快速估算当前河道流量。对于要获取某河段流量动态变化的应用场景，经验关系法需要通过不同时间的遥感观测分别推算河道流量，其时间分辨率取决于所使用卫星观测的重现期。当前常用遥感影像的重现期从几天到几周不等，难以捕捉到河道流量的快速变化，尤其是在水文情势变化剧烈的洪水期。对于与水文模型或者水动力模型进行结合估算流量的方法，遥感观测的数据量会对模型模拟的精准性产生直接影响[107-108]。当前单一遥感观测时空覆盖度相对偏低的现实，限制了遥感观测在揭示河道流量动态变化规律方面的可用性。利用不同卫星对所关注河流访问时间的差异，使用多颗卫星对同一河段进行观测是提升卫星观测时间频率的有效手段。但是不同卫星传感器生产的遥感影像反演地物误差特征不同，估算流量的误差概率分布存在差异，如何融合不同传感器估算流量数据，进而形成一套可靠性和一致性较高的时间序列数据是当前的难题之一。将分辨率较低的雷达波段影像与分辨率相对较高的可见光波段影像进行融合，可以解决可见光影像受云层影响无法提供地面观测的问题[109]。将高观测频率、低空间分辨率的遥感影像与低观测频率、高空间分辨率的影像进行融合，生成高时空分辨率的混合影像产品用于提取河流水力学信息也是多星协作的一种可行方向[110]。

3.3 河道流量估算方法的普适性评估

河道流量时空演变规律受到流域自然地理条件、产汇流特征与河道形态等诸多要素影响，因而不同流域间甚至同一流域不同河段的流量与其驱动要素间的定量关系及其参数值具有差异性。与此同时，不同学者所关注的遥感数据不同，研究区所具有的地面观测数据不同，因而形成了从遥感水面宽度/高程与流量的幂函数关系到基于三维水动力模型复杂程度差异巨大的大量遥感估算流量方法。受到流域特征与数据可获取性的影响，所研发方法通常仅在一个或几个特定河段内进行了例证研究，更大范围内的方法普适性论证并不多见，因而难以全面评估其科学价值与应用价值。近年来随着卫星传感器种类与数量持续增加，遥感数据共享与计算机硬件算力的增强，已有学者尝试从全球尺度探讨遥感估算流量方法的普适性。Frasso等[111]基于Landsat影像与STRM数字高程提取的全球60°N~56°S之间宽度大于60 m河流的信息，探索了河宽与年平均径流之间幂函数关系的普适性。Lin等[22]从全球35万幅Landsat影像中提取了超过3000个河段的多时相河宽，采用BAM及其Geo-BAM方法对河道流量进行了反演。当前许多学者将遥感估算流量数据定位为地面实测流量数据缺乏，即缺资料场景下的有益补充。而缺资料场景可分为完全无地面观测、具有零星不连续观测、具有短时间序列地面观测等多种情况，从所适用的缺资料场景、河道类型与所使用遥感数据类型进行综合评估将提升对于特定方法普适性的认识。

4 河道流量遥感估算发展趋势

4.1 与新型遥感观测共同演进的研究范式

遥感流量估算研究是遥感科学与水文水资源科学的交叉性研究。在此研究框架下，遥感科学的重点任务是研究新型传感器为流量估算提供时空覆盖度与精准性更高的观测数据；水文水资源科学的重点任务是基于新型遥感观测与科研及工程设计中对流量信息的需求研究新的流量估算方法。对另一学科现有科学与技术水平的深入了解将为寻找两个学科最新研究与技术成果结合点创造条件，形成两个学科相互促进与共同演进的研究范式。例如，发射于1992年的T/P卫星雷达测高计最初设计目的为观测海平面高程变化，并非陆地地表水水体观测。1998年Birkett等[112]将T/P观测用于探测大型河湖水面高程变化。Kouraev等[113]于2004年将T/P观测用于河道流量估算研究。之后Getirana等[82]和Sun等[86]相继将ENVISAT与T/P等雷达测高计观测用于率定流域水文模型进而估算河道流量。随着雷达测高计观测在陆域地表水体变化探测研究的不断深入，遥感学科也逐渐认识到其发展潜力，为美国宇航局SWOT任务提供了科学依据与技术支撑，形成了河道流量观测方法与新兴遥感观测共同演进的研究范式。随着未来SWOT观测在河道流量估算研究中的应用，预计将促进遥感流量估算新方法的不断涌现，进而形成对于宏观水文循环新的认识，最终将反哺地表水体遥感技术的发展。尤其是SWOT可同时观测河流水面高程和水面范围，解决了之前不同卫星间水位和水面范围观测时间不同步的问题，能够对流量变化的物理过程实现更加全面和精准的感知，进而提升遥感流量估算方法中对物理机制描述的准确度。

4.2 推动经典河流水力学理论发展

河道的水面宽度、水深与流速如何响应流量的变化取决于河流的水力学特征，单站点水力形态几何关系是其经典理论之一。关于河道水面宽度和水深的AHG关系已经在遥感估算河道流量研究中得到广泛应用。随着过去十年对地观测卫星数量井喷式增长，对于河道水面宽度与高程变化的捕捉能力不断增强，有力地推动了经典河流水力学理论发展。基于对大量观测的分析，Gleason等[75]提出了同一条河流不同断面间水力形态几何关系的指数和系数之间存在指数线性关系的新理论，即多站点水力形态关系AMHG。该理论打破了同一条河流不同断面间水力几何关系无关联性的传统认识，并将AHG的参数由两个消减为一个，同时基于特定河段多时相多断面水面宽度观测，可实现不依赖任何地面观测数据的纯遥感河道流量估算。AMHG是基于质量守恒的水流运动定律的反演方法McFLI框架下，描述水流运动定律的方法之一。随着对全球河流海量遥感数据的深度挖掘，预期将形成对于河流水力学关系新的定量认识，进而推动基于McFLI的遥感河道流量估算方法的进一步发展。

4.3 与机器学习方法相结合估算流量

自然水体的辐射特征与其他地物有显著区别，除了高分辨率遥感影像以外，亦可被中低分辨率可见光影像（如MODIS）或者被动雷达波段影像（如AMSR-E）所捕捉。受较低分辨率的限制，此类遥感影像无法精确反演河道水面宽度。但此类影像观测的地表辐射信息与河道流量具有较强的关联关系：例如，AMSR-E影像在36.5GHz波段的亮度温度[114]、MODIS影像近红外波段反射率[115]。此类宽幅传感器能够提供接近于每日一次的高频率观测，对于全面把握流量变化动态具有重要作用。但是低空间分辨率辐射信息与河道流量之间的精准数学方程尚不明晰，难以直接应用于流量估算。模仿人类学习过程的机器学习方法无需依赖对于物理机制的严格数学表述，即可定量描述多个输入变量与输出变量间的复杂非线性关系。例如，Tarpanelli等[116]基于人工神经网络（Artificial Neural Networks, ANN），采用MODIS与MERIS影像近红外波段反射率对河道流量进行了估算；Sahoo等[117]将陆地像元与水体像元的近红外波段地表反射率比值作为输入，采用支持向量机回归（Support Vector Regression, SVR）等3种机器学习方法估算了日尺度河道流量。上述研究均表明机器学习方法具有直接建立中低分辨率辐射信息与河道流量之间定量关系的广阔应用前景。

4.4 集成多要素多源遥感观测估算流量

当前卫星或无人机遥感技术可提供最精细至厘米级分辨率的地表高程信息，可用于提取水面以上河道横断面形状，结合实地观测或概化的水面以下横断面形状，即可形成完整河道横断面形状定量描述，进而建立河流水面宽度与平均水深或过水断面面积的数学关系。基于上述数学关系，以遥感观测河流水面宽度为输入，结合对河道水力坡度与糙率的合理赋值，即可实现通过遥感观测河道水面宽度估算流量。此类方法融合了实测横断面形状信息，比经验关系法具有更强的物理机制。例如，采用对地观测卫星ALOS提供的2.5 m分辨率地表高程数据，Sun等[118]提取了湄公河干流老挝巴色地区河段的断面形状信息，基于曼宁公式建立了从JERS-1卫星合成孔径雷达影像提取的河流水面宽度与河道流量之间的关系；杨胜天等（http://ecohat.bnu.edu.cn/sjxz/index.html）将无人机航测与地面实时动态测量河道断面形状信息相结合，建立了通过卫星遥感观测的河道水面宽度估算河道流量的方法，在覆盖全国的500余处宽度为5~500 m的中小河流建立了遥感水文站，同步提升遥感估算流量的时空覆盖度与精准性。除了对于不同的河流水力学要素多源遥感观测集成，不同类型遥感传感器对于同一要素的观测亦具有集成估算流量的潜力。如Sun等[119]基于机器学习方法融合可见光波段影像与SAR雷达波段影像观测的河流水面辐射信息对长江上游雅砻江甘孜段流量进行估算，结果显示比单独使用可见光或者雷达波段影像的估算精度更高。

4.5 超分辨率遥感影像解译

当河流宽度接近或低于遥感影像分辨率时，必然存在着包含水体的多种地物的混合像元。对混合像元进行超分辨率解译，提升水体覆盖范围反演的空间分辨率，可实现将此类影像用于观测河道宽度低于影像原始分辨率的河流，进而提升对特定河流水面范围变化的遥感观测频次。对中低分辨率遥感影像进行超分辨率水面解译通常采用混合像元分解方法。通过基于光谱混合分析的软分类方法可确定像元内各类地物所占面积比例，适用于提取河道水面面积。基于线性光谱混合模型，Sun等[120]、Ma等[121]与Xie等[122]分别实现了对MODIS和Landsat8影像亚像素级的水体面积提取。也有学者基于地表水体的空间分布格局以及与地形强关联性等特性对混合像元内水体覆盖范围进行亚像素级别绘制，可用于河流水面有效宽度的提取。例如，Li等[123]基于洪水淹没范围空间自相关性实现了河流水面覆盖范围的亚像素级别绘制；Huang等[124]将从高分辨率数字高程数据中提取的河网信息融入像元交换方法对河流水面范围进行识别。对于缺乏高分辨率遥感观测的特定时期或者特定区域，超分辨率解译方法具有回溯或监测河道水面面积或宽度动态变化进而估算流量的潜力。

5 应用前景

5.1 重建20世纪70年代以来日流量时间序列数据

在许多发展中国家，由于水文观测站点建设受到财力以及人力限制，观测所覆盖范围十分有限，流量数据较为匮乏。通过遥感反演的河流水面宽度率定水文模型，之后采用经过率定的水文模型估算日尺度流量，可对地球观测卫星升空以来全球河流径流量日时间序列进行重构。该项工作尤其是在数据相对缺乏的20世纪70—80年代具有重要现实意义，可提供20世纪末经济进入快速发展期之前的水文循环背景信息，将有助于评估人类活动或气候变化对水资源的影响以及为大型水利工程设计提供基础数据。

5.2 自然地理条件恶劣区域河道流量监测

对于寒区旱区等自然地理条件恶劣难以派人驻守以及难以架设在线监测设备的区域，通过对河道大断面形状观测以及短期流量实地观测数据率定参数，可以建立较为精确的遥感流量估算方法，之后以近实时卫星观测作为输入，即可实现对河道流量动态变化进行远程、快速监测，从而为解决缺乏实地测站地区水文资料难题，为区域水资源精细化管理提供科学支撑与技术支持。

5.3 跨国界河流河道流量估算

随着全球经济发展，世界各国对于水资源的需求持续增加。在气候变化背景下，水资源的时空分布变得更加不均衡，供给的不确定性持续增加，国际河流上下游间的水资源争端频发。在此类跨国水资源争端的解决过程中，水文数据这一关键信息很难在利益冲突各方之间进行共享。遥感估算方法可提供独立于任何利益相关方的流量信息，支撑水资源争端的多方谈判或公平合理裁决。

5.4 提升对于流域水循环机理空间异质性的认识

流域分布式水文模型是系统了解流域水循环全过程的重要工具。受水文数据缺乏的限制，模型率定通常基于流域出口河段流量过程曲线对参数进行率定，所得到的参数值实质反映的是流域水循环特征的总体状况。遥感流量估算方法具有提供流域内部多个点位流量信息的可能性，通过模型率定或者同化的方法，具有更加精细化捕捉水循环过程或者模型参数空间异质性的可能性，进而提升对流域水循环机理空间异质性的认识。

6 结语

河道流量动态变化是表征流域水循环过程特征的重要物理量，是水文水资源研究与水利工程设计不可或缺的重要信息。现有地面测站网络无法全面掌握流域水文过程的时空分异性。随着遥感观测时空覆盖度与精准度的极大提高，基于遥感的河道流量估算已经逐渐成为解决缺资料地区水文数据匮乏的重要手段。将定量遥感技术、数据融合方法与水文水动力理论及数学模型的最新成果进行结合，基于应用场景分类创新遥感流量估算方法，进一步提升估算结果的精准性与可用性，对中国水文科学研究及流域水资源管理具有重要的理论价值与现实意义。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Gao Yang, Yu Guirui. Biogeochemical cycle and its hydrological coupling processes and associative controlling mechanism in a watershed. Acta Geographica Sinica, 2018, 73(7): 1381-1393.

DOI

[ 高扬, 于贵瑞. 流域生物地球化学循环与水文耦合过程及其调控机制. 地理学报, 2018, 73(7): 1381-1393.]

DOI

[2]
Stahl K, Hisdal H, Hannaford J, et al. Streamflow trends in Europe: Evidence from a dataset of near-natural catchments. Hydrology and Earth System Sciences, 2010, 14(12): 2367-2382.

DOI

[3]
Murphy J, Sprague L. Water-quality trends in US rivers: Exploring effects from streamflow trends and changes in watershed management. Science of the Total Environment, 2019, 656: 645-658.

[4]
Sang Yanfang, Wang Zhonggen, Liu Changming. Research progress on the time series analysis methods in hydrology. Progress in Geography, 2013, 32(1): 20-30.

DOI

[ 桑燕芳, 王中根, 刘昌明. 水文时间序列分析方法研究进展. 地理科学进展, 2013, 32(1): 20-30.]

[5]
Getirana A, Jung H C, Arsenault K, et al. Satellite gravimetry improves seasonal streamflow forecast initialization in Africa. Water Resources Research, 2020, 56(2): e2019WR026259. DOI: 10.1029/2019WR026259.

[6]
Zhao Changsen, Pan Xu, Yang Shengtian, et al. Measuring streamflow with low-altitude UAV imagery. Acta Geographica Sinica, 2019, 74(7): 1392-1408.

DOI

[ 赵长森, 潘旭, 杨胜天, 等. 低空遥感无人机影像反演河道流量. 地理学报, 2019, 74(7): 1392-1408.]

DOI

[7]
Lin P R, Pan M, Beck H E, et al. Global reconstruction of naturalized river flows at 2.94 million reaches. Water Resources Research, 2019, 55(8): 6499-6516.

DOI PMID

[8]
Wagener T, Sivapalan M, McDonnell J, et al. Predictions in ungauged basins as a catalyst for multidisciplinary hydrology. Eos, Transactions American Geophysical Union, 2004, 85(44): 451-457.

DOI

[9]
Montanari A, Young G, Savenije H H G, et al. "Panta Rhei-Everything Flows": Change in hydrology and society: The IAHS Scientific Decade 2013-2022. Hydrological Sciences Journal, 2013, 58(6): 1256-1275.

[10]
Wang Wei, Lu Hui. Progress in application of remote sensing data in hydrological simulation. Remote Sensing Technology and Application, 2015, 30(6): 1042-1050.

[ 汪伟, 卢麾. 遥感数据在水文模拟中的应用研究进展. 遥感技术与应用, 2015, 30(6): 1042-1050.]

[11]
Feng D M, Gleason C J, Yang X, et al. How have global river widths changed over time? Water Resources Research, 2022, 58(8): e2021WR031712. DOI: 10.1029/2021WR031712.

[12]
Abdalla S, Kolahchi A A, Ablain M, et al. Altimetry for the future: Building on 25 years of progress. Advances in Space Research, 2021, 68(2): 319-363.

DOI

[13]
Li Xin, Liu Shaomin, Ma Mingguo, et al. HiWATER: An integrated remote sensing experiment on hydrological and ecological processes in the Heihe River Basin. Advances in Earth Science, 2012, 27(5): 481-498.

[ 李新, 刘绍民, 马明国, 等. 黑河流域生态—水文过程综合遥感观测联合试验总体设计. 地球科学进展, 2012, 27(5): 481-498.]

[14]
Smith L C. Satellite remote sensing of river inundation area, stage, and discharge: A review. Hydrological Processes, 1997, 11(10): 1427-1439.

DOI

[15]
Alsdorf D E, Rodríguez E, Lettenmaier D P. Measuring surface water from space. Reviews of Geophysics, 2007, 45(2): RG2002. DOI: 10.1029/2006RG000197.

[16]
Huang C, Chen Y, Zhang S Q, et al. Detecting, extracting, and monitoring surface water from space using optical sensors: A review. Reviews of Geophysics, 2018, 56(2): 333-360.

DOI

[17]
Biancamaria S, Lettenmaier D P, Pavelsky T M. The SWOT mission and its capabilities for land hydrology. Surveys in Geophysics, 2016, 37(2): 307-337.

DOI

[18]
Maswanganye S E, Dube T, Mazvimavi D, et al. Remotely sensed applications in monitoring the spatio-temporal dynamics of pools and flows along non-perennial rivers: A review. South African Geographical Journal, 2022, 104(4): 427-445.

DOI

[19]
Gleason C J, Durand M T. Remote sensing of river discharge: A review and a framing for the discipline. Remote Sensing, 2020, 12(7): 1107. DOI: 10.3390/rs12071107.

[20]
Bjerklie D M, Moller D, Smith L C, et al. Estimating discharge in rivers using remotely sensed hydraulic information. Journal of Hydrology, 2005, 309(1-4): 191-209.

DOI

[21]
Sichangi A W, Wang L, Yang K, et al. Estimating continental river basin discharges using multiple remote sensing data sets. Remote Sensing of Environment, 2016, 179: 36-53.

DOI

[22]
Lin P R, Feng D M, Gleason C J, et al. Inversion of river discharge from remotely sensed river widths: A critical assessment at three-thousand global river gauges. Remote Sensing of Environment, 2023, 287: 113489. DOI: 10.1016/j.rse.2023.113489.

[23]
Luo Jiancheng, Hu Xiaodong, Wu Tianjun, et al. Research on intelligent calculation model and method of precision land use/cover change information driven by high-resolution remote sensing. National Remote Sensing Bulletin, 2021, 25(7): 1351-1373.

DOI

[ 骆剑承, 胡晓东, 吴田军, 等. 高分遥感驱动的精准土地利用与土地覆盖变化信息智能计算模型与方法研究. 遥感学报, 2021, 25(7): 1351-1373.]

[24]
Chowdary V M, Chandran R V, Neeti N, et al. Assessment of surface and sub-surface waterlogged areas in irrigation command areas of Bihar state using remote sensing and GIS. Agricultural Water Management, 2008, 95(7): 754-766.

DOI

[25]
Song C Q, Ke L H, Pan H, et al. Long-term surface water changes and driving cause in Xiong'an, China: From dense Landsat time series images and synthetic analysis. Science Bulletin, 2018, 63(11): 708-716.

DOI PMID

[26]
Pickens A H, Hansen M C, Hancher M, et al. Mapping and sampling to characterize global inland water dynamics from 1999 to 2018 with full Landsat time-series. Remote Sensing of Environment, 2020, 243: 111792. DOI: 10.1016/j.rse.2020.111792.

[27]
Cordeiro M C R, Martinez J M, Peña-Luque S. Automatic water detection from multidimensional hierarchical clustering for Sentinel-2 images and a comparison with Level 2A processors. Remote Sensing of Environment, 2021, 253: 112209. DOI: 10.1016/j.rse.2020.112209.

[28]
Du Y, Zhang Y H, Ling F, et al. Water bodies' mapping from Sentinel-2 imagery with modified normalized difference water index at 10-m spatial resolution produced by sharpening the SWIR band. Remote Sensing, 2016, 8(4): 354. DOI: 10.3390/rs8040354.

[29]
Mohammadi A, Costelloe J F, Ryu D. Application of time series of remotely sensed normalized difference water, vegetation and moisture indices in characterizing flood dynamics of large-scale arid zone floodplains. Remote Sensing of Environment, 2017, 190: 70-82.

DOI

[30]
Li Z Q, Sun W C, Chen H Y, et al. Interannual and seasonal variations of hydrological connectivity in a large shallow wetland of north China estimated from Landsat 8 images. Remote Sensing, 2021, 13(6): 1214. DOI: 10.3390/rs13061214.

[31]
Fisher A, Flood N, Danaher T. Comparing Landsat water index methods for automated water classification in eastern Australia. Remote Sensing of Environment, 2016, 175: 167-182.

DOI

[32]
Rokni K, Ahmad A, Selamat A, et al. Water feature extraction and change detection using multitemporal Landsat imagery. Remote Sensing, 2014, 6(5): 4173-4189.

DOI

[33]
Huang C, Chen Y, Wu J P. Mapping spatio-temporal flood inundation dynamics at large river basin scale using time-series flow data and MODIS imagery. International Journal of Applied Earth Observation and Geoinformation, 2014, 26: 350-362.

DOI

[34]
Jiang H, Feng M, Zhu Y Q, et al. An automated method for extracting rivers and lakes from Landsat imagery. Remote Sensing, 2014, 6(6): 5067-5089.

DOI

[35]
Guo Q D, Pu R L, Li J L, et al. A weighted normalized difference water index for water extraction using Landsat imagery. International Journal of Remote Sensing, 2017, 38(19): 5430-5445.

DOI

[36]
Pan F F, Xi X H, Wang C. A comparative study of water indices and image classification algorithms for mapping inland surface water bodies using Landsat imagery. Remote Sensing, 2020, 12(10): 1611. DOI: 10.3390/rs12101611.

[37]
Allen G H, Pavelsky T M. Patterns of river width and surface area revealed by the satellite-derived North American River Width data set. Geophysical Research Letters, 2015, 42(2): 395-402.

DOI

[38]
Cao H Y, Han L, Liu Z H, et al. Monitoring and driving force analysis of spatial and temporal change of water area of Hongjiannao Lake from 1973 to 2019. Ecological Informatics, 2021, 61: 101230. DOI: 10.1016/j.ecoinf.2021.101230.

[39]
Duan Y M, Zhang W Y, Huang P, et al. A new lightweight convolutional neural network for multi-scale land surface water extraction from GaoFen-1D satellite images. Remote Sensing, 2021, 13(22): 4576. DOI: 10.3390/rs13224576.

[40]
Sun Fangdi, Ma Ronghua. Hydrologic changes of Poyang Lake based on radar altimeter and optical sensor. Acta Geographica Sinica, 2020, 75(3): 544-557.

DOI

[ 孙芳蒂, 马荣华. 鄱阳湖水文特征动态变化遥感监测. 地理学报, 2020, 75(3): 544-557.]

DOI

[41]
Smith L C, Isacks B L, Forster R R, et al. Estimation of discharge from braided glacial rivers using ERS 1 synthetic aperture radar: First results. Water Resources Research, 1995, 31(5): 1325-1329.

DOI

[42]
Long S, Fatoyinbo T E, Policelli F. Flood extent mapping for Namibia using change detection and thresholding with SAR. Environmental Research Letters, 2014, 9(3): 35002-35009.

DOI

[43]
Sghaier M O, Foucher S, Lepage R. River extraction from high-resolution SAR images combining a structural feature set and mathematical morphology. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(3): 1025-1038.

DOI

[44]
López-Caloca A A, Tapia-Silva F O, López F, et al. Analyzing short term spatial and temporal dynamics of water presence at a basin-scale in Mexico using SAR data. GIScience & Remote Sensing, 2020, 57(7): 985-1004.

[45]
Zhang J Q, Xu K Q, Watanabe M, et al. Estimation of river discharge from non-trapezoidal open channel using QuickBird-2 satellite imagery. Hydrological Sciences Journal, 2004, 49(2): 247-260.

[46]
Smith L C, Isacks B L, Bloom A L, et al. Estimation of discharge from three braided rivers using synthetic aperture radar satellite imagery: Potential application to ungaged basins. Water Resources Research, 1996, 32(7): 2021-2034.

DOI

[47]
Pavelsky T M, Smith L C. RivWidth: A software tool for the calculation of river widths from remotely sensed imagery. IEEE Geoscience and Remote Sensing Letters, 2008, 5(1): 70-73.

DOI

[48]
Allen G H, Pavelsky T M. Global extent of rivers and streams. Science, 2018, 361(6402): 585-588.

DOI PMID

[49]
Yang J, Huang X, Tang Q H. Satellite-derived river width and its spatiotemporal patterns in China during 1990-2015. Remote Sensing of Environment, 2020, 247: 111918. DOI: 10.1016/j.rse.2020.111918.

[50]
Isikdogan F, Bovik A, Passalacqua P. RivaMap: An automated river analysis and mapping engine. Remote Sensing of Environment, 2017, 202: 88-97.

DOI

[51]
Li Junli, Chen Xi, Bao Anming. Spatial-temporal characteristics of lake level changes in central Asia during 2003-2009. Acta Geographica Sinica, 2011, 66(9): 1219-1229.

[ 李均力, 陈曦, 包安明. 2003—2009年中亚地区湖泊水位变化的时空特征. 地理学报, 2011, 66(9): 1219-1229.]

[52]
Medina C E, Gomez-Enri J, Alonso J J, et al. Water level fluctuations derived from ENVISAT Radar Altimeter (RA-2) and in-situ measurements in a subtropical waterbody: Lake Izabal (Guatemala). Remote Sensing of Environment, 2008, 112(9): 3604-3617.

DOI

[53]
Papa F, Durand F, Rossow W B, et al. Satellite altimeter-derived monthly discharge of the Ganga-Brahmaputra River and its seasonal to interannual variations from 1993 to 2008. Journal of Geophysical Research: Oceans, 2010, 115: C12013. DOI: 10.1029/2009JC006075.

[54]
Bonnema M, Hossain F. Assessing the potential of the surface water and ocean topography mission for reservoir monitoring in the Mekong River Basin. Water Resources Research, 2019, 55(1): 444-461.

DOI

[55]
Song C Q, Ye Q H, Cheng X. Shifts in water-level variation of Namco in the central Tibetan Plateau from ICESat and CryoSat-2 altimetry and station observations. Science Bulletin, 2015, 60(14): 1287-1297.

DOI

[56]
Yuan C, Gong P, Bai Y Q. Performance assessment of ICESat-2 laser altimeter data for water-level measurement over lakes and reservoirs in China. Remote Sensing, 2020, 12(5): 770. DOI: 10.3390/rs12050770.

[57]
Xiang J, Li H, Zhao J Y, et al. Inland water level measurement from spaceborne laser altimetry: Validation and comparison of three missions over the Great Lakes and lower Mississippi River. Journal of Hydrology, 2021, 597: 126312. DOI: 10.1016/j.jhydrol.2021.126312.

[58]
Lao J Y, Wang C, Nie S, et al. Monitoring and analysis of water level changes in Mekong River from ICESat-2 spaceborne laser altimetry. Water, 2022, 14(10): 1613. DOI: 10.3390/w14101613.

[59]
Romeiser R, Runge H, Suchandt S, et al. Current measurements in rivers by spaceborne along-track InSAR. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(12): 4019-4031.

DOI

[60]
Tarpanelli A, Brocca L, Lacava T, et al. Toward the estimation of river discharge variations using MODIS data in ungauged basins. Remote Sensing of Environment, 2013, 136: 47-55.

DOI

[61]
LeFavour G, Alsdorf D. Water slope and discharge in the Amazon River estimated using the shuttle radar topography mission digital elevation model. Geophysical Research Letters, 2005, 32(17): L17404. DOI: 10.1029/2005GL023836.

[62]
Yamazaki D, Ikeshima D, Sosa J, et al. MERIT Hydro: A high-resolution global hydrography map based on latest topography dataset. Water Resources Research, 2019, 55(6): 5053-5073.

DOI

[63]
Birkinshaw S J, Moore P, Kilsby C G, et al. Daily discharge estimation at ungauged river sites using remote sensing. Hydrological Processes, 2014, 28(3): 1043-1054.

[64]
Bjerklie D M, Birkett C M, Jones J W, et al. Satellite remote sensing estimation of river discharge: Application to the Yukon River Alaska. Journal of Hydrology, 2018, 561: 1000-1018.

DOI

[65]
Scherer D, Schwatke C, Dettmering D, et al. ICESat-2 based river surface slope and its impact on water level time series from satellite altimetry. Water Resources Research, 2022, 58(11): e2022WR032842. DOI: 10.1029/2022WR032842.

[66]
Scherer D, Schwatke C, Dettmering D, et al. ICESat-2 river surface slope (IRIS): A global reach-scale water surface slope dataset. Scientific Data, 2023, 10(1): 359. DOI: 10.1038/s41597-023-02215-x.

PMID

[67]
Smith L C, Pavelsky T M. Estimation of river discharge, propagation speed, and hydraulic geometry from space: Lena River, Siberia. Water Resources Research, 2008, 44(3): W03427. DOI: 10.1029/2007WR006133.

[68]
Pavelsky T M. Using width-based rating curves from spatially discontinuous satellite imagery to monitor river discharge. Hydrological Processes, 2014, 28(6): 3035-3040.

[69]
Huang Q, Long D, Du M D, et al. Discharge estimation in high-mountain regions with improved methods using multisource remote sensing: A case study of the upper Brahmaputra River. Remote Sensing of Environment, 2018, 219: 115-134.

DOI

[70]
Leon J G, Calmant S, Seyler F, et al. Rating curves and estimation of average water depth at the upper Negro River based on satellite altimeter data and modeled discharges. Journal of Hydrology, 2006, 328(3/4): 481-496.

DOI

[71]
Bogning S, Frappart F, Blarel F, et al. Monitoring water levels and discharges using radar altimetry in an ungauged river basin: The case of the Ogooué. Remote Sensing, 2018, 10(2): 350. DOI: 10.3390/rs10020350.

[72]
Tarpanelli A, Barbetta S, Brocca L, et al. River discharge estimation by using altimetry data and simplified flood routing modeling. Remote Sensing, 2013, 5(9): 4145-4162.

DOI

[73]
Leopold L B, Maddock T J. The hydraulic geometry of stream channels and some physiographic implications. US Geological Survey Professional Paper, 1953, 252: 1-57.

[74]
Gleason C, Garambois P, Durand M. Tracking river flows from space. EOS, Transactions American Geophysical Union, 2017, 99(1). DOI: 10.1029/2017EO078085.

[75]
Gleason C J, Smith L C. Toward global mapping of river discharge using satellite images and at-many-stations hydraulic geometry. PNAS, 2014, 111(13): 4788-4791.

DOI PMID

[76]
Hagemann M W, Gleason C J, Durand M T. BAM: Bayesian AMHG-Manning inference of discharge using remotely sensed stream width, slope, and height. Water Resources Research, 2017, 53(11): 9692-9707.

DOI

[77]
Brinkerhoff C B, Gleason C J, Feng D, et al. Constraining remote river discharge estimation using reach-scale geomorphology. Water Resources Research, 2020, 56(11): e2020WR027949. DOI: 10.1029/2020WR027949.

[78]
Yang Dawen, Li Chong, Ni Guangheng, et al. Application of a distributed hydrological model to the Yellow River Basin. Acta Geographica Sinica, 2004, 59(1): 143-154.

DOI

[ 杨大文, 李翀, 倪广恒, 等. 分布式水文模型在黄河流域的应用. 地理学报, 2004, 59(1): 143-154.]

[79]
Xu Zongxue, Cheng Lei. Progress on studies and applications of the distributed hydrological models. Journal of Hydraulic Engineering, 2010, 41(9): 1009-1017.

[ 徐宗学, 程磊. 分布式水文模型研究与应用进展. 水利学报, 2010, 41(9): 1009-1017.]

[80]
Zhang Y, Hong Y, Wang X G, et al. Assimilation of passive microwave streamflow signals for improving flood forecasting: A first study in Cubango River Basin, Africa. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(6): 2375-2390.

DOI

[81]
Hulsman P, Winsemius H C, Michailovsky C I, et al. Using altimetry observations combined with GRACE to select parameter sets of a hydrological model in a data-scarce region. Hydrology and Earth System Sciences, 2020, 24(6): 3331-3359.

DOI

[82]
Getirana A C V. Integrating spatial altimetry data into the automatic calibration of hydrological models. Journal of Hydrology, 2010, 387(3/4): 244-255.

DOI

[83]
Getirana A C V, Boone A, Yamazaki D, et al. Automatic parameterization of a flow routing scheme driven by radar altimetry data: Evaluation in the Amazon Basin. Water Resources Research, 2013, 49(1): 614-629.

DOI

[84]
Liu G M, Schwartz F W, Tseng K H, et al. Discharge and water-depth estimates for ungauged rivers: Combining hydrologic, hydraulic, and inverse modeling with stage and water-area measurements from satellites. Water Resources Research, 2015, 51(8): 6017-6035.

DOI

[85]
Sun W C, Ishidaira H, Bastola S. Towards improving river discharge estimation in ungauged basins: Calibration of rainfall-runoff models based on satellite observations of river flow width at basin outlet. Hydrology and Earth System Sciences, 2010, 14(10): 2011-2022.

DOI

[86]
Sun W C, Ishidaira H, Bastola S. Calibration of hydrological models in ungauged basins based on satellite radar altimetry observations of river water level. Hydrological Processes, 2012, 26(23): 3524-3537.

DOI

[87]
Huang Q, Long D, Han Z Y, et al. High-resolution satellite images combined with hydrological modeling derive river discharge for headwaters: A step toward discharge estimation in ungauged basins. Remote Sensing of Environment, 2022, 277: 113030. DOI: 10.1016/j.rse.2022.113030.

[88]
Milzow C, Krogh P E, Bauer-Gottwein P. Combining satellite radar altimetry, SAR surface soil moisture and GRACE total storage changes for hydrological model calibration in a large poorly gauged catchment. Hydrology and Earth System Sciences, 2011, 15(6): 1729-1743.

DOI

[89]
Oliveira A M, Fleischmann A S, Paiva R C D. On the contribution of remote sensing-based calibration to model hydrological and hydraulic processes in tropical regions. Journal of Hydrology, 2021, 597: 126184. DOI: 10.1016/j.jhydrol.2021.126184.

[90]
Huang Q, Long D, Du M D, et al. Daily continuous river discharge estimation for ungauged basins using a hydrologic model calibrated by satellite altimetry: Implications for the SWOT mission. Water Resources Research, 2020, 56(7): e2020WR027309. DOI: 10.1029/2020WR027309.

[91]
Revilla-Romero B, Beck H E, Burek P, et al. Filling the gaps: Calibrating a rainfall-runoff model using satellite-derived surface water extent. Remote Sensing of Environment, 2015, 171: 118-131.

DOI

[92]
Sun W C, Ishidaira H, Bastola S, et al. Estimating daily time series of streamflow using hydrological model calibrated based on satellite observations of river water surface width: Toward real world applications. Environmental Research, 2015, 139: 36-45.

DOI PMID

[93]
Zhang Ting, Xu Binxin, Kang Aiqing, et al. Advances in joint application of hydrology, hydrodynamics and water environment models in river basins. Advances in Science and Technology of Water Resources, 2021, 41(3): 11-19.

[ 张婷, 徐彬鑫, 康爱卿, 等. 流域水文、水动力、水质模型联合应用研究进展. 水利水电科技进展, 2021, 41(3): 11-19.]

[94]
Jiang Chunbo, Zhou Qi, Shen Yanxia, et al. Review on hydrological and hydrodynamic coupling models for flood forecasting in mountains watershed. Journal of Hydraulic Engineering, 2021, 52(10): 1137-1150.

[ 江春波, 周琦, 申言霞, 等. 山区流域洪涝预报水文与水动力耦合模型研究进展. 水利学报, 2021, 52(10): 1137-1150.]

[95]
Wood M, Hostache R, Neal J, et al. Calibration of channel depth and friction parameters in the LISFLOOD-FP hydraulic model using medium-resolution SAR data and identifiability techniques. Hydrology and Earth System Sciences, 2016, 20(12): 4983-4997.

DOI

[96]
Hostache R, Chini M, Giustarini L, et al. Near-real-time assimilation of SAR-derived flood maps for improving flood forecasts. Water Resources Research, 2018, 54(8): 5516-5535.

DOI

[97]
Domeneghetti A, Tarpanelli A, Brocca L, et al. The use of remote sensing-derived water surface data for hydraulic model calibration. Remote Sensing of Environment, 2014, 149: 130-141.

DOI

[98]
Schneider R, Godiksen P N, Villadsen H, et al. Application of CryoSat-2 altimetry data for river analysis and modelling. Hydrology and Earth System Sciences, 2017, 21(2): 751-764.

DOI

[99]
Mason D C, Schumann G J P, Neal J C, et al. Automatic near real-time selection of flood water levels from high resolution synthetic aperture radar images for assimilation into hydraulic models: A case study. Remote Sensing of Environment, 2012, 124: 705-716.

DOI

[100]
Shi Jiaozhi, Chen Xiaohong. Situation in the research on watershed hydrologic models. Journal of China Hydrology, 2006, 26(1): 18-23.

[ 石教智, 陈晓宏. 流域水文模型研究进展. 水文, 2006, 26(1): 18-23.]

[101]
Dung N V, Merz B, Bárdossy A, et al. Multi-objective automatic calibration of hydrodynamic models utilizing inundation maps and gauge data. Hydrology and Earth System Sciences, 2011, 15(4): 1339-1354.

DOI

[102]
Jiang L G, Madsen H, Bauer-Gottwein P. Simultaneous calibration of multiple hydrodynamic model parameters using satellite altimetry observations of water surface elevation in the Songhua River. Remote Sensing of Environment, 2019, 225: 229-247.

DOI

[103]
Paiva R C D, Collischonn W, Bonnet M P, et al. Assimilating in situ and radar altimetry data into a large-scale hydrologic-hydrodynamic model for streamflow forecast in the Amazon. Hydrology and Earth System Sciences, 2013, 17(7): 2929-2946.

DOI

[104]
Di Mauro C, Hostache R, Matgen P, et al. A tempered particle filter to enhance the assimilation of SAR‐derived flood extent maps into flood forecasting models. Water Resources Research, 2022, 58(8): e2022WR031940. DOI: 10.1029/2022WR031940.

[105]
Liu Song, She Dunxian, Zhang Liping, et al. Impact of discharge data error on hydrologic modelling uncertainty estimation. Engineering Journal of Wuhan University, 2021, 54(1): 1-7.

[ 刘松, 佘敦先, 张利平, 等. 流量数据误差对水文模拟不确定性分析的影响. 武汉大学学报(工学版), 2021, 54(1): 1-7.]

[106]
Sun W C, Fan J, Wang G Q, et al. Calibrating a hydrological model in a regional river of the Qinghai-Tibet Plateau using river water width determined from high spatial resolution satellite images. Remote Sensing of Environment, 2018, 214: 100-114.

DOI

[107]
Dasgupta A, Hostache R, Ramsankaran R, et al. On the impacts of observation location, timing, and frequency on flood extent assimilation performance. Water Resources Research, 2021, 57(2): e2020WR028238. DOI: 10.1029/2020WR028238.

[108]
Sun W C, Ishidaira H, Bastola S. Prospects for calibrating rainfall-runoff models using satellite observations of river hydraulic variables as surrogates for in situ river discharge measurements. Hydrological Processes, 2012, 26(6): 872-882.

DOI

[109]
Mizuochi H, Iijima Y, Nagano H, et al. Dynamic mapping of subarctic surface water by fusion of microwave and optical satellite data using conditional adversarial networks. Remote Sensing, 2021, 13(2): 175. DOI: 10.3390/rs13020175.

[110]
Dao P D, Mong N T, Chan H P. Landsat-MODIS image fusion and object-based image analysis for observing flood inundation in a heterogeneous vegetated scene. GIScience & Remote Sensing, 2019, 56(8): 1148-1169.

[111]
Frasson R P D, Pavelsky T M, Fonstad M A, et al. Global relationships between river width, slope, catchment area, meander wavelength, sinuosity, and discharge. Geophysical Research Letters, 2019, 46(6): 3252-3262.

DOI

[112]
Birkett C M. Contribution of the TOPEX NASA radar altimeter to the global monitoring of large rivers and wetlands. Water Resources Research, 1998, 34(5): 1223-1239.

[113]
Kouraev A V, Zakharova E A, Samain O, et al. Ob River discharge from TOPEX/Poseidon satellite altimetry (1992-2002). Remote Sensing of Environment, 2004, 93(1/2): 238-245.

[114]
Brakenridge G R, Nghiem S V, Anderson E, et al. Orbital microwave measurement of river discharge and ice status. Water Resources Research, 2007, 43(4): W04405. DOI: 10.1029/2006WR005238.

[115]
Li H J, Li H Y, Wang J, et al. Extending the ability of near-infrared images to monitor small river discharge on the northeastern Tibetan Plateau. Water Resources Research, 2019, 55(11): 8404-8421.

[116]
Tarpanelli A, Santi E, Tourian M J, et al. Daily river discharge estimates by merging satellite optical sensors and radar altimetry through artificial neural network. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(1): 329-341.

[117]
Sahoo D P, Sahoo B, Tiwari M K, et al. Integrated remote sensing and machine learning tools for estimating ecological flow regimes in tropical river reaches. Journal of Environmental Management, 2022, 322: 116121. DOI: 10.1016/j.jenvman.2022.116121.

[118]
Sun W C, Ishidaira H, Bastola S. An integrated approach incorporating river cross-sectional geometry derived from high resolution DSM for river discharge estimation. Annual Journal of Hydraulic Engineering, Japan Society of Civil Engineering, 2010, 54: 1-6.

[119]
Wang X C, Sun W C, Lu F, et al. Combining satellite optical and radar image data for streamflow estimation using a machine learning method. Remote Sensing, 2023, 15(21): 5184. DOI: 10.3390/rs15215184.

[120]
Sun D L, Yu Y Y, Goldberg M D. Deriving water fraction and flood maps from MODIS images using a decision tree approach. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2011, 4(4): 814-825.

[121]
Ma B D, Wu L X, Zhang X X, et al. Locally adaptive unmixing method for lake-water area extraction based on MODIS 250 m bands. International Journal of Applied Earth Observation and Geoinformation, 2014, 33: 109-118.

[122]
Xie H, Luo X, Xu X, et al. Automated subpixel surface water mapping from heterogeneous urban environments using Landsat 8 OLI imagery. Remote Sensing, 2016, 8(7): 584. DOI: 10.3390/rs8070584.

[123]
Li L Y, Chen Y, Yu X, et al. Sub-pixel flood inundation mapping from multispectral remotely sensed images based on discrete particle swarm optimization. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 101: 10-21.

[124]
Huang C, Chen Y, Wu J P. DEM-based modification of pixel-swapping algorithm for enhancing floodplain inundation mapping. International Journal of Remote Sensing, 2014, 35(1): 365-381.

Options
文章导航

/

〈 〉