基于Sentinel-2/Landsat影像融合的中小河流流量多波段遥感估算方法研究

作者及机构
该研究由武汉大学水资源与水电工程科学国家重点实验室的Li-Ying He、Hua Chen（通讯作者）、Nie Zhou、Ming-Di Li团队，联合武汉大学测绘遥感信息工程国家重点实验室的Chao Wang、长江勘测规划设计研究院的Bin Luo，以及挪威奥斯陆大学地球科学系的Chong-Yu Xu共同完成。研究成果发表于《Journal of Hydrology》2026年第664卷，属于”流域生态水文过程”特刊。

学术背景

研究领域
本研究属于水文遥感与水资源管理交叉领域，聚焦中小河流（宽度<350米）流量估算这一关键科学问题。

研究动因
传统水文监测网络受限于人力依赖、设备环境限制和经济因素，导致流量数据时空不连续。卫星遥感数据因其大范围、低成本的优势，成为欠发达或偏远地区中小河流监测的重要补充手段。现有遥感流量估算方法主要依赖单波段信息（如近红外波段NIR或短波红外SWIR），但河流流量变化会同时引发水体面积、水质、植被等多要素变化，单一波段难以全面捕捉这些特征。

研究目标
1. 改进ESTARFM（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model）算法，提升影像时空融合精度
2. 探究多波段遥感特征与河流流量的关系
3. 构建基于多特征指标的流量反演模型（MBRS方法）

研究方法与流程

第一阶段：影像融合

1. 数据准备
- 研究区域：中国东南部建溪流域（亚热带季风气候），选取4个水文站控制河段（崇阳溪、松溪、南浦溪、建溪干流）
- 卫星数据：
- Landsat 8（30米分辨率，28天重访周期）的蓝、绿、红、NIR、SWIR1-2波段
- Sentinel-2（10-20米分辨率，5-10天重访周期）的对应波段
- 2019-2023年无云影像共469景（通过Google Earth Engine获取）

2. PCA-ESTARFM算法开发
针对传统ESTARFM在动态水体应用中的局限，提出三项改进：
- 基对选择：通过主成分分析（PCA）计算影像光谱相似性，选择欧氏距离最小的基对（而非传统时间相近原则）
- 转换系数优化：建立新假设——”三幅光谱相似影像间的反射率差异β恒定”，推导出改进的转换系数公式（式10）
- 融合策略：采用”先计算指标后融合”（index-then-blend）策略，设置24×24像素搜索窗口

3. 精度验证
以Sentinel-2影像为基准，对比原始Landsat 8、传统ESTARFM和改进PCA-ESTARFM的融合效果。评估指标包括：
- 相关系数（r）
- 偏差（Bias）
- 均方根误差（RMSE）

第二阶段：流量估算

1. 多特征指标构建
基于8种光学指标（表4）：
- 水面特征：NIR反射率、归一化水体指数NDWI、增强水体指数ANDWI
- 水质特征：浊度指数TWI、红波段反射率
- 土壤植被：裸土指数BSI、归一化植被指数NDVI、归一化水分指数NDMI

2. 遥感测流像素（RGPs）选择
- 通过皮尔逊相关系数筛选与流量最相关的像素
- 采用”前7%阈值法”确定RGPs空间分布（经敏感性分析优化）
- 分为三类功能区域：
- RGPs-sw（浅滩/河岸带）
- RGPs-wq（主河道中心）
- RGPs-sv（河岸植被区）

3. 模型构建
- MBRS-RD模型：基于岭回归（Ridge Regression）的线性关系模型，采用10折交叉验证，正则化参数λ通过网格搜索确定
- MBRS-RF模型：基于随机森林（Random Forest）的非线性模型，优化参数包括：
- 决策树数量（50-200）
- 最小分裂样本数（2-10）
- 叶节点最小样本数（1-4）
- 最大特征数（3-30）

4. 对比方法
与传统单波段方法（CM法及其改进版CMw法）进行对比，评估指标包括：
- Nash-Sutcliffe效率系数（NSE）
- 决定系数（R²）
- 相对均方根误差（RRMSE）

主要研究结果

影像融合效果

PCA-ESTARFM显著提升融合精度（表6）：
- 各指标r值0.693-0.958（传统ESTARFM为0.741-0.946）
- NDMI改进最显著：r从0.228提升至0.745，RMSE降低60%
- 偏差范围缩小至-0.0068~0.0040

特征-流量相关性（图7）

• 水面指标：在浅滩区，NIR与流量负相关（r），NDWI/ANDWI正相关
  
• 水质指标：主河道TWI与流量强正相关（r>0.6），反映输沙量增加
  
• 植被土壤：河岸带NDVI/NDMI与流量正相关，浅滩区BSI与流量正相关
  

流量估算性能

MBRS模型表现：
- MBRS-RF最优：NSE 0.775-0.965，R² 0.778-0.974
- MBRS-RD次之：NSE 0.548-0.839
- 显著优于CM法（NSE 0.499-0.861）和CMw法（NSE 0.411-0.846）

特殊案例：
在建阳段（无浅滩），MBRS-RD（NSE=0.828）显著优于CM法（NSE=0.499），证明多特征方法在单一地貌河段的适应性

不确定性分析：
RGPs比例在4%-10%变化时，MBRS-RF预测结果稳定，95%置信区间宽度平均为实测值±15%

研究结论与价值

科学价值
1. 提出基于光谱相似性的PCA-ESTARFM算法，解决了动态水体影像融合的基对选择难题
2. 首次系统建立了多波段光学特征与河流流量的定量关系框架
3. 开发MBRS方法，突破传统单波段反演的理论局限

应用价值
1. 为无测站中小河流提供可靠的流量估算方案（尤其在缺乏浅滩的河段）
2. 可结合SWOT等卫星数据延长流量序列重建
3. 算法已实现工程化应用（Google Earth Engine平台）

研究亮点

1. 方法创新：

   • PCA-ESTARFM算法实现仅依赖影像信息的自适应融合
     
   • 多特征RGPs选择策略兼顾物理意义与统计显著性
     

2. 技术突破：

   • 首次联合水面/水质/植被/土壤四类指标构建流量模型
     
   • 随机森林模型在非线性关系建模中展现优越性
     

3. 应用拓展性：

   • 模型可迁移至其他光学卫星（如MODIS、VIIRS）
     
   • 特征指标体系兼容未来高光谱数据
     

其他重要发现

1. 时序滤波价值：采用时间敏感递归指数平滑（TRES）过滤短波波动，提升指标-流量关系稳定性
   
2. 空间分布规律：RGPs-sw集中在浅滩（建阳段例外），RGPs-wq始终位于主河道中心线
   
3. 尺度效应：河段长度需≥10倍河宽（验证了Bjerklie等2005年提出的理论）
   

该研究为全球中小河流监测提供了可推广的技术框架，特别适用于基础设施薄弱的偏远地区。未来可结合微波遥感突破云层限制，进一步提升监测连续性。