2022 年強高溫期長江中游通江湖泊干旱數據集

許金朵，侯渲，馬榮華*，陳曦，王貞

1.中國科學院南京地理與湖泊研究所，南京 210008

2.國家地球系統科學數據中心湖泊–流域分中心，南京 210008

3.中山大學，廣州 510275

引 言

隨著全球氣候變暖，干旱、高溫熱浪等極端天氣事件在全球范圍內頻發[1-2]，對水資源安全、人民生產生活以及社會經濟發展帶來了嚴重影響。2022 年7 月，我國長江流域受氣候異常影響，暖干氣候特征、區域性和階段性干旱明顯[3]。長江中下游地區連續高溫天氣，出現自1961 年有完整氣象觀測記錄以來的最強高溫過程[4-5]，導致長江支流水位持續走低，受氣候影響明顯的通江湖泊鄱陽湖、洞庭湖出現了“汛期反枯”的罕見現象[6]。本研究使用谷歌地球引擎（Google Earth Engine，GEE）探究2022 年長江中下游地區鄱陽湖、洞庭湖及周邊水體在極端天氣影響下演變規律，對開展抗旱保水工作具有重要的意義。

GEE 是一個基于云計算的地理空間數據分析和可視化平臺[7]。GEE 與Google 云端平臺合作，集成了海量的地理空間數據與常見算法，其中包括Landsat 和Sentinel 系列的衛星影像以及大氣、溫度、水文等600 多個數據源供研究人員使用[8]，使得大范圍的地表監測變化研究成為可能。用戶基于GEE 在線集成開發環境，通過調用JavascriptAPI 編寫程序來開發和運行自己的地理空間算法，以此實現大規模地理空間數據分析和可視化[9]。近年洪澇、暴雨以及高溫旱災等極端天氣頻發，諸多學者利用GEE 提供的長時序影像數據進行災害監測以及災情評估[10-14]。常見的光學影像在極端天氣下受不穩定的氣象狀況影響，不能向研究人員提供符合遙感監測需求的高質量影像，導致無法實現連續的動態監測。但雷達影像以其良好的地表穿透能力、不受云層遮擋和適用于復雜氣象條件的特點，在一定程度上提高了應用的精度和可靠性。Sentinel-1 影像以其高精度、易獲取的特點，被廣泛應用于相關研究中：郭山川等人在GEE 提供的長時序的Sentinel 數據的支持下，實現了廣域尺度的汛情自動監測[12]，周晗利用Sentienl-1/2 影像（光學+雷達影像）組合方式對發生在斯里蘭卡的洪災范圍進行提取[13]。但目前Sentinel-1 用于災害監測的研究還是多關注于洪澇暴雨等水體的過程研究，而忽略了極端高溫天氣狀況下所帶來的水體萎縮變化。

因此，本研究利用GEE 平臺所集成的Sentinel-1 SAR（Synthetic Aperture Redar，合成孔徑雷達衛星）遙感影像，生產了2022 年強高溫期間洞庭湖、鄱陽湖主體及附近水域10 m 分辨率的水體變化數據集，為探究湖區旱情變化研究以及開展抗災保水等工作提供重要的數據支撐。

1 數據采集和處理方法

1.1 數據采集方法

Sentienl-1 SAR 數據在對地觀測方面具有全天時、全天候的突出能力，且具有穿透地表云層的能力，被廣泛應用于水體變化連續動態監測。本研究中的遙感影像數據來源于GEE 平臺，采用歐洲航空航天局哥白尼計劃所提供的Sentinel-1 SAR GRD（C-band Synthetic Aperture Radar Ground Range Detected, log scaling）數據集。該數據集已經過Sentinel-1 Toolbox 工具箱進行了噪聲去除、輻射定標等預處理工作[15]。

在本研究中，選擇了采用了干涉測量寬幅（interferometric wide swath，IW）模式下的VV+VH（dual-band cross-polarization, vertical transmit/horizontal receive）雙頻交叉極化方式。該模式在采集影像數據的過程中覆蓋寬度大，能夠獲取更加廣泛的影像信息，更加有利于了解湖泊及其萎縮過程；且雙頻交叉極化包括了垂直-垂直極化（Vertical-Vertical polarization，VV）和垂直-水平極化（Verticalhorizontal polarization，VH）兩種極化方式，相較于單極化能夠提供更多信息，有助于更好地觀察湖泊水體及其變化。

1.2 數據處理方法

本實驗原始數據為Sentinel-1 SAR GRD 數據集。首先通過GEE JavaScript API 所提供的函數庫對SAR 數據進行裁剪、校正和濾波等初步處理，然后使用經過均值、平滑等處理后的光譜波段參與遙感指數運算，最終在經過歸一化的處理后得到本數據產品。

數據處理的關鍵代碼如下：

1.2.1 導入函數庫與數據集

1.2.2 選擇滿足空間、時間條件范圍和波段

對Sentinel-1 數據集進行濾波（根據時間和區域），并根據需要選擇保留的極化（VV 和VH）和模式（IW）。

1.2.3 地形校正

通過slope_correction_lib 庫對Sentinel-1 數據集進行校正，輸出校正前后的影像平均值合集。對校正后的影像集合進行空間剪裁，將其覆蓋的區域限制在“Buffer”范圍以內，并在地圖界面上顯示校正后的校正結果。

1.2.4 濾波處理

定義filterSpeckles 函數，用于過濾，對“S1”圖像集合應用中值濾波，并將平滑后的VV、VH波段重命名為新的波段添加到輸入圖像“img”中。

1.2.5 雙極化水體指數SDWI 計算

雙極化水體指數（Sentinel-1 Dual-Polarized Water Index，SDWI）是利用VV 和VH 的后向散射系數進行波段運算得到的水體指數，通過擴大水體與其他地物之間的信號差異，能夠在閾值分割的過程中更為準確地獲取水體閾值[16]，被應用于眾多關于汛期洪澇災害的監測以及水體監測的研究中[17-20]。其指數公式如式（1）所示。通過定義函數“SDWI_V1”函數，使用均化后的VV、VH 波段提取研究區水體。

式中，VV為垂直-垂直極化影像值；VH為垂直-水平極化影像值。

1.2.6 利用OTSU 算法計算最佳閾值

大津算法（OTSU）[21]是一種通過圖像二值化不斷分割來確定閾值的算法。通過自適應地確定一個閾值，將圖像分為前景和背景兩個部分，常用于地物覆被類型的分類與地表水體的提取。其閾值選取應滿足“類間方差最大，類內方差最小”的準則[22]。

通過定義“otus”函數及其直方圖參數“histogram”來計算最佳閾值。

1.2.7 歸一化處理

在經過遙感指數運算后，為了消除其他背景地物的光譜信息所帶來的影響需要進行歸一化的處理。根據統計指標將其線性拉伸在[-1,1]的閾值范圍以內，能夠使湖泊水體在所生成的影像上得到最大亮度的增強，同時抑制其他背景地物。

1.2.8 統計信息并輸出

2 數據樣本描述

2.1 數據信息及結構

本數據集包含2022 年強高溫期間洞庭湖、鄱陽湖主體及附近水域10 m 分辨率的水體變化數據?？臻g分辨率為10 m。數據文件儲存為矢量shp 格式，文件命名規則為“區域＿監測日期.shp”，所有數據文件壓縮為“2022 年強高溫期間長江中下游水體變化數據.zip”，壓縮后文件大小為45.7 MB。其中包括洞庭湖主體及附近水體監測數據3 期（2022 年6 月2 日、2022 年8 月1 日、2022 年8 月13 日）及變化監測圖1 期，鄱陽湖主體及附近水體監測數據6 期（2022 年6 月26 日、2022 年6 月28 日、2022 年7 月22 日、2022 年8 月3 日、2022 年8 月15 日、2022 年8 月27 日）及變化監測圖1 期。變化監測圖文件儲存格式為JPG 格式，文件命名規則為“區域_及其周邊.jpg”。

圖1 洞庭湖(a)、鄱陽湖(b)主體及附近水體變化Figure 1 Changes of Dongting Lake (a), Poyang Lake (b) and their surrounding water bodies

2.2 數據樣本

本數據集主要反映2022 年強高溫期間長江中下游水體時間序列變化，以2022 年6 月相對豐水的水體為樣本，監測2022 年典型高溫天氣的長江中下游水體變化（圖1）。

監測結果顯示，在2022 年6 月初，洞庭湖、鄱陽湖及附近水體仍舊保持汛期常規體量；2022 年7 月，長江中下游流域受強高溫影響，鄱陽湖作為長江流域最大的過水型湖泊，持續“失水”入江，水體面積持續走低。洞庭湖及其附近水體（圖2）在豐水期2022 年6 月2 日面積為5967 km2，強高溫期間2022 年8 月1 日監測面積為4204.4 km2，2022 年8 月13 日面積萎縮至4542.7 km2，相對豐水時面積萎縮約24%。鄱陽湖及其附近水體（圖3）在豐水時2022 年6 月26 日面積為8037.9 km2，2022 年6 月28 日面積為7792.6 km2。隨著氣溫升高，2022 年7 月22 日面積萎縮至6936.2 km2，相對豐水時面積萎縮約14%；2022 年8 月3 日面積減少至5771.1 km2，2022 年8 月15 日面積呈現最低值為5243.7 km2，相對豐水時面積萎縮約35%；2022 年8 月27 日在小規模降雨后水體面積為5540.6 km2。

圖2 洞庭湖主體及附近水體逐期示意圖Figure 2 Phase-by-phase monitoring map for Dongting Lake and its surrounding water bodies

圖3 鄱陽湖主體及附近水體逐期示意圖Figure 3 Phase- by-phase monitoring map for Poyang Lake and its surrounding water bodies

根據2022 年強高溫期間6 月至8 月的水文監測數據顯示（圖4），鄱陽湖湖口水文站以及洞庭湖湖口岳陽水文站自2022 年6 月9 日開始呈線性走低，與鄱陽湖、洞庭湖及其周邊水體變化趨勢一致。

圖4 2022 年強高溫期鄱陽湖洞庭湖湖口水文站水位趨勢變化圖Figure 4 Trend change diagram of water levels for Poyang Lake and Dongting Lake Hydrological Station during the strongly high temperatures in 2022

3 數據質量控制和評估

本數據來源于Sentienl-1 SAR 影像，使用GEE 生產了洞庭湖、鄱陽湖主體及附近水域數據產品。選擇同期Landsat 影像的目視解譯結果作為真實地表數據進行精度判定與質量評估。通過驗證計算混淆矩陣后得到結果如下（表1）。

表1 鄱陽湖主體及附近水體提取結果驗證Table 1 Validation of extraction results for Poyang Lake and its surrounding water bodies

鄱陽湖主體及附近水域提取結果驗證總精度（Overall Accuracy，OA）為96.40%，Kappa 系數為0.92；其中水體類的制圖精度（Producer’s Accuracy，PA）為96.08%，用戶精度（User's Accuracy，UA）為92.45%。數據質量能夠較好滿足用戶需求。洞庭湖主體及附近水域提取結果驗證總精度為93.21%，Kappa 系數為0.90；其中水體類的制圖精度為92.31%，用戶精度為90.06%。數據質量能夠較好滿足用戶需求。

以鄱陽湖主體及附近水體提取結果（2022 年8 月27 日）為例（圖5），可以看出提取結果的誤差主要集中在湖泊萎縮后出現的灘涂濕地區域（①②）和細小水體（③④）部分，這是由于受到遙感影像分辨率的限制所導致的。在后續研究中對于存在灘涂濕地與水體的誤分，可以通過多時相的遙感影像進行監測從而提高準確率；而對于細小水體的漏分，可以通過像元內分類方法或使用高分辨率影像進行變化分析[23]，以此來提高細小水體的識別率。

圖5 鄱陽湖主體及附近水體提取結果驗證Figure 5 Verification of extraction results for Poyang Lake and its surrounding water bodies

4 數據使用方法和建議

本數據集是基于Sentinel-1 SAR 數據生產的2022 年強高溫期間洞庭湖、鄱陽湖及其周邊地區10 m 分辨率的湖泊水體變化數據產品，具有較高的空間分辨率。本數據集可以幫助水資源管理部門在高溫干旱天氣下及時調整水資源分配與利用政策，確保極端天氣下水資源的可持續利用。同時，高溫天氣作為全球氣候變化的一個重要表現，監測極端高溫天氣下的湖泊水體變化有助于了解氣候變化所帶來的影響與發展趨勢。本數據集可以在ArcMap、ENVI 和Erdas 等相關軟件中進行讀取、編輯以及再分析等后續工作。

致 謝

感謝國家地球系統科學數據中心湖泊-流域分中心（http://lake.geodata.cn）以及中國科學院南京地理與湖泊研究所科學數據中心（http://data.niglas.ac.cn）提供長江中下游水體歷史數據作為參考，以及CSDN 博主Spider_coder 在Google Earth Engine 使用方面的幫助。

數據作者分工職責

許金朵（1982—），女，江蘇徐州人，高級工程師，研究方向數據庫建設、數據共享。主要承擔工作：研究方案設計、精度驗證、論文撰寫。

侯渲（1998—），男，甘肅天水人，工程師，研究方向數據庫建設、數據共享。主要承擔工作：水體變化算法構建、數據產品生產。

馬榮華（1972—），男，山東臨沂人，研究員，研究方向湖泊環境遙感。主要承擔工作：研究方案設計。

陳曦（1997—），男，福建泉州人，博士研究生，研究方向遙感大數據。主要承擔工作：水體變化算法構建。

王貞（1983—），女，河南安陽人，工程師，研究方向湖泊水文。主要承擔工作：數據收集整理。