基于多源衛星測高數據的青海湖水位變化

摘 要：為了更準確地獲取各地的水位變化，需要建立時間和空間分辨率更高的水位監測方法。首先，利用Envisat、Cryosat-2和Sentinel-3A這3顆測高衛星分別提取青海湖2002—2010年、2011—2015年和2016—2020年的水位信息，構建統一基準的水體水位的時間序列；然后，結合青海湖的實測水位，并使用均方根誤差（RMSE）和相關系數（R）作為精度評估指標；最后，驗證3顆雷達測高衛星在青海湖水位反演的精度，基于卡爾曼（Kalman）濾波融合多源測高數據獲取了青海湖2002—2020年的水位時間序列。結果表明：青海湖的水位呈逐年上漲趨勢，最快以0.36 m/a的趨勢在升高；Envisat、Cryosat-2和Sentinel-3A在青海湖的反演水位與實測水位的RMSE分別為0.54，0.13，0.14 m，相關系數R分別為0.36，0.89和0.97；此基礎上，

使用Kalman濾波獲取的多源數據融合反演水位的RMSE和R分別為0.20 m和0.98，較衛星反演水位RMSE降低了17.10%，R提高了5.10%。Kalman濾波的多源測高數據融合反演水位有效彌補了單個衛星的時間分辨率低的缺點，精度較衛星反演水位顯著提高，為更多內陸水體水位的變化建立高時空分辨率的水位時間序列奠定了基礎。

關鍵詞：衛星測高；多源數據融合；Kalman濾波；青海湖；水位變化

中圖分類號：P 228.3

文獻標志碼：A

文章編號：1672-9315（2025）01-0191-11

DOI：10.13800/j.cnki.xakjdxxb.2025.0118

Monitoring the water level changes of Qinghai Lake based

on multi-source altimetry data

WU Mengyan¹，CHEN Peng LI Zufeng³，YANG Xinyue¹

（1.College of Geomatics，Xi’an University of Science and Technology，Xi’an 710054，China；2.State Key Laboratory of Geodesy and Earth’s Dynamics，Innovation Academy for Precision Measurement Science and Technolgoy，CAS，Wuhan 430077，China；3.PowerChina Northwest Engineering，Co.，Ltd.，Xi’an 710065，China）

Abstract：In order to obtain more accurate water level changes in various places，water level monitoring methods with higher temporal and spatial resolution are required.

Firstly，the water level information of Qinghai Lake from 2002—2010，2011—2015 and 2016—2020 was extracted by using three altimetry satellites，Envisat，Cryosat-2 and Sentinel-3A，respectively，and a time series of water water level with a unified benchmark was constructed.Then combined with the measured water level of Qinghai Lake，the root mean square error（RMSE）and correlation coefficient（R）were used as accuracy evaluation indicators.Finally，the accuracy of the inversion of the water level of the three radar altimetry satellites in Qinghai Lake was verified.The results show that the water level of Qinghai Lake is increasing year by year，and the fastest trend is 0.36 m/a.The RMSE of the inversion and measured water levels of Envisat，Cryosat-2 and Sentinel-3A in Qinghai Lake are 0.54 m，0.13 m and 0.14 m，respectively，and the correlation coefficients R are 0.36，0.89 and 0.97.Based on Kalman filter fusion multi-source altimetry data，the water level time series of Qinghai Lake from 2002 to 2020 was obtained.The RMSE and R of multi-source data fusion inversion water level obtained by Kalman filter were 0.20 m and 0.98，respectively，which were 17.10% lower and R increased by 5.10% compared with the satellite inversion water level RMSE.In general，the multi-source altimetry data fusion inversion water level of Kalman filtered could effectively compensate for the shortcomings of low temporal resolution of a single satellite，and significantly improve the accuracy of water level inversion compared with satellite，laying the foundation for the establishment of water level time series with high temporal and spatial resolution for more inland water level changes.

Key words：satellite altimetry；multi-source data fusion；Kalman filter；Qinghai Lake；water level change

0 引 言

內陸水在地球系統的各個部分都發揮著重要的作用，比如水文、氣候和生態^[1]。監測水位變化對于理解水文過程、水資源管理以及生態系統平衡至關重要^[2]。內陸湖動態是了解內陸流域的一個重要參數，也是氣候變化的指標。青藏高原是世界上高海拔內陸湖數量最多的地區，其中青海湖面積最大。青海湖是全球氣候變化的一個敏感區域，是典型的生態脆弱區，是世界上最具代表性的生物多樣性保護基地，同時也是世界上著名的濕地和自然保護區，因此，對青海湖水位變化的研究具有重要意義^[3-4]。由于環境因素的影響，給建設水文站增添了極大難度，而且維護水文站所耗費的人力物力過于昂貴，因此為高原地區設置水文站是不太現實的。然而，衛星測高為準確測量地球表面內陸的水位提供了機會。

隨著衛星測高技術的不斷發展，各種算法的日益完善，已有不少學者采用衛星測量技術來監測內陸湖的水位^[5-9]。比如，LEE等對青藏高原一些湖泊進行觀測，以此來驗證Envisat測高數據的準確性^[10]；JIANG等使用CryoSat-2 SARIn模式數據監測青藏高原2010—2015年湖泊水位的變化，得出青藏高原70 個最大湖泊水位中48個湖泊呈上升趨勢，其余22個湖泊呈小幅下降趨勢^[11]。國內一些學者，為了提高測量精度，提出了許多新型算法，比如新的波形重跟蹤算法，多源數據融合算法等^[12-15]。李建成等使用Envisat衛星對鄱陽湖、洞庭湖、太湖和巢湖等地區進行水位變化的監測，并提出了一種新的波形重跟蹤技術^[16]；姜衛平等采用波形重跟蹤算法，對青海湖水位進行測量，并得出了提高觀測精度的結論^[3]；趙云等通過Cryosat-2測高資料，利用6種不同的波形重跟蹤方法，對青海湖水位進行了實時監測，得出了青海湖水位的最佳提取方法^[17]。由于某些衛星的重訪周期很長，比如Cryosat-2重訪時間需365 d，致使采樣點很少，因此監測周期性的湖平面變化是無效的，所以需要利用多源高度計融合監測湖泊水位變化。孫明智等使用多源衛星測高數據構建高精度、長時序的水位時間序列，監測拉昂措1992—2020年的水位變化，得到的均方根誤差僅有13.1 cm^[18]；WANG等基于多源衛星數據構建了2002—2022年青海湖水位序列，并根據遙感圖像擬合湖泊表面積時間序列，得出蓄水量的變化，發現青海湖水位時間序列與實測數據標準差0.06 m，蓄水量增長率為5.37×10⁸ m³/a^[19]。

以上這些研究大部分都是應用了一級數據進行波形改正，但是波形重跟蹤的算法具有一定局限性，在不同區域適用結果大不相同，對觀測精度的提高也并不穩定。雖然使用了多個衛星數據進行湖泊水位研究，但是并沒有真正意義上的數據融合。因此，研究使用二級衛星觀測數據，提出一種新的多源數據融合的算法，用以在不同衛星數據下融合數據，在提高時間分辨率的同時提高觀測精度。利用水文站實測數據，驗證了3顆雷達測高衛星（Envisat、Cryosat-2、Sentinel-3A）在青海湖的水位反演精度，首先依據3顆衛星各自的RMSE精確確定Kalman濾波中狀態噪聲協方差和觀測噪聲協方差；然后獲取基于多源衛星融合的青海湖水位，根據試驗結果對青海湖的水位變化趨勢進行分析；最后對多源數據融合的水位反演進行精度驗證。

1 研究區域與數據

1.1 研究區域

青海湖是青藏高原東北地區最大的內湖，也是中國最大的內湖，其周圍被大通山和日月山及青海南山所環抱^[3]，位于青海省西部柴達木盆地東南邊緣，距西寧約120 km。這里地勢開闊平坦，平均海拔4 000 m以上，年平均氣溫10 ℃左右。青海湖東西長105 km，南北寬63 km，總面積4 435.69 km²，經緯度范圍為北緯36°32′～37°15′、東經99°36′～100°16′。青海湖屬高原大陸性典型氣候，陽光充足，冬季寒冷，夏季涼爽，冬季晝短夜長，春季多大風和沙塵暴，降水稀少，干燥、濕季分明^[20]。從圖1中看出，研究區中的紅色三角星為青海湖水文站的位置；黑色的點為Envisat衛星軌道，運行軌道為479號；綠色的點為Cryosat-2衛星軌道，其為漂移軌道；紅色的點為Sentinel-3A衛星軌道，運行軌道為332號。

1.2 研究數據

1.2.1 測高衛星數據

使用Envisat衛星（2002—2010年）、Cryosat-2（2011—2015年）和Sentinel-3A（2016—2020年）的觀測數據構建青海湖的水位時間序列。Envisat高度計數據由歐洲氣象局提供。Envisat衛星是歐洲航天局在2002年3月1日發射的一組對地觀測衛星，該衛星采用周期約為35 d的重復軌道，參考橢球為WGS 84，研究應用Envisat的479號運行軌道數據的GDR數據來計算2002—2010年的青海湖水位。2010年4月8日發射的Cryosat-2是新一代極區測高衛星，其搭載的合成孔徑雷達高度計（SIRAL）作為主要荷載，是一種具有3種模式運行的單頻Ku波段雷達高度計，其3種模式分別是低分辨率模式（LRM）、合成孔徑雷達（SAR）和SAR干涉測量（SARIn或SIN）模式^[21-22]。研究選用Cryosat-2衛星的LMR二級數據，該數據可以從Cryosat-2科學服務器下載。Sentinel-3A衛星于2016年2月16日發射成功，軌道周期27 d，其搭載的測高傳感器為合成孔徑雷達高度計^[23]，測高產品分為3個級別，分別為NRT、STC、NTC產品。研究采用Sentinel-3A衛星332號運行軌道的二級NTC數據，這些數據可以從哥白尼數據中心下載，3顆衛星數據的具體參數見表1。

1.2.2 其他數據

為了驗證水位反演的精度，獲取了青海湖下社水文站（100°29′24″E，36°35′09″N）2002—2020年每日的實測水位數據。此外，研究使用GLWD（Global Lakes and Wetlands Database Tweetg）數據庫獲取青海湖的邊界^[24]。

2 研究方法與原理

2.1 湖泊水位高度提取

青海湖水體內部數據分別使用GLWD矢量邊界獲取，青海湖區域內確定有效數據之后，使用衛星數據進行水位高度計算。湖泊水位是從湖泊自由水面至參考橢球面高程。利用衛星高度計所發出的微波脈沖計算衛星軌道高度，也就是指衛星高度計到達基準橢球面高度與衛星高度計到達湖表面瞬時高度，二者相減便可求得湖表面星下點到達基準橢球面（Height）^[25-26]。可根據下式計算得到

H=HAlt－HRange－HGeo－HGeoid

（1）

式中 H為湖泊水位高度，m；HAlt為衛星高度計到參考橢球面的高程，m；HRange為衛星高度計到湖泊表面的瞬時高度，m；HGeo為地球物理校正的總和，m；HGeoid為大地水準面相對于參考橢球的高度，m。

HGeo=Ciono+Cdry+Cwet+Cset+Cpol

（2）

式中 Ciono為電離層改正值，m；Cdry為干對流層改正值，m；Cwet為濕對流層改正值，m；Cset為固體潮改正值，m；Cpol為極潮改正值，m。衛星測高數據生產湖泊水位的數據處理流程，如圖2所示。

表2詳細說明了各顆衛星水位反演所用參數與質量控制指標，對于Envisat的GDR數據，使用20 hz_ku波段的alt（衛星軌道高數據）和range（高度計到陸地的距離數據）獲得反演的水位高度，再依據質量控制標志消除噪聲導致的異常數據。質量控制解釋如下：①surface_type=1（微波脈沖所到達的類型表面），代表封閉的海洋或湖泊；②qual_alt_1hz_range_ku=0，代表數據質量良好；③Ngeo各項改正值位于有效范圍內（Ngeo為各項改正數之和）。

對于Cryosat-2的LMR 2級數據，直接使用數據文件中的height_3_20_ku作為水位高度，該數據包含所有的儀器校正和適當的地球物理校正，質量控制標志只需滿足surface_type_20_ku=1。對于Sentinel-3A的L2B數據，計算水位的方法與Envisat相同。

由于衛星測高是面測量，水文站是點測量，衛星觀測水位所在位置與水文站位置有一定的偏差，所以假設水文站為實測湖泊的平均水位，而衛星測得的水位通過對軌道內的有效水位取平均值得到的，但二者之間同一天的水位仍然相差甚大。通過對衛星測得的水位減去2個水位值之間的平均差值來統一水文站和測高位置。

2.2 多源數據粗差剔除

由于受陸地周圍環境的影響，提取的多顆衛星的水位數據依然嘈雜，所以在計算每個周期的平均湖泊水位時需要進行粗差剔除。采用中位數絕對偏差（Median absolute deviation，MAD）方法對噪聲進行識別并剔除，以獲取更為穩定的水位時間序列^[27]。首先，計算出第1個水位數據Hi與它們的中位數H之間的殘差（偏差）；然后，MAD就是這些偏差的絕對值的中位數，去除所有觀測值的絕對中位差大于3倍MAD的高度觀測值^[28]；最后，剩余的數據重新計算MAD和中位數并剔除異常值。以此往復，可以得到水位時間序列。所用到的公式如下

HMAD=median{|Hi－median（Hi）|}

（3）

式中 i為觀測值的總數。

圖3顯示了Envisat時間序列上應用MAD的結果。此處以一日的水位為例，提取的水位個數為159個，平均值為3 194.75 m，在經過異常值剔除后剩余的有效水位個數有116個，得到的平均水位為3 194.59 m，異常值剔除率為27.04%。Cryosat-2和Sentinel-3A也對其進行了觀察運算，異常值剔除率分別為33.68%和22.22%，其中Cryosat-2的異常值剔除率最高。綠色實線是使用MAD的平均水位高度，藍色虛線是置信區間，藍色點和紅色點分別是拒絕水位和有效水位，灰色條形圖是每個水位點的MAD值。從圖3可以看出，超出置信區間的水位都被剔除了，在緯度36.75°～36.82°N左右明顯有異常，通過查找研究區示意圖發現在此緯度下衛星軌跡所經之處含有一些陸地部分，亦或是受部分云層的遮擋，從而導致這一緯度下的水位有一定偏差。

2.3 基于Kalman濾波的多源數據融合水位的反演

Kalman濾波借助于系統建模的狀態矩陣和觀測數據，利用觀測到的數據對持續變換狀態矢量進行實時最優的預測，并對未來時刻的系統狀態量進行預報。采用Kalman濾波進行狀態估計，必須先建立系統的狀態方程和觀測方程，然后才能進行狀態估計。

使用Kalman濾波融合多源測高衛星反演水位，下面給出Kalman濾波的數學模型，主要包括狀態方程和觀測方程如下

x（k+1）= x（k）+w（k）

（4）

y（k）=Hx（k）+v（k）

（5）

式中 x（k）和x（k+1）為k和k+1時刻后驗狀態估計值，進行水位反演時x（k）為k時刻的水位反演值；y（k）為第k個經過基準統一之后的衛星水位反演；為狀態轉移矩陣，是算法對狀態變量進行預測的依據，研究假設水位反演過程為隨機游走過程，則=1；H為測量矩陣，H取1；w（k）為系統噪聲向量，對應協方差用σ2w表示；v（k）為觀測噪聲向量，對應協方差為σ2v；w（k）amp; v（k）為滿足獨立分布的均值為零的高斯白噪聲。

基于Kalman濾波的多源數據融合的水位反演可以分為預測和更新2步。

預測方程如下

（k+1）=（k）

（6）

P^（k+1）=P^（k）+σ2w

（7）

式中 （k+1）為k+1時刻先驗狀態估計值；P^（k+1）為k+1時刻先驗估計協方差。

更新方程如下

（k）=

（）+K（k）［Z（k）－（）］

（8）

K（k）=P^（）P^（）+σ2v

（9）

P^（k）=［1－K（k）］P^（）

（10）

式中 P^（k）為k時刻后驗估計協方差，文中k指的是個測量水位的后驗估計方差；K（k）為卡爾曼增益。

在確定了Kalman濾波的狀態方程和觀測方程后，狀態噪聲向量對應協方差σ2w和觀測噪聲向量對應協方差σ2v的精度決定了濾波的精度。若σ2w和σ2v不能正確確定，則無法得到濾波最佳估計值，甚至導致濾波的發散。因此，提出了一種通過衛星反演水位來準確確定σ2w和σ2v的方法，該方法中σ2w是通過衛星觀測水位的變化率和標準差來確定的，具體步驟如下：

1）觀測到每個衛星的觀測水位的時間序列hi，i為時間，i= …，n，n為時間序列的長度；

2）計算衛星觀測水位的變化，Δhi=hi－hi－1的時間序列；

3）計算Δhi時間序列的2倍標準差σ；

4）得出σ2w等于σ的平方。

在σ2v的確定過程中通過單個衛星觀測水位與所有衛星觀測水位的平均值的偏差精確定權，具體過程如下：

1）計算單個衛星觀測水位的平均值偏差M；

2）計算每個衛星觀測水位的偏差與M之間差值的均方根誤差Q；

3）計算整體觀測水位的觀測噪聲協方差σ2v，σ2v=Q2。

在進行Kalman濾波融合時，需要對獲得水位反演值的精度進行驗證。假設水位的變化符合正態分布，此處利用水文站實測水位對多源數據融合的水位反演值進行精度驗證。圖4為2002—2020 年實測水位日變化率的直方圖。從圖4可以看出，除暴雨等意外因素外，該測站點的水位變化率在0左右波動，并在特定區間內變化，可見水位的變化符合高斯分布，滿足上述對于w（k）和v（k）的假設，因此，上文中對狀態噪聲和觀測噪聲的定義是有效的。

3 結果與分析

3.1 水位反演精度的驗證

為了比較不同衛星在青海湖反演的水位精度，使用Envisat、Cryosat-2和Sentinel-3A這3顆衛星獲取青海湖測站周圍的水位，并與青海湖水文站實測的水位數據進行對比。采用2種精度評定指標RMSE和R評估反演水位的精度。青海湖測站2002—2020年3顆衛星反演的水位時間序列如圖5所示，相應的均方根誤差以及相關系數R見表3。實測的青海湖水位均呈現出明顯的周年變化，除Envisat衛星水位反演值與獲取的水位有較為明顯的偏差外，其余衛星水位反演值與獲取水位的擬合度較好，較好地反映出了水位的變化。在青海湖區域Cryosat-2和Sentinel-3A衛星反演水位的精度比Envisat衛星高，Envisat、Cryosat-2和Sentinel-3A衛星水位與實測水位均方根誤差分別為0.54，0.13和0.14 m。

圖5顯示了2002—2010年獲取的青海湖實測水位數據與Envisat衛星反演水位的水位時間序列。從圖5可以看出，該時期青海湖水位的波動較為規律，呈緩慢上升的趨勢，2002—2003年青海湖水位有輕微下降的趨勢，2003—2004年基本保持不變，從2005年開始水位有所上升，2008年稍有下降，后持續上升。湖泊水位一直處于3 192.75 m和3 193.59 m之間，年均增長約達到0.09 m/a，并且Envisat衛星所得到的數據，較實測水位數據來說，數據分布比較混亂，與實測水位數據有所偏離，得到的水位反演的精度較低。

在2011—2015年獲取的青海湖水位數據與Cryosat-2衛星反演水位的時間序列中，顯而易見，青海湖的水位依舊呈上升趨勢。在整個Cryosat-2衛星觀測青海湖水位期間，湖泊水位大致在3 193.75～3 194.43 m范圍內變化，年均上升約0.14 m/a。Cryosat-2衛星所得到的數據，較實測水位數據來說，數據分布已經有了明顯的變化，與獲取實測的水位數據非常接近，得到的水位反演的精度較高。

在2016—2020年獲取的青海湖實測水位數據與Sentinel-3A衛星反演水位的水位時間序列中，可以很清晰地看到，青海湖的水位變化呈平穩上升趨勢，湖泊水位年均增長約達到0.36 m/a。Sentinel-3A衛星所得到的數據，較實測水位數據來說，數據分布非常規律縝密，與獲取的實測水位數據基本一致，得到的水位反演的精度相對來說也較高。

湖泊入水量主要包含降雨、地表徑流和地下水補給等，青海湖從最初的0.09 m/a水位的變化提升到現在0.36 m/a，這種變化主要是由于青海湖的年降水量的增多，而部分年份的水位減少，是由于溫度、蒸發造成的^[29]。冰川消融和降水導致的河流徑流流量的增加，也會使青海湖的面積發生變化，因此降水量的增加是湖泊快速擴張的主要驅動力^[30]。在以后的研究中，使用其他輔助數據，比如降水量、溫度、蒸發、地表徑流等數據，將會有利于更進一步地了解湖泊動態變化和全球氣候變化。

圖6顯示了青海湖實測水位與衛星反演水位的相關性，同時給出了所有衛星水位反演值得的相關系數。從圖6可以看出，衛星反演水位與實測水位整體趨勢一致，相關性較高，Cryosat-2和Sentinel-3A衛星測高的反演水位和獲取的實測水位數據表現為高相關，相關系數最高分別為0.89和0.97。Envisat衛星則表現為低相關，相關系數為0.36，原因在于Envisat衛星測高的反演水位與實測水位數據的趨勢雖然一致，但是衛星水位的離散程度比較高，這是由于Envisat衛星軌道與水文站距離較遠，測得的水位與水文站實測水位差異明顯，或是該衛星精度低于其他衛星，導致了相關系數低。

表3給出了3顆雷達測高衛星Envisat、Cryosat-2和Sentinel-3A分別在青海湖測高的精度。由表3可知，青海湖的雷達測高衛星中，Cryosat-2的精度最高，R和RMSE分別為0.89和0.13 m。這可能是因為Cryosat-2是飄逸軌道，軌道間距較密集，所以測得的湖泊水位精度更高，而其他衛星是固定軌道，導致對青海湖水位的觀測不夠全面。在青海湖區域Envisat，Cryosat-2，Sentinel-3A衛星的水位相對實測水位數據的RMSE主要介于0.13～0.54 m之間，3顆衛星測量數據與獲取的水位數據基本吻合，除Envisat衛星外，其他衛星R都大于0.85，RMSE都低于0.15 m。Sentinel-3A衛星和Cryosat-2衛星整體精度最高，Envisat衛星精度最低。

3.2 多源數據融合的水位精度驗證

圖7中（a）、（b）和（c）圖為單獨的衛星反演水位與實測水位以及融合水位得出的時間序列圖。圖7中（d）、（e）和（f）圖則為相關性圖，圖中Kalman濾波在Envisat衛星上的融合效果更好，融合前后的相關系數從0.36提升至0.63，較融合前明顯提高了26.51%。其他2個衛星也有部分提升，總之較融合之前與實測水位的趨勢更加一致。

圖8為青海湖測站周圍原始衛星測量水位和多源數據融合水位時間序列對比圖。從圖8可以明顯看出，多源數據融合的水位與實測水位的符合度較高，反演誤差顯著降低。在2002—2010年衛星反演水位與實測水位數據相比有大量離散數據，嚴重影響水位反演精度，對水位的周年變化也產生較大的影響，經Kalman濾波融合之后的水位與實測數據高度擬合，離散反演水位向實測水位數據高度收斂，水位變化趨勢也與實測水位相當。Envisat衛星反演水位精度最低，在2002—2010年期間有大量反演水位與實測水位偏差較大，經Kalman濾波融合之后的水位明顯縮短了這部分偏差。

圖9顯示了青海湖水位、衛星反演水位以及多源數據融合的水位相關性。從圖9可以看出，多源衛星融合反演水位與未融合的水位整體趨勢一致，相關性較高，衛星反演水位相關系數為0.92，多源數據融合的水位相關系數為0.97，較未融合前的精度顯著提高。

表4是青海湖上2002—2020年多源數據融合水位和衛星反演水位與實測站的精度對比結果。由表4可知，在青海湖使用Kalman濾波對衛星原始水位進行多源數據的融合，可以發現融合前后的水位反演有所變化，該方法在河流水位融合方面也具有一定的效果，可以使得離散的反演水位相對實測水位更加集中。RMSE從0.37 m降低到0.20 m，降低了17.40%，多源融合水位相關系數R從0.92升高到0.97，較原始水位提高了5.10%。

由此可見，可以使用Kalman濾波來消除觀測噪聲，減小誤差，獲取與實測水位相接近的衛星反演水位，并將其應用獲取長時間下大面積范圍內的湖泊水位變化。

4 結 論

1）從年際尺度上分析青海湖2002—2020年間的水位變化，青海湖的水位一直呈上升趨勢，從最初的0.09 m/a變化至現在的0.36 m/a。3顆衛星水位反演結果表明Cryosat-2衛星精度最高，單個衛星在青海湖這樣的大型水域都具有較強的監測能力，可以獲取接近青海湖實測水位的反演水位，但是單個衛星無法滿足時間跨度上的水位監測。

2）多源數據融合的反演水位相對單個衛星提取的水位數據更加集中，離散程度降低。誤差較大的反演值出現的概率明顯下降，水位日變化趨勢與實測水位數據更加接近。精度與Cryosat-2衛星獲取的水位精度相當，高于其他未采用任何融合方法的多衛星測高精度，具有不可比擬的優越性。

3）多源數據融合可以彌補單個衛星軌道不夠密集、覆蓋湖泊數量不夠全、衛星周期長和運行年際有限制等問題，使用Kalman濾波進行多源數據融合，可以在增加時間跨度的基礎上，更進一步地提升精度，從而得到精度更高的湖泊水位。利用這種方法構建長時間下更大范圍內的湖泊數據集，可以為水資源的利用和管理提供科學依據，并為評估氣候變化和人類活動對湖泊水位變化的影響，以及預測洪澇災害奠定基礎。

參考文獻（References）：

[1] PEKEL J F，COTTAM A，GORELICK N，et al.High-re-solution mapping of global surface water and its long-term changes[J].Nature，2016，540（7633）：418-422.

[2]MA Y，XU N，ZHANG W，et al.Increasing water levels of global lakes between 2003 and 2009[J].IEEE Geoscience and Remote Sensing Letters，2020，17（2）：187-191.

[3]姜衛平，褚永海，李建成，等.利用ENVISAT測高數據監測青海湖水位變化[J].武漢大學學報（信息科學版），2008，33（1）：64-67.JIANG Weiping，CHU Yonghai，LI Jiancheng，et al.Water level variation of Qinghai Lake from altimeteric data[J].Geomatics and Information Science of Wuhan University，2008，33（1）：64-67 .

[4]廖靜娟，薛輝，陳嘉明.衛星測高數據監測青藏高原湖泊2010年——2018年水位變化[J].遙感學報，2020，24（12）：1534-1547.LIAO Jingjuan，XUE Hui，CHEN Jiaming.Monitoring lake level changes on the Tibetan Plateau from 2010 to 2018 using satellite altimetry data[J].National Remote Sensing Bulletin，2020，24（12）：1534-1547.

[5]王雙明，范立民，黃慶享，等.榆神礦區煤水地質條件及保水開采[J].西安科技大學學報，2010，30（1）：1-6.WANG Shuangming，FAN Limin，HUANG Qingxiang，et al.Coal water geological conditions and water retention mining in Yushen mine area[J].Journal of Xi’an University of Science and Technology，2010，30（1）：1-6.

[6]馬寨璞，劉強，井愛芹.白洋淀防洪排澇與生態干旱監測數字化研究[J].河北大學學報（自然科學版），2006，26（5）：536-541.MA Zhaipu，LIU Qiang，JING Aiqin.Studies on the digitization of Baiyangdian Lake for flood control and drought monitoring[J].Journal of Hebei University（Natural Science Edition），2006，26（5）：536-541.

[7]姜子豪，胡友彪，琚棋定，等.礦井突水水源判別方法[J].工礦自動化，2020，46（4）：28-33.JIANG Zihao，HU Youbiao，JU Qiding，et al.A discrimination method of mine water inrush source[J].Industrial and Mine Automation，2020，46（4）：28-33.

[8]VILLADSEN H，DENG X，ANDERSEN O B，et al.Improved inland water levels from SAR altimetry using novel empirical and physical retrackers[J].Journal of Hydrology，2016，537：234-247.

[9]VERPOORTER C，KUTSER T，SEEKELL D A，et al.A global inventory of lakes based on high-resolution satellite imagery[J].Geophysical Research Letters，2014，41（18）：6396-6402.

[10]LEE H，SHUM C，TSENG K H，et al.Present-day lake level variation from Envisat altimetry over the Northeastern Qinghai-Tibetan plateau：Links with precipitation and temperature[J].TAO：Terrestrial，Atmospheric and Oceanic Sciences，2011，22（2）：169.

[11]JIANG L，NIELSEN K，ANDERSEN O B，et al.Monitoring recent lake level variations on the Tibetan Plateau using CryoSat-2 SARIn mode data[J].Journal of Hydrology，2017，544：109-124.

[12]VILLADSEN H，ANDERSEN O B，STENSENG L，et al.CryoSat-2 altimetry for river level monitoring：Evaluation in the Ganges-Brahmaputra river basin[J].Remote Sensing of Environment，2015，168：80-89.

[13]李程，章傳銀，柯寶貴，等.利用衛星測高數據監測巢湖水位變化[J].測繪科學，2015，40（12）：12-15.LI Cheng，ZHANG Chuanyin，KE Baogui，et al.The level variation monitoring of Chaohu Lake by Cryosat-2 satellite altimetry data[J].Science of Surveying and Mapping，2015，40（12）：12-15.

[14]JIANG L，NIELSEN K，DINARDO S，et al.Evaluation of Sentinel-3 SRAL SAR altimetry over Chinese rivers[J].Remote Sensing of Environment，2020，237：111546.

[15]常翔宇，蔡宇，柯長青.基于衛星測高數據的2002—2018年太湖水位變化監測[J].中國環境科學，2022，42（3）：1295-1308.CHANG Xiangyu，CAI Yu，KE Changqing.Monitoring of water level variation in Tai Lake from 2002-2018 based on satellite altimeter data[J].China Environmental Science，2022，42（3）：1295-1308.

[16]李建成，褚永海，姜衛平，等.利用衛星測高資料監測長江中下游湖泊水位變化[J].武漢大學學報：信息科學版，2007，32（2）：144-147.LI Jiancheng，CHU Yonghai，JIANG Weiping，et al.Monitoring level fluctuation of lakes in Yangtze River Basin by altimetry[J].Geomatics and Information Science of Wuhan University，2007，32（2）：144-147.

[17]趙云，廖靜娟，沈國狀，等.衛星測高數據監測青海湖水位變化[J].遙感學報，2017，21（4）：633-644.ZHAO Yun，LIAO Jingjuan，SHEN Guozhuang，et al.Monitoring the water level changes in Qinghai Lake with satellite altimetry data[J].Journal of Remote Sensing，2017，21（4）：633-644.

[18]孫明智，劉新，汪海洪，等.多源衛星測高數據監測拉昂錯1992年—2020年水位變化[J].遙感學報，2022，26（1）：126-137.SUN Mingzhi，LIU Xin，WANG Haihong，et al.Monitoring lake level change in La-Ang Co from 1992 to 2020 using multi-altimeter data[J].National Remote Sensing Bulletin，2022，26（1）：126-137.

[19]WANG J，WANG J，CHEN S，et al.Study on the variations in water storage in lake Qinghai based on multi-source satellite data[J].Remote Sensing，2023，15（7）：1746.

[20]李鳳霞，伏洋，楊瓊，等.環青海湖地區氣候變化及其環境效應[J].資源科學，2008，30（3）：348-353.LI Fengxia，FU Yang，YANG Qiong，et al.Climate change and its environmental effects in the surrounding area of Qinghai Lake[J].Resources Science，2008，30（3）：348-353.

[21]WINGHAM D J，FRANCIS C R，BAKER S，et al.CryoSat：A mission to determine the fluctuations in Earth’s land and marine ice fields[J].Advances in Space Research，2006，37（4）：841-871.

[22]BOUFFARD J，NAEIJE M，BANKS C J，et al.CryoSat ocean product quality status and future evolution[J].Advances in Space Research，2018，62（6）：1549-1563.

[23]NIELSEN K，ANDERSEN O B，RANNDAL H.Validation of Sentinel-3A based lake level over US and Canada[J].Remote Sensing，2020，12（17）：2835.

[24]LEHNER B，DLL P.Development and validation of a global database of lakes，reservoirs and wetlands[J].Journal of Hydrology，2004，296（1）：1-22.

[25]鄭佳佳.基于多源衛星數據的中亞地區湖泊水量變化監測研究[D].南京：南京大學，2017.ZHENG Jiajia.Monitering and analysis of lake water storage changes in Central Asia using multi-mission satellite data[D].Nanjing：Nanjing University，2017.

[26]高永剛，郭金運，岳建平.衛星測高在陸地湖泊水位變化監測中的應用[J].測繪科學，2008，33（6）：73-75，29.

GAO Yonggang，GUO Jinyun，YUE Jianping.Lake level variations measurement with satellite altimetry[J].Science of Surveying and Mapping，2008，33（6）：73-75，29.

[27]SCHWATKE C，DETTMERING D，BOSCH W，et al.DAHITI：An innovative approach for estimating water level time series over inland waters using multi-mission satellite altimetry[J].Hydrology amp; Earth System Sciences，2015，19（10）：4345-4364.

[28]ZHANG Z，BO Y，JIN S，et al.Dynamic water level changes in Qinghai Lake from integrating refined ICES at-2 and GEDI altimetry data（2018-2021）[J].Journal of Hydrology，2023，617：129007.

[29]CHEN J，LIAO J.Monitoring lake level changes in China using multi-altimeter data（2016—2019）[J].Journal of Hydrology，2020，590：125544.

[30]FAN C，SONG C，LI W，et al.What drives the rapid water-level recovery of the largest lake（Qinghai Lake）of China over the past half century？[J].Journal of Hydrology，2021，593：125921.

（責任編輯：高佳）