基于SWOT卫星的广东省地表水观测能力分析与精度评估

李斌¹，袁文俊^1*，路浩^2*，冯伟²，张泽远²

1. 广东省地图院，广州 510288；
 2. 中山大学遥感科学与技术学院，珠海 519082

摘  要：传统卫星测高技术受限于星下点观测模式，在地表水监测的空间覆盖和时效性上存在较大局限；近年来，地表水与海洋地形（surface water and ocean topography，SWOT）卫星带来了卫星测高领域的革命性突破，具备宽刈幅观测优势，然而，现有研究多关注于大尺度，其在区域尺度的观测能力及水位和面积的监测精度方面仍有待验证。本文以广东省新丰江水库和沙口河段为研究对象，基于SWOT卫星数据提取水位信息，利用Sobel算子进行梯度边缘检测，并结合圆台模型提取水体面积；以水文站实测水位、ICESat-2测高为基准，验证SWOT卫星水位精度，以Sentinel-1雷达影像基于双极化水体指数提取的面积为基准评估SWOT卫星面积精度。结果表明：SWOT卫星在21 d重访周期内可对广东省94.3%的湖泊/水库和97.7%的河流实现至少一次观测，显著优于传统测高卫星；与实测水位相比，SWOT卫星在新丰江水库、沙口河段的平均绝对误差分别为10.3 cm、15.2 cm，均达到分米级监测能力；尤其在新丰江水库的面积误差由29.12%下降至14.77%。

关键词：SWOT卫星；卫星测高；水位；湖泊面积；地表水

引用格式：李斌, 袁文俊, 路浩, 冯伟, 张泽远. 2025. 基于SWOT卫星的广东省地表水观测能力分析与精度评估. 时空信息学报, 32(6): 661-674
 Li B, Yuan W J, Lu H, Feng W, Zhang Z Y. 2025. Analysis and accuracy assessment of surface water observation in Guangdong province based on the SWOT satellite. Journal of Spatio-temporal Information, 32(6): 661-674, doi: 10.20117/j.jsti.202506006

1  引  言

湖泊、水库和河流作为地表重要的水体，在全球水循环、气候调节和生态维护中发挥着重要作用。准确监测地表水的水位、面积和储量变化，对水资源管理、洪水预警和气候变化研究等具有重要意义。当前，自然资源部正组织开展全国水资源基础调查，亟需高效的地表水监测技术手段。随着现代测绘遥感技术的快速发展，卫星测高和遥感影像为大规模、长时序的地表水监测提供了新的技术手段。

卫星测高获取地表水体水位变化主要包括雷达测高、激光测高两种常用方式。一方面，雷达测高基于微波脉冲的双程传播时间测量原理，通过发射雷达脉冲并接收地表水面反射回波来确定卫星到地表的距离，进而计算地表水面的高程，具有全天候、全天时观测能力，不受云层和光照条件影响（Jiang 等，2017；Shu 等，2021）。其主要包括Jason系列卫星、Sentinel系列卫星等，在湖泊水位监测方面发挥了重要作用。相关研究表明雷达测高水位观测精度可达厘米级（何飞等，2020；An等，2022；Nilsson和Nielsen，2024）。其中，Sentinel-1合成孔径雷达（synthetic aperture radar，SAR）影像具有免费开放获取、时空分辨率高等显著优势，已被广泛应用于水体提取、洪水淹没监测等水文遥感研究领域（Torres等，2012）。如顾祯蓉等（2025）对多云雨气候复杂区域，实现了高精度的地表水域面积提取；朱雨甜等（2025）使用最优特征指数结合四分位数确定阈值，利用Otsu方法提取了维多利亚湖面积，分类精度达到98.95%。另一方面，激光测高采用激光脉冲测距原理，通过测量激光脉冲的往返时间来确定卫星到水面的距离，相比雷达测高，具有更小的足迹和更高的垂直精度，但易受云层和大气条件的影响，受轨道间距限制，空间覆盖率较低（Yao 等，2024）。其主要包括ICESat系列卫星等。例如，Liu 等（2022）研究表明了激光测高在小型水体监测方面具有明显优势；Li等（2023）验证了ICESat-2、ICESat-1和GEDI三个激光测高任务，发现ICESat-2具备监测宽度6 m以上河流的能力，尤其对宽度小于50 m的河流的均方根误差结果为19~25 cm；马山木等（2022）基于ICESat-2对2018年10~2021年4月青藏高原473个湖泊进行监测，发现了青藏高原湖泊水位总体继续呈上升趋势，年均变化率0.013 m/a。上述研究表明，传统卫星测高技术在湖泊和河流水位监测中可获得较高精度，然而，受限于星下点观测模式，在地表水监测的空间覆盖和时效性上存在较大局限。此外，还有研究基于Landsat影像，使用Sobel算子等边缘检测算法提取了海岸线，对海岸线和海洋边界检测效果较好（Li，2021）；但其会忽略地物内部边界。

近年来，地表水与海洋地形（surface water and ocean topography，SWOT）卫星带来了卫星测高领域的革命性突破，核心任务是通过高精度、高分辨率的三维高度测量，实现全球海洋及陆表水体的动态监测。其搭载了Ka波段宽刈幅雷达干涉计和双频（Ku/C波段）高度计（Poseidon-3C），能以21 d的重访周期及120 km的刈幅对海洋和陆表水体进行二维高程观测，具备宽刈幅的测量方式，填充了传统星下点测高的观测空白（Fu等，2024）。目前，许多研究利用SWOT卫星测高数据开展了地表水信息提取。例如，Yao 等（2025）将其应用在全球水文观测中，提高了地表水高程测量精度；Wu 等（2025）提取了青藏高原1919个湖泊的水位，覆盖了约99%的面积大于0.2 km²的湖泊，填补了传统测高卫星在约800个湖泊上的观测空白；Hamoudzadeh 等（2024）通过对不同大陆的六个湖泊开展的初步分析表明，观测水位的总体精度达到了22 cm。然而，上述研究多关注于大尺度，其在小区域尺度的观测能力及水位和面积监测精度方面仍有待验证。因此，本文以广东省新丰江水库和沙口河段为研究对象，基于SWOT卫星数据，通过质量标志筛选与异常值剔除提取水位信息，利用Sobel算子（Canny，1986），进行梯度边缘检测；结合水位–面积相关性，利用圆台模型提取水体面积；并融合水文站实测水位、ICESat-2激光测高卫星及Sentinel-1影像等多源数据，系统评估SWOT卫星对区域地表水的观测覆盖能力与监测精度。

2  研究方法

总体技术流程如图1所示。基于SWOT卫星的地表水水位与面积监测及精度评估技术主要包括如下三个方面：①基于SWOT L2_HR_Raster、ICESat-2及水文站等多源数据提取水位信息；②基于SWOT L2_HR_LakeSP、L2_HR_Raster数据及Sentinel-1影像数据提取水体面积；③以水文站、ICESat-2卫星观测的水位为参考，验证SWOT卫星观测水位精度，以Sentinel-1影像提取的水体面积为参考，验证SWOT卫星观测面积精度。

2.1  水位提取方法

1）基于SWOT L2_HR_Raster数据的水位提取

SWOT L2_HR_Raster数据的水面高程以EGM2008模型提供的大地水准面为基准，已包含路径延迟校正、潮汐效应校正。实验使用L2_HR_ Raster数据提取湖泊水位的具体步骤如下。

（1）根据湖泊掩模数据筛选位于湖泊内部的点。存在的暗水效应等因素导致在一些点位上的测量误差可能较大，因此，使用L2_HR_Raster数据中标识水面高程测量的质量等级标识（wse_qual）、高程不确定性字段（wse_uncert）进行质量控制。

wse_qual的主要取值包括0（优质数据）、1（可疑数据）、2（降级数据）、3及以上（质量较低数据）；wse_uncert表示水面高程（water surface elevation，WSE）测量的总不确定性，包括修正误差、参考误差和随机误差分量，以米为单位，通常范围从几厘米到数米不等。为剔除精度较低的点同时保留更多的有效值，参考已有研究（Wu等，2025），将wse_qual≤1、wse_uncert≤1作为有效值。

（2）使用所有的剩余点进行三倍中误差剔除，以去除受到陆地反射信号等影响的异常观测值。

（3）进行水位平均值的计算。河流水位的提取使用影像河流先验数据SWORD中预先定义的河流位置及其宽度作为缓冲区，构建河流河段的边界范围，剩下部分的提取方法类似于湖泊的。

2）基于ICESat-2数据的水位提取

采用ICESat-2内陆水体产品ATL13提取水位，用于分析水位时序一致性。主要步骤如下：

（1）将ICESat-2 ATL13光子点与HydroLAKES湖泊边界进行空间叠加分析，保留位于湖泊多边形范围内的有效光子点；

（2）由于湖泊岸线附近易受光子噪声和陆地散射影响，采用1.5倍NMAD（normalized median absolute deviation）方法（Xu等，2022），剔除异常值；

（3）由于ICESat-2的ATLAS光子雷达在清澈水体中具有良好穿透性，湖泊上层水位被视为真实水位，参照Xu等（2022）的方法，将与湖泊相交的足迹划分为纬度0.1°的区间，每个区间用第62百分位数提取上层光子点；

（4）对所有光子点求平均值得到湖泊水位。

2.2  面积提取方法

1）基于SWOT L2_HR_LakeSP的面积提取

从SWOT L2_HR_LakeSP产品中提取水面面积water_area字段，作为湖泊的面积数据。虽然该产品提供了湖泊的矢量边界和面积信息，但由于暗水效应和其他地物与水体反射特性相似等因素，导致水体分类精度可能较低。L2_HR_Raster只包括被分类为水的像素，每个像素包含属性水面面积及水体比例，其中，水面面积包括SWOT卫星观测水面面积及用先验水体概率图计算的暗水效应面积。暗水效应是指在SWOT卫星雷达观测中，因后向散射信号过弱而无法被识别为水体的区域（Fu等，2024）。

尽管L2_HR_LakeSP产品在水体边界识别方面仍存在一定误差，但经湖泊矢量边界约束和质量控制后，其水面高程数据也表现出较高的精度。在数据筛选过程中，即使L2_HR_LakeSP提供的湖泊面积存在较大异常值，只要水位误差在容许范围内，即平均绝对误差（mean absolute error，MAE）小于0.5 m，实验中仍会保留该观测数据。因此，提出一种基于L2_HR_Raster数据的湖泊水库面积提取改进方法，具体步骤如下。

（1）基于HydroLAKES中的湖泊边界数据，确定一个湖泊最大缓冲区，以设定湖泊最大水体范围。按照湖泊边缘的水体比例为0~1，缓冲区外部水体比例为0，缓冲区内部水体比例为1的标准，使用基于梯度的边缘检测Sobel算子（Canny，1986），提取水体的外部边界，填充因暗水效应等所导致的水体内部出现的孔洞。

（2）基于湖泊水位和面积的正相关性，将步骤（1）中提取的SWOT卫星观测最小面积对应湖泊最低水位的面积，最大面积对应湖泊最高水位的面积。

（3）利用圆台模型，基于SWOT卫星观测的不同时期水位，插值得到对应面积。其无须去除SWOT卫星观测的外部数据，保证湖泊水位与面积处于正相关，提高了SWOT卫星观测面积的精度。圆台模型插值原理为

式中，A为SWOT L2_HR_Raster数据所提取的面积，km²；h为SWOT L2_HR_Raster数据所提取的水位，m；为圆台模型的斜率。图2展示了SWOT卫星观测水面面积改进算法原理。

2）基于Sentinel-1影像的面积提取

采用Sentinel-1的干涉测量宽幅（interferometric wide-swath，IW）模式的VV极化及VH极化数据进行水体范围提取。基于SDWI指数：

式中，分别为不同极化方式的像元值。利用Otsu（1979）自动提取水体面积，通过最大类间方差来确定图像前景与背景的边界。

2.3  评估方法

1）精度评价

水位评估方法采用时间匹配法，将SWOT卫星观测与水文站测量时间用最近时刻匹配法进行匹配。对每个SWOT卫星过境时刻，选取时间差异在±12 h内的最近水文站观测数据进行配对。在转换为相同高程基准后，计算两组数据的MAE、均方根误差（root mean square error，RMSE）、相关系数R²三种指标：

式中，为水文站点水位，m；为SWOT卫星观测水位值，m；n为匹配总次数；为第次时间匹配观测。

2）观测能力评估

采用空间叠置分析计算卫星轨道的覆盖频次。基于各卫星的轨道参数生成一个完整重访周期内的所有地面轨迹线矢量数据，将卫星地面轨迹线分别与SWORD卫星河流数据、HydroLAKES湖泊数据进行相交分析。观测频次统计采用逐轨计数方法：①当某条河流或湖泊矢量要素与卫星地面轨迹发生空间相交时，该水体的观测次数累加1；②在一个完整重访周期内，每条不同的卫星轨迹与同一水体相交均计为一次独立观测。因此，一个水体可能被多条轨道覆盖，其总观测次数即为所有相交轨迹的数量。

3  实验与结果分析

3.1  研究区域与数据

3.1.1  研究区概括

珠江流域是我国南方最大的水系，由西江、北江、东江及珠江三角洲诸河组成。根据广东省水利厅网站，流域面积约45.37万km²，干流全长2214 km，是我国第四大流域，年径流量仅次于长江，居全国第二。选取其中两个具有代表性的水体作为研究对象，即东江水系的新丰江水库和北江的沙口河段，分别代表湖库型水体和河流型水体。

新丰江水库水域面积大、形态复杂，位于广东省河源市，是一座以发电和防洪为主，兼具灌溉、供水和养殖等综合效益的大型水利枢纽工程。水库控制流域面积达5740 km²，水域面积约370 km²，总库容约138.96亿m³，是华南地区最大的人工湖泊，在珠江流域水资源调配中发挥着重要的调蓄作用（石艳军等，2024）。北江是珠江流域的重要支流之一，沙口河段上下游各设有一座水坝，对河流流量具有调节作用，水文条件相对稳定，对区域水资源调配和生态维护具有重要意义。根据广东省水利厅网站，沙口河段位于广东省清远市沙口镇附近，河段长度约18 km。研究区域分布如图3所示。

3.1.2  数据来源及预处理

实验所用数据主要包括SWOT卫星、ICESat-2数据等。具体如下所述。

1）SWOT卫星数据

SWOT在内陆KaRIn高速模式下主要提供四种L2级产品，分别为水掩模像素云产品L2_HR_ PIXC、水掩模栅格图像数据产品L2_HR_Raster、河流单轨矢量产品L2_HR_RiverSP、湖泊单轨矢量数据产品L2_HR_LakeSP，用来分析水体水位和面积。表1给出了SWOT卫星四种主要水文产品信息。

L2_HR_PIXC提供具有地理定位高度、后向散射、地球物理场和标志的水掩模像素点云；点云覆盖约64 km×64 km的瓦片，包含半轨道（全轨道的左侧或右侧）数据，以netCDF-4文件格式提供。L2_HR_Raster提供高分辨率（100 m×100 m或250 m×250 m）的地表水体高程、淹没范围信息及水体面积等数据；由在L2_HR_PIXC基础上进一步处理所得，将其采样到网格上，采样间隔为沿轨约20 m，跨轨10~60 m，形成128 km×128 km的栅格数据（Jet Propulsion Laboratory，2025a，2025b）。L2_HR_RiverSP、L2_HR_LakeSP是由L2_HR_ PIXC、L2_HR_PIXCVec所生成的河流、湖泊矢量数据。其中，L2_HR_RiverSP从对像素云数据进行地理校正开始，使用来自SWORD卫星的河流矢量数据在节点周围生成缓冲区，随后与灰度膨胀的水像素叠加，与河流中心线匹配，识别和提取河流单元；其主要提供河流的水面高程、坡度、宽度等水文变量信息。L2_HR_LakeSP数据包括湖泊、水库及湿地的加权平均水位和面积等水文变量（Jet Propulsion Laboratory，2025c）。

针对湖泊与水库的水位提取，实验使用2024年L2_HR_Raster_2.0数据，空间分辨率100 m；进行面积提取时，还额外使用对应时间范围的L2_HR_LakeSP_prior数据。其来源于美国物理海洋学分布式主动档案中心（Physical Oceanography Distributed Active Archive Center，PO.DAAC）网站。SWOT卫星科学轨道刈幅覆盖范围数据来源于法国卫星海洋数据归档、验证与解译中心（Archiving，Validation and Interpretation of Satellite Oceanographic Data，AVISO）网站。

2）ICESat-2、Sentinel-1影像数据

ICESat-2发射于2018年，搭载ATLAS激光测高系统，是目前高程测量最精准的激光测高仪。其ATL13数据产品专门用于监测内陆水体，包括湖泊、水库和河流等。其中，以EGM2008模型大地水准面为高程基准的正高代表了湖泊的水位数据（Jasinski等，2020）。实验使用ATL13（V6）产品，获取2024年度研究区域全部有效观测数据。ICESat-2 ATL13数据来源于美国国家冰雪数据中心（National Snow and Ice Data Center，NSIDC）网站。

Sentinel-1影像数据方面，实验采用IW模式VV/VH双极化地距产品GRD（ground range detected），分辨率约5 m×20 m，幅宽约250 km，选取2024年度与SWOT观测时间相近的影像。数据来源于哥白尼数据空间生态系统（Copernicus Data Space Ecosystem，CDSE）网站。

3）辅助数据

HydroLAKES湖泊掩模数据来源于已有研究（Messager 等，2016），是研究水体分布范围及筛选水体测量点位的重要数据。其可以排除位于湖泊范围以外的测量点，以减少测量误差。

降水量数据CHIRPS（climate hazards group infrared precipitation with station data），来源于美国气候灾害中心（Climate Hazards Center，CHC）网站，用于解释湖泊水库的水位变化，空间分辨率约5.3 km，以日尺度覆盖研究区域。其结合了卫星红外观测数据、地面气象站观测和美国国家环境预报中心（National Centers for Environmental Prediction，NCEP）数据等，是一种较高精度的降水量数据产品（Funk，2015）。

Jason-3轨道数据来源于AVISO网站。ICESat-2的轨道数据来源于美国国家航空航天局（National Aeronautics and Space Administration，NASA）的戈达德太空飞行中心（Goddard Space Flight Center，GSFC）网站；Sentinel-3A、Sentinel-3B卫星的轨道数据来源于欧洲空间局（European Space Agency，ESA）网站。上述轨道数据用来量化SWOT卫星与传统测高卫星对广东省内湖泊和河流的观测能力。

此外，研究区域湖泊、水库和河流的水位日序列数据来源于全国水雨情信息网站，用于验证SWOT卫星观测水位的精度。其采用的高程基准为珠江高程基准，实验将其转换为EGM2008模型大地水准面高程基准。

3.2  不同水体的结果分析

3.2.1  新丰江水库

图4展示基于SWOT卫星观测的2024年1月21日新丰江水库的水位高度分布。相对于大地水准面，新丰江水库水位高度呈现西北水域略高于东南的趋势，总体上正高约为110 m。水库不同区域出现水位差的原因可能与大地水准面起伏、风力作用影响及水库入流出流效应等有关。

进一步地，利用ICESat-2和水文站点数据对SWOT卫星观测新丰江水位的精度进行评估。图5（a）展示了新丰江水库SWOT卫星观测水位与水文站点水位分布散点图。图5（b）展示了水文站点和SWOT卫星、ICESat-2观测的水位时间序列，三种独立观测结果之间具有很好的一致性。其中，新丰江水库水位从2024年1~3月逐步降低，至3月达到水位最低值；随后两个月快速上升了约7 m，从5月开始至年底又逐步下降了约3 m。此外，ICESat-2在此期间仅有6次观测，但呈现与SWOT卫星、水文站点观测具有很好的一致性。由图5（c）可看出，2024年4~6月的雨季，降水集中且强度较大，水位快速上升并维持在较高水平；在1~3月、9~12月，季节性干旱导致降水量小，水位逐步下降，水位变化的整体趋势与降水量有较强的相关性。这种降水变化特征与图5（b）中的SWOT卫星观测结果也十分吻合。以水文站点的实测水位为真值，得到SWOT卫星观测新丰江水库水位的MAE为0.103 m，RMSE0.139 m，相关系数为0.999，基本符合SWOT卫星观测在大型湖泊小于0.1 m的设计测高精度。

一般来说，湖泊的水位和面积有较高的正相关性。使用SWOT卫星数据产品L2_HR_LakeSP观测面积与实测水位相关性经计算得相关系数仅有0.11，初步推测SWOT卫星观测的湖泊矢量数据观测面积会存在较大误差；利用本文方法所得面积时间序列与实测水位相关性经计算得相关系数达到0.97，基本符合湖泊水位和面积成正相关的特性；使用Sentinel-1影像提取的面积时间序列与实测水位的相关系数达到0.98，说明Sentinel-1影像提取的面积精度相对较高，与本文方法结果也具有很好的一致性，如图6所示。由表2可知，以Sentinel-1影像面积提取结果为真值，SWOT卫星数据产品直接提取的平均面积误差为13.05%，优于已有研究（Esteban-Fernandez，2013）中SWOT标称的15%的面积误差精度。L2_HR_LakeSP得到的新丰江水库的平均面积为298.23 km²，小于Sentinel-1影像的334.91 km²，计算得到的最大RMSE达到88.3 km²；而本文方法的面积误差为11.53%，最大面积误差为14.77%，最大RMSE达到52.3 km²，在精度上要高于SWOT的L2_HR_LakeSP观测面积的面积。然而，其仍然显著小于Sentinel-1影像所得到的面积。究其原因，可能与SWOT卫星的暗水效应有关。

图7展示了基于SWOT卫星数据，分别利用L2_HR_LakeSP与本文方法提取的2024年6月15日的新丰江水库边界范围。SWOT L2_HR_LakeSP数据给出的水库水体分布范围，面积呈现明显偏大的情况。在新丰江水库的东南部城市区域，出现了将建筑等地物误分为水体的情况，如图7（a）所示。这常见于SWOT湖泊矢量数据中。而由图7（b）可看出，本文方法提取的新丰江水库范围，取得了较优的提取精度，东南部误分为水体的部分基本被剔除。

3.2.2  沙口河段

由图8（a）看出，从沙口站对应河段的SWOT卫星观测水位精度来看，与新丰江水库相比，沙口站河流的SWOT卫星水位观测误差略大，MAE达到了0.152 m，略大于设计要求的0.1 m。究其原因：①与湖泊相比，河流的水位变化更频繁，即使同一天也可能出现较大变化，产生了因水位实测时间和SWOT卫星观测时间差异所带来的误差；②新丰江水库的面积较大，中央部分受影响比较小，而沙口段河流平均宽度400 m左右，回波信号更易受两岸陆地影响；③因河流流速变化等，水体表面粗糙度可能对回波信号造成影响。此外，SWOT卫星观测水位与实测水位相关系数达到0.85，也说明了SWOT卫星河流水位观测在该河段与实测水位具有较好的一致性。

河流水位变化受到多种因素影响。除降水量之外，还可能受大坝水闸调节和上游来水量等因素影响。由图8（b）可看出，2024年的实测水位在4~6月出现3次水位突增，在丰水期（4~9月）水位约有6次骤降；而在1~3月和10~12月的枯水期，河段水位基本保持在37 ~37.5 m。与新丰江水库水位的缓慢变化不同，沙口河段会呈现在3~5 d内有突变值随后恢复一般趋势。虽然SWOT卫星观测的时间分辨率小于水文站的，但SWOT卫星观测在4月仍捕捉到一次河流水位的骤降，说明SWOT卫星具备大范围观测河流水位快速变化的能力。

3.3  广东省地表水SWOT卫星观测覆盖分析

进一步地，使用SWOT、CryoSat-2、Jason-3、ICESat-2和Sentinel-3A/B卫星轨道数据、HydroLAKES的湖泊水库掩模数据及SWORD河流数据，对SWOT卫星观测与传统测高卫星在空间覆盖范围和时间分辨率方面的表现进行比较分析。其中，即使每个卫星的重访周期不同，也能比较其覆盖范围。如图9（a1）所示，SWOT卫星在21 d的重访周期内可对广东省约94.3%的湖泊和水库进行至少一次的水位及面积测量，对约65%的湖泊和水库可观测两次。针对广东省60%以上的河流和湖泊，在21 d的重访周期内SWOT卫星可以平均每10 d观测一次。如图9（a2）所示，SWOT卫星在一个重访周期内可对广东省约97.7%的河段进行至少一次测量，对约68%的河段可观测两次。图9（b）展示了五种传统测高卫星在各自一个重访周期内对广东省湖泊水库和河流的观测次数统计。图10展示了SWOT卫星在一个重访周期内对广东省湖泊和河流河段的观测次数分布。图11展示了五种传统测高卫星与SWOT卫星在广东省的覆盖范围。综合来看，与SWOT卫星相比，由于Jason-3、Sentinel- 3A/B卫星轨道分布较稀疏，即使都具有较短的重访周期（分别为10 d、27 d），Jason-3卫星仅能观测2.2%的湖泊与3.7%的河流河段，Sentinel-3A/B仅能观测6%的湖泊与12.7%的河流；而相比之下，CryoSat-2、ICESat-2卫星轨道分布较为密集，其中，CryoSat-2可实现对63.5%的湖泊进行观测，但其重访周期较长（分别为369 d、91 d），对单个湖泊通常只能进行以年尺度和季度尺度的观测。此外，湖泊和河流的空间尺度也是影响水位观测的重要因素。由于传统雷达测高仪的足迹点较大，观测小型湖泊和河流精度可能有限，且小型湖泊更难以与稀疏的雷达测高仪轨道相交，而SWOT卫星最小可观测250 m×250 m的湖泊与50 m宽的河流，优于雷达测高仪。因此，SWOT卫星可对无水文资料地区以高时间分辨率进行补充，能够做到更好地监测广东地区水资源分布和变化情况。

SWOT卫星观测广东省水体水位及面积时，受到多种误差源的影响。根据上文所述实验结果中SWOT卫星在测量湖泊和河流的水位时仍存在一定误差。水位误差包括由水体分类等引起的误差及KaRIn随机噪声、相位误差、滚转角误差、定时误差、基线扩张误差，以及湿对流层延迟等测量误差（Esteban-Fernandez，2013）。其中，从仪器系统误差角度来看，KaRIn随机噪声是影响水位测量精度的基础因素。其在整个扫描带上呈均匀分布，标准差与像元面积的平方根成反比，因此，随机特性使得空间平均成为有效的降噪手段。滚转角误差尤为关键，包含陀螺仪误差和滚转控制误差两个分量，在跨轨方向呈线性系统性分布（Sun等，2024）。相位误差作为另一重要的系统性误差源，源于两个雷达通道之间的相位漂移，其影响同样在跨轨方向表现出特定的空间模式。这些系统性误差的校正，通常依赖于交叉定标技术。此外，对流层延迟、地形效应及水体分类精度等也影响了水位测量精度。对流层延迟包括干延迟和湿延迟两部分，其中湿延迟的时空变化性更强且更难预测。尽管SWOT卫星搭载的星载微波辐射计AMR-S（advanced microwave radiometer for SWOT）能够实时测量湿对流层含量，但即使经过微波辐射计校正后仍存在残余误差（Sun等，2024）。电离层延迟对SWOT卫星观测的影响相对较小（Esteban-Fernandez，2013）；在大多数内陆水文应用中，其可以通过标准模型进行有效校正。雷达叠掩效应是地形效应的典型代表，当地形坡度大于雷达入射角时就会发生，导致多个空间位置的雷达回波同时到达传感器而无法区分（Durand等，2020）。对于水库等内陆水体的观测，周边地形的影响会增强水体表面积和高程测量的偏差，主要是地形叠掩的结果（Solander等，2016）。而水体分类精度直接影响水面范围的准确识别。SWOT卫星水体检测算法将强后向散射区域分类为开放水域和近岸水域，将低后向散射区域分类为陆地和近水陆地。通过与光学影像提取结果（Yao等，2025）对比发现，SWOT卫星存在一定的水体识别错误，包括将陆地误判为水体的误差。

4  结  论

针对当前我国水资源基础调查的实际需求，以广东省新丰江水库与沙口河段为研究对象，基于SWOT卫星数据提取水位与水体面积，并结合水文站点实测水位、ICESat-2及Sentinel-1等多源数据，评估了SWOT卫星在广东省地表水体水位与面积变化监测方面的精度和能力，验证了其在区域尺度地表水监测中的应用潜力，实现了多源数据间的相互验证。研究表明，SWOT卫星对广东省地表水具备显著的覆盖与观测优势，优于传统测高卫星手段，为无水文站地区提供了新的监测途径。SWOT卫星水位观测精度达到分米级，与实测水位具有较高一致性，能够满足湖泊、水库和河流的水位变化监测需求。

针对SWOT卫星数据原始面积产品误分类问题，本文利用Sobel算子边缘检测与圆台模型相结合的方法，通过建立水位–面积相关性约束，有效剔除了水体错分区域，有效减少了面积误差。新丰江水库水位和面积变化与降水量呈强相关性；雨季水位快速上升，枯水期水位缓慢下降；沙口河段水位在枯水期保持稳定，丰水期出现多次水位突变，可能与上游大坝调度有关。SWOT卫星提供了地表水观测的新模式，补充了传统测高卫星手段无法获取的水域面积信息。结合SAR影像、传统测高卫星、地面水文实测和SWOT卫星观测资料，所开展的相互补充和校正，能够为全球大范围地表水体的综合监测和区域重点水域的精细化调查提供技术参考。

未来研究将聚焦于两个方面。一是，SWOT卫星观测易受KaRIn随机噪声、地形叠掩效应等多种误差源影响，发展针对内陆水体的误差改正方法，以提升水位测量精度；SWOT卫星数据产品存在系统性误分类问题，如将城市建筑等误判为水体，以及受到暗水效应影响等，可融合光学遥感指数或引入机器学习方法，以提升复杂场景下的水体识别精度。二是，通过水位–水储量变化和面积–水储量变化之间的关系，构建库容曲线，实现对无地面实测资料的水库地区的库容变化动态监测，为区域水资源评估和利用提供技术支撑。

参考文献（References）

顾祯蓉, 李勇, 葛莹, 王鸿燕, 储思敏, 刘秀慧, 赖美芸, 丁涵. 2025. 一种基于SAR影像的气候复杂地区地表水提取方法. 时空信息学报, 32(1): 83-93[Gu Z R, Li Y, Ge Y, Wang H Y, Chu S M, Liu X H, Lai M Y, Ding H. 2025. A method of surface water extraction in climatically complex areas based on SAR satellite images. Journal of Spatio-temporal Information, 32(1): 83-93 (in Chinese)]

何飞, 刘兆飞, 姚治君. 2020. Jason-2测高卫星对湖泊水位的监测精度评价. 地球信息科学学报, 22(3): 494-504[He F, Liu Z F, Yao Z J. 2020. Evaluation of the monitoring accuracy of lake water level by the Jason-2 altimeter satellite. Journal of Geo-Information Science, 22(3): 494-504 (in Chinese)]

刘秀慧, 李勇, 葛莹, 王鸿燕, 赖美芸, 顾祯蓉, 储思敏, 丁涵. 2025. 一种改进U-Net的干旱区地表水资源遥感提取研究. 时空信息学报, 32(2): 158-167[Liu X H, Li Y, Ge Y, Wang H Y, Lai M Y, Gu Z R, Chu S M, Ding H. 2025. An improved U-Net for extraction of surface water resources from remote sensing images in arid regions. Journal of Spatio-temporal Information, 32(2): 158-167 (in Chinese)]

马山木, 甘甫平, 吴怀春, 闫柏琨. 2022. ICESat-2数据监测青藏高原湖泊2018—2021年水位变化. 自然资源遥感, 34(3): 164-172[Ma S M, Gan F P, Wu H C, Yan B K. 2022. ICESat-2 data-based monitoring of 2018—2021 variations in the water levels of lakes in the Qinghai-Tibet Plateau. Remote Sensing for Natural Resources, 34(3): 164-172 (in Chinese)]

石艳军, 单海滨, 何沐全, 刘子菁. 2024. 基于哨兵1号新丰江水体提取与面积变化分析. 广东气象, 46(4): 55-60[Shi Y J, Shan H B, He M Q, Liu Z J. 2024. Water extraction and area change analysis of Xinfeng River based on Sentinel-1. Guangdong Meteorology, 46(4): 55-60 (in Chinese)]

王大钊, 王思梦, 黄昌. 2019. Sentinel-2和Landsat8影像的四种常用水体指数地表水体提取对比. 国土资源遥感, 31(3): 157-165[Wang D Z, Wang S M, Huang C. 2019. Comparison of Sentinel-2 imagery with Landsat8 imagery for surface water extraction using four common water indexes. Remote Sensing for Land & Resources, 31(3): 157-165 (in Chinese)]

王泽雨, 李建章. 2023. 基于遥感与GIS的江西省洪涝灾害评估研究. 时空信息学报, 30(4):595-604[Wang Z Y, Li J Z. 2023. Flood disaster assessment in Jiangxi Province based on remote sensing and GIS. Journal of Spatio-temporal Information, 30(4): 595-604 (in Chinese)]

张涛, 朱世超, 甄倩倩, 相诗尧, 郭长顺, 李兵. 2023. 基于WebGL的洪水演进三维可视化时空仿真方法. 时空信息学报, 30(2): 295-303[Zhang T, Zhu S C, Zhen Q Q, Xiang S Y, Guo C S, Li B. 2023. Spatio-temporal simulation method for 3D flood evolution visualization based on WebGL. Journal of Spatio-temporal Information, 30(2): 295-303 (in Chinese)]

朱雨甜, 徐佳, 葛莹, 王鸿燕, 赵秉琨. 2025. 基于SAR影像的维多利亚湖水域面积变化动态监测. 时空信息学报, 32(3): 288-298[Zhu Y T, Xu J, Ge Y, Wang H Y, Zhao B K. 2025. Dynamic monitoring of water area changes in lake Victoria based on SAR imagery. Journal of Spatio-temporal Information, 32(3): 288-298 (in Chinese)]

An Z Y, Chen P, Tang F C, Yang X Y, Wang R, Wang Z H. 2022. Evaluating the performance of seven ongoing satellite altimetry missions for measuring inland water levels of the great lakes. Sensors, 22(24): 9718

Canny J. 1986. A computational approach to edge detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-8(6): 679-698

Durand M, Chen C, de Moraes Frasson R P, Pavelsky T M, Williams B, Yang X, Fore A. 2020. How will radar layover impact SWOT measurements of water surface elevation and slope, and estimates of river discharge? Remote Sensing of Environment, 247:111883

Esteban-Fernandez D. 2013. SWOT Project: Mission Performance and Error Budget. JPL Technical Report JPL D-79084. Pasadena: Jet Propulsion Laboratory

Fu L L, Pavelsky T, Cretaux J F, Morrow R, Farrar J T, Vaze P, Sengenes P, Vinogradova-Shiffer N, Sylvestre-Baron A, Picot N, Dibarboure G. 2024. The surface water and ocean topography mission: A breakthrough in radar remote sensing of the ocean and l-and surface water. Geophysical Research Letters, 51(4): e2023GL107652

Funk C. 2015. Climate Hazards Group InfraRed Precipitation with Station Data (CHIRPS).Technical Report. Climate Hazards Group

Hamoudzadeh A, Ravanelli R, Crespi M. 2024. SWOT level 2 lake single-pass product: The L2_HR_LakeSP data preliminary analysis for water level monitoring. Remote Sensing, 16(7): 1244

Jasinski M, Stoll J, Hancock D, Robbins J, Nattala J, Pavelsky T, Morrison J, Jones B, Ondrusek M, Parrish C. 2020. Algorithm Theoretical Basis Document (ATBD) for Inland Water Data Products ATL13 Version 003. Technical Report.NASA Goddard Space Flight Center

Jet Propulsion Laboratory. 2025a. SWOT Product Description Long Name: Level 2 KaRInHigh Rate Water Mask Pixel Cloud Product. JPL D-56411, Revision C. Pasadena: Jet Propulsion Laboratory

Jet Propulsion Laboratory. 2025b. SWOT Product Description Document: Level 2 KaRIn High Rate Raster (L2_HR_Raster) Data Product. JPL D-56416, Revision C. Pasadena: Jet Propulsion Laboratory

Jet Propulsion Laboratory. 2025c. SWOT Product Description Document: Level 2 KaRIn High Rate River Average Vector (L2_HR_RiverAvg) Data Product. JPL D-56414, Revision C. Pasadena: Jet Propulsion Laboratory

Jiang L G, Schneider R, Andersen O B, Bauer-Gottwein P. 2017. CryoSat-2 altimetry applications over rivers and lakes. Water, 9(3): 211

Jiang W, Ni Y, Pang Z G, Li X T, Ju H R, He G J, Lv J, Yang K, Fu J E, Qin X D. 2021. An effective water body extraction method with new water index for Sentinel-2 imagery. Water, 13(12): 1647

Li H, Zhang J Y, Cai X B, Huang H Q, Wang L C. 2023. On the capacity of ICESat-2 laser altimetry for river level retrieval: An investigation in the Ohio River basin. Journal of Hydrology, 626: 130277

Li J H. 2021. Study on automatic shoreline extraction based on multi-spectral remote sensing images//2021 5th International Conference on Advances in Image Processing (ICAIP).68-75

Liu C, Hu R H, Wang Y F, Lin H L, Zeng H, Wu D L, Liu Z G, Dai Y, Song X N, Shao C L. 2022. Monitoring water level and volume changes of lakes and reservoirs in the Yellow River basin using ICESat-2 laser altimetry and Google Earth Engine. Journal of Hydro-Environment Research, 44: 53-64

Messager M L, Lehner B, Grill G, Nedeva I, Schmitt O. 2016. Estimating the volume and age of water stored in global lakes using a geo-statistical approach. Nature Communications, 7: 13603

Nilsson B, Nielsen K. 2024. Validation of Sentinel-6MF based lake levels–An assessment with in situ data and other satellite altimetry data. Advances in Space Research, 73(12): 5806-5821

Otsu N. 1979. A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9(1): 62-66

Shu S, Liu H X, Beck R A, Frappart F, Korhonen J, Lan M X, Xu M, Yang B, Huang Y. 2021. Evaluation of historic and operational satellite radar altimetry missions for constructing consistent long-term lake water level records. Hydrology and Earth System Sciences, 25(3): 1643-1670

Solander K C, Reager J T, Famiglietti J S. 2016. How well will the surface water and ocean topography (SWOT) mission observe global reservoirs? Water Resources Research, 52(3): 2123-2140

Sun M Z, Feng W, Yu D C, Chen X D, Liang W X, Zhong M. 2024. Analysing the impact of SWOT observation errors on marine gravity recovery. Geophysical Journal International, 237(2): 862-871

Torres R, Snoeij P, Geudtner D, Bibby D, Davidson M, Attema E, Potin P, Rommen B, Floury N, Brown M, Traver I N, Deghaye P, Duesmann B, Rosich B, Miranda N, Bruno C, L’Abbate M, Croci R, Pietropaolo A, Huchler M, Rostan F. 2012. GMES Sentinel-1 mission. Remote Sensing of Environment, 120: 9-24

Wu S H, Cai Y, Ke C Q, Xiao Y, Li H L, He Z Y, Duan Z. 2025. SWOT mission enables high-precision and wide-coverage lake water levels monitoring on the Qinghai-Tibet Plateau. Journal of Hydrology: Regional Studies, 59: 102357

Xu F L, Zhang G Q, Yi S, Chen W F. 2022. Seasonal trends and cycles of lake-level variations over the Tibetan Plateau using multi-sensor altimetry data. Journal of Hydrology, 604: 127251

Yao F F, Livneh B, Rajagopalan B, Wang J D, Yang K H, Crétaux J F, Wang C, Minear J T. 2024. Leveraging ICESat, ICESat-2, and Landsat for global-scale, multi-decadal reconstruction of lake water levels. Water Resources Research, 60(2): e2023WR035721

Yao J Q, Xu N, Wang M R, Liu T, Lu H, Cao Y Q, Tang X M, Mo F, Chang H Y, Gong H Y, Xin H C, Xu H. 2025. SWOT satellite for global hydrological applications: Accuracy assessment and insights into surface water dynamics. International Journal of Digital Earth, 18(1): 2472924