2022 年强高温期长江中游通江湖泊干旱数据集

许金朵，侯渲，马荣华*，陈曦，王贞

1.中国科学院南京地理与湖泊研究所，南京 210008

2.国家地球系统科学数据中心湖泊–流域分中心，南京 210008

3.中山大学，广州 510275

引 言

随着全球气候变暖，干旱、高温热浪等极端天气事件在全球范围内频发[1-2]，对水资源安全、人民生产生活以及社会经济发展带来了严重影响。2022 年7 月，我国长江流域受气候异常影响，暖干气候特征、区域性和阶段性干旱明显[3]。长江中下游地区连续高温天气，出现自1961 年有完整气象观测记录以来的最强高温过程[4-5]，导致长江支流水位持续走低，受气候影响明显的通江湖泊鄱阳湖、洞庭湖出现了“汛期反枯”的罕见现象[6]。本研究使用谷歌地球引擎（Google Earth Engine，GEE）探究2022 年长江中下游地区鄱阳湖、洞庭湖及周边水体在极端天气影响下演变规律，对开展抗旱保水工作具有重要的意义。

GEE 是一个基于云计算的地理空间数据分析和可视化平台[7]。GEE 与Google 云端平台合作，集成了海量的地理空间数据与常见算法，其中包括Landsat 和Sentinel 系列的卫星影像以及大气、温度、水文等600 多个数据源供研究人员使用[8]，使得大范围的地表监测变化研究成为可能。用户基于GEE 在线集成开发环境，通过调用JavascriptAPI 编写程序来开发和运行自己的地理空间算法，以此实现大规模地理空间数据分析和可视化[9]。近年洪涝、暴雨以及高温旱灾等极端天气频发，诸多学者利用GEE 提供的长时序影像数据进行灾害监测以及灾情评估[10-14]。常见的光学影像在极端天气下受不稳定的气象状况影响，不能向研究人员提供符合遥感监测需求的高质量影像，导致无法实现连续的动态监测。但雷达影像以其良好的地表穿透能力、不受云层遮挡和适用于复杂气象条件的特点，在一定程度上提高了应用的精度和可靠性。Sentinel-1 影像以其高精度、易获取的特点，被广泛应用于相关研究中：郭山川等人在GEE 提供的长时序的Sentinel 数据的支持下，实现了广域尺度的汛情自动监测[12]，周晗利用Sentienl-1/2 影像（光学+雷达影像）组合方式对发生在斯里兰卡的洪灾范围进行提取[13]。但目前Sentinel-1 用于灾害监测的研究还是多关注于洪涝暴雨等水体的过程研究，而忽略了极端高温天气状况下所带来的水体萎缩变化。

因此，本研究利用GEE 平台所集成的Sentinel-1 SAR（Synthetic Aperture Redar，合成孔径雷达卫星）遥感影像，生产了2022 年强高温期间洞庭湖、鄱阳湖主体及附近水域10 m 分辨率的水体变化数据集，为探究湖区旱情变化研究以及开展抗灾保水等工作提供重要的数据支撑。

1 数据采集和处理方法

1.1 数据采集方法

Sentienl-1 SAR 数据在对地观测方面具有全天时、全天候的突出能力，且具有穿透地表云层的能力，被广泛应用于水体变化连续动态监测。本研究中的遥感影像数据来源于GEE 平台，采用欧洲航空航天局哥白尼计划所提供的Sentinel-1 SAR GRD（C-band Synthetic Aperture Radar Ground Range Detected, log scaling）数据集。该数据集已经过Sentinel-1 Toolbox 工具箱进行了噪声去除、辐射定标等预处理工作[15]。

在本研究中，选择了采用了干涉测量宽幅（interferometric wide swath，IW）模式下的VV+VH（dual-band cross-polarization, vertical transmit/horizontal receive）双频交叉极化方式。该模式在采集影像数据的过程中覆盖宽度大，能够获取更加广泛的影像信息，更加有利于了解湖泊及其萎缩过程；且双频交叉极化包括了垂直-垂直极化（Vertical-Vertical polarization，VV）和垂直-水平极化（Verticalhorizontal polarization，VH）两种极化方式，相较于单极化能够提供更多信息，有助于更好地观察湖泊水体及其变化。

1.2 数据处理方法

本实验原始数据为Sentinel-1 SAR GRD 数据集。首先通过GEE JavaScript API 所提供的函数库对SAR 数据进行裁剪、校正和滤波等初步处理，然后使用经过均值、平滑等处理后的光谱波段参与遥感指数运算，最终在经过归一化的处理后得到本数据产品。

数据处理的关键代码如下：

1.2.1 导入函数库与数据集

1.2.2 选择满足空间、时间条件范围和波段

对Sentinel-1 数据集进行滤波（根据时间和区域），并根据需要选择保留的极化（VV 和VH）和模式（IW）。

1.2.3 地形校正

通过slope_correction_lib 库对Sentinel-1 数据集进行校正，输出校正前后的影像平均值合集。对校正后的影像集合进行空间剪裁，将其覆盖的区域限制在“Buffer”范围以内，并在地图界面上显示校正后的校正结果。

1.2.4 滤波处理

定义filterSpeckles 函数，用于过滤，对“S1”图像集合应用中值滤波，并将平滑后的VV、VH波段重命名为新的波段添加到输入图像“img”中。

1.2.5 双极化水体指数SDWI 计算

双极化水体指数（Sentinel-1 Dual-Polarized Water Index，SDWI）是利用VV 和VH 的后向散射系数进行波段运算得到的水体指数，通过扩大水体与其他地物之间的信号差异，能够在阈值分割的过程中更为准确地获取水体阈值[16]，被应用于众多关于汛期洪涝灾害的监测以及水体监测的研究中[17-20]。其指数公式如式（1）所示。通过定义函数“SDWI_V1”函数，使用均化后的VV、VH 波段提取研究区水体。

式中，VV为垂直-垂直极化影像值；VH为垂直-水平极化影像值。

1.2.6 利用OTSU 算法计算最佳阈值

大津算法（OTSU）[21]是一种通过图像二值化不断分割来确定阈值的算法。通过自适应地确定一个阈值，将图像分为前景和背景两个部分，常用于地物覆被类型的分类与地表水体的提取。其阈值选取应满足“类间方差最大，类内方差最小”的准则[22]。

通过定义“otus”函数及其直方图参数“histogram”来计算最佳阈值。

1.2.7 归一化处理

在经过遥感指数运算后，为了消除其他背景地物的光谱信息所带来的影响需要进行归一化的处理。根据统计指标将其线性拉伸在[-1,1]的阈值范围以内，能够使湖泊水体在所生成的影像上得到最大亮度的增强，同时抑制其他背景地物。

1.2.8 统计信息并输出

2 数据样本描述

2.1 数据信息及结构

本数据集包含2022 年强高温期间洞庭湖、鄱阳湖主体及附近水域10 m 分辨率的水体变化数据。空间分辨率为10 m。数据文件储存为矢量shp 格式，文件命名规则为“区域＿监测日期.shp”，所有数据文件压缩为“2022 年强高温期间长江中下游水体变化数据.zip”，压缩后文件大小为45.7 MB。其中包括洞庭湖主体及附近水体监测数据3 期（2022 年6 月2 日、2022 年8 月1 日、2022 年8 月13 日）及变化监测图1 期，鄱阳湖主体及附近水体监测数据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）及变化监测图1 期。变化监测图文件储存格式为JPG 格式，文件命名规则为“区域_及其周边.jpg”。

图1 洞庭湖(a)、鄱阳湖(b)主体及附近水体变化Figure 1 Changes of Dongting Lake (a), Poyang Lake (b) and their surrounding water bodies

2.2 数据样本

本数据集主要反映2022 年强高温期间长江中下游水体时间序列变化，以2022 年6 月相对丰水的水体为样本，监测2022 年典型高温天气的长江中下游水体变化（图1）。

监测结果显示，在2022 年6 月初，洞庭湖、鄱阳湖及附近水体仍旧保持汛期常规体量；2022 年7 月，长江中下游流域受强高温影响，鄱阳湖作为长江流域最大的过水型湖泊，持续“失水”入江，水体面积持续走低。洞庭湖及其附近水体（图2）在丰水期2022 年6 月2 日面积为5967 km2，强高温期间2022 年8 月1 日监测面积为4204.4 km2，2022 年8 月13 日面积萎缩至4542.7 km2，相对丰水时面积萎缩约24%。鄱阳湖及其附近水体（图3）在丰水时2022 年6 月26 日面积为8037.9 km2，2022 年6 月28 日面积为7792.6 km2。随着气温升高，2022 年7 月22 日面积萎缩至6936.2 km2，相对丰水时面积萎缩约14%；2022 年8 月3 日面积减少至5771.1 km2，2022 年8 月15 日面积呈现最低值为5243.7 km2，相对丰水时面积萎缩约35%；2022 年8 月27 日在小规模降雨后水体面积为5540.6 km2。

图2 洞庭湖主体及附近水体逐期示意图Figure 2 Phase-by-phase monitoring map for Dongting Lake and its surrounding water bodies

图3 鄱阳湖主体及附近水体逐期示意图Figure 3 Phase- by-phase monitoring map for Poyang Lake and its surrounding water bodies

根据2022 年强高温期间6 月至8 月的水文监测数据显示（图4），鄱阳湖湖口水文站以及洞庭湖湖口岳阳水文站自2022 年6 月9 日开始呈线性走低，与鄱阳湖、洞庭湖及其周边水体变化趋势一致。

图4 2022 年强高温期鄱阳湖洞庭湖湖口水文站水位趋势变化图Figure 4 Trend change diagram of water levels for Poyang Lake and Dongting Lake Hydrological Station during the strongly high temperatures in 2022

3 数据质量控制和评估

本数据来源于Sentienl-1 SAR 影像，使用GEE 生产了洞庭湖、鄱阳湖主体及附近水域数据产品。选择同期Landsat 影像的目视解译结果作为真实地表数据进行精度判定与质量评估。通过验证计算混淆矩阵后得到结果如下（表1）。

表1 鄱阳湖主体及附近水体提取结果验证Table 1 Validation of extraction results for Poyang Lake and its surrounding water bodies

鄱阳湖主体及附近水域提取结果验证总精度（Overall Accuracy，OA）为96.40%，Kappa 系数为0.92；其中水体类的制图精度（Producer’s Accuracy，PA）为96.08%，用户精度（User's Accuracy，UA）为92.45%。数据质量能够较好满足用户需求。洞庭湖主体及附近水域提取结果验证总精度为93.21%，Kappa 系数为0.90；其中水体类的制图精度为92.31%，用户精度为90.06%。数据质量能够较好满足用户需求。

以鄱阳湖主体及附近水体提取结果（2022 年8 月27 日）为例（图5），可以看出提取结果的误差主要集中在湖泊萎缩后出现的滩涂湿地区域（①②）和细小水体（③④）部分，这是由于受到遥感影像分辨率的限制所导致的。在后续研究中对于存在滩涂湿地与水体的误分，可以通过多时相的遥感影像进行监测从而提高准确率；而对于细小水体的漏分，可以通过像元内分类方法或使用高分辨率影像进行变化分析[23]，以此来提高细小水体的识别率。

图5 鄱阳湖主体及附近水体提取结果验证Figure 5 Verification of extraction results for Poyang Lake and its surrounding water bodies

4 数据使用方法和建议

本数据集是基于Sentinel-1 SAR 数据生产的2022 年强高温期间洞庭湖、鄱阳湖及其周边地区10 m 分辨率的湖泊水体变化数据产品，具有较高的空间分辨率。本数据集可以帮助水资源管理部门在高温干旱天气下及时调整水资源分配与利用政策，确保极端天气下水资源的可持续利用。同时，高温天气作为全球气候变化的一个重要表现，监测极端高温天气下的湖泊水体变化有助于了解气候变化所带来的影响与发展趋势。本数据集可以在ArcMap、ENVI 和Erdas 等相关软件中进行读取、编辑以及再分析等后续工作。

致 谢

感谢国家地球系统科学数据中心湖泊-流域分中心（http://lake.geodata.cn）以及中国科学院南京地理与湖泊研究所科学数据中心（http://data.niglas.ac.cn）提供长江中下游水体历史数据作为参考，以及CSDN 博主Spider_coder 在Google Earth Engine 使用方面的帮助。

数据作者分工职责

许金朵（1982—），女，江苏徐州人，高级工程师，研究方向数据库建设、数据共享。主要承担工作：研究方案设计、精度验证、论文撰写。

侯渲（1998—），男，甘肃天水人，工程师，研究方向数据库建设、数据共享。主要承担工作：水体变化算法构建、数据产品生产。

马荣华（1972—），男，山东临沂人，研究员，研究方向湖泊环境遥感。主要承担工作：研究方案设计。

陈曦（1997—），男，福建泉州人，博士研究生，研究方向遥感大数据。主要承担工作：水体变化算法构建。

王贞（1983—），女，河南安阳人，工程师，研究方向湖泊水文。主要承担工作：数据收集整理。