重庆交通大学 土木工程学院 重庆 400041
摘要：近年来，遥感技术收集资料的高效性、便捷性、广泛性开始逐渐应用于水文与水资源研究领域中，极大地提高了水文与水资源研究及实际工程应用的效率。本文对遥感技术在水深测量、降水测量及水文生态环境等方面的应用现状做了简要阐述，在此基础上提出了一些可研究方向的设想，以供为后续研究提供一些思路。
关键词：遥感技术；水文与水资源；遥感水文；遥感反演
Brief Analysis of the Application of Remote Sensing Technology in Hydrology and Water Resources
ZHANG Lei1
School of Civil Engineering，Chongqing Jiaotong University，Chongqing400074，P. R. China
Abstract：In recent years, the efficiency, convenience and extensiveness of data collection by remote sensing technology has been gradually applied in the field of hydrology and water resources research, which has greatly improved the efficiency of hydrology and water resources research and practical engineering application. In this paper, the application status of remote sensing technology in depth measurement, precipitation measurement and hydrological ecological environment is briefly described. On this basis, some ideas of research directions are put forward to provide some ideas for future research.
Key words：remote sensing；hydrology and water resources；remote sensing hydrology;remote sensing inversion
1引言
水文与水资源要素主要包括降水、蒸散发、径流、地表水、地下水、土壤湿度、温度、辐射等，而高质量的数据来源对于水文与水资源要素的分析至关重要。站点观测，是传统的水文与水资源数据来源，然而站点通常密度小，分布不均匀，难以满足我们对高精度的水文模拟的需求。
随着卫星遥感技术的发展，基于卫星遥感反演的定量观测数据为我们提供了新的数据来源。遥感技术探测覆盖范围较大，能够有效地补充站点监测在空间分布上的不足。遥感技术获取信息的速度较快，目前能提供3h以内的雨雪等水文观测数据。遥感技术最大的优势莫过于不受地理环境因素的影响，在人工检测无法进行的地区，遥感技术为信息收集提供了新的数据参考，能够有效地补充数据缺乏的地区的可靠的数据来源。
遥感技术为现代水文与水资源技术注入了新的活力，“遥感水文”“水遥感”这些作为遥感科学与技术和现代水文学融合的交叉技术近年来也蓬勃发展。本文在阅读学习论文及研究文献的基础上，将对遥感技术在水位测量、降雨量、水环境观测等方面的应用进行整理讨论，并在此基础上对遥感技术的改进方面提出笔者自己的设想。
2遥感技术在水深测量方面的应用
水深遥感定量反演算是利用遥感进行水深测量方面的重要应用。利用多光谱技术，可以在短时间内获得水域最新的水深数据信息。从20世纪70年代起，国内外的研究人员在水深遥感方面做了诸多研究，也获得了不少成果。王艳娇等遥感图像和实测水深关系建立了动量BP人工神经网络水深反演模型，并对长江口南港河段水深进行了反演[1]。梁志诚等在神经网络中加入了多种影响因子加以改进[2]。曹斌等用粒子群算法对BP人工神经网络水深模型加以改进来研究水深反演[3]。Özçelik Ceyhun等用基于神经网络模型的遥感技术进行浅海区水深测量[4]。
目前而言，基于BP人工神经网络的水深遥感测量已经广泛地被研究人员所接受和采纳。
2.1基于BP人工神经网络的遥感水深测量
分析资料时，应选取没有发生过特大洪水和其它异常天气的数据资料。
对遥感图像和数据需要进行预处理。在卫星遥感成像的过程中，由于大气散射和吸收的影响，辐射能被削弱，影响遥感信息提取及反演的精度，因此，在利用遥感图像资料前要对图像进行大气矫正。除大气矫正外，遥感图像还需要进行几何矫正，几何矫正常用的方法有：基于多项式的遥感图像矫正、基于共线方程的遥感图像矫正、基于有理函数的遥感图像矫正、基于自动配准的小面元微分矫正等。因为所使用的图像数据需要特别地针对水体应用，所以必须要对图像进行水陆分离处理，可采用多波段数据才去除陆地对图像地影响。水深资料的坐标系统与遥感图像数据的坐标系统不一定一致，当不一致时还需要进行坐标系统的转换。实验时，先将1/3~1/5的数据备用，其余数据用于建模，备用数据作为验证数据来检验模型和实际水深的拟合性。最后，应对比各波段和组合波段和水深值的相关性，选取相关性较好的波段和组合波段反演水深的因子，用于建模。
人工神经网络技术是以生物神经网络为基础，模拟人脑行为的一种处理信息的方法。它具有自学习、自组织、自处理和非线性动态处理动态处理等特性，所以在模型变化系统上，比传统的统计方法具有更好的能力。现金应用比较广泛的一种神经网络模型是前馈型网络模型，该模型具有很好的通用性。
建立模型后，用之前备用的数据对模型的相关性模拟情况进行检验。可以得出基于BP人工网络的水深遥感测量大致能较好的模拟实际水深。实验发现，遥感测深受多因子的影响，是一个非线性的过程。BP人工神经网络是一种大规模并行的非线性动态系统，具有很好的自使用学习能力和非线性映射能力，因而在处理遥感测深问题上比传统的统计方法好。
BP人工神经网络模型的问题在于：模型对理论基面水深（小于5m）的水深值反演效果较好，而对10m以上的水深值反演的效果表现较差。
2.2对BP人工神经网络模型的一些改进
对于BP人工神经网络模型的优化，解决其在模型相关性上的一些不足对于遥感水深观测技术的进步有非常重要的意义。国内外的一直研究者都致力于改进方法的研究，以求达到更好的相关性。
因影响多光谱遥感水深反演是多因素的，所以，在BP神经网络中加入更多的影响因子对神经网络进行训练，可以达到更好的拟合效果。例如，在反演时比较重要的影响因素有泥沙与叶绿素，通过在网络端加入泥沙参数因子和叶绿素参数因子，对神经网络进行训练。在此基础上的拟合数据具有更高的精度。
针对普通神经网络模型存在预测精度低等问题，引入混沌粒子群，采用粒子群优化神经网络权值和阈值的预测方法，在模型训练过程中反复运用粒子群算法对BP神经网络的权值和阈值进行优化以弥补传统BP算法的不足。基于混沌粒子群优化的BP神经网络的遥感水深测量算法的训练收敛速度明显快于传统BP算法。对神经网络的初始权值和初始阈值不敏感，不会因为初始权值和初始阈值的不同而导致训练结果存在明显差异。在浅水区，精度也比传统BP算法高；然而，在深水区，混沌粒子群BP算法和传统BP算法都表现不足。
除基于BP人工神经网络的模型以外还有一些其他的模拟模型，例如底部反照率独立水深测量算法（bottom albedo-independent bathymetry algorithm）。在某些特定的水体，如沉沙过多的水体，该方法有很好的表现。
2.3笔者对基于BP人工神经网络模型的遥感水深测量的思考和设想
基于BP人工神经网络模型的遥感水深测量在超过10m水深的水体环境的模拟相关性表现不甚理想，各种改进方法也没有很好的解决该问题。所以，在深水区的算法改进依旧是针对BP神经网络遥感水深测量方法所要研究的关注点。
我国存在高海拔水资源丰富但是传统测量方式难以操作的地区。针对这些区域，遥感方式进行测量就显得非常重要。而我们研究在高海拔区域并不一定就适用。
所以，有必要对这些区域建立专门的研究模型。
3遥感技术在降水测量方面的应用
降水的时空分布对水资源供给、生态系统维持、水循环的运行有直接的影响，与洪水、泥石流、台风等自然灾害也息息相关。并且降水具有全球性的影响，对于全球的经济发展都有重要意义。
传统地面直接的观测方式主要有雨量计和雷达两种，但在降水观测方面都存在有诸多不足。雨量计受到分布的影响，难以准确地测量出降水地时空分布；雷达在地形复杂地地区有太多不确定性。而从太空进行卫星降水观测是系统了解全球降水情况及其变化的有效手段。
3.1TRMM卫星降水观测计划
TRMM卫星由NASA（National Aeronautics and Space Administration）和JAXA（Japan Aerospace Exploration Agency）合作开发设计，主要用于监测和研究热带地区降水。卫星于1997年11月28日在日本发射，TRMM卫星属于近地轨道卫星，倾角约为35°，覆盖范围为35°N～35°S。它是第一颗专门用于观测热带、亚热带降水的气象卫星，搭载了微波成像仪TMI、降雨雷达PR、可见／红外辐射仪VIRS、雷电探测器LIS、地球辐射能量探测器CERES等传感器[5]。在TRMM卫星搭载的设备中，降雨雷达具有开创性的设计，它由日本宇宙开发事业团设计建造，能够提供暴雨的三维结构，对降水的精确估计具有重要的提升作用。
基于TRMM卫星的TMPA（TRMM Multi-satellite Precipitation Analysis）以多个现代卫星降水传感器以及地面雨量计网络的观测为基础，计划产生自TRMM以来“最好”的降水产品[6]。TMRA为研究者提供两种标准降水卫星产品：准实时的3B42RT以及非实时后处理的3B42V7，能够提供1998年至今全球50°N～50°S的卫星降水数据，时间分辨率为3h，空间分辨率为0.25°。
TRMM取得了超出预期的成果，然而它在空间覆盖率和冻雨观测灵敏度方面还存在固有局限，由于燃料即将耗尽，TRMM卫星轨道正在下降，已于2015年4月停止运行。
3.2GPM全球降水观测计划
GPM延续了TRMM的星基降水传统，并在时空分辨率、观测精度和准确性上有很大程度的提高。其能够提供全球范围基于微波的3h以内以及基于微波红外的半小时雨雪数据产品，范围延伸至南北极圈。GPM拓展了TRMM传感载荷提升了降水观测能力。与重点观测热带、亚热带中大型降水的TRMM相比，GPM能更加精确地捕捉到微量降水和固态降水，这两种降水是中高纬度地区降水地重要组成部分。
新一代GPM降水产品对水文、气象和农业等科学的发展具有重要意义：
1）增强对极端天气的预报能力。能够对台风等极端天气有更好的观测。
2）加强气象、气候预报能力。GPM提供的数据更利于分析建模，促进数值天气技术的应用发展。
3）提升对洪水、泥石流等自然灾害的预报能力。GPM能提供大量3h以内的全球降水产品，满足水文模型的需求。
4）提高农作物生产的指导能力。能够更准确地指导农业模型建立，预测粮食产量。
4遥感技术在水文生态方面的应用
近年来，环境问题日益加剧，水文及生态方面的问题也越来越受到国际社会的重视，国内外众多研究者都展开了诸多研究。而相比其他区域而言，寒区和旱区的水文及生态研究就显得较少。主要因为寒旱区通畅地形更为复杂、景观的破碎度和易质性也更强，而且寒旱区多位于偏远地区以及经济欠发达的地区，传统数据也显得更为稀少。遥感技术则给我们更加深入地研究寒旱地区水文及生态环境的研究带来了契机。
遥感技术主要应用在高原湖泊的面积、水位及径流量检测，和冰川的退缩检测上。如黄卫东等以遥感图像、SRTM的DEM数据为数据源，通过人工目视解译的方法提取并计算了1970-2010年那曲南部地区12个湖泊面积，并结合DEM数据计算其中9个湖泊的水位变化情况;然后分析该地区降水量、气温、最大潜在蒸发量、冻土、冰川雪线的变化规律;计算湖泊变化与气候变化之间的相关性，并分析了湖泊变化的原因[7]。闫强等利用TM/ETM+图像提取乌兰乌拉湖水体面积，利用高度计数据获得湖泊水位，分析湖泊面积和水位的变化;并计算得到2003-2009年湖泊水量变化;然后利用SWAT模型(soil and water assessment tool)，对乌兰乌拉湖1970-2012年的径流情况进行模拟；以研究可可西里地区的湖泊变化及其与气候变化的响应关系[8]。鲁安新等利用地形图、航空照片、TM卫星遥感资料等分析了青藏高原典型地区的冰川和湖泊变化情况[9]。车涛等通过1977-2003年的遥感影像，得出希夏邦马峰东坡和吉葱普冰川打大致退缩速度，认为其具有发生冰川湖泊溃决洪水的潜在危险[10]。
总之，通过遥感技术在水文和生态变量参数反演、估算和模型应用方面取得的进展，能更好的研究出水文集成式的研究产品，也能更好地研究完整的水文和生态系统。
5其他方面
除以上方面以外，遥感技能在水文水资源领域中还广泛地应用于对蒸散发的检测、对地下水的勘测、水体污染的检测、洪水的预报预防以及旱情的检测等方面。
6结语
综上，遥感技术在我国水文水资源领域中应用广泛。随着科学技术的发展，遥感技术无论在硬件设施还是在软件理论基础都有着深远的进步。相信在今后的科学研究中，我们可以开发出更多、更精确、更具有时效性的水遥感产品。
参考文献
[1]王艳姣,张鹰.基于BP人工神经网络的水体遥感测深方法研究[J].海洋工程,2005(04):37-42.
[2]梁志诚,黄文骞,杨杨,张洋洋.基于神经网络技术的多因子遥感水深反演模型[J].测绘工程,2012,21(04):17-21.
[3]曹斌,邱振戈,朱述龙,曹彬才.BP神经网络遥感水深反演算法的改进[J].测绘通报,2017(02):40-44.
[4]Özçelik Ceyhun,Arısoy Yalçın. Remote sensing of water depths in shallow waters via artificial neural networks[J]. Estuarine, Coastal and Shelf Science,2010,89(1).
[5]Kummerow, C., W. Barnes, T. Kozu, J. Shiue, and J. Simpson,1998: The Tropical Rainfall Measuring Mission (TRMM) Sensor Package. J. Atmos. Oceanic Technology, 1998,15(3):809–817.
[6]Turk F J , Miller S D . Toward improved characterization of remotely sensed precipitation regimes with MODIS/AMSR-E blended data techniques[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(5):1059-1069.
[7]黄卫东,廖静娟,沈国状.近40年西藏那曲南部湖泊变化及其成因探讨[J].国土资源遥感,2012(03):122-128.
[8]闫强,廖静娟,沈国状.近40年乌兰乌拉湖变化的遥感分析与水文模型模拟[J].国土资源遥感,2014,26(01):152-157.
[9]鲁安新,姚檀栋,王丽红,刘时银,郭治龙.青藏高原典型冰川和湖泊变化遥感研究[J].冰川冻土,2005(06):783-792.
[10]车涛,李新,P.K.Mool,许建初.希夏邦马峰东坡冰川与冰川湖泊变化遥感监测[J].冰川冻土,2005(06):801-805.