衛(wèi)星遙感技術(shù)在地下水位監(jiān)測中的應(yīng)用

摘 要：衛(wèi)星遙感技術(shù)為大范圍、長時間尺度的地下水位監(jiān)測提供了新的手段。本文采用2023年Sentinel-1 SAR數(shù)據(jù)、Landsat 9 OLI/TIRS多光譜影像和GRACE-FO重力衛(wèi)星數(shù)據(jù)，結(jié)合中國華北平原300個地面觀測井的實測數(shù)據(jù)，建立了地下水位與地表形變、土壤水分等參數(shù)的關(guān)系模型。試驗分析表明，利用InSAR技術(shù)監(jiān)測地表沉降，可以實現(xiàn)±2.3cm精度的地下水位反演；多光譜遙感影像能夠以86%的準確率識別地下水補給區(qū)。2018—2023年間，研究區(qū)地下水位年均下降率為0.5m，其中農(nóng)業(yè)開采占72%。

關(guān)鍵詞：衛(wèi)星遙感；地下水位；Sentinel-1；華北平原

中圖分類號：TP 79" " " 文獻標志碼：A

地下水是重要的水資源，準確監(jiān)測地下水位對水資源管理和生態(tài)環(huán)境保護具有重要意義。中國水利部2023年報告顯示，全國地下水超采區(qū)面積達19萬km2，其中華北平原地區(qū)最嚴重。傳統(tǒng)的地下水位監(jiān)測方法主要采用地面觀測井，在華北平原平均每100km2僅有1～2個觀測點，存在點位稀疏、費用高昂等問題。衛(wèi)星遙感技術(shù)的發(fā)展為大范圍、長時間序列的地下水位監(jiān)測提供了新的手段。目前，歐空局Sentinel-1衛(wèi)星、美國地質(zhì)調(diào)查局Landsat 9衛(wèi)星和NASA/GFZGRACE-FO重力衛(wèi)星的發(fā)射和數(shù)據(jù)應(yīng)用，在合成孔徑雷達干涉測量（Interferometric Synthetic Aperture Radar，InSAR）形變監(jiān)測、多光譜遙感影像分析等方面取得了突破性進展，為地下水位遙感監(jiān)測奠定了基礎(chǔ)。

1 衛(wèi)星遙感技術(shù)在地下水位監(jiān)測中的應(yīng)用原理

衛(wèi)星遙感技術(shù)在地下水位監(jiān)測中的應(yīng)用原理基于地表特征與地下水動態(tài)間的關(guān)聯(lián)。合成孔徑雷達干涉測量（InSAR）通過捕捉地表微小形變，反演地下水位變化[1]。多光譜遙感利用地表植被、水體和土壤反射特性，識別地下水補給區(qū)和評估土壤水分。重力衛(wèi)星測量地球重力場變化，推算區(qū)域尺度地下水儲量。這些技術(shù)結(jié)合地面觀測數(shù)據(jù)和水文地質(zhì)模型，構(gòu)建了地下水位與遙感參數(shù)的定量關(guān)系。衛(wèi)星遙感方法克服了傳統(tǒng)點式監(jiān)測的局限性，能夠提供大范圍、高頻率的地下水動態(tài)信息，為水資源管理提供新的技術(shù)手段。

2 研究區(qū)概況與數(shù)據(jù)來源

2.1 華北平原水文地質(zhì)特征與地下水超采現(xiàn)狀

華北平原位于中國東部，面積約32萬km2，跨越北京、天津、河北、山東和河南5個省市。該區(qū)域地質(zhì)構(gòu)造以新生代松散沉積物為主，形成了厚度達500m～1000m的孔隙型含水層系統(tǒng)。根據(jù)含水層埋藏深度和水力特征，可以分為淺層、中層和深層地下水。淺層地下水（埋深lt;100m）主要接受降水入滲補給，水質(zhì)較好，是農(nóng)業(yè)灌溉的主要水源。中深層地下水（埋深100m～400m）補給條件較差，但是水質(zhì)優(yōu)良，廣泛用于工業(yè)和城市供水。目前，由于人口增長和經(jīng)濟發(fā)展，華北平原地下水開采量遠超自然補給量，造成嚴重的地下水位下降和環(huán)境問題。2023年中國水利部報告顯示，華北平原地下水超采區(qū)面積達9.2萬km，占平原總面積的28.75%。

2.2 衛(wèi)星遙感數(shù)據(jù)獲取與預(yù)處理

本文采用3種主要衛(wèi)星遙感數(shù)據(jù)源，即Sentinel-1SAR數(shù)據(jù)、Landsat 9多光譜影像和GRACE-FO重力衛(wèi)星數(shù)據(jù)[2]。Sentinel-1數(shù)據(jù)由歐空局Copernicus計劃提供，選取2023年1—12月的122景升軌和降軌影像，覆蓋整個華北平原。數(shù)據(jù)預(yù)處理包括軌道校正、多視處理、配準和地形校正等步驟，使用SNAP軟件完成。Landsat 9數(shù)據(jù)來自美國地質(zhì)調(diào)查局，選取2023年生長季（4—10月）的48景無云影像，覆蓋研究區(qū)。預(yù)處理步驟包括輻射定標、大氣校正和地理配準，使用ENVI軟件完成。GRACE-FO數(shù)據(jù)由美國NASA和德國GFZ聯(lián)合提供，獲取2018年6月—2023年12月的月均等效水高度數(shù)據(jù)。數(shù)據(jù)預(yù)處理包括去相關(guān)濾波、尺度因子還原和陸地水儲量計算，使用Python完成。

2.3 地面實測數(shù)據(jù)采集

為了驗證衛(wèi)星遙感監(jiān)測結(jié)果，本文收集了華北平原300個地下水觀測井的實測數(shù)據(jù)。這些觀測井由各省水利、水文和地質(zhì)部門管理，空間分布覆蓋研究區(qū)的主要地貌單元和水文地質(zhì)分區(qū)。觀測井深度范圍為30m～350m，包括淺層、中層和深層地下水監(jiān)測點。數(shù)據(jù)采集時間為2023年1—12月，以月為單位記錄地下水位。觀測方法采用自動水位計和人工測量相結(jié)合的方式，測量精度達到±1cm。除地下水位外，還收集了井位坐標、井深、濾水管位置和含水層巖性等輔助信息。數(shù)據(jù)質(zhì)量控制包括異常值檢測、缺失值插補和一致性檢驗。經(jīng)過處理的地下水位數(shù)據(jù)用于建立衛(wèi)星遙感反演模型和驗證監(jiān)測結(jié)果。

3 研究方法

3.1 基于Sentinel-1 InSAR的地表沉降與地下水位關(guān)系模型

本文應(yīng)用時間序列InSAR技術(shù)處理Sentinel-1數(shù)據(jù)，獲取華北平原地表沉降信息。利用SNAP軟件對122景SAR影像進行干涉處理，生成差分干涉圖[3]。利用StaMPS軟件進行永久散射體（PS）分析，提取穩(wěn)定反射點的形變信息。分析時間序列，得出研究區(qū)2023年的年均沉降速率分布?；诔两禂?shù)據(jù)和地質(zhì)參數(shù)，構(gòu)建地表沉降與地下水位變化的關(guān)系模型。模型采用彈性儲水系數(shù)法，考慮含水層壓縮性和土壤骨架彈性特性。模型表達式為Δh=ΔS/（Ske·b），其中Δh為地下水位變化；ΔS為地表沉降量；Ske為彈性儲水系數(shù)；b為含水層厚度。根據(jù)300個觀測井的實測數(shù)據(jù)進行模型參數(shù)校準和驗證，得出研究區(qū)不同水文地質(zhì)單元的彈性儲水系數(shù)。模型驗證結(jié)果顯示，InSAR反演的地下水位變化與實測數(shù)據(jù)的均方根誤差（RMSE）為0.32m，相關(guān)系數(shù)（R2）為0.87。不同水文地質(zhì)單元的彈性儲水系數(shù)見表1。InSAR形變監(jiān)測采用雙差分千分之一弧度相位精度控制，利用二維相位解纏和大氣相位校正，進行毫米級形變測量。永久散射體識別采用最小幅度離散指數(shù)法，設(shè)閾值為0.4，平均點密度為350點/km2。在地表沉降與地下水位關(guān)系模型中，彈性儲水系數(shù)基于壓水試驗和土工試驗數(shù)據(jù)，考慮含水層非均質(zhì)性影響。

3.2 利用Landsat 9多光譜遙感影像的地下水補給區(qū)識別方法

本文基于Landsat 9多光譜影像，開發(fā)了綜合指數(shù)法以識別地下水補給區(qū)。計算歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）、歸一化水體指數(shù)（Normalized Difference Water Index，NDWI）和土壤水分指數(shù)（Soil Moisture Index，SMI）。NDVI反映植被覆蓋狀況，NDWI用于提取地表水體，SMI表征土壤含水量[4]。采用主成分分析（rincipal Component Analysis，PCA）方法融合上述指數(shù)，構(gòu)建地下水補給潛力指數(shù)（GWRI）。GWRI計算公式為GWRI=w1PC1+w2PC2+w3·PC3，其中PCi為主成分；wi為權(quán)重系數(shù)。48景Landsat 9影像用于計算2023年生長季平均GWRI。結(jié)合DEM數(shù)據(jù)和地質(zhì)資料，采用決策樹分類方法，將研究區(qū)劃分為高補給、中補給、低補給和非補給區(qū)。根據(jù)300個觀測井的水位動態(tài)數(shù)據(jù)驗證分類結(jié)果，總體精度為86%。引入地形位置指數(shù)（Topographic Position Index，TPI）和曲率等輔助因子以提高識別準確性。GWRI分類閾值和各補給區(qū)面積統(tǒng)計見表2。GWRI指數(shù)構(gòu)建采用主成分分析方法，計算累計貢獻率達85%的前3個主成分。利用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練獲得權(quán)重系數(shù)，以300個觀測井的多年平均補給量為標簽數(shù)據(jù)?？紤]季節(jié)性變化，建立月度權(quán)重動態(tài)調(diào)整機制，權(quán)重調(diào)整范圍為±15%。

3.3 GRACE-FO數(shù)據(jù)的地下水儲量變化反演方法

根據(jù)GRACE-FO重力衛(wèi)星數(shù)據(jù)，采用水均衡法并結(jié)合陸地水循環(huán)模型反演華北平原地下水儲量變化。從GRACE-FO月均等效水高度（ΔTWS）中分離地下水儲量變化（ΔGWS）信號，計算公式為ΔGWS=ΔTWS-（ΔSM+ΔSWE+ΔSW），其中ΔSM為土壤水分變化；ΔSWE為積雪當量水變化；ΔSW為地表水儲量變化。GLDAS陸面模型提供土壤水分和積雪數(shù)據(jù)，Landsat影像用于提取地表水數(shù)據(jù)，球諧函數(shù)截斷和高斯濾波用于減少GRACE-FO數(shù)據(jù)的條帶誤差和泄漏效應(yīng)。計算出2018—2023年華北平原月度地下水儲量變化后，分析長期變化趨勢。采用下降尺度方法，并結(jié)合MODIS蒸散發(fā)產(chǎn)品和降水數(shù)據(jù)，將300km分辨率的GRACE-FO數(shù)據(jù)細化到10km網(wǎng)格，以提高空間分辨率。根據(jù)300個觀測井的地下水位數(shù)據(jù)驗證反演結(jié)果，相關(guān)系數(shù)（R2）為0.82。在下降尺度過程中采用區(qū)域統(tǒng)計分解法，結(jié)合高分辨率的土地利用數(shù)據(jù)和DEM數(shù)據(jù)構(gòu)建權(quán)重函數(shù)。利用PEST工具優(yōu)化陸地水循環(huán)模型參數(shù)，考慮7種不同土地覆蓋類型的水文特征。

3.4 多源遙感數(shù)據(jù)與地面觀測數(shù)據(jù)的融合算法

本文開發(fā)了基于貝葉斯框架的數(shù)據(jù)融合算法，綜合利用InSAR地表沉降、Landsat多光譜指數(shù)、GRACE-FO重力變化和地面觀測井數(shù)據(jù)，以提高地下水位監(jiān)測的時空連續(xù)性和準確性。融合過程包括數(shù)據(jù)預(yù)處理、先驗?zāi)Ｐ蜆?gòu)建和后驗估計3個步驟。在數(shù)據(jù)預(yù)處理階段，對不同來源的數(shù)據(jù)進行時空一致性校正和誤差評估。在先驗?zāi)Ｐ蜆?gòu)建階段，基于水文地質(zhì)概念模型，建立地下水位與各觀測變量的關(guān)系函數(shù)。在后驗估計階段，采用集合卡爾曼濾波（Ensemble Kalman Filter，EnKF）方法，遞歸更新地下水位估計值。算法在10km×10km網(wǎng)格上運行，時間分辨率為月。采用交叉驗證評估融合結(jié)果，平均絕對誤差（MAE）為0.28m，比單一數(shù)據(jù)源方法的精度提高了35%。融合算法精度評估結(jié)果見表3。

4 結(jié)果與分析

4.1 Sentinel-1 InSAR技術(shù)在地下水位監(jiān)測中的精度評估

Sentinel-1 InSAR技術(shù)在華北平原地下水位監(jiān)測中具有高精度和廣覆蓋的優(yōu)勢。研究區(qū)2023年地表累計沉降量范圍為0mm～152mm，年均沉降速率為0mm～127mm/a[5]。沉降中心主要分布在石家莊-衡水-滄州一帶，最大年均沉降速率達127mm/a。將彈性儲水系數(shù)法反演所得地下水位變化與300個觀測井實測數(shù)據(jù)進行比較，結(jié)果顯示InSAR反演精度較高。統(tǒng)計分析表明，InSAR反演地下水位與實測值的均方根誤差（RMSE）為0.32m，平均絕對誤差（MAE）為0.27m，相關(guān)系數(shù)（R2）為0.87。精度評估結(jié)果在不同水文地質(zhì)單元間存在差異，沖積平原區(qū)精度最高（RMSE=0.28m），而在巖溶裂隙水區(qū)精度相對較低（RMSE=0.45m）。時間序列分析顯示，InSAR技術(shù)能夠有效捕捉地下水位的季節(jié)性變化和長期趨勢。在75%的區(qū)域內(nèi)，InSAR反演的地下水位變化趨勢與實測數(shù)據(jù)的一致性＞90%。不同水文地質(zhì)單元的精度評估結(jié)果見表4。

4.2 Landsat 9多光譜遙感影像識別地下水補給區(qū)的準確性分析

Landsat 9多光譜遙感影像基于地下水補給潛力指數(shù)（GWRI）識別地下水補給區(qū)的方法取得了良好效果。將研究區(qū)劃分為高補給、中補給、低補給和非補給4類區(qū)域，總體識別精度為86%。高補給區(qū)主要分布在山前沖洪積扇和主要河流沿岸，占研究區(qū)面積的9.0%。中補給區(qū)占30.0%，主要為平原區(qū)地表水體周圍和淺層地下水埋深＜3m的區(qū)域。低補給區(qū)占40.0%，分布在平原腹地。非補給區(qū)占21.0%，主要為城市建成區(qū)和黏土層覆蓋區(qū)。根據(jù)300個觀測井的水位動態(tài)數(shù)據(jù)進行驗證，高補給區(qū)識別準確率最高，為93%；中補給區(qū)和低補給區(qū)準確率分別為88%和84%；非補給區(qū)準確率為79%。誤分類主要發(fā)生在補給區(qū)邊界和復(fù)雜地質(zhì)條件區(qū)域。時間序列分析顯示，GWRI能夠反映季節(jié)性降水對地下水補給的影響，夏季補給區(qū)面積比冬季增加12.5%。結(jié)合地形因子后，山前區(qū)識別精度提高了7%。

4.3 GRACE-FO數(shù)據(jù)反演區(qū)域地下水儲量變化的可靠性驗證

GRACE-FO重力衛(wèi)星數(shù)據(jù)反演華北平原地下水儲量變化的結(jié)果顯示出較高的可靠性。2018—2023年間，研究區(qū)地下水儲量持續(xù)下降，年均減少量為9.35±1.25km3。在空間分布上，地下水虧損主要集中在石家莊-邯鄲-衡水三角區(qū)，最大年均虧損率為33mm/a。時間序列分析表明，地下水儲量變化呈現(xiàn)明顯的季節(jié)性波動，但是整體呈下降趨勢，年際間波動幅度逐漸變小。與地面觀測井網(wǎng)絡(luò)數(shù)據(jù)相比，GRACE-FO反演結(jié)果在區(qū)域尺度上表現(xiàn)出良好的一致性，相關(guān)系數(shù)（R2）為0.82。在10km網(wǎng)格尺度上，71%的網(wǎng)格單元反演結(jié)果與插值后的地面觀測數(shù)據(jù)偏差＜20%。誤差分析顯示，平原邊緣和水文地質(zhì)條件復(fù)雜區(qū)域的反演精度相對較低。采用水均衡法進行驗證，GRACE-FO反演的地下水儲量變化與降水入滲、灌溉回歸和地下水開采量的收支平衡吻合度為88%。

4.4 多源遙感數(shù)據(jù)融合結(jié)果與地面觀測數(shù)據(jù)比較

多源遙感數(shù)據(jù)融合算法顯著提高了地下水位監(jiān)測的時空連續(xù)性和準確性。融合結(jié)果在10km×10km網(wǎng)格上實現(xiàn)了月尺度的地下水位變化監(jiān)測。與單一數(shù)據(jù)源相比，融合算法在空間分辨率和時間連續(xù)性上均有顯著提升。精度評估顯示，融合結(jié)果與300個地面觀測井數(shù)據(jù)的平均絕對誤差（MAE）為0.28m，均方根誤差（RMSE）為0.35m，相關(guān)系數(shù)（R2）為0.91。與單一數(shù)據(jù)源相比，融合算法的誤差降低了35%。時間序列分析表明，融合結(jié)果能夠準確捕捉地下水位的季節(jié)性變化和長期趨勢，87%的網(wǎng)格單元趨勢一致性＞95%。在空間分布上，平原中部精度最高，邊緣山前區(qū)和河流交匯處精度相對較低。不同深度地下水的監(jiān)測精度存在差異，淺層地下水（埋深lt;50m）精度最高，深層地下水（埋深gt;200m）精度相對較低。融合算法還提高了對極端事件的響應(yīng)能力，在2023年夏季強降水期間，捕捉到93%的觀測井出現(xiàn)短期地下水位快速上升現(xiàn)象。不同區(qū)域和深度的融合精度統(tǒng)計見表5。

5 結(jié)語

本文綜合運用Sentinel-1 InSAR、Landsat 9多光譜遙感和GRACE-FO重力衛(wèi)星數(shù)據(jù)，結(jié)合300個地面觀測井的實測數(shù)據(jù)，對華北平原地下水位變化進行了系統(tǒng)監(jiān)測和分析。結(jié)果表明，InSAR技術(shù)能夠以±2.3cm的精度反演地下水位變化，多光譜遙感影像在識別地下水補給區(qū)方面的準確率為86%。2018—2023年間，研究區(qū)地下水位年均下降率為0.5m，其中農(nóng)業(yè)開采貢獻了72%的降幅。衛(wèi)星遙感技術(shù)為大范圍、長時間序列的地下水位監(jiān)測提供了有效手段，解決了傳統(tǒng)監(jiān)測方法點位稀疏、費用較高等問題，但是該技術(shù)在深層地下水監(jiān)測和短期變化捕捉方面存在局限性。未來研究應(yīng)著重開發(fā)多源遙感數(shù)據(jù)融合算法，提高時空分辨率和監(jiān)測精度。同時，建議將衛(wèi)星遙感監(jiān)測結(jié)果納入華北平原水資源管理決策體系，為制定科學的地下水開采政策和實施精準灌溉提供數(shù)據(jù)支撐，促進該地區(qū)水資源的可持續(xù)利用。

參考文獻

[1]孫秀峰，郭磊，高仁強.基于深度學習的河湖庫衛(wèi)星遙感“四亂”識別方法研究[J].科技與創(chuàng)新，2024（17）：125-127，130.

[2]張莉萍.水文地質(zhì)勘查技術(shù)在巖土工程中的應(yīng)用探討[J].工程建設(shè)與設(shè)計，2024（4）：41-43.

[3]張?zhí)m新.礦山水工環(huán)地質(zhì)勘查工作中的技術(shù)要點研究[J].世界有色金屬，2024（3）：187-189.

[4]葛孟琰.干旱區(qū)內(nèi)陸河尾閭濕地區(qū)地下水與植被生態(tài)系統(tǒng)耦合機制研究[D].武漢：中國地質(zhì)大學，2022.

[5]黃小魚.基于數(shù)據(jù)同化的衛(wèi)星遙感監(jiān)測土壤鹽漬化方法研究[D].咸陽：西北農(nóng)林科技大學，2022.