2. 清华大学水圈科学与水利工程全国重点实验室, 北京 100084;
3. 清华大学水利部水圈科学重点实验室, 北京 100084;
4. 清华大学 水利水电工程系, 北京 100084
2. State Key Laboratory of Hydroscience and Engineering, Tsinghua University, Beijing 100084, China;
3. Key Laboratory of Hydrosphere Science of the Ministry of Water Resources, Tsinghua University, Beijing 100084, China;
4. Department of Hydraulic Engineering, Tsinghua University, Beijing 100084, China
天然河流以一定的边界形态承载着水流及物质的输移，开展河流水资源、水文过程、物质通量和生态环境的研究、理解和预测，需要以河网水系的平面几何和断面形态为基础信息[1]。河流断面形态获取方式主要是现场直接测量[2-3]、经验公式推断[4-5]和数字高程模型(digital elevation model, DEM)提取[6-7]。然而，受现场量测方法、有限的地面观测站及DEM精度的限制，导致江河源区、山区和偏远地区的河流断面信息积累极为匮乏；已有现场测量数据集数据较少、通常也无法公开获取，这些区域也是典型的缺资料或无资料地区，导致针对河流断面形态开展的各项研究尚处于初步阶段[8]。许多水文模型被迫使用不现实的截面形状或简化的河网[9-10]，需要依靠参数校准来减小误差。河道断面资料的严重缺乏，阻碍了河流水资源、水文过程、物质通量等方面的研究，是国际水文协会(International Association of Hydrological Sciences, IAHS)自本世纪初力倡解决的无测站流域水文预测(predictions in ungauged basins, PUB)难题[11]。
在过去的20年里，卫星测高法被广泛用于监测冰川、海洋、湖泊和大型内陆水体的表面高度。与传统测量方法相比，卫星测高法可以提供广泛的时空覆盖，从而减少了数据收集的时间和成本，国内外研究者们通过卫星测高数据开展了很多河道水力参数提取的研究。文[12-15]结合有限的实测资料、卫星测高数据和光学遥感影像，通过反演和估算，提取了如水深、流量、水位、水面坡度、横断面、水位等水力参数；文[6, 16]采用开源的DEM和卫星测高数据进行河流断面关键参数的提取，然后进行河流断面形态的概化。尽管大规模的遥感技术越来越多地应用到河道水力参数的提取，但是对于在河流网络中占比很高的小型河流(河宽小于150 m)，目前常用的卫星测高数据空间分辨率太低，例如CryoSat-2和Sentinel-3的空间分辨率都为250~300 m[11]。
美国航空航天局(National Aeronautics and Space Administration, NASA)于2018年发射的ICESat-2 (ice, cloud and land elevation satellite-2)卫星首次搭载了光子计数激光雷达系统ATLAS (advanced topographic laser altimeter system)[17]，照射到地表的光斑即足印直径约17 m，光斑中心间隔只有0.7 m[18]，在沿轨方向可以获取光斑更小、密度更高的光子点云数据，进而实现更精细的地表三维信息获取[19]，ICESat-2提供的高密度光子点云为高精度提取狭窄河流水力参数提供了可能。当前，采用ICESat-2数据提取水体信息的研究主要聚焦海洋、湖泊和水库的水位和水深提取[20-22]，水位变化趋势及影响因素分析方面[23-24]。也有研究者[11, 15]通过融合ICESat-2数据和Sentinel-2光学影像，提取枯水期河流水面和地表高程以及不同时期河宽，来进行河流水动力模型的校准，取得了比较好的结果，但是研究对象为枯水期宽度在80 m以上的河流。对枯水期为10 m以下细小河流断面提取的研究未见报道。
本文针对河流网络中占比较大的缺资料地区细小河流河道断面形态提取问题，以黄河中游一级支流皇甫川流域为例，提出了一种基于ICESat-2 ATL03数据的河宽小于10 m的山区细小河流断面提取方法，通过光子点云平滑滤波去噪、地面点提取等操作构建河流断面，利用无人机原位测量地形数据对河流断面形态提取结果进行精度评估。研究结果可以部分补充缺资料地区细小河流三维时空信息，也表明ICESat-2测高数据在无或缺资料地区河流水力参数提取方面具有应用前景。
1 研究区和数据 1.1 研究区皇甫川发源于鄂尔多斯高原东部、黄土高原与荒漠草原的过渡地带，属于黄河一级支流，位于黄河中游上段[25]、黄土高原东北缘，介于110°20′E~111°15′E，39°12′N~39°59′N之间，如图 1所示。皇甫川流域支流多且河道窄，是典型的间歇性河流分布区；干流上共设有沙圪堵、皇甫2座水文站；干流总长137 km，流域面积3 246 km2；纳林川和十里长川是构成皇甫川的两大支流。根据水利部黄河中游水文年鉴中2个水文站2010—2018年实测水文数据，干流河宽枯水期平均为2~4 m，丰水期平均为3~150 m，但是一日内河宽变化较大。流域地处半干旱高原地区，砒砂岩大面积裸露，沙地面积大，土壤类型以栗钙土、黄绵土和风沙土为主[26]。
|
| 图 1 研究区位置及各数据分布图 |
首先，叠加流域内基于国产GF-1和ZY-3影像提取的平滩河流表面矢量和ICESat-2 ATL03轨道数据；然后，选择与平滩河流表面近乎垂直的3条轨道的ICESat-2 ATL03数据来提取河道断面，并利用无人机获取的地表高程数据作为实测断面对提取结果进行精度验证。图 1中，蓝色面域为利用GF-1和ZY-3影像提取的连通的平滩河流表面矢量，玫红色点位为ICESat-2 ATL03轨道与河流表面近似垂直交点，同时也是无人机飞行点位。
1.2 研究数据1) 矢量数据。
本研究使用的矢量数据主要包含2个：一个是研究区流域边界矢量，该边界矢量数据采用清华大学开发的一种不修改高程的改进流动加强方法(drainage network extraction tool, DNET)[27]，基于90 m分辨率的SRTM DEMv4.1数据集提取。另一个是研究区内基于2013年7月和8月的GF-1影像、2013年7月和2014年9月的ZY-3影像提取的平滩流量下的平滩河流表面矢量数据。本文利用平滩河流中心线来确定流域内ICESat轨道与河流中心线近似垂直的ATL03数据，用平滩河流表面矢量来确定ICESat-2 ATL03数据的范围。
2) ICESat-2的ATL03产品数据。
ICESat-2卫星主要用于监测两极冰层变化、全球植被以及云和气溶胶。除了冰层，首次搭载的先进地形激光测高系统ATLAS还用于量测海面、陆地表面的高度，包括森林、雪、湖泊、河流等。ATLAS共发射6束激光束，在沿轨方向分3组平行排列，由组间地表距离约3.3 km、组内地表距离为90 m、能量比大约为4∶1的强、弱激光束组成[28]。
根据美国国家冰雪数据中心(National Snow & Ice Data Center, NSIDC) 给出的定义，ICESat-2共有22种数据产品，分别命名为ATL00—ATL23，包括Level-1、Level-2、Level-3A、Level-3B四个等级。ATL03是Level-2级产品之一，是在遥测数据、精密轨道数据、精密姿态数据支持下，利用激光脚点定位模型，结合地球物理改正(如大气折射、潮汐改正等)生成的带有精确地理坐标的点云数据。该产品提供了每个光子事件的经纬度、时间、椭球高度、高程值和置信度，按轨以hdf5文件格式封装。ATL03将每个光子事件分类为可能的信号光子事件或背景光子事件。这种分类是通过生成光子事件数量随高度变化的直方图，并计算每个直方图分箱的信噪比来完成的，那些信噪比高于某个阈值的分箱中的光子事件被归类为信号光子事件，而其他光子事件被归类为背景光子事件，并且基于信噪比为每个光子事件贴上置信度标签，置信度分为0、1、2、3、4五个级别，置信度越高的光子事件是信号光子事件的可能性越高[29]。ATL08是Level-3级产品之一，由ATL03处理得到。ATL08包括ATL03中光子的分类标识(噪声、地面、植被和冠顶)和每100 m统计单元的陆地和植被参数。本文使用的ICESat-2 ATL03和ATL08数据是从NSIDC网站(https://nsidc.org/data/data-access-tool)免费下载的。数据选取原则：1) 数据轨道与河流表面矢量中心线近似垂直；2) 尽量选择研究区枯水期数据。最后选择了3个波束(2个强波束、1个弱波束)的ATL03数据，ATL08数据与ATL03数据一一对应。数据详细信息见表 1。
| 断面位置 | ATL03数据 | 波束编号 | 河流水量 | 置信度去噪/% | 滤波去噪/% |
| 1 | ATL03_20200510043708_06820702_005_01.h5 | GT1R(强) | 丰—枯之间 | 64.3 | 5.0 |
| 2 | ATL03_20190908042935_11010406_005_01.h5 | GT1R(强) | 丰水期 | 59.8 | 3.4 |
| 3 | ATL03_20210306022830_11011006_005_01.h5 | GT1L(弱) | 枯水期 | 84.3 | 3.3 |
3) 验证数据。
除了人工现场量测外，DEM是最常用的提取河流断面的数据源[6, 27]。本文采用RTK无人机获取的DEM作为河流断面提取结果的验证数据。
无人机数据采集时间是2023年5月6—8日，皇甫川流域处于枯水期，河宽较窄，流域内存在河流断流河干现象，利用大疆经纬M300 RTK多旋翼无人机搭载半画幅五镜头倾斜摄影相机，对ATL03轨道与河流中心线近似垂直的点位飞行获取数据，共采集了3个点位的地表数据(见图 1)，通过数据处理得到水平和垂直分辨率为5 cm的DEM。
2 数据处理与方法分析基于ATL03数据、平滩河流表面矢量数据(平滩河流的定义和确定见文[30-31])、无人机获取的DEM数据等，通过数据预处理、点云平滑滤波去噪处理、河道断面构建和精度评价等步骤，获取细小河流河道水面以上断面信息。图 2给出了河流断面各要素的直观显示。
|
| 图 2 河流断面各要素平面显示图 |
基于ICESat-2 ATL03数据提取河道断面流程如图 3所示。
|
| 图 3 基于ICESat-2数据提取河道断面流程 |
2.1 数据预处理
1) 无人机倾斜数据处理。
首先对原始倾斜摄影数据进行影像质量和飞行参数的质检，然后利用Smart 3D软件对数据进行空中三角测量处理，生成3个研究位置水平和垂直分辨率为5 cm的DEM成果，图 4给出了无人机获取的DEM与ICESat-2 ATL03激光脚点的叠加结果。
|
| 图 4 DEM和ATL03数据叠加结果 |
2) ATL03数据预处理。
属性信息读取。利用分析软件PhoREAL-v3.0 (https://github.com/icesat-2UT/PhoREAL) 将ATL03数据从h5文件转换成csv文件，从csv文件中读取出经度、纬度、椭球高、置信度、光子分类等属性信息。通过关联对应的ATL08产品，提取ATL03光子点云的分类标签，提取出ATL03数据中Classification=1的地面光子点，用于后续地面光子点提取结果验证。
数据筛选。对经过属性信息选择后的ATL03数据，利用平滩河流表面矢量做约束，提取出表面矢量内的ATL03数据。本文使用的ICESat-2 ATL03产品都是白天采集的数据，太阳背景和大气散射噪声影响较大，信噪比相对较低一些。信噪比高的光子事件置信度更高，更可能为信号光子事件。本研究选取了置信度为2、3、4的光子点云用于后续的研究。
2.2 ATL03点云平滑滤波去噪处理与分析1) 基于高程密度统计的点云粗去噪处理。
通过目视解译，地表和水面信号光子一般集中在一定的高度范围内，信号光子在高程方向上比较密集并且连续，
噪声光子则在空间上呈现随机分布特征。为了减少数据处理的计算量，对经过数据筛选后的点云数据，按照高程划分区间，进行点云密度直方图统计，操作步骤如下：
① 计算点云数据的高程最大值Hmax和最小值Hmin，从Hmin起到Hmax止，按照0.5 m间隔划分出n个高程区间。
| $ n=\frac{H_{\max }-H_{\min }}{0.5}. $ |
② 统计n个高程区间内点云密度的平均值，作为密度阈值T；
③ 提取出点云密度大于或等于T的高程区间，提取这些高程区间中点云数据高程的最大和最小值；
④ 提取出落在步骤③高程最大和最小值范围内的点云数据，完成光子点云的粗去噪处理。
2) 基于改进DBSCAN聚类的点云精去噪处理。
对粗去噪后的点云数据采用改进的DBSCAN聚类方法进行精去噪处理。DBSCAN聚类主要就是通过确定邻域参数ε和最小点云数P进行点云聚类来完成点云精去噪处理。操作步骤如下：
① 沿轨方向计算所有2个点云之间的距离Dij，从中确定距离最大值Dmax和最小值Dmin，从Dmin起到Dmax止，按照1米间隔划分出多个距离区间。
| $ D_{i j}=\sqrt{\left(x_i-x_j\right)^2+\left(y_i-y_j\right)^2} . $ |
其中，xi代表第i个点云的纬度，yi代表第i个点云的高程。
② 基于频数直方图，统计Dij在每个距离区间出现的频数，确定频数出现次数最多的距离区间[32]，取该距离区间作为邻域ε，本文中P取为6；
③ 利用ε和P执行DBSCAN聚类，提取聚集于点云簇范围内的点云数据，完成光子点云的精去噪处理。
2.3 地面光子点提取和DEM生成1) 地面光子提取和DEM生成。
经过精去噪处理后的光子点云一般只包括地表、植被和异常点等相关点云。本文对精去噪后的点云人工去除非地面点得到地面光子点云。然后对地面光子点云采用Kriging方法插值生成分辨率为0.5 m的DEM数据。
2) 水位高程估测。
对地面点云高程做概率密度直方图统计，利用概率密度直方图统计结果确定阈值T的大致范围，然后确定满足概率密度大于给定阈值T时的最小高程值和对应的索引值，选择该索引值对应点及其前后各2个点，求取这5个点的高程平均值作为水位高程。
3 结果与讨论 3.1 点云去噪和地面点提取结果3个波束ATL03点云数据去噪结果见图 5，其中，第1列是置信度去噪结果、第2列是对第1列两条红色虚线内点云放大显示结果、第3列是滤波去噪结果、第4列是提取的地面点与采用ATL08产品提取的ATL03地面标签点的对比结果，相对原始点云的置信度去噪率和滤波去噪率见表 1。置信度去噪率为59.8%~84.3%，表明按照中、高置信度筛选可以有效去除噪声。
|
| 图 5 无人机飞行点位3条轨道ATL03点云数据去噪结果图 |
3.2 河流断面形态提取结果
图 6给出了基于无人机原位测量获取的5 cm DEM和ICESat-2 ATL03数据获取的0.5 m DEM提取的河流断面形态对比结果，同时分别给出了基于无人机原位测量DEM和ICESat-2 ATL03地面点估测的河流水位。
|
| 图 6 3个测量位置无人机获取DEM和ICESat-ATL03数据获取DEM提取的河流断面形态对比结果 |
3.3 讨论与分析
1) 与ATL08提取的ATL03地面标签光子结果的对比分析。
从图 5第4列可以看出，采用本文方法从ATL03数据中提取的地面点完整度和丰富度要明显优于利用ATL08产品提取的ATL03地面标签光子点云结果，在无人机原位测量的第1位置尤为明显。而且，利用ATL08产品提取的ATL03地面标签光子对边坡的刻画能力较弱，边坡覆盖点很少或者基本没有，这就导致对河流断面形态的刻画不完整并且与实际形态相差较大。相比利用ATL08产品提取的ATL03地面标签光子点云结果，采用本文方法基于ATL03数据提取山区细小河流地面点来刻画河流断面形态更加细致可靠。
2) 结果定性分析。
基于ICESat-2 ATL03数据提取的地形与无人机原位测量结果在边坡、河流水位、地表和河道形态等细节上面存在一定偏差，分析主要有以下几个原因：
① 二者分辨率不同，基于无人机倾斜摄影测量得到的原位测量DEM的水平和垂直分辨率均为5 cm，基于ICESat-2 ATL03数据得到的DEM分辨率是50 cm，后者分辨率是前者的10倍，原位测量对地表形态的刻画更细致。
② 从图 5可以看出，ICESat-2对较缓边坡的点云获取明显优于对较陡边坡的点云获取。轨道高度、倾角和升降轨方式可能影响了较陡边坡点云数据的覆盖能力和准确性。
③ 研究对象为山区细小河流，既存在陡坡又存在细小、河流泥沙含量高等特殊情况，这些都直接影响点云覆盖能力和点云去噪精度，使得断面形态与原位测量存在一定偏差。
④ 数据采集时间不同，3个测量位置无人机原位测量时间是2023年5月6—8日，在该时间和位置无ICESat-2数据覆盖。本文3个测量位置UAV1、UAV2和UAV3采用的ICESat-2数据获取时间分别是2020年5月10日、2019年9月8日和2021年3月6日。在不考虑卫星系统误差和研究提取误差的情况下，UAV1测量位置ICESat-2数据获取时间与原位测量月份一致，提取的河流断面和水位整体都在原位测量以下，说明该位置近3年河道可能以泥沙淤积为主；UAV2测量位置ICESat-2数据获取时间为丰水期，水位、河道左右两岸边坡均在原位测量以上，说明该位置近4年可能是以泥沙冲蚀为主；UAV3测量位置ICESat-2数据获取时间为枯水期，水位低于原位测量结果，从图 6可以看出，该位置近2年主河槽从左侧改道到了右侧，左侧边坡可能发生过滑坡，导致河道淤积明显。
3) 结果定量分析。
图 6中UAV1和UAV3两个位置无人机原位测量结果和基于ICESat-2的提取结果形态存在较大偏差，前面对这些偏差做了定性分析，本文选择冲淤变化较小的UAV2位置进行ICESat-2提取精度的定量评价。分别对ICESat-2和原位测量地形数据沿着纬度方向每隔0.5米选取一个点做线性估计(见图 7)，高程线性估计决定系数R2和均方根误差(root mean square error, RMSE) 分别为0.96和0.69 m。
|
| 图 7 ICESat-2提取高程与原位测量高程线性回归 |
4 结论
本文提出了基于ICESat-2 ATL03数据提取山区细小河流断面形态的方法，采用中、高置信度选择和平滑滤波相结合的方法进行点云去噪。利用2019—2021年ICESat-2 ATL03测高数据对黄河中游一级支流皇甫川流域进行了细小河流地面点提取和断面构建，并分别与利用ICESat-2 ATL08产品提取的ATL03地面标签光子点云和无人机原位测量结果进行了对比分析。该文方法得到的地面点完整度和丰富度都优于利用ATL08产品提取的ATL03地面标签光子点云结果；地表高程提取结果与无人机原位测量结果相关性较高。研究初步证实了该方法的可行性，为弥补缺资料地区细小河流三维时空信息的不足提供了一种技术选择，具有重要的意义。
受限于ICESat-2数据的线性采集方式、轨道与河道的交角、数据覆盖能力等因素，本文未能对同一个位置进行较高频次的提取、未能保证ICESat-2数据与验证数据获取时间的一致性，导致未对河道泥沙冲淤变化进行时序性分析，后续将通过预测ICESat-2轨道经过时间，同期进行无人机原位测量的方式，从而尽量保证ICESat-2数据与验证数据获取时间的一致性；所研究的位置河宽过窄，流域内没有ICESat-2 ATL13水位产品点分布，因此没有对水位估测精度进行定量评价，后续将选择有水文测站分布的位置或通过人工测量同时期水位来进行水位精度验证；对地面点提取时，没有考虑河流泥沙对点云反射的影响，后续将通过计算边坡坡度来确定高程变化阈值加以修正。下一步考虑融合ICESat-2、Sentinel-1、JASON系列测高卫星和高分光学卫星等多源遥感数据，在更加复杂、缺资料区域，对不同河宽的河流断面形态进行动态监测提取，更好地支撑对缺资料地区时空数据的完善。
| [1] |
胡春宏, 郑春苗, 王光谦, 等. "西南河流源区径流变化和适应性利用"重大研究计划进展综述[J]. 水科学进展, 2022, 33(3): 337-359. HU C H, ZHENG C M, WANG G Q, et al. Reviews of the major research plan "runoff change and its adaptive management in the source region of major rivers in Southwestern China"[J]. Advances in Water Science, 2022, 33(3): 337-359. (in Chinese) |
| [2] |
POWERS C, HANLON R, SCHMALE D G. Tracking of a fluorescent dye in a freshwater lake with an unmanned surface vehicle and an unmanned aircraft system[J]. Remote Sensing, 2018, 10(1): 81. DOI:10.3390/rs10010081 |
| [3] |
GU P F, LIAO A M, LIU H W, et al. River cross-section measurement using unreviewed aerial vehicle with an improved bathymetry instrument[J]. Journal of Hydrology, 2023, 624: 129737. DOI:10.1016/j.jhydrol.2023.129737 |
| [4] |
QIN C, WU B S, WANG G Q, et al. Spatial distributions of at-many-stations hydraulic geometry for mountain rivers originated from the Qinghai-Tibet Plateau[J]. Water Resources Research, 2021, 57(6): e2020WR029090. DOI:10.1029/2020WR029090 |
| [5] |
MA H B, NITTROUER J A, FU X D, et al. Amplification of downstream flood stage due to damming of fine-grained rivers[J]. Nature Communications, 2022, 13(1): 3054. DOI:10.1038/s41467-022-30730-9 |
| [6] |
VERMA R K, ASHWINI K, SINGH A. Channel morphology and prediction of mid-line channel migration in the reach of Ganga River using GIS and ARIMA modeling during 1975—2020[J]. H2Open Journal, 2021, 4(1): 321-335. DOI:10.2166/h2oj.2021.124 |
| [7] |
薛源, 覃超, 徐梦珍, 等. 基于多源遥感数据的河流断面提取进展与展望[J/OL]. 遥感学报, (2024-03-08) [2024-03-12]. https://www.ygxb.ac.cn/zh/article/doi/10.11834/jrs.20243315/. XUE Y, QIN C, XU M Z, et al. Progress and prospects in river cross section extraction based on multi-source remote sensing [J/OL]. National Remote Sensing Bulletin, (2024-03-08) [2024-03-12]. https://www.ygxb.ac.cn/zh/article/doi/10.11834/jrs.20243315/. (in Chinese) |
| [8] |
姚檀栋, 王伟财, 安宝晟, 等. 1949—2017年青藏高原科学考察研究历程[J]. 地理学报, 2022, 77(7): 1586-1602. YAO T D, WANG W C, AN B S, et al. The scientific expedition and research activities on the Tibetan Plateau in 1949—2017[J]. Acta Geographica Sinica, 2022, 77(7): 1586-1602. (in Chinese) |
| [9] |
ABBASPOUR K C, ROUHOLAHNEJAD E, VAGHEFI S, et al. A continental-scale hydrology and water quality model for Europe: Calibration and uncertainty of a high-resolution large-scale SWAT model[J]. Journal of Hydrology, 2015, 524: 733-752. DOI:10.1016/j.jhydrol.2015.03.027 |
| [10] |
CHEN X, LONG D, HONG Y, et al. Improved modeling of snow and glacier melting by a progressive two-stage calibration strategy with GRACE and multisource data: How snow and glacier meltwater contributes to the runoff of the Upper Brahmaputra River basin?[J]. Water Resources Research, 2017, 53(3): 2431-2466. DOI:10.1002/2016WR019656 |
| [11] |
FRIAS M C, LIU S X, MO X G, et al. River hydraulic modeling with ICESat-2 land and water surface elevation[J]. Hydrology and Earth System Sciences, 2023, 27(5): 1011-1032. DOI:10.5194/hess-27-1011-2023 |
| [12] |
龙笛, 李雪莹, 李兴东, 等. 遥感反演2000—2020年青藏高原水储量变化及其驱动机制[J]. 水科学进展, 2022, 33(3): 375-389. LONG D, LI X Y, LI X D, et al. Remote sensing retrieval of water storage changes and underlying climatic mechanisms over the Tibetan Plateau during 2000—2020[J]. Advances in Water Science, 2022, 33(3): 375-389. (in Chinese) |
| [13] |
SCHERER D, SCHWATKE C, DETTMERING D, et al. ICESat-2 based river surface slope and its impact on water level time series from satellite altimetry[J]. Water Resources Research, 2022, 58(11): e2022WR032842. DOI:10.1029/2022WR032842 |
| [14] |
XUE Y, QIN C, WU B S, et al. Simulation of runoff process based on the 3-D river network[J]. Journal of Hydrology, 2023, 626: 130192. DOI:10.1016/j.jhydrol.2023.130192 |
| [15] |
ZHOU H W, LIU S X, MO X G, et al. Calibrating a hydrodynamic model using water surface elevation determined from ICESat-2 derived cross-section and Sentinel-2 retrieved sub-pixel river width[J]. Remote Sensing of Environment, 2023, 298: 113796. DOI:10.1016/j.rse.2023.113796 |
| [16] |
PETIKAS I, KERAMARIS E, KANAKOUDIS V. A novel method for the automatic extraction of quality non-planar river cross-sections from digital elevation models[J]. Water, 2020, 12(12): 3553. DOI:10.3390/w12123553 |
| [17] |
TIAN X X, SHAN J. Comprehensive evaluation of the ICESat-2 ATL08 terrain product[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(10): 8195-8209. DOI:10.1109/TGRS.2021.3051086 |
| [18] |
周智标, 周辉, 马跃, 等. ICESat-2激光雷达海面信号提取和海浪要素计算[J]. 红外与激光工程, 2023, 52(2): 204-212. ZHOU Z B, ZHOU H, MA Y, et al. ICESat-2 lidar sea surface signal extraction and ocean wave element calculation[J]. Infrared and Laser Engineering, 2023, 52(2): 204-212. (in Chinese) |
| [19] |
朱笑笑, 王成, 习晓环, 等. ICESat-2星载光子计数激光雷达数据处理与应用研究进展[J]. 红外与激光工程, 2020, 49(11): 20200259. ZHU X X, WANG C, XI X H, et al. Research progress of ICESat-2/ATLAS data processing and applications[J]. Infrared and Laser Engineering, 2020, 49(11): 20200259. (in Chinese) |
| [20] |
LIU C, HU R H, WANG Y F, et al. Monitoring water level and volume changes of lakes and reservoirs in the Yellow River Basin using ICESat-2 laser altimetry and Google Earth Engine[J]. Journal of Hydro-environment Research, 2022, 44: 53-64. DOI:10.1016/j.jher.2022.07.005 |
| [21] |
SONG L J, SONG C Q, LUO S X, et al. Integrating ICESat-2 altimetry and machine learning to estimate the seasonal water level and storage variations of national-scale lakes in China[J]. Remote Sensing of Environment, 2023, 294: 113657. DOI:10.1016/j.rse.2023.113657 |
| [22] |
XIAO W X, HUI F M, CHENG X, et al. An automated algorithm to retrieve the location and depth of supraglacial lakes from ICESat-2 ATL03 data[J]. Remote Sensing of Environment, 2023, 298: 113730. DOI:10.1016/j.rse.2023.113730 |
| [23] |
ZHANG Z J, BO Y C, JIN S G, et al. Dynamic water level changes in Qinghai Lake from integrating refined ICESat-2 and GEDI altimetry data (2018—2021)[J]. Journal of Hydrology, 2023, 617: 129007. DOI:10.1016/j.jhydrol.2022.129007 |
| [24] |
郭孝祖, 金双根. 利用ICESat-2激光测高监测长江三峡水位变化[J]. 测绘科学, 2022, 47(7): 21-26. GUO X Z, JIN S G. Water level changes in the Three Gorges of the Yangtze River from ICESat-2 laser altimeter data[J]. Science of Surveying and Mapping, 2022, 47(7): 21-26. (in Chinese) |
| [25] |
薛源, 覃超, 吴保生, 等. 基于多源国产高分辨率遥感影像的山区河流信息自动提取[J]. 清华大学学报(自然科学版), 2023, 63(1): 134-145. XUE Y, QIN C, WU B S, et al. Automatic extraction of mountain river information from multiple Chinese high-resolution remote sensing satellite images[J]. Journal of Tsinghua University (Science and Technology), 2023, 63(1): 134-145. (in Chinese) |
| [26] |
毕彩霞. 黄河中游皇甫川流域产沙性降雨及其对径流输沙的影响[D]. 北京: 中国科学院研究生院, 2013. BI C X. Study on watershed sediment yield rainfall and contributions of the watershed sediment yield rainfall to runoff and sediment in Huangfuchuan River Basin [D]. Beijing: Graduate University of Chinese Academy of Sciences, 2013. (in Chinese) |
| [27] |
WU T, LI J Y, LI T J, et al. High-efficient extraction of drainage networks from digital elevation models constrained by enhanced flow enforcement from known river maps[J]. Geomorphology, 2019, 340: 184-201. DOI:10.1016/j.geomorph.2019.04.022 |
| [28] |
何明琴, 金双根, 张志杰, 等. 利用ICESat-2激光测高监测和评估鄱阳湖水位变化特征[J/OL]. 南京信息工程大学学报(自然科学版), (2022-06-17) [2024-03-12]. https://kns.cnki.net/kcms/detail/32.1801.n.20220616.0946.002.html. HE M Q, JIN S G, ZHANG Z J, et al. Monitoring and assessment of water level variation characteristics in Poyang Lake by ICESat-2 altimeter [J/OL]. Journal of Nanjing University of Information Science & Technology (Natural Science Edition), (2022-06-17) [2024-03-12]. https://kns.cnki.net/kcms/detail/32.1801.n.20220616.0946.002.html. (in Chinese) |
| [29] |
NEUMANN T A, BRENNER A, HANCOCK D, et al. Ice, Cloud, and Land Elevation Satellite (ICESat-2) Project Algorithm Theoretical Basis Document (ATBD) for Global Geolocated Photons ATL03, Version 6. ICESat-2 Project [Z/OL]. (2022-10-04)[2024-03-12]. https://nsidc.org/sites/default/files/documents/technical-reference/icesat2_atl03_Atbd_v006.pdf.
|
| [30] |
LI D, WANG G, QIN C, et al. River extraction under bankfull discharge conditions based on Sentinel-2 imagery and DEM data[J]. Remote Sensing, 2021, 13: 2650. DOI:10.3390/rs13142650 |
| [31] |
LI D, XUE Y, QIN C, et al. A bankfull geometry dataset for major exorheic rivers on the qinghai-tibet plateau[J]. Scientific Data, 2022, 9(1): 498. DOI:10.1038/s41597-022-01614-w |
| [32] |
张少华, 施银迪, 谭莲红, 等. 基于改进DBSCAN的单光子激光点云去噪算法[J]. 矿山测量, 2022, 50(1): 32-37. ZHANG S H, SHI Y D, TAN L H, et al. Single-photon laser point cloud noise reduction algorithm based on improved DBSCAN[J]. Mine Surveying, 2022, 50(1): 32-37. (in Chinese) |