CYGNSS 淹没分数数据集基于GNSS反射信号的全球洪水监测引言洪水是全球最常见、造成损失最严重的自然灾害之一。然而传统的光学遥感卫星在洪水期间往往受制于云层遮挡而雷达卫星虽然能够穿透云层但其重访周期较长难以捕捉洪水的快速演变过程。如何在全天候、高频次的条件下实现对地表淹没状况的持续监测一直是水文学和灾害管理领域面临的重大挑战。CYGNSS旋风全球导航卫星系统Cyclone Global Navigation Satellite System任务为解决这一难题提供了全新的技术路径。该任务由NASA主导包含8颗微型卫星于2016年12月15日发射升空。每颗卫星均搭载了一台GNSS反射计GNSS-R接收机用于记录从地球表面反射的L波段GPS信号。L波段信号对地表介电常数和微尺度粗糙度高度敏感——当地表被水淹没时这两个物理量会发生急剧变化。正是利用这一原理UCAR大学大气研究联盟和科罗拉多大学博尔德分校的研究团队开发了本数据集——CYGNSS淹没分数Fractional Inundation产品。核心价值CYGNSS数据不受云雨天气影响能够穿透植被冠层以3公里空间分辨率和日级时间分辨率提供全球热带和亚热带地区的淹没分数估计。这一能力使其成为传统洪水监测手段的有力补充。数据集概述属性说明数据集名称CYGNSS Fractional InundationCYGNSS淹没分数数据集IDprojects/sat-io/open-datasets/CYGNSS/INUNDATION时间范围2017年3月 – 至今持续更新空间分辨率3 公里 × 3 公里时间分辨率日级3天观测窗口聚合空间范围全球±38°纬度受CYGNSS轨道倾角限制坐标系统WGS 84 / NSIDC EASE-Grid 2.0 全球投影EPSG:6933数据版本3.2数据生产者UCAR大学大气研究联盟和科罗拉多大学博尔德分校资助方NASA陆地水文计划奖项80NSSC19K0046, 80NSSC18K1430填充值255数据生产方法该数据集的生产融合了GNSS反射测量原理与空间插值技术具体流程如下1. 物理反演原理当地表被水淹没时其介电常数和微尺度粗糙度会发生显著变化进而影响L波段GPS信号的表面反射率Γ。研究人员将每个3公里网格单元观测到的反射率视为该单元内淹没部分与未淹没部分反射率的加权平均值权重即为各自的面积分数。2. 辅助数据反演过程需要以下辅助数据支持土壤水分SMAP L3增强产品地表粗糙度空间变化但时间静态基于2018年观测校准水面粗糙度空间变化但时间静态生物量衰减校正经验校正用于修正地上生物量对信号的衰减效应3. 时间聚合与空间插值由于8颗卫星对地表的采样是伪随机的无法在数天内实现完全覆盖因此观测数据以3天为窗口进行聚合。对于未被观测到的网格单元采用POBIPreviously-Observed Behavior Interpolation方法进行空间插值。关键特性POBI是一种精确插值器——观测值保持不变。如果用户希望避免使用插值数据可通过插值标记波段将分析限定于实际观测的像元。波段信息该数据集包含5 个波段所有波段均为UInt8类型填充值为255。波段名称说明单位与转换inundation_1day1日CYGNSS淹没分数仅观测像元%除以100得到分数inundation_3day3日CYGNSS平均淹没分数插值到规则网格%除以100得到分数interpolation_flag插值标记1插值0观测无单位inundation_anomaly_1day1日淹没异常值仅观测像元%先减100再除以100inundation_anomaly_3day3日平均淹没异常值插值到规则网格%先减100再除以100异常值处理异常波段带有100 的偏差以便将负异常值存储在无符号整数类型中。使用时应先减去100再除以100转换为分数。异常值相对于长期基线气候态计算。影像元数据属性属性说明year观测日历年doy年积日1-366date观测日期YYYY-MM-DDmonth日历月version产品版本3.2scale_factor0.01波段值乘以该系数得到分数anomaly_offset100异常波段需先减去该值再缩放fill_value255Earth Engine 代码示例JavaScriptCode Editor// 加载 CYGNSS 淹没分数数据集vardatasetee.ImageCollection(projects/sat-io/open-datasets/CYGNSS/INUNDATION);// 查看数据集信息print(Dataset:,dataset);print(Number of images:,dataset.size());// 按时间过滤例如2024年汛期varfiltereddataset.filterDate(2024-06-01,2024-08-31);// 选择3日平均淹没分数波段并应用缩放varinundationfiltered.select(inundation_3day).mean().multiply(0.01);// 可视化参数varvisParams{min:0,max:1,palette:[white,blue,darkblue,purple]};// 添加到地图Map.centerObject(inundation,5);Map.addLayer(inundation,visParams,Mean Inundation Fraction (Jun-Aug 2024));区分观测与插值像元JavaScript// 加载最新一期数据varlatestdataset.sort(system:time_start,false).first();// 获取淹没分数和插值标记varinundationlatest.select(inundation_3day).multiply(0.01);varflaglatest.select(interpolation_flag);// 仅显示观测像元flag 0varobservedOnlyinundation.updateMask(flag.eq(0));// 可视化Map.addLayer(observedOnly,{min:0,max:1,palette:[white,blue,darkblue]},Observed Only);计算淹没异常值JavaScript# 加载并过滤数据datasetee.ImageCollection(projects/sat-io/open-datasets/CYGNSS/INUNDATION)filtereddataset.filterDate(2024-06-01,2024-08-31)# 处理异常波段先减100再乘0.01anomalyfiltered.select(inundation_anomaly_3day).mean().subtract(100).multiply(0.01)# 可视化异常正值表示高于平均淹没Map.addLayer(anomaly,{min:-0.3,max:0.3,palette:[red,white,blue]},Inundation Anomaly)提取特定位置的时间序列JavaScript// 定义感兴趣点例如亚马逊流域某处varpointee.Geometry.Point([-60,-5]);// 提取淹没分数时间序列vartsdataset.map(function(image){varvalimage.select(inundation_3day).reduceRegion({reducer:ee.Reducer.mean(),geometry:point,scale:3000,maxPixels:1e9});returnee.Feature(null,{date:image.date().format(YYYY-MM-dd),inundation:ee.Number(val.get(inundation_3day)).multiply(0.01)});});print(Inundation Time Series:,ts);Pythongeemap / eeimporteeimportgeemap# 初始化 Earth Engineee.Initialize()# 加载数据集datasetee.ImageCollection(projects/sat-io/open-datasets/CYGNSS/INUNDATION)# 按时间过滤filtereddataset.filterDate(2024-06-01,2024-08-31)inundationfiltered.select(inundation_3day).mean().multiply(0.01)# 创建交互式地图Mapgeemap.Map()Map.centerObject(inundation,5)# 可视化参数vis_params{min:0,max:1,palette:[white,blue,darkblue,purple]}Map.addLayer(inundation,vis_params,Mean Inundation Fraction)Map.addLayerControl()Map不确定性与已知局限用户在使用该数据集时应注意以下不确定性来源不确定性来源影响说明反射率校准Γ的不确定性约为±1.74 dB部分归因于2020年2月GPS卫星切换至“灵活功率模式”。CYGNSS数据未针对陆地遥感进行校准可能导致整条轨道数据出现系统性偏差水面粗糙度这是最大的已知未知因素。水面粗糙度被设定为时间静态但实际上随风速变化。当实际水面比参数化值更粗糙时淹没分数会被低估土壤水分SMAP反演本身受地表水影响而偏高高土壤水分值会导致洪水期间淹没分数被低估高淹没分数当淹没分数超过约0.5时反射率对淹没的敏感性逐渐降低Γ的微小误差可能导致淹没分数差异超过0.3茂密植被在淹没森林中反演会低估淹没分数生物量校正未考虑冠层含水量或结构的季节性变化复杂地形山区偶尔会出现异常高淹没的孤立像元类似斑点噪声空间插值POBI在淹没遵循历史模式时表现最佳在重现期长于2017-2018训练期的洪水期间表现较差验证结果与PALSAR-2在亚马逊流域的对比RMSD为0.07r²为0.91但在高水位时存在低估与达特茅斯洪水观测站在飓风“伊代”期间的对比平均淹没低估0.06RMSD为0.16建议整合多种淹没数据源比依赖单一数据源更具参考价值。应用场景CYGNSS淹没分数数据集在以下领域具有重要的应用价值洪水监测与灾害响应全天候、高频次的观测能力使其成为洪水监测的理想工具湿地动态监测追踪泛热带地区永久水体与季节性泛滥平原的变化水文模型验证与数据同化为陆面水文模型提供高时间分辨率的淹没观测气候变化影响评估通过长时间序列分析淹没格局的长期变化趋势农业与水资源管理监测洪泛区农田的淹没状况支持灌溉与排水决策数据获取与引用数据访问原始netCDF文件托管于 COSMIC数据服务器Earth Engine集合包含相同数据已转换为云优化GeoTIFF格式并持续更新至当前日期建议引用格式Chew, C., Small, E., Huelsing, H. 2023. Flooding and inundation maps using interpolated CYGNSS reflectivity observations. Remote Sensing of Environment 293: 113598. https://doi.org/10.1016/j.rse.2023.113598相关参考文献Chew, C.; Small, E. 2020. Estimating inundation extent using CYGNSS data: A conceptual modeling study. Remote Sensing of Environment 246: 111869总结CYGNSS淹没分数数据集代表了星载GNSS反射测量技术在水文应用领域的重要突破。它利用8颗微型卫星组成的星座以3公里空间分辨率和日级时间分辨率为全球热带和亚热带地区提供了不受云雨影响的地表淹没信息。尽管在反射率校准、水面粗糙度参数化和高淹没分数敏感性等方面存在一定局限该数据集依然是洪水监测、湿地动态追踪和水文模型验证等应用场景中极具价值的工具。通过Google Earth Engine平台用户可以便捷地访问、分析和可视化这一独特的全球淹没数据集。
