准确估算河流水位对于防洪监测和水资源管理具有重要意义。然而，传统技术及单一卫星观测往往存在精度和分辨率不足的问题。针对这一挑战，本文提出了一种融合气旋全球导航卫星系统（Cyclone Global Navigation Satellite System, CYGNSS）数据与Sentinel-1合成孔径雷达（SAR）影像的创新方法，利用先进的机器学习（ML）技术提升河流水位估算能力。
在方法上，首先获取并预处理Sentinel-1影像、CYGNSS数据及辅助资料。其中，CYGNSS数据经过清理，并通过三天滑动时间窗及克里金插值实现空间增强，以保证较高的覆盖率；而对于Sentinel-1后向散射系数影像，则采用双极化水体指数（Sentinel-1 Dual-polarized Water Index, SDWI）方法提取水体信息，并计算河宽等几何参数。通过结合CYGNSS的高时间分辨率特征与Sentinel-1的高空间分辨率特征，并结合XGBoost算法，融合模型能够在日尺度上动态获取河流特征。在此基础上，进一步引入GPM降水数据，基于融合后的Sentinel-1和CYGNSS特征以及GPM数据，结合15个均匀分布的水文站点实测资料，我们构建了基于机器学习的水位估算模型。模型采用多种机器学习算法进行训练与对比，并通过十折交叉验证（CV）确保稳健性。与未采用数据融合的模型相比，融合算法使水位估算模型的均方根误差（RMSE）从0.341 m降至0.168 m（下降50.74%），相关系数（R）由0.876提高至0.936。在15个站点中，有8个站点的RMSE改善幅度超过35%。此外，我们还使用来自8个时空独立水文站点的观测数据来测试模型精度。实验结果表明，数据融合方法显著提升了时间分辨率，并大幅提高了水位估算精度。结果显示RMSE由0.479 m降至0.202 m，R由0.848提升至0.927，进一步证明了该方法在提升水位估算方面的有效性。
SAR能够提供高分辨率、全天候的地表影像，而由八颗卫星组成的CYGNSS任务通过GNSS反射测量（GNSS-Reflectometry）实现高频率、广覆盖的观测。将CYGNSS的高时间分辨率与Sentinel-1的高空间分辨率相结合，不仅弥补了单一数据源在时空覆盖上的局限性，还通过多源数据协同增强了水体动态监测能力，为高精度、高频次的河流水位估算提供了可靠的技术支撑。
 

水位,遥感卫星