Anterior|Siguiente

Análisis de la capacidad de observación del almacenamiento de agua de los lagos basado en datos simulados del satélite SWOT: un estudio de lagos típicos del altiplano tibetano

  • role： First author第一作者
  • Affiliation：

    School of Geospatial Engineering and Science, Sun Yat-sen University, Zhuhai 519082, China

    Key Laboratory of Comprehensive Observation of Polar Environment(Sun Yat-sen University), Ministry of Education, Zhuhai 519082, China

  • Email：liangwx23@mail2.sysu.edu.cn
  • Introduction：梁炜轩，研究方向为SWOT卫星与陆地水文。E-mail： liangwx23@mail2.sysu.edu.cn
LIANG Weixuan,  
  • role： Corresponding author通信作者
  • Affiliation：

    School of Geospatial Engineering and Science, Sun Yat-sen University, Zhuhai 519082, China

    Key Laboratory of Comprehensive Observation of Polar Environment(Sun Yat-sen University), Ministry of Education, Zhuhai 519082, China

  • Email：fengwei@sysu.edu.cn
  • Introduction：冯伟，研究方向为卫星大地测量学与全球变化。E-mail：fengwei@sysu.edu.cn
FENG Wei*,  
  • Affiliation：

    School of Geospatial Engineering and Science, Sun Yat-sen University, Zhuhai 519082, China

    Key Laboratory of Comprehensive Observation of Polar Environment(Sun Yat-sen University), Ministry of Education, Zhuhai 519082, China

SUN Mingzhi,  
  • Affiliation：

    School of Geospatial Engineering and Science, Sun Yat-sen University, Zhuhai 519082, China

    Key Laboratory of Comprehensive Observation of Polar Environment(Sun Yat-sen University), Ministry of Education, Zhuhai 519082, China

ZHONG Min

resumen

Los lagos, como un componente importante del agua superficial, desempeñan un papel clave en el ciclo global del agua y también son "centinelas" del cambio climático global. El satélite de Superficie de Aguas y Topografía Oceánica (SWOT), lanzado en diciembre de 2022, realizará por primera vez una observación bidimensional y de amplio alcance de los lagos globales. Para un mejor uso futuro de los datos del satélite SWOT, este artículo realiza una simulación y evaluación integral del potencial de aplicación del satélite SWOT. Este estudio utiliza la herramienta de simulación hidrológica del Centro Nacional de Estudios Espaciales (CNES) para realizar un estudio de simulación de datos de observación del satélite SWOT para cuatro lagos ubicados en la región del Tíbet: Lac La'ang, Lac Mapangyong, Lac Anglaren y Lac Renqingxiub, evaluando la capacidad del satélite SWOT para observar la altura promedio de la superficie del agua, el área del lago y el almacenamiento de agua del lago. La simulación muestra que, para los cuatro lagos típicos de la región del Tíbet, la precisión de la altura promedio observada de la superficie del agua por SWOT es mejor que 0.02 m, el coeficiente de correlación entre la serie simulada y la serie real de altura de la superficie del agua supera 0.9, reflejando bien la variación estacional de la altura de la superficie del agua; el error en la observación del área del lago por SWOT está mayormente dentro del 10%. El satélite SWOT tiene un gran potencial para la inversión del volumen de agua del lago. El error producido por la estimación de la altura y el área de la superficie del agua por SWOT tiene un impacto pequeño en la estimación del volumen de agua estática del lago, mientras que el error en la estimación del relieve del fondo del lago tiene un impacto grande, por lo que obtener datos previos de profundidad del lago más precisos es la clave para obtener un almacenamiento de agua del lago más preciso en el futuro.

palabra clave

Altiplano tibetano; agua superficial y topografía oceánica (SWOT); herramienta de simulación hidrológica CNES; área del lago; almacenamiento de agua del lago; topografía del fondo del lago

References

  1. 1.
    Altenau E H, Pavelsky T M, Durand M T, Yang X, de Moraes Frasson R P and Bendezu L. 2021. The surface water and ocean topography (SWOT) mission river database (SWORD): a global river network for satellite data products. Water Resources Research, 57(7): e2021WR030054
  2. 2.
    Biancamaria S, Lettenmaier D P and Pavelsky T M. 2016. The SWOT mission and its capabilities for land hydrology//Cazenave A, Champollion N, Benveniste J and Chen J, eds. Remote Sensing and Water Resources. Cham: Springer: 117-147
  3. 3.
    Birkett C, Reynolds C, Beckley B and Doorn B. 2011. From research to operations: the USDA global reservoir and lake monitor//Vignudelli S, Kostianoy A G, Cipollini P and Benveniste J, eds. Coastal Altimetry. Berlin: Springer: 19-50
  4. 4.
    Bonnema M and Hossain F. 2019. Assessing the potential of the surface water and ocean topography mission for reservoir monitoring in the Mekong River Basin. Water Resources Research, 55(1): 444-461
  5. 5.
    Bonnema M G, Sikder S, Hossain F, Durand M, Gleason C J and Bjerklie D M. 2016. Benchmarking wide swath altimetry-based river discharge estimation algorithms for the Ganges River system. Water Resources Research, 52(4): 2439-2461
  6. 6.
    Crétaux J F, Abarca-del-Río R, Bergé-Nguyen M, Arsen A, Drolon V, Clos G and Maisongrande P. 2016. Lake volume monitoring from space. Surveys in Geophysics, 37(2): 269-305
  7. 7.
    Crétaux J F, Arsen A, Calmant S, Kouraev A, Vuglinski V, Bergé-Nguyen M, Gennero M C, Nino F, Abarca Del Rio R, Cazenave A and Maisongrande P. 2011. SOLS: a lake database to monitor in the near real time water level and storage variations from remote sensing data. Advances in Space Research, 47(9): 1497-1507
  8. 8.
    Downing J A, Prairie Y T, Cole J J, Duarte C M, Tranvik L J, Striegl R G, McDowell W H, Kortelainen P, Caraco N F, Melack J M and Middelburg J J. 2006. The global abundance and size distribution of lakes, ponds, and impoundments. Limnology and Oceanography, 51(5): 2388-2397
  9. 9.
    Durand M, Chen C, de Moraes Frasson R P, Pavelsky T M, Williams B, Yang X and Fore A. 2020. How will radar layover impact SWOT measurements of water surface elevation and slope, and estimates of river discharge? Remote Sensing of Environment, 247: 111883
  10. 10.
    Elmer N J, Hain C, Hossain F, Desroches D and Pottier C. 2020. Generating proxy SWOT water surface elevations using WRF‐hydro and the CNES SWOT hydrology simulator. Water Resources Research, 56(8): e2020WR027464
  11. 11.
    Elmer N J, McCreight J and Hain C. 2021. Hydrologic Model parameter estimation in ungauged basins using simulated SWOT discharge observations. Water Resources Research, 57(10): e2021WR029655
  12. 12.
    Fu L L, Alsdorf D, Morrow R, Rodriguez E and Mognard N. 2012. SWOT: the Surface Water and Ocean Topography Mission. Wide- Swath Altimetric Elevation on Earth. Jet Propulsion Laboratory.
  13. 13.
    Humphrey V, Rodell M and Eicker A. 2023. Using satellite-based terrestrial water storage data: a review. Surveys in Geophysics, 44(5): 1489-1517
  14. 14.
    Khazaei B, Read L K, Casali M, Sampson K M and Yates D N. 2022. GLOBathy, the global lakes bathymetry dataset. Scientific Data, 9(1): 36
  15. 15.
    Li Y, Gao H L, Zhao G and Tseng K H. 2020. A high-resolution bathymetry dataset for global reservoirs using multi-source satellite imagery and altimetry. Remote Sensing of Environment, 244: 111831
  16. 16.
    Messager M L, Lehner B, Grill G, Nedeva I and Schmitt O. 2016. Estimating the volume and age of water stored in global lakes using a geo-statistical approach. Nature Communications, 7: 13603
  17. 17.
    Nair A S, Verma K, Karmakar S, Ghosh S and Indu J. 2022. Exploring the potential of SWOT mission for reservoir monitoring in Mahanadi Basin. Advances in Space Research, 69(3): 1481-1493
  18. 18.
    Nguyen U N T, Pham L T H and Dang T D. 2019. An automatic water detection approach using Landsat 8 OLI and google earth engine cloud computing to map lakes and reservoirs in New Zealand. Environmental Monitoring and Assessment, 191(4): 235
  19. 19.
    Ottlé C, Bernus A, Verbeke T, Pétrus K, Yin Z, Biancamaria S, Jost A, Desroches D, Pottier C, Perrin C, De Lavenne A, Flipo N and Rivière A. 2020. Characterization of SWOT water level errors on seine reservoirs and La Bassée gravel pits: impacts on water surface energy budget modeling. Remote Sensing, 12(18): 2911
  20. 20.
    Schwatke C, Dettmering D, Bosch W and Seitz F. 2015. DAHITI-an innovative approach for estimating water level time series over inland waters using multi-mission satellite altimetry. Hydrology and Earth System Sciences, 19(10): 4345-4364
  21. 21.
    Soman M K and Indu J. 2022. Sentinel-1 based inland water dynamics mapping system (SIMS). Environmental Modelling and Software, 149: 105305
  22. 22.
    Sun M Z, Liu X, Wang H H, Yuan J J, Li C M and Guo J Y. 2022. Monitoring lake level change in La-ang Co from 1992 to 2020 using multi-altimeter data. National Remote Sensing Bulletin, 26(1): 126-137
  23. 23.
    Wang J. 2018a. Bathymetric data of Laangcuo Lake (2017). National Tibetan Plateau/Third Pole Environment Data Center.
  24. 24.
    Wang J. 2018b. Bathymetric data of Mapam Yumco Lake (2017). National Tibetan Plateau/Third Pole Environment Data.
  25. 25.
    Wang J. 2018c. Bathymetric data of Ngangla Ringco Lake (2017). National Tibetan Plateau/Third Pole Environment Data Center.
  26. 26.
    Wang J. 2018d. Bathymetric data of Renqingxiubucuo Lake (2017). National Tibetan Plateau/Third Pole Environment Data Center.
  27. 27.
    Woolway R I, Kraemer B M, Lenters J D, Merchant C J, O’Reilly C M and Sharma S. 2020. Global lake responses to climate change. Nature Reviews Earth and Environment, 1(8): 388-403
  28. 28.
    Xiong J H, Guo S L, Jiang L G, Yin J B and Wang J. 2023. Exploring the potential of SWOT for water level monitoring in the Qinghai Lake. National Remote Sensing Bulletin, 27(8): 1888-1898
  29. 29.
    Xu F L and Zhang G Q. 2021. Lake-level over the Tibetan Plateau using multi-sensor satellite altimetry data (2010-2020). National Tibetan Plateau/Third Pole Environment Data Center.
  30. 30.
    Yoon Y, Durand M, Merry C J, Clark E A, Andreadis K M and Alsdorf D E. 2012. Estimating river bathymetry from data assimilation of synthetic SWOT measurements. Journal of Hydrology, 464-465: 363-375
  31. 31.
    Zhang G Q. 2019a. Dataset of river basins map over the TP (2016). National Tibetan Plateau/Third Pole Environment Data Center.
  32. 32.
    Zhang G Q. 2019b. China lake dataset (1960s-2020). National Tibetan Plateau/Third Pole Environment Data Center.
  33. 33.
    Zhang G Q, Luo W, Chen W F and Zheng G X. 2019. A robust but variable lake expansion on the Tibetan Plateau. Science Bulletin, 64(18): 1306-1309
  34. 34.
    Zhang G Q, Xie H J, Kang S C, Yi D H and Ackley S F. 2011. Monitoring lake level changes on the Tibetan Plateau using ICESat altimetry data (2003-2009). Remote Sensing of Environment, 115(7): 1733-1742
  35. 35.
    Zhang Y, Zhang G Q and Zhu T T. 2020. Seasonal cycles of lakes on the Tibetan Plateau detected by Sentinel-1 SAR data. Science of the Total Environment, 703: 135563

Leer el texto completo

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website