当前位置：
X-MOL 学术
›
Hydrol. Process.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
Analysing the capability of a catchment's spectral signature to regionalize hydrological parameters
Hydrological Processes ( IF 2.8 ) Pub Date : 2022-08-08 , DOI: 10.1002/hyp.14673 Laura Fragoso‐Campón 1 , Pablo Durán‐Barroso 2 , Elia Quirós 1
Hydrological Processes ( IF 2.8 ) Pub Date : 2022-08-08 , DOI: 10.1002/hyp.14673 Laura Fragoso‐Campón 1 , Pablo Durán‐Barroso 2 , Elia Quirós 1
Affiliation
|
Water resource management in ungauged catchments is complex due to uncertainties around the hydrological parameters that characterize streamflow behaviour. These parameters are usually defined by regionalization approaches, in which the hydrological response patterns of ungauged basins are inferred from those of gauged basins. Regression-based methods using physical properties derived from cartographic data sources are widely used. The current remote sensing techniques offer new opportunities for the regionalization of hydrological parameters since the hydrological response depends on the physical attributes related to the spectral responses of a given land surface. Moreover, machine learning approaches have not been specifically applied to the regionalization of hydrological parameters in forested areas. This work studies the capability of a catchment's spectral signature based on Sentinel-1 and Sentinel-2 data to address a regression-based regionalization of hydrological model parameters using a machine learning approach. Hydrological modelling was conducted by the HBV-light model. We tested the random forest algorithm in several regionalization scenarios: the new approach using the catchments' spectral signature, the traditional method using physical properties and a fusion of these methods. The calibration results were excellent (median KGE = 0.83), and the regionalized parameters achieved good performance, in which the three scenarios showed almost the same goodness of fit (median KGE = 0.45–0.50). We found that the effectiveness depends on the climatic environment and that predictions in humid catchments exhibited better performance than those in the driest catchments. The physical approach (median KGE = 0.71) exhibited better performance than the spectral approach (median KGE = 0.64) in humid catchments, whereas spectral regionalization (median KGE = 0.33) enhanced the physical scenario in the driest catchments (median KGE = 0.25). Our results confirm that regionalization is still challenging in drier climates, such as in the Mediterranean environment. The new spectral approach showed promising results and it was effective in the analysis of the relationship between the spectral response of the territory and its hydrological characteristics, specially, where no cartographic data is available.
中文翻译：
分析流域光谱特征对水文参数进行区域化的能力
由于表征溪流行为的水文参数的不确定性，未计量流域的水资源管理很复杂。这些参数通常由区域化方法定义，其中未测量流域的水文响应模式是从测量流域的水文响应模式中推断出来的。使用源自制图数据源的物理特性的基于回归的方法被广泛使用。当前的遥感技术为水文参数的区域化提供了新的机会，因为水文响应取决于与给定地表的光谱响应相关的物理属性。此外，机器学习方法尚未专门应用于林区水文参数的区域化。这项工作研究了基于 Sentinel-1 和 Sentinel-2 数据的流域光谱特征的能力，以使用机器学习方法解决基于回归的水文模型参数区域化问题。水文模型由HBV-light模型进行。我们在几个区域化场景中测试了随机森林算法：使用流域光谱特征的新方法、使用物理特性的传统方法以及这些方法的融合。标定结果非常好（中位 KGE = 0.83），并且区域化参数取得了良好的性能，其中三个场景显示出几乎相同的拟合优度（中位 KGE = 0.45-0.50）。我们发现有效性取决于气候环境，并且在潮湿流域的预测表现出比最干燥流域更好的性能。物理方法（中值 KGE = 0.71）在潮湿流域中表现出比光谱方法（中值 KGE = 0.64）更好的性能，而光谱区域化（中值 KGE = 0.33）增强了最干旱流域的物理场景（中值 KGE = 0.25）。我们的结果证实，在干燥的气候中，例如在地中海环境中，区域化仍然具有挑战性。新的光谱方法显示出可喜的结果，它在分析领土光谱响应与其水文特征之间的关系方面是有效的，特别是在没有可用的制图数据的情况下。物理方法（中值 KGE = 0.71）在潮湿流域中表现出比光谱方法（中值 KGE = 0.64）更好的性能，而光谱区域化（中值 KGE = 0.33）增强了最干旱流域的物理场景（中值 KGE = 0.25）。我们的结果证实，在干燥的气候中，例如在地中海环境中，区域化仍然具有挑战性。新的光谱方法显示出可喜的结果，它在分析领土光谱响应与其水文特征之间的关系方面是有效的，特别是在没有可用的制图数据的情况下。物理方法（中值 KGE = 0.71）在潮湿流域中表现出比光谱方法（中值 KGE = 0.64）更好的性能，而光谱区域化（中值 KGE = 0.33）增强了最干旱流域的物理场景（中值 KGE = 0.25）。我们的结果证实，在干燥的气候中，例如在地中海环境中，区域化仍然具有挑战性。新的光谱方法显示出可喜的结果，它在分析领土光谱响应与其水文特征之间的关系方面是有效的，特别是在没有可用的制图数据的情况下。33）增强了最干燥流域的物理情景（中位 KGE = 0.25）。我们的结果证实，在干燥的气候中，例如在地中海环境中，区域化仍然具有挑战性。新的光谱方法显示出可喜的结果，它在分析领土光谱响应与其水文特征之间的关系方面是有效的，特别是在没有可用的制图数据的情况下。33）增强了最干燥流域的物理情景（中位 KGE = 0.25）。我们的结果证实，在干燥的气候中，例如在地中海环境中，区域化仍然具有挑战性。新的光谱方法显示出可喜的结果，它在分析领土光谱响应与其水文特征之间的关系方面是有效的，特别是在没有可用的制图数据的情况下。
更新日期：2022-08-08
中文翻译：
分析流域光谱特征对水文参数进行区域化的能力
由于表征溪流行为的水文参数的不确定性，未计量流域的水资源管理很复杂。这些参数通常由区域化方法定义，其中未测量流域的水文响应模式是从测量流域的水文响应模式中推断出来的。使用源自制图数据源的物理特性的基于回归的方法被广泛使用。当前的遥感技术为水文参数的区域化提供了新的机会，因为水文响应取决于与给定地表的光谱响应相关的物理属性。此外，机器学习方法尚未专门应用于林区水文参数的区域化。这项工作研究了基于 Sentinel-1 和 Sentinel-2 数据的流域光谱特征的能力，以使用机器学习方法解决基于回归的水文模型参数区域化问题。水文模型由HBV-light模型进行。我们在几个区域化场景中测试了随机森林算法：使用流域光谱特征的新方法、使用物理特性的传统方法以及这些方法的融合。标定结果非常好（中位 KGE = 0.83），并且区域化参数取得了良好的性能，其中三个场景显示出几乎相同的拟合优度（中位 KGE = 0.45-0.50）。我们发现有效性取决于气候环境，并且在潮湿流域的预测表现出比最干燥流域更好的性能。物理方法（中值 KGE = 0.71）在潮湿流域中表现出比光谱方法（中值 KGE = 0.64）更好的性能，而光谱区域化（中值 KGE = 0.33）增强了最干旱流域的物理场景（中值 KGE = 0.25）。我们的结果证实，在干燥的气候中，例如在地中海环境中，区域化仍然具有挑战性。新的光谱方法显示出可喜的结果，它在分析领土光谱响应与其水文特征之间的关系方面是有效的，特别是在没有可用的制图数据的情况下。物理方法（中值 KGE = 0.71）在潮湿流域中表现出比光谱方法（中值 KGE = 0.64）更好的性能，而光谱区域化（中值 KGE = 0.33）增强了最干旱流域的物理场景（中值 KGE = 0.25）。我们的结果证实，在干燥的气候中，例如在地中海环境中，区域化仍然具有挑战性。新的光谱方法显示出可喜的结果，它在分析领土光谱响应与其水文特征之间的关系方面是有效的，特别是在没有可用的制图数据的情况下。物理方法（中值 KGE = 0.71）在潮湿流域中表现出比光谱方法（中值 KGE = 0.64）更好的性能，而光谱区域化（中值 KGE = 0.33）增强了最干旱流域的物理场景（中值 KGE = 0.25）。我们的结果证实，在干燥的气候中，例如在地中海环境中，区域化仍然具有挑战性。新的光谱方法显示出可喜的结果，它在分析领土光谱响应与其水文特征之间的关系方面是有效的，特别是在没有可用的制图数据的情况下。33）增强了最干燥流域的物理情景（中位 KGE = 0.25）。我们的结果证实，在干燥的气候中，例如在地中海环境中，区域化仍然具有挑战性。新的光谱方法显示出可喜的结果，它在分析领土光谱响应与其水文特征之间的关系方面是有效的，特别是在没有可用的制图数据的情况下。33）增强了最干燥流域的物理情景（中位 KGE = 0.25）。我们的结果证实，在干燥的气候中，例如在地中海环境中，区域化仍然具有挑战性。新的光谱方法显示出可喜的结果，它在分析领土光谱响应与其水文特征之间的关系方面是有效的，特别是在没有可用的制图数据的情况下。
京公网安备 11010802027423号