摘要
作为长江中游关键三级子流域之一，武汉至湖口左岸流域地跨武汉市、孝感市、黄冈市、随州市等多个地级市，覆盖了庞大的人口群体。确保流域内居民的饮用水安全，是关乎民生福祉的重要任务。水域面积动态直接反映水量保障状况，水库水域面积变化精细监测有助于准确掌握和有效分配水资源，也关系库区水生态环境保护和水灾害防患。本研究利用Sentinel-1 A/B双星的时序雷达影像数据和Edge Otsu水域信息遥感提取算法，对武汉至湖口左岸流域内饮用水源地水库2018—2021年期间水域面积进行时序精细提取，精度评价结果显示水库水域面积提取总体精度达0.95以上。本研究使用了PELT(pruned exact linear time)突变检测算法，探测2018—2021年期间该流域内饮用水源地水库水域面积时序突变（短时间内剧烈变化，超出正常季节性波动和随机变化范围）特征。结果表明：水域面积在2018—2019年期间整体呈现萎缩状态，流域内饮用水源地水库水域总体面积萎缩约33%；在2019年10月-2020年6月期间，水域面积保持在较低的稳定水平；自2020年7月开始，水域面积迅速增加，并在之后数月内恢复到2018年水域面积高位状态，随后持续出现波动。本研究进一步探讨了水源地水库水域突变背后的驱动因素。利用标准化降水蒸散指数（SPEI）的对比分析表明，流域在经历了2018—2019年的轻微至严重的干旱以及2020年的湿润事件后，水域面积发生了先急剧萎缩后快速扩张的显著变化。该研究不仅证实了Sentinel-1双星组网观测对大范围水源地水库水域变化的监测能力，特别是其快速精准捕捉外部环境突变特征的有效性，同时也强调了在气候变化和极端事件频发背景下，加强水库精细化监测与管理的紧迫性。研究结果为水资源管理和生态保护提供了科学依据，有助于优化水资源分配和水灾害防范，确保区域饮用水资源安全。
Abstract
The left bank watershed from Wuhan to Hukou, as one of the key three-tier sub-basins in the middle reaches of the Yangtze River, encompasses several major urban centers, including Wuhan, Xiaogan, Huanggang, and Suizhou. It provides vital water resources to local population. Consequently, ensuring drinking water security for both human consumption and livestock welfare is of paramount importance. Dynamic changes in water area directly reflect water supply situation. Precise monitoring on water area in reservoirs is crucial for accurate management and effective allocation of water resource, as well as the protection on water ecological environment and avoiding water disasters. This study utilized time series radar images from Sentinel-1 A/B and the Edge Otsu water area extraction algorithm to monitor the water area changes in the drinking water source reservoirs (DWSR) within the catchment from 2018 to 2021. The accuracy evaluation results indicated that the overall precision of water area extraction exceeds 0.95. We employed the PELT (pruned exact linear time) mutation detection algorithm to identify abrupt temporal changes (drastically changed, exceeding normally seasonal variations) in water area of the DWSR within the basin from 2018 to 2021. The results showed that from 2018 to 2019, the DWSR water areas in the basin shranked by approximately 33%. From October 2019 to June 2020, the water areas remained at a relatively low and stable level. Starting from July 2020, the water areas rapidly increased and recovered to the high levels seen in 2018, followed by continued fluctuations. Further analysis using the standardized precipitation evapotranspiration index revealed that the basin experienced a drought event from 2018 to 2019, followed by a wet event in 2020. These climatic conditions were associated with the observed significant changes in water area. This study demonstrates the capability of Sentinel-1 dual satellite observations to monitor large-scale changes in water areas, particularly in capturing rapid and precise responses to environmental changes. Our findings underscored the importance and urgency of enhancing the fine-scale monitoring and management of DWSR under the influence of climate change and extreme events. The results provided a scientific basis for improving water resource management and ecological protection, optimizing water resource allocation, and ensuring the security of regional drinking water resources.
饮用水源地，包括河流、湖泊、水库及地下水等，对于保障安全的饮用水供应至关重要。总体而言，湖泊和水库占我国集中式饮用水水源的40.6%，河流占我国集中式饮用水水源的30.8%，地下水约占28.6%[1]。水库及其大坝在绿色能源生产及水资源管理方面扮演着不可或缺的角色[2]，饮用水源地功能型水库（简称饮用水源地水库）兼具调洪蓄水和饮用水供应的双重功能，在保障区域水安全与优化水资源配置方面起到了至关重要的作用。水库蓄水量的大幅度波动将会增加水库的富营养化风险，引发水质恶化，导致饮用水资源短缺，威胁区域社会经济的健康可持续发展[3]。水库的水域面积与蓄水量直接相关，对饮用水源地水库进行动态监测水域面积变化并研究导致其变化的驱动因素，对于水库水环境管理和饮用水安全保障具有重要意义。
近年来，越来越多的学者开始关注水库水文动态变化的研究。相比于成本高昂且数据获取困难的传统人工测量方式，遥感技术的应用使得对水库动态变化的监测变得更加宏观、迅速且高效[4]。在监测地表水文变化的过程中，光学卫星和雷达卫星是常用的遥感工具。光学卫星提供的彩色图像便于识别地表特征，被广泛应用于水库水域面积提取，如王嘉诚[5]等利用Landsat 5、Landsat 8和Sentinel-2数据对新安江水库进行水域范围提取，Wang等[6]利用Landsat 5/7/8影像对小浪底水库水域面积进行长时序观测，刘畅等[7]利用Landsat系列卫星对密云水库水面信息遥感监测与分析。然而，光学卫星的观测性能常受云层的干扰限制，在云雨天气条件下难以有效捕捉地表变化的实时信息。
合成孔径雷达（synthetic aperture radar，SAR）的优势在于不受云、雨、雾的影响，具有全天候和全天时的探测能力，且能获取不同于光学传感器的遥感地物信息，可以实现对目标地物连续性变化监测。由于Google Earth Engine（GEE）等云计算平台的出现，使得原本价格昂贵且难于获取的SAR数据被广泛使用，如Ferrentino等[8]基于Sentinel-1 SAR影像利用阈值法监测Monte Cotugno（意大利）水库水域面积的变化，制图结果能为灾害分析提供支撑；Pham-Duc等[9]利用DEM以及Sentinel-1 SAR影像提取了Thac Mo水库水域面积及水量变化。国内也有较多学者基于Sentinel-1 SAR数据开展水体面积动态研究，如郭山川等[10]基于时序Sentinel-1 A数据对长江中下游汛情动态监测，冯崎等[11]利用SAR数据对鄱阳湖水域范围进行提取。SAR影像的水体提取方法主要包括目视解译、分割和分类，周彬等[12]选用高分三号卫星，利用经验阈值分割法提取了长春市农安县太平池水库及共青团水库的水域范围，Lv等[13]基于SVM算法对水体信息提取，Wang等[14]采用自适应阈值法对鄱阳湖及洞庭湖水域范围进行提取。在众多SAR影像水域提取的算法当中，自适应阈值算法由于其在算法简洁性、计算效率以及提取结果的准确性方面的显著优势，已经成为广泛应用的算法。相较于传统的Otsu（大津）自适应阈值算法[15]，Markert等[16]提出的基于Canny边缘检测算法改进的Edge Otsu算法，在精确度方面表现更为优异。
武汉至湖口左岸流域位于长江中游，其关键的地理位置使得该地区的水库能够辐射大规模人口和产业。水库在调节流域的水文周期以及应对湿润和干旱等极端气候事件中发挥重要作用，直接影响着地区的水安全和生态平衡。尽管已有研究围绕长江流域及其支流的水域面积动态变化展开，如Rao等[17]利用MODIS影像对长江流域进行水体提取，刘宇晨等[18]基于Sentinel时序影像对长江流域地表水体提取。但是，已有研究缺乏将饮用水源地水库作为整体研究对象的视角，针对饮用水源地水库如何响应极端气候条件的研究仍然不足。特别是全球变化背景下极端气候（天气）事件呈现频发、广发、强发和并发的现象，探测饮用水源地水库对气候变化和极端事件的响应特征具有重要现实意义和实践价值。
由于Sentinel-1 B卫星在2022年发生了重大故障，导致其停止发送数据，卫星无法正常工作。为了保证时间序列数据的连续性和完整性，本研究选取2018—2021年作为分析时间段。以武汉至湖口左岸流域饮用水源地水库作为研究对象，采用Edge Otsu算法提取水库的水域范围信息。本研究进一步探讨了2018—2021年间流域内饮用水源地水库水域逐月面积变化情况及其驱动因素。本研究旨在对于水源地水库水资源管理提供了重要的实证分析，有助于制定更为精准和有效的水资源管理策略，保障水资源可持续利用。
1 研究区与数据
1.1 研究区概况
武汉至湖口左岸流域位于长江中游地区，是长江流域重要的三级子流域之一，该流域总面积约为3.36×104 km2，地势东高西低，流域内降水充沛，年均降水量约为1000 mm。研究区多年平均气温约为22℃，多年平均潜在蒸散发量约为1000 mm，具有显著的地理和水文特征；地跨武汉市、孝感市、黄冈市、随州市等多个地级市。根据湖北省水利厅及湖北省生态环境厅等政府网站资料显示，该流域内共有24座饮用水源地水库，这些水库不仅承载供给饮用水的功能，也在流域水资源管理、洪水控制、灌溉供水以及生态环境保护等方面发挥着至关重要的作用。这些水库的建设和运行，保障了流域内广大人口和农业生产的用水需求，同时也为地区的生态系统提供了重要的水源支撑。图1展示了流域内饮用水源地水库空间分布及其自然特征。
1.2 数据及其来源
1.2.1 饮用水源地水库矢量边界
根据湖北省水利厅及湖北省生态环境厅等政府网站资料获取流域内饮用水源地水库名称及其所属省市，将水库名称及省市信息数据与全国精细化水库空间数据集（CRD）[2]进行关联匹配，未匹配到的数据通过与谷歌地图及天地图进行补充，最终获取流域内饮用水源地水库矢量边界。CRD数据获取网站https://DOI.org/10.5281/zenodo.6984619。流域内饮用水源地水库基本信息见附表Ⅰ。
1.2.2 Sentinel-1雷达影像
Sentinel-1[19]由A和B两颗卫星组成，搭载C波段（λ=5.6 cm）SAR传感器，双星互补下大部分区域的重访周期可达到6 d。由于具有全天时、全天候、短重访周期、不受天气状况影响等特点，本研究基于GEE平台获取了2018—2021年Sentinel-1干涉宽幅模式（IW）下所有地面范围检测场景（GRD）数据，共计831景，其中覆盖流域的Sentinel-1 SAR影像在2018、2019、2020、2021年分别为206、213、206、206景。Sentinel-1稳定的观测条件保证了数据结果的可靠性，给水域范围动态监测提供了良好的数据支撑。Sentinel-1 GRD数据经过严格的几何与辐射处理，以确保其空间和辐射精度。首先，影像通过精确轨道产品（POD）进行几何校正，修正由于卫星轨道变化引起的几何偏移，确保影像与地理坐标系的准确对应。随后，数据经过辐射校正，将雷达回波信号转换为归一化雷达截面，从而保证不同时间和空间影像之间的可比性。数据采用WGS84坐标系，并已完成几何配准。最后，基于数字高程模型进行斜距至地距的转换（RDTC），校正地形效应，生成具有更高地理精度的正射影像。
图1流域内饮用水源地水库空间分布及其自然特征： （a）武汉至湖口左岸流域地理位置；（b）2018—2021年年均温度；（c）流域高程； （d）2018—2021年年均潜在蒸散发量；（e）2018—2021年年均降水量
Fig.1Spatial distribution of drinking water source reservoirs in the watershed and their natural characteristics: (a) Geographic location of the watershed from Wuhan to the left bank of Hukou; (b) Multi-year averaged annual mean temperature during 2018-2021; (c) Elevation of the watershed; (d) Multi-year averaged annual potential evapotranspiration during 2018-2021; (e) Multi-year averaged annual precipitation during 2018-2021
1.2.3 数字高程数据
采用美国国家航空航天局NASA提供的SRTM DEM数据[20]，其空间分辨率为30 m，主要用于生成坡度数据集并辅助消除阴影噪声。数据从GEE平台获取，空间基准为WGS84坐标系，数据来自网站https://earthengine.google.com。
1.2.4 气象数据
本研究中所使用的所有气象数据均采用WGS84地理坐标系作为空间基准，确保数据在研究区范围内具有一致的空间参考标准。（1）降水数据源自Peng等[21]制作的中国1 km分辨率逐月降水量数据集，数据时间范围为1993—2022年，数据来自网站https://data.tpdc.ac.cn/zh-hans/data/faae7605-a0f2-4d18-b28f-5cee413766a2。（2）潜在蒸散发数据源自Peng等[22]制作的中国1 km分辨率逐月潜在蒸散发数据集，数据时间范围为1993—2022年，数据来自网站https://www.tpdc.ac.cn/zh-hans/data/8b11da09-1a40-4014-bd3d-2b86e6dccad4。（3）蒸散发数据来自于MODIS/006/MOD16A2产品[23]，数据时间范围为2018—2021年，对数据进行逐月均值合成处理，得到逐月蒸散发数据，数据来自网站https://earthengine.google.com。（4）温度数据来自于MODIS/006/MOD11A1产品[24]，数据时间范围为2018—2021年，对数据进行逐月均值合成处理，得到逐月温度数据，数据来自网站https://earthengine.google.com。
2 研究方法
2.1 水域面积提取及逐月时间序列构建
本研究技术路线如附图I所示。首先基于GEE平台对Sentinel-1影像集进行坡度校正和Perona-Malik滤波预处理以提升影像质量。然后利用Edge Otsu算法对预处理后的影像进行水域范围初步提取，通过形态学膨胀和腐蚀操作，以获得连续的水域范围数据。结合SRTM DEM数据生成坡度信息对山体阴影噪声进行剔除。对于得到的逐景水体分布数据，利用Python语言，使用ADTK异常检测包进行异常值检测，将异常值数据进行剔除，对月内数据进行数值平均得到流域内饮用水源地水库逐月水域面积时间序列。
2.1.1 Edge Otsu算法
Edge Otsu算法是为每个场景生成唯一阈值的理论，最初由Markert等[16]提出。该算法采用Canny Edge filter强调元素索引，提取图像的边缘特征，进行地物之间的分类。Sentinel-1影像在IW模式下具有垂直-垂直（VV）极化和垂直-水平（VH）极化两种方式。在SAR影像分析中，VH与VV极化方式与水体的相互作用存在显著差异。相比VV极化方式，VH极化方式在植被覆盖区域可以引起更广泛的后向散射强度，这导致其在某些地区的后向散射特性与水体相似，增加了植被与水体之间的识别难度。然而，由于VV极化方式能够在植被和水体之间引发二次散射效应，从而在二者间形成更为明显的对比度，这有助于提高水体与植被的区分能力。目前已有多项研究表明，VV极化数据相较于VH极化数据在水体提取上有着更优的效果[25-27]。为了提高在Sentinel-1卫星影像中水体范围提取的准确性，本研究对VV极化方式的Sentinel-1 SAR影像采用Edge Otsu算法计算自适应阈值提取水体。该方法基于图像的边缘信息优化了水域提取的精度，进一步增强了水域检测的科学性和可靠性。
2.1.2 噪声去除
本研究面临的一个主要挑战是如何在山地区域从卫星影像中准确提取水体，山区地形阴影噪声对数据分析构成干扰。为了有效地剔除这种噪声，研究引入了SRTM数字高程模型来辅助识别地形阴影，并对坡度大于20°的区域进行筛除，防止山体阴影被错误地识别为水体。此外，为了处理SAR中水域提取后可能出现的空洞问题，采用形态学滤波技术，通过膨胀和腐蚀处理改善水体连续性。这些方法优化了从复杂地形中提取水体的准确性，为大范围监测水域面积变化提供了可靠的数据支撑。
2.1.3 精度评价
为验证基于Edge Otsu算法在Sentinel-1影像中水体提取精度，通过在研究区内随机设定样本点，目视解译的水体范围作为地面真实的对比数据。由分类结果样本数据与目视解译结果的样本数据共同构成混淆矩阵，依据Steinhausen等[28]的研究，此方法被广泛认为是评估分类准确性的有效手段。通过构建二分类混淆矩阵，选取5个归一化系数进行水体提取精度评估，分别为生产者精度（PA）、用户精度（UA）、总体分类精度（OA）、Kappa系数和F1分数。
2.2 标准化降水蒸散指数
标准化降水蒸散指数（standardized precipitation evapotranspiration index，SPEI）最初由Vicente等[29]于2008年提出。SPEI是一种综合考虑降水和潜在蒸散发的多尺度干旱指数，其计算基于降水量和潜在蒸散发量的差值，将差值进行对数正态分布拟合，并将拟合后的累积概率转换为标准正态分布的Z分数，从而得到一个可以跨时间尺度和地理位置进行比较的干旱指数。由于SPEI能够捕捉到由降水减少和/或潜在蒸散发增加引起的干旱情况，因此，它比传统的基于降水的干旱指数更为敏感和全面[30-31]，是一种先进的干旱监测工具。目前已有相关学者利用SPEI指数进行区域性的旱涝情势监测，如Huang等[32]基于SPEI指数对长江流域干旱特征进行研究，刘晨等[33]基于SPEI指数对四川省进行时空干旱分析。SPEI指数可以计算多种时间尺度，如月（SPEI1）、季（SPEI3）、年（SPEI12）等时间尺度，土壤水分条件变化对应的是相对较短时间尺度上的降水距平。长期降水距平可影响地下水、河川径流和水库蓄水变化[34]。因此，可以通过计算SPEI12来探究长期气候变化对水库水域面积的影响，从而理解水库水域面积变化与气候变化之间的关系。本研究计算了1993—2022年的SPEI12数据，确保了数据集能代表长期气候条件并捕捉足够的气候变异性。这一时间跨度有助于减少短期波动的影响，更准确地反映长期气候趋势和变化，为干旱预测和评估提供可靠基础。在此基础上，进一步分析了2018—2021年间的SPEI12数据，以探讨这一期间内流域饮用水源地水库水域面积变化的驱动因素。在本研究中，SPEI的计算通过Python语言利用GMA包实现。表1展示了基于SPEI指数的干旱等级划分标准[35]，SPEI指数正值表示湿润条件，负值表示干旱条件。根据SPEI的绝对值大小，干旱等级被划分为轻微（-1.0＜SPEI≤-0.5）、中等（-1.5＜SPEI≤-1.0）、严重（-2.0＜SPEI≤-1.5）和极端干旱（SPEI≤-2.0），每个等级都对应着不同程度的水资源短缺和可能的生态影响。通过应用这一标准能够更好地理解干旱对本地区水资源和生态系统的影响，进而为水资源管理和政策制定提供科学依据。
表1标准化降水蒸散指数干旱等级分类标准
Tab.1 Standardized precipitation evapotranspiration index
2.3 PELT突变检测
PELT（pruned exact linear time）算法是于2012年由Rebecca Killick等[36]提出的一种用于时间序列分割的算法，该算法可以快速准确地识别时间序列中的变化点。PELT算法的原理是将时间序列分割为多个子序列，每个子序列由一组相似的数据点组成，且子序列之间通过变化点隔开。这些变化点代表了数据生成过程的潜在结构性变化。PELT算法的目标是找到全局最小化代价函数的分割点。对于一个时间段（即从时间点t1到t2）代价函数的定义如下：
(1)
式中， 是该时间段数据的均值。PELT算法中使用的L2模型，该代价函数反映了每个子段内观测值与其均值之间的平方差；平方差越小，代价函数值越低，表示该段内数据点更为相似。
为了避免过度分割数据序列（即产生过多的突变点），PELT算法还引入了一个惩罚项β，该惩罚项与突变点的数量呈正比。总代价函数如下：
(2)
式中，m是突变点数量，是每个子段的代价函数。在整个过程中，惩罚项β起到了平衡分割精度和突变点数量的作用。
PELT算法的优点是对于具有高斯噪声的时间序列有很好的适应性[37]，能广泛应用于探测气候变化对生态环境的突变响应，如Wang等[38]使用该算法分析长期植被动态对气候变化的响应，Iyakaremye等[39]使用该算法对非洲极端高温事件及相关气象条件的变化进行突变分析。本研究中该算法通过Python语言使用Ruptures包实现。
2.4 皮尔逊相关性分析
采用Pearson相关系数来分析水库水域面积与各驱动力因子之间的关系，Pearson相关系数又被称作积矩相关系数，主要用于衡量两个或者多个变量之间的相关性，适用于等间隔测度[40]，具体计算公式如下：
(3)
式中，r为相关系数，n为样本数量，xi和yi分别为两变量的变量值。相关系数r的绝对值越大，则表明变量间的相关程度越高；相关系数绝对值距离1越近，则相关性越好，相关系数绝对值距离0越近，则相关性越差。|r|＜0.20表示无相关或微弱相关，0.20≤|r|＜0.40为低度相关，0.40≤|r|＜0.60为中度相关，0.60≤|r|＜0.80为强相关，|r|≥0.80为极强相关。本研究通过Python的Pandas包计算Pearson相关系数，并依据上述标准评估变量间关联强度。
3 结果与分析
3.1 饮用水源地水库面积遥感提取精度验证
流域内随机选取了3个饮用水源地水库，为保证样本的代表性和合理的空间分布，对每个饮用水源地水库选择了3个不同时期的影像。在每期影像中，随机生成了500个样本点，总计4500个独立样本点（图2）。图2中的蓝色点代表所选样本点，样本点的水体与陆地区域比例与研究区内的水体与陆地面积比例相匹配，确保样本点能够准确反映水体与陆地的空间分布特征。研究通过目视解译并结合影像水体提取结果，生成混淆矩阵，计算总体精度、用户精度、生产者精度及Kappa系数，以进行精度评估。
图2验证样本点分布
Fig.2Distribution of verification sampling points
通过精度评价可知，水域提取结果的总体精度均在0.95以上，Kappa系数均在0.90以上，这表明基于Sentinel-1影像结合Edge Otsu算法能够较好地提取水域面积（表2）。水体提取的偏差主要发生在少数细小水体、陆地-水体边界处以及山体阴影导致的水体误提取。为解决这些问题，进行了人工调整处理。总体精度系数和Kappa系数的高精度验证了动态地表水域面积提取方法的可行性和有效性，同时表明Sentinel-1卫星在复杂环境中进行水域变化监测的有效性。
表2水域提取精度验证评价
Tab.2 Water extraction accuracy verification and evaluation
3.2 饮用水源地水库水域面积时序变化及突变分析
基于Sentinel-1卫星影像提取的结果如图3所示，流域内饮用水源地水库的水域面积经历了剧烈变化，总体呈现出U型趋势。2018—2019年期间，水域面积从135.66 km2下降至90.33 km2，整体萎缩了33.42%；2019年10月-2020年6月期间，水域面积维持在90 km2左右的低水平状态；2020年7月起，水域面积急剧上升至125.08 km2，增幅约38%，随后恢复至2018年高水平并持续震荡。对流域内水域平均面积归一化处理后，利用PELT突变检验法检测结果显示，水库水域面积变化可划分为4个阶段：2018年9月之前缓慢下降，2018年9月-2019年9月急剧下降，2019年9月-2020年7月保持低点，2020年7月后显著增长并维持高水平。例如，先觉庙水库在2018年9月之前的水域面积下降近10%，浮桥河水库在2018年9月-2019年9月期间水域面积下降约14%，黑屋湾水库的水域面积从2020年6月的4.74 km2显著增长至7月的7.47 km2，增幅接近58%。图4展示了部分典型水库在各突变时期的水域面积提取结果，动态变化与流域突变节点的变化趋势高度一致，突显了流域内水库水域面积变化的相似性。这也表明了Sentinel-1高时频观测在高效检测水域面积突变方面的卓越能力，为快速水文监测的应用提供参考。
4 讨论
4.1 标准化降水蒸散指数与水库面积时序对比分析
4.1.1 基于标准化降水蒸散指数（SPEI12）的干旱强度及频次分析
流域内2018年1月-2021年12月间SPEI12指数及水域面积变化如图5所示，揭示了研究期内流域具有显著的干湿交替周期和突变特征。值得注意的是，水域面积变化与SPEI12指数的变化呈现出高度一致性：在2020年上半年的干旱期，水域面积显著减少，而在2020年下半年至2021年湿润期，水域面积迅速恢复至较高水平。这种同步性表明，水域面积变化直接反映了气候条件的波动，特别是干旱和湿润状态对水资源动态变化的显著影响。
基于年时间尺度SPEI12指数对流域内2018—2021年间干旱频次进行分析（表3），在2018年干旱发生的频率大约为41.66%。2019年和2020年的干旱频率均提高至50%，且2020年的干旱主要为中等至严重干旱，显示出较高的风险性。2021年全年未观察到任何干旱事件。此外，对春、夏、秋、冬四季的干旱情况进行分析，结果表明，夏季、冬季发生干旱频率相同，均为10.42%，春季和秋季发生干旱频率依次递减，分别为8.33%、6.25%。
4.1.2 标准化降水蒸散发指数（SPEI12）趋势突变分析
本研究采用PLET算法对研究期间流域内的SPEI12逐月平均值进行分段处理，并检测了突变点，以描绘及量化流域内干旱事件的边界及其演变过程。根据图6及表4展示的数据，2018年1月-2019年9月期间，流域的干旱状态在无明显干旱、轻微干旱及中度干旱等级之间呈连续性变化。2019年10月，PELP算法识别出一个突变点，该月份的SPIE12指数相较于前一月上升了1.58%，表明了干旱状况轻度缓解，然而这种趋势并未持续，流域很快进入从轻度至中度的干旱状态。 2020年7月，算法又识别了一个显著的突变点，变化率高达162.74%，明确标示了流域从干旱状态显著过渡至湿润状态。此后，流域进入了一个中等至严重的湿润时期。到了2021年7月，再次检测到的突变点显示，SPIE12指数下降了63.13%，导致流域从严重湿润状态转变为轻微湿润，并在此后维持在无明显湿润及轻微湿润的稳定状态。SPEI12指数和水域面积的突变检测在2019年和2020年均识别出相近的突变点，表明水域面积变化与气候条件变化密切相关。2019年9月，流域内饮用水源地水库的水域面积显著下降，随后在10月SPEI12指数也发生了显著变化。在此之前，由SPEI12干旱指数表征的流域干旱状况已连续数月从无明显干旱转为轻微干旱，期间水域面积已开始减少，反映了气候驱动的水文响应机制。2020年，SPEI12指数和水域面积同步发生显著变化，表明极端湿润事件直接促使水体面积快速恢复。这验证了气候条件对水域面积变化的驱动作用，强调了在应对气候变化时应加强水资源监测和管理的重要性，并为流域水资源管理提供了科学依据。
图3流域内饮用水源地水库面积时序图：（a）典型水库面积时间序列图；（b）浮桥河水库区位图； （c）先觉庙水库区位图；（d）流域总水域面积变化时序图；（e）水域面积突变点分析图
Fig.3Time series of reservoir area in drinking water sources within the watershed (a) Time series of typical reservoir water surface area； (b) Location of Fuqiaohe Reservoir； (c) Location of Xianjuemiao Reservoir； (d) Time series of total water surface area in the basin； (e) Water surface area abrupt change point analysis diagram
图4典型水库水域变化空间分布
Fig.4Spatial distribution of watershed changes in typical reservoirs
图5SPEI12指数及水域面积变化
Fig.5SPEI12 index and water area variation
表3基于SPEI12指数的干旱频次
Tab.3 Drought frequency based on SPEI12 index
图6SPEI12趋势突变分析
Fig.6Abrupt change analysis of SPEI12 trends
表4SPEI12指数突变幅度
Tab.4 SPEI12 index mutation amplitude
4.2 相关性分析
本研究首先对水库水域面积进行归一化处理，并选取多个关键气象指标，以探讨自然要素对水库水域面积变化的影响。流域降水量（PRE）及其上游降水量（PRE上游）作为直接影响水库入流水量的主要因素，通过分析长期距平值及距平累计值揭示降水在流域上游和整个流域内对水库水域面积的长期影响，其中流域上游范围根据HydroBASIN[41]数据确定。潜在蒸散发量（PET）与实际蒸散发量（ET）反映水库水域面积因蒸发导致的萎缩情况，特别是在高温或干旱条件下，蒸散发在水库水量平衡中起着重要的调节作用。温度（TEM）通过影响蒸散发速率间接作用于水库水域面积，而SPEI12则综合考虑了降水量与潜在蒸散发量的影响，反映气候的干湿状况，帮助评估极端气候对水库水域面积的影响。基于这些气象指标与归一化后水库水域面积进行皮尔逊相关性分析，探讨气象因素在不同时间尺度上对水库水域面积变化的驱动作用。图7展示的分析结果进一步验证了这些气象要素在水库水域面积动态变化中的关键影响。
图7显示了水域面积变化与多个气象因素的相关性，特别是上游降水距平累计值和流域降水距平累计值的Pearson相关系数分别为0.95和0.87，表明它们对水域面积变化有显著影响。图8进一步显示了降水距平累计值与水域面积变化的高度一致性，表明长期降水累积效应在水库水域扩张和萎缩中起到关键作用。
SPEI干旱指数与水域面积的相关系数为0.74，显示出两者之间存在较强的正相关性。SPEI指数结合了降水量和潜在蒸散发量的影响，是衡量长期水分不平衡和干旱强度的重要指标。SPEI干旱指数与水域面积的显著相关性强调了水分供需之间的动态平衡对水域面积变化的重要影响，突出干旱指标在流域水资源变化监测中的关键作用。这些发现为评估气候变化对水资源可用性的潜在影响提供了重要依据，有助于制定更有效的适应策略。
此外，潜在蒸散发距平累计值与水域面积展示出-0.32的负相关系数，两者之间相关性虽不强，却足以表明水域面积变化受到气候变化累积效应的影响，特别是在高蒸散发条件下的水分长期损失。这一负相关性强调了在干旱和高蒸散发的环境条件下，水域面积的减少可能是由于水分的连续流失。以上研究提供了对于流域水量动态变化的更深入理解，有助于在变化的气候条件下制定更有效的水资源管理策略。
图7驱动力相关性分析热力图
Fig.7Driving force correlation analysis heat map
图8降水量与水域面积变化趋势
Fig.8Change trend of precipitation and water area
降水量、上游降水量、潜在蒸散发量、蒸散发量和温度等气候因素与水域面积变化的相关性较低。这表明水域面积的变化不是由单一气候因素在短期内直接决定的，而是受多种气候变量的复杂相互作用所影响。水文变化是一个长期积累的过程，多个气象因素的综合效应和累积影响共同塑造了水域面积的动态变化。
5 结论
本研究基于GEE平台和Sentinel-1 A/B双星雷达观测数据，对武汉至湖口左岸流域的饮用水源地水库进行水域面积提取和变化分析。通过使用Edge Otsu算法对Sentinel-1 SAR影像进行处理，成功地对流域内饮用水源地水库的水域面积时序进行精细提取，总体精度达到了95%以上。该方案可为饮用水源地水库水面积的时序变化和突变监测提供了一个准确且易行的手段。
2018—2021年期间，流域内饮用水源地水库的水域面积总体呈现U型变化。基于Sentinel-1卫星影像的高效监测，本研究准确检测并分析了水库水域面积的突变，突显了Sentinel-1双星组网观测在大范围水域面积突变检测中的出色能力，为流域水资源管理提供了参考。展望未来，即将发射的Sentinel-1 C卫星将重建双星协同观测体系，进一步增强Sentinel-1星座的观测能力。这一提升将为全球水文观测提供更为密集和连续的数据，对于理解水文循环、预测干旱和洪水等极端水文事件具有重要意义。
本研究探讨了极端气候条件下水库水域面积变化的响应特征，发现水域面积变化与流域上游及流域长期降水距平累计值以及SPEI12紧密相关，而与潜在蒸散发量、蒸散发量、降水量以及温度的关系不显著，强调综合分析降水累积效应、降水模式以及潜在蒸散发量动态变化的重要性。研究揭示了降水蒸散指数所表征的灾害风险在时间上的显著异质性，夏季和冬季的干旱风险较高，发生频率均为10.42%，春季和秋季的干旱频率依次递减，分别为8.33%和6.25%。这一发现为水库管理人员制定季节性干旱变化应对策略提供依据。通过探讨水域面积突变原因，加深了对水源地水库变化响应气候和极端事件的理解，为水资源管理和策略制定提供了科学依据，对优化水资源配置、增强饮用水安全保障以及支持可持续水资源政策的制定具有重要意义，有助于确保地区饮用水资源安全和应对气候变化挑战。
6 附录
附表Ⅰ和附图Ⅰ见电子版（DOI: 10.18307/2025.0441）。
