地下水资源遥感评估技术研究进展
路钊1,2, 邓正栋1, 王大庆1, 赵鸿飞2,3, 王光远1, 许颢砾1
1.陆军工程大学,南京 210001
2.31605部队,南京 210011
3.东部战区总医院博士后工作站,南京 210000

通信作者简介: 邓正栋(1960—),男,教授,主要从事军事水源侦查理论与技术方面的研究。Email: dengzdong@sina.com

第一作者简介: 路钊(1988—),男,硕士,主要从事地下水遥感评估技术研究。Email: 1988zhongguo@163.com

摘要

地下水的赋存和埋深是地下水资源勘察的重要内容。遥感技术具有数据获取快、综合成本低、观测尺度大等诸多优势。基于遥感的地下水资源评估技术一直受到研究人员的关注,也是遥感应用研究中的热点和难点。回顾总结了遥感技术在评估地下水赋存和埋深领域的应用与研究进展,根据不同评估技术的特点将其划分为单因子模型评估法、多因子综合模型评估法、重力卫星数据评估法3种。得出以下结论: ①地下水遥感评估技术经过多年发展,模型方法更加多样,精确度不断提高,可以作为传统地下水资源勘察的重要辅助手段; ②遥感评估地下水赋存的研究发展迅速,但针对地下水埋深信息的评估研究进展相对缓慢; ③高时空分辨率遥感技术和机器学习技术的结合运用、无人机遥感技术的应用是地下水资源遥感评估技术的未来发展方向。

关键词: 地下水资源; 遥感; 地下水评估
中图分类号:TP79;P641.7;P641.8 文献标志码:A 文章编号:2095-8706(2021)01-0114-11
Overview of the research progress of groundwater resources assessment technology based on remote sensing
LU Zhao1,2, DENG Zhengdong1, WANG Daqing1, ZHAO Hongfei2,3, WANG Guangyuan1, XU Haoli1
1. Army Engineering University, Nanjing 210001, China
2. Maintenance Technology Room of 31605 Factory, Nanjing 210011, China
3. Postdoctoral Workstation of Jinling Hospital, Nanjing 210000, China
Abstract

The storage and depth of groundwater are important contents in groundwater resources survey. Remote sensing technology has advantages of fast data acquisition, low comprehensive cost and large observation scale. The groundwater resources assessment technology based on remote sensing has always attracted the attention of researchers, and it is also a hot and difficult issue in the field of remote sensing application research. This paper presents an overview of the application research progress of remote sensing technology in the assessment of groundwater storage and depth, and have divided the groundwater resources assessment technology into three types-single-factor model evaluation method, multi-factor comprehensive model evaluation method and evaluation method based on GRACE data auovding to their characteristics. Three conclusions are drawn. Firstly, the groundwater resources assessment technology based on remote sensing has been continuously enriched and the assessment accuracy has also been continuously improved after years of development, which can be used as an important auxiliary method for traditional groundwater resources survey. Secondly, the research on remote sensing evaluation technology for groundwater storage has developed rapidly, while these for groundwater depth have progressed relatively slowly. Thirdly, the combined use of high-temporal-spatial resolution remote sensing technology and machine learning technology, and the application of UAV remote sensing technology are future development directions of the groundwater resources assessment technology based on remote sensing.

Keyword: groundwater resources; remote sensing; groundwater assessment
0 引言

地下水是地球水资源的主要组成部分之一, 在人们的生产生活中发挥着非常重要的作用, 特别是对于缺水地区来说, 地下水资源尤为关键[1]。地下水资源勘察是了解掌握地下水信息的重要途径, 与传统的地下水勘察技术相比, 遥感技术(Remote Sensing, RS)具有宏观、动态、综合、经济等诸多优势, 正在被越来越广泛地应用到地下水资源评估中。使用遥感技术评估地下水资源最早可追溯到1961年, 研究人员利用热红外航空照片解译出的地形信息和水循环模型判断出了地下水的存在[2, 3], 随后Landsat、WorldView、IKONOS、ALOS、Sentinel等新型多光谱、高光谱遥感数据的出现为地下水资源评估研究提供了更加丰富的数据源[4]。20世纪末, 地理信息系统(Geographic Information System, GIS)、全球定位系统(Global Positioning System, GPS)与遥感技术的结合运用推动了地下水遥感评估技术的快速发展[5]。2002年出现的重力场恢复与气候实验重力卫星数据(Gravity Recovery and Climate Experiment, GRACE)为地下水遥感评估提供了新型数据源, 运用该数据开展的评估研究成果也非常丰富[6, 7]。本文通过综合分析多年来国内外地下水遥感评估技术的研究进展情况, 旨在为进一步运用和推动该技术在地下水评估领域的发展提供借鉴, 具有一定的现实意义。

1 单因子模型评估法

单因子模型评估法利用遥感技术解译出某一类与地下水相关的环境因素或水文地质信息, 并以此构建模型来评估地下水。目前, 单因子模型评估法中运用的因子主要包括地表热异常、植被信息、土壤湿度和水文地质信息。

1.1 地表热异常评估法

在毛细作用和热传导作用下, 不同储量和埋深的地下水会对地表温度产生影响, 这种影响将在热红外遥感图像上表现出热异常。地表热异常评估法是最早被用于地下水遥感评估的方法, 研究人员通过热红外遥感数据反演出地表温度信息, 建立地表温度与地下水之间的相关性。傅碧宏等[8]运用Landsat TM6热红外遥感数据在石羊河流域进行地表温度的定量反演研究, 反演结果显示地下水富集地带的地表温度比地表水高5 K左右, 比其他类型的地表低7 K左右, 表明热红外遥感可以有效探测干旱区的地下水富集带; 王飞跃等[9]通过解译Landsat TM热红外遥感图像发现并验证了灰岩进水口, 该研究在演马矿水害防治决策中发挥了重要作用; 盖利亚等[10]利用Landsat-7 ETM+ 6波段数据, 通过统计分析、滤波、最优密度分割等图像处理, 提取黄土丘陵区的地下水富集信息, 野外实地调查的结果表明该方法有效。

需要说明的是, 地表温度受地表植被覆盖、土壤类型、气候和大气等多种因素影响, 地表热异常法评估地下水的精确度不高, 定性评估多于定量评估, 这限制了该技术的进一步应用。随着其他地下水评估技术的发展, 近10年来已经少有研究人员使用该方法评估地下水, 但利用热红外波段遥感数据反演地表温度的研究一直在进行[11, 12]

1.2 植被信息评估法

地下水与植被生长、种群演替存亡有着密切关系[13]。基于地下水与植被的特征关系, 通过遥感图像解译植被信息并评估地下水的研究逐步发展起来。王飞跃等[14]基于干旱区植被和地下水的关系, 通过遥感图像解译植被信息推断出地下水的富集带; Sultan等[15]采用MODIS数据对三工河流域的地下水埋深和植被覆盖度进行采样分析, 结果表明干旱地区的植被覆盖度高度依赖于地下水埋深; 金晓媚等[16]利用MDOIS数据反演植被覆盖度对银川盆地适宜植被生长的地下水埋深进行研究, 结果表明该地区适宜植被生长的地下水埋深范围为2~4 m; 姜红等[17]利用实测的地下水埋深数据和基于Landsat数据得到的改进型温度植被干旱指数构建了地下水埋深监测模型, 使用该模型对开都河两岸绿洲1999— 2016年地下水的时空分布进行监测, 将2005年和2003年实测数据作为验证数据, 得到模型反演地下水的埋深和实测埋深的决策系数R2分别为0.77和0.75; 曹乐等[18]利用Landsat数据从长序列时间和盆地空间尺度分析了民勤绿洲区天然植被生长与地下水埋深的变化, 得到了地下水浅埋区的生态水位。

需要说明的是, 虽然植被的生存、生长高度依赖于地下水, 但地表土壤、地形地貌、海拔、气候等因素同样会影响甚至制约植被生长, 不同物种的植物对地下水的依赖程度也有所不同, 因此植被信息评估法一般适用于有植被生长且物种比较单一的干旱半干旱地区。此外, 该方法多见于地下水埋深评估, 在地下水富集性评估中应用较少。

1.3 土壤湿度评估法

在毛细作用和蒸发作用的影响下, 地下水会在饱水带上方形成毛细水带, 导致土壤的水分含量发生变化。土壤湿度评估法的基本原理是利用遥感技术反演地表湿度信息, 然后构建地表湿度与地下水之间的相关性模型, 从而实现对地下水资源的评估。Komarov等[19]在研究不同土壤介电常数、土壤湿度等在微波范围内表现特征的基础上, 利用微波遥感技术反演并建立土壤湿度与地下水埋深的相关性模型, 能够较为准确地预测埋深3 m以内的地下水水位; 郭娇等[20]利用类似方法建立了基于Landsat-5 TM 2、3、4波段的地下水水位分布模型, 模型在黄河三角洲地区得到了验证, 能够在地下水埋深不大于3 m的自然带监测评估地下水; 霍艾迪等[21]在实地考察毛乌素沙漠化地区土壤水分和地下水埋深的基础上, 利用MODIS数据建立地下水埋深评估模型, 模型反演结果与实测值的相关系数为0.868, 研究显示该模型适用于范围较大且埋深不大于7 m的沙漠化地区的地下水分布监测评估; 郑璞等[22]根据2004— 2010年的TM多光谱数据, 通过修正归一化水体指数在辽宁朝阳地区提取多年的地表土壤平均湿度, 预测地下水富集区, 实地考察验证了方法的可行性; 姜红等[23]采用遥感-数学-模型学融合的方法, 用Landsat-8数据建立一定植被覆盖条件下的地下水埋深分布遥感监测评价模型, 在新疆焉耆盆地模型反演的地下水埋深与实测地下水埋深的R2为0.81; 吴迪[24]运用TM多光谱数据提取的沈阳市多年地表湿度信息对地下水富集区进行预测, 预测结果和水文地质实际状况保持了良好的一致性; 史晓亮等[25]采用MODIS数据归一化差分植被指数(Normalized Difference Vegetation Index, NDVI)和地表温度(Land Surface Temperature, LST)数据反演土壤含水量, 结合地下水埋深实测数据构建了地下水监测模型, 研究结果表明该模型能够在区域尺度上较好地模拟地下水埋深。

需要说明的是, 土壤湿度受土壤类型、土壤组成、降水等诸多因素影响, 因此土壤湿度评估法在气候湿润、植被覆盖较多、地层岩性复杂的地区难以适用, 这也限制了该方法的推广应用。

1.4 水文地质信息评估法

地下水的赋存受到地形、岩性、地质构造等水文地质条件的影响。遥感数据可以解译出地层岩性、地质构造、水文特征等信息, 这些信息使确定地下水富集的构造位置及推断含水层的分布成为可能。一些学者将遥感数据和水文地质资料结合起来, 并以此构建由水文地质信息和实测数据构成的模型来评估地下水。Omar[26]利用遥感图像解译的地层岩性、地质构造等信息确定了蓄水构造, 分析出含水层的发育规律和边界, 并结合物探数据实现了地下水的精确评价; Krishnamurthy等[27]利用IRS卫星提取研究区的地层岩性、构造和地形信息, 并与地貌特征结合来评价地下水形成条件, 研究表明该方法能够实现坚硬岩石地区地下水的监测识别; Tam等[28]将遥感与地形、地质构造、水文地质、地球物理分析相结合, 提取典型喀斯特地貌区域的断裂走向和地表径流流向, 确定地下水富集区, 验证了该方法在溶洞发育分析中较为可靠; Murugesan等[29]以盆地为研究区, 利用TM数据提取了地形、地貌、断裂密度等信息, 并在GIS平台制作了6级地下水潜力分布图, 实地调查数据验证了制图结果的可靠性; 程洋等[30]采用资源一号02C卫星数据进行水文地质信息解译, 利用GIS数据处理平台分析出碳酸盐岩岩溶裂隙含水岩组和断层的富水性, 成功圈定富水区并成井见水, 单日涌水量达40 000 m3; 王康等[31]利用遥感技术解译辽西朝阳地区地层岩性、地质构造以及地形地貌信息, 综合分析该区地下水赋存规律, 有效地提高了地面物探工作的针对性。

水文地质信息评估法主要基于水文地质方面的理论知识和实地评估, 在实际运用中通常需要结合物探数据进行分析。在地表被完全覆盖/利用的区域, 遥感技术难以有效提取地层岩性、地质构造等信息, 无法保证定量反演的精度, 因此该方法的适用性受地域影响较大。

2 多因子综合模型评估法

多因子综合模型评估法是从单因子模型评估法发展而来的方法。当上述单因子的适用性受到各种条件的约束, 研究人员尝试综合运用不同因子的组合方式评估地下水, 在GIS技术和计算机技术的支持下, 多因子综合模型评估法迅速发展。多因子综合模型评估法是综合利用与地下水补给、赋存以及地表指示环境相关的多种要素建立一个综合评估模型(指数), 并利用该模型(指数)对地下水进行评估。图1展示了多因子综合模型评估法中常用的因子。

图1 多因子综合模型评估法常用因子Fig.1 Factors of the assessment method in the multi-factor comprehensive model

2.1 层次分析法

层次分析法是一种定性分析和定量分析相结合的分析方法, 该方法将与决策有关的元素分解成目标、准则、方案等层次, 而后再进行定性和定量分析[32]。层次分析法把复杂的问题层次化分解, 建立出相互联系的层次结构模型, 利用最下层相对于最上层的权重和排序来解决问题, 具有很强的逻辑性、实用性、系统性。由于能够较好地解决评估指标权重分配问题, 层次分析法被国内外众多研究人员应用到地下水资源的评估中。邓正栋等[33]在辽宁丹东地区选取地层岩性、断裂密度、地形、坡度、地貌、地表温度、土壤湿度等指标作为地下水富集性评估因子, 利用ALOS、SPOT、TM和DEM数据对因子进行解译提取, 基于层次分析法构建地下水遥感模糊评估指数, 实测结果表明该指数评估结果与实测孔隙水出水量的R2为0.82, 与实测裂隙水出水量的R2为0.57; Kaliraj等[34]运用Landsat ETM+图像和地形数据库, 选取地貌、坡度、排水密度、土地利用信息等指标作为评估因子, 基于层次分析法构建模型确定了印度泰米尔纳德邦特尼地区人工地下水补给潜力带; Pinto等[35]采用层次分析法, 选取坡度、地形、土壤、地层岩性、排水密度、降雨等作为评估因子, 结合GIS平台识别科摩罗流域的地下水潜力区并进行验证, 发现该地区的地下水赋存受降雨、地层岩性、坡度、土地利用等因素控制; Das等[36]采用层次分析法对坡度、土壤、降雨等评估因子进行权重分配, 并在GIS平台制成地下水富集性图, 结果显示14个验证点中有10个与评估的富集性等级匹配。

层次分析多参数优化方法具有使用简单、效益高、工作量小等优点, 其缺点是评估因子的选择、权重的分配往往需要专家的经验进行判断, 主观性强。虽然判断矩阵能够验证评估因子权重分配的合理性, 但是依然存在不确定因素。在运用层次分析法时, 因子数不宜超过9个, 否则容易导致统计量过大, 因子权重难以确定。在一些地下水相关因子数目较多的地区进行地下水遥感评估研究时, 研究人员需对因子进行科学取舍。

2.2 频率比模型法

频率比模型法是一种双变量统计方法, 可以作为一种有效的地理空间评估工具来确定因变量和自变量之间的概率关系。运用频率比模型进行地下水评估是基于地下水相关因子与地下水分布之间的相关性和观测关系。频率比模型的构建较为简单, 主要分为数据库建立、权重计算、数据整合验证3个部分。频率比模型法避免了层次分析法中因子权重依赖于专家经验的弊端, 经过综合分析得到的因子权重为构建评估模型奠定了基础。从目前公开的研究文献看, 国外学者应用该方法较多[37, 38, 39], 国内相关研究还不多见。Manap等[40]选取地面高程、地形坡度、土壤类型等评估因子构建地下水富集性评估的频率比模型, 马来西亚冷岳盆地的评估结果显示该方法能够比较准确地评估出地下水的富集区域; Elmahdy等[41]选取岩性、地貌、水系、地形坡度、海拔、地形曲率等评估因子构建频率比模型评估地下水的赋存信息, 模型反演结果与实际调查结果的精确度高达87.67%; Naghibi等[42]基于4种数据挖掘算法提出了一种新的频率比数据挖掘集成模型, 选取高程、坡度、平面曲率、地表湿度指数、归一化植被指数、地层岩性等作为评估因子, 构建数据库进行地下水富集性评估, 验证结果表明该模型的精确度达到94.8%。

由于频率比模型在地下水评估中精确度较高, 有关频率比模型与其他模型方法评估效果的对比也成为研究热点。Ozdemir[43]采用频率比、证据权重、逻辑回归3种模型方法, 将地层岩性、断层密度、断层距离、高程、坡度等因子运用到模型构建中, 频率比模型的预测评估精确度达到90.3%; Das[44]运用影响因素模型法、频率比模型法、层次分析法3种方法评估地下水富集性并选取地层岩性、地貌、坡度、排水密度、降雨等作为评估因子, 结果表明频率比模型法(75%)的精确度比影响因素模型法(71%)和层次分析法(70%)更好; Naghibi等[45]、Razandi等[46]、Sahoo等[47]也开展了相似的研究。

频率比模型法比层次分析法运用的评估因子更多, 并且评估因子的权重不再依赖于专家经验, 在相关研究的成果中表现出较高的精确度。然而, 构建频率比模型需要研究区的地下水样本信息, 因此对于地下水数据空白或较少的地区适用性较差。目前, 该方法已被部分国内学者应用到滑坡敏感性评价[48]、林区火险制图[49]、地质灾害评价[50]等研究中, 也取得了较好的效果, 该方法在国内地下水遥感评估研究中的应用值得期待。

2.3 决策树法

决策树法使用树状决策模型进行大数据分析以发现潜在的信息, 是早期的机器学习方法之一。决策树法具有基于多种指标因子提取地物空间分布专题信息的技术优势, 因数据分析效率高、直观易懂、可操作性强等优点成为各界研究的热点, 运用较多且比较成熟的决策树方法有CLS、ID3、C4.5、C5.0、CART等[51]。目前, 利用决策树分类方法解析遥感影像已经在土地覆盖分类[52]、植被种类鉴定[53]、林地识别[54]、地貌判别[55]、水体信息提取[56]等领域取得成果, 近年来也被逐步引入到地下水资源遥感评估的研究中。Lee等[57]以韩国保宁市和浦项市为研究区, 构建包含地形、地貌、地质、森林、土壤等地下水相关因子的空间数据库, 分别应用卡方自动交互检测法(Chi-squared Automatic Interaction Detection, CHAID)和快速、无偏、高效统计树(Quick Uubiased Efficient Statistical Tree, QUEST)两种决策树方法进行地下水富集性评估, 保宁市的地下水富集性评估精确度分别为96.55%和94.92%, 浦项市的地下水富集性评估精确度分别为87.88%和87.50%; Duan等[58]依据水文地质图和多年地下水水位资料确定地下水富集性类别, 运用Landsat-7 TM、DEM数据提取岩性、线状密度、地形、坡度、河道密度等评估因子信息, 将多准则决策模型分别与C5.0、CART相结合得到最优分类决策树模型评估地下水的富集性, 结果表明C5.0比CART更为有效; Golkarian等[59]选择13个地下水相关因子制成数据集, 验证了C5.0、随机森林和多变量自适应回归模型3种方法在伊朗马什哈德平原东部地区评估地下水的适用性并生成地下水富集性专题图, 实测结果表明3种方法的精确度均达到70%以上, C5.0方法具有一定的可靠性。

由于决策树法没有充分考虑噪声问题, 在实际应用过程中部分因子可能存在缺失值, 造成数据集的不完整。对于因子样本数量不一致的数据, 信息增益会偏向数量多的特征, 这会导致评估精确度出现偏差。因此, 合理选取评估因子、有效确定训练样本、科学建立分类模型是该方法需要解决的关键问题。

2.4 人工神经网络法

人工神经网络是基于模仿大脑神经网络结构和功能而构成的自适应非线性动态系统[60]。伴随着计算机技术的发展, 该方法已经成功应用在模式识别、预测评价、数据分析等众多领域[61, 62]。利用人工神经网络进行地下水评估的研究较多[63, 64, 65, 66], 但基于人工神经网络进行地下水遥感评估的研究尚不多见。Lee等[67]利用遥感技术结合GIS构建了以地表曲率、坡度、河流密度、地形湿度指数等15个因子为输入层的人工神经网络模型, 对韩国浦项市周边区域的地下水富集性进行预测评估, 模型的精确度在73.54%~80.09%之间; Lee等[68]基于遥感技术选取土壤、河流密度、集水面积、坡度等19个评估因子, 使用人工神经网络和支持向量机两种模型分析评估韩国博陵市的地下水富集信息, 结果表明人工神经网络和支持向量机两种模型的精确度分别为83.57%和80.83%。

人工神经网络模型在获取的数据集不完整的情况下, 依然能够根据已知数据对地下水进行判断评估, 并且能够根据计算出的权重反映各相关因子的相对重要性。然而, 利用人工神经网络进行地下水遥感评估需要实测数据作为训练样本, 训练样本的数量和选取直接影响着模型的评估精度。此外, 神经网络内在的推理过程和依据还难以解释, 这也影响了其在地下水遥感评估研究中的应用。

2.5 其他方法

除了上述提到的方法, 一些学者还尝试运用其他方法构建多因子综合模型进行地下水遥感评估。Samson等[69]采用加权指数叠加分析方法将土壤、地质、地形、地貌、土地覆盖和坡度等要素综合起来评估地下水的富集性, 实测结果证明了方法的有效性; Naghibi等[70]采用增强回归树、分类回归树、随机森林方法对伊朗恰哈马哈勒-巴赫蒂亚里地区的地下水富集性进行研究; Nag等[71]、Parameswari等[72]采用支持向量机分别在不同地区进行地下水富集性评估, 也取得了较好的效果。除此之外, 还有线性回归法[73]、多准则决策法[74]等被引入到多因子综合模型中进行地下水遥感评估, 为研究者带来了新的思路和方向。

综上所述, 多因子综合模型评估法是一种数据集成方法, 通过有效整合多种与地下水相关的因子, 较好地实现了对地下水的遥感评估。概括而言, 多因子综合模型评估法又可以进一步归纳为以层次分析法为代表的专家决策方法和以决策树、神经网络为代表的机器学习方法, 或者两种方法兼用。在实践中, 机器学习方法不易出现程序错误和感知偏差, 专家决策方法能够依靠丰富的经验来识别机器可能无法自动检测出的特征, 这些优势可以将更多的地下水相关因子引入到遥感评估中, 从而更准确地揭示地下水的赋存特点。从研究案例看, 多因子综合模型评估法的精确度总体比单因子模型评估法高, 地域的适用性更强。需要说明的是, 在运用多因子综合模型评估法时, 因子的选取并不是越多越好, 应综合考虑研究区的气候、地质、水文等具体情况以及拟选用评估方法的特点, 合理地进行选取。

3 重力卫星数据评估法

将重力卫星数据评估法单独归为一类方法的原因在于该方法与传统地下水遥感评估的原理和数据类型有所区别。重力卫星数据评估法是基于GRACE卫星反演出的地球重力场变化对地下水赋存量进行评估的方法。Rodell等[75]以美国中部高原为研究区, 利用GRACE卫星数据评估了将地下水储量变化从陆地水储量变化中隔离出来的可能性, 研究表明1987— 1998年研究区地下水储量变化幅度是19.8 mm, 但地表建模消除由重力信号得到的土壤水分变化的影响时会增加GRACE卫星数据评估高原含水层水储量的不确定性; 曹艳萍等[76]利用GRACE观测数据反演的黑河流域水储量变化量与黑河流域地下水变化量之间的相关系数达到0.91, 但利用GRACE数据反演地下水的空间分辨率较低, 反演精确度易受辅助水文数据的影响; 王超等[77]利用GRACE观测数据分析了我国珠江、长江、淮河、黄河、海河、松辽6大江河流域的水源总量变化, 并与全球陆面数据同化系统(GL-DAS)模拟结果进行对比, 结果表明GRACE数据可有效监测陆地总水量的季节性变化与空间变化; Fatolazadeh等[78]利用2003— 2014年的GRACE观测数据对伊朗的地下水储量变化进行评估, 采用小波分析和高斯滤波2种方法来减少卫星数据中的条带错误, 反演结果与渗透井的实测数据能够较好地吻合; Skaskevych等[79]的研究表明在模型和实测资料有限的情况下, 基于GRACE数据的地下水储量异常估计方法可以经济有效、可替代地观测盆地尺度地下水变化。

尽管GRACE数据评估法展现出较好的评估效果, 但时间分辨率低(30 d)、观测尺度大、空间分辨率低(400 km)等缺陷制约了该方法应用在小尺度或对时间分辨率要求高的地下水评估中。GRACE任务于2017年结束, 美国NASA和德国GFZ又于2018年启动了GRACE-FO任务[80], 新的卫星配备了激光系统演示器, 可以测量卫星之间的距离和速度, 提高了卫星数据的精度。未来利用GRACE卫星数据评估地下水的研究将会更加深入。

4 结论

(1)由于地下水勘探的复杂性和不确定性, 遥感评估目前仍无法完全取代传统的地下水勘探。但综合研究表明, 定量反演遥感数据并建立地下水相关性模型, 能够获取精度较高的地下水赋存、埋深等信息。遥感评估已经成为地下水资源评估中较为可靠的技术手段, 其宏观、动态、综合、经济的优势, 能够为大多数地区地下水资源的开发和保护提供高效便捷的服务。而对于那些因物探勘察难以实施、实地调查存在困难等原因导致地下水信息缺失的偏远地区, 遥感评估技术有望为填补地下水资源信息的空白提供重要参考。

(2)从多年来地下水遥感评估研究的发展看, 地下水的赋存信息是众多学者研究的主要对象, 针对地下水赋存信息评估方法的研究进展非常迅速, 模型方法也更加多元, 但针对埋深信息评估方法的研究进展则比较缓慢, 这一现象值得研究人员关注。

(3)虽然大多数研究验证了评估方法的精确度, 但是验证的有效性依然值得商榷。地下水遥感评估的验证通常需要钻孔、抽水试验或较为精准的水文地质资料, 验证不仅对实测数据的数量有要求, 数据的地理分布还应具有一定的代表性。当研究的实测数据较少, 评估方法的有效性可能无法得到保证。研究人员在开展地下水遥感评估研究时应提前考虑评估精确度的有效性验证问题。

(4)从地下水遥感评估研究的发展历程看, 遥感技术和计算机技术的发展是重要的推动力。得益于两者的发展, 地下水遥感评估技术从单因子模型演变为多因子综合模型, 越来越多与地下水相关的因子被引入到模型的构建中, 评估的精确度也在不断提高。可以预见, 多类型、高时空分辨率的新型遥感数据的出现, 以机器学习技术为代表的模型方法的创新会进一步推动地下水遥感评估技术的发展。

(5)目前遥感技术主要应用于大区域尺度背景下的地下水评估, 已经有研究人员尝试将其应用到小尺度下的地下水评估中[81, 82]。作为近年来发展较快的新技术, 无人机遥感技术已经在测绘[83]、水土保持监测[84]等领域发挥重要作用。与传统地下水勘察手段相比, 无人机遥感技术解决了勘察成本高、周期长、易受地形限制等问题。与卫星遥感技术相比, 无人机遥感技术具有时空分辨率更高、观测尺度小、操作灵活且数据获取方便等特点。因此, 基于无人机遥感技术的地下水评估研究有望成为新的方向和热点。

(责任编辑: 刁淑娟, 魏昊明)

参考文献
[1] Llamas M R, Martínez-Santos P. Intensive groundwater use: Silent revolution and potential source of social conflicts[J]. J Water Resour Plan Manage, 2005, 131(5): 337-341. [本文引用:1]
[2] 陈礼宾. 七十年代美、加等国的热红外遥感技术在水文地质调查中的应用实例[J]. 国外地质勘探技术, 1981(7): 8-11.
Chen L B. Application examples of thermal infrared remote sen-sing technology in hydrogeology survey in the United States,Canada and other countries in the 1970s[J]. Foreign Geoexploration Technology, 1981(7): 8-11. [本文引用:1]
[3] 阿布都瓦斯提·吾拉木, 秦其明. 地下水遥感监测研究进展[J]. 农业工程学报, 2004, 20(1): 184-188.
Abduwasit G, Qin Q M. Overview on methods and theories of remote sensing monitoring and exploration of groundwater[J]. Transactions of the Chinese Society of Agricultural Engineering, 2004, 20(1): 184-188. [本文引用:1]
[4] Díaz-Alcaide S, Martínez-Santos P. Review: Advances in groundwater potential mapping[J]. Hydrogeol J, 2019, 27(7): 2307-2324. [本文引用:1]
[5] Shahid S, Nath S K, Roy J. Groundwater potential modelling in a soft rock area using a GIS[J]. Int J Remote Sens, 2000, 21(9): 1919-1924. [本文引用:1]
[6] 李婉秋, 王伟, 章传银, . 利用GRACE卫星重力数据监测关中地区地下水储量变化[J]. 地球物理学报, 2018, 61(6): 2237-2245.
Li W Q, Wang W, Zhang C Y, et al. Monitoring groundwater storage variations in the Guanzhong area using GRACE satellite gravity date[J]. Chinese Journal of Geophysics, 2018, 61(6): 2237-2245. [本文引用:1]
[7] Sun A Y. Predicting groundwater level changes using GRACE data[J]. Water Resour Res, 2013, 49(9): 5900-5912. [本文引用:1]
[8] 傅碧宏, 史基安, 张中宁. Land sat TM热红外遥感数据定量反演地下水富集带的温度信息——以甘肃河西地区石羊河流域为例[J]. 遥感技术与应用, 1999, 14(2): 34-38.
Fu B H, Shi J A, Zhang Z N. Quantitative estimation of Land Surface Temperature (LST) of groundwater-enriched zone using Land sat TM6 thermal infrared remote sensing data in the arid region: A case study in the Shiyang River drainage basin of Hexi Corridor, Gansu Province[J]. Remote Sensing Technology and Application, 1999, 14(2): 34-38. [本文引用:1]
[9] 王飞跃, 吴军虎, 王俊峰, . 热红外遥感技术在演马矿水害防治决策中的初步应用[J]. 国土资源遥感, 1999, 11(2): 19-24.
Wang F Y, Wu J H, Wang J F, et al. A primary application of infrared remote sensing technique to prevent and control mining water at Jiaozuo of Henan Province[J]. Remote Sensing for Land and Resources, 1999, 11(2): 19-24. [本文引用:1]
[10] 盖利亚, 李巨芬, 王宇. Land sat ETM数据在黄土丘陵区对浅层地下水信息的提取[J]. 测绘科学, 2010, 35(5): 217-219.
Gai L Y, Li J F, Wang Y. Study of groundwater information extraction from loess hill drought area based on Land sat ETM date[J]. Science of Surveying and Mapping, 2010, 35(5): 217-219. [本文引用:1]
[11] 吴文渊, 金城, 庞毓雯, . 热红外遥感浙江地表热环境分布研究[J]. 遥感学报, 2019, 23(4): 796-807.
Wu W Y, Jin C, Pang Y W, et al. Distribution characteristics of surface thermal environment in Zhejiang Province based on thermal infrared remote sensing[J]. Journal of Remote Sensing, 2019, 23(4): 796-807. [本文引用:1]
[12] Duan S B, Li Z L, Wang C G, et al. Land -surface temperature retrieval from Land sat 8 single-channel thermal infrared data in combination with NCEP reanalysis data and ASTER GED product[J]. Int J Remote Sens, 2019, 40(5/6): 1763-1778. [本文引用:1]
[13] 钟华平, 刘恒, 王义, . 黑河流域下游额济纳绿洲与水资源的关系[J]. 水科学进展, 2002, 13(2): 223-228.
Zhong H P, Liu H, Wang Y, et al. Relationship between Ejina oasis and water resources in the lower Heihe River basin[J]. Advances in Water Science, 2002, 13(2): 223-228. [本文引用:1]
[14] 王飞跃, 孙顺新. 环境遥感信息分析法在干旱区找水中的应用——以内蒙锡林浩特地区为例[J]. 国土资源遥感, 1999, 11(1): 36-42.
Wang F Y, Sun S X. The application of environmental remote sensing information analysis in seeking for water resource in arid areas-taking Xilinhaote area, Inner Monglia Autonomous Region as examples[J]. Remote Sensing for Land and Resources, 1999, 11(1): 36-42. [本文引用:1]
[15] Sultan D, Song Y D, Marina J. Influence of groundwater level change on vegetation coverage and their spatial variation in arid regions[J]. J Geogr Sci, 2004, 14(3): 323-329. [本文引用:1]
[16] 金晓媚, 万力, 薛忠歧, . 基于遥感方法的银川盆地植被发育与地下水关系研究[J]. 干旱区资源与环境, 2008, 22(1): 129-132.
Jin X M, Wan L, Xue Z Q, et al. Research on the relationship between vegetation development and groundwater in Yinchuan Basin based on the remote sensing[J]. Journal of Arid Land Resources and Environment, 2008, 22(1): 129-132. [本文引用:1]
[17] 姜红, 玉素甫江·如素力, 阿迪来·乌甫, . 基于Land sat数据的开都河两岸绿洲地下水遥感监测及影响因素分析[J]. 自然灾害学报, 2017, 26(4): 205-214.
Jiang H, Yusufujiang R, Adilai W, et al. Land sat date based monitoring of groundwater depth and its influencing factors in oasis area of Kaidu river both sides[J]. Journal of Natural Disasters, 2017, 26(4): 205-214. [本文引用:1]
[18] 曹乐, 聂振龙, 刘敏, . 民勤绿洲天然植被生长与地下水埋深变化关系[J]. 水文地质工程地质, 2020, 47(3): 25-33.
Cao L, Nie Z L, Liu M, et al. Changes in natural vegetation growth and groundwater depth and their relationship in the Minqin oasis in the Shiyang River basin[J]. Hydrogeology and Engineering Geo-logy, 2020, 47(3): 25-33. [本文引用:1]
[19] Komarov S A, Mironov V L, Romanov A N, et al. Remote sensing of the water table: Measurement and a data processing algorithm[J]. Mapp Sci Remote Sens, 1999, 36(1): 1-10. [本文引用:1]
[20] 郭娇, 石建省, 叶浩, . 黄河三角洲地下水位分布的遥感模型研究[J]. 水文地质工程地质, 2009, 36(2): 19-24.
Guo J, Shi J S, Ye H, et al. Remote sensing modelling of groundwater level distribution in the Yellow River Delta[J]. Hydrogeology and Engineering Geology, 2009, 36(2): 19-24. [本文引用:1]
[21] 霍艾迪, 张广军, 赵君, . 基于MODIS数据的沙漠化地区地下水位遥感监测模型的建立——以毛乌素沙地为例[J]. 干旱地区农业研究, 2016, 28(6): 196-200.
Huo A D, Zhang G J, Zhao J, et al. Study on remote sensing monitoring model of groundwater level in aeolian desertification areas—A case study of Mu Us Aeolian desertification areas, China[J]. Agricultural Research in the Arid Areas, 2016, 28(6): 196-200. [本文引用:1]
[22] 郑璞, 邓正栋, 王大庆, . 基于TM数据的土壤湿度指数预测半干旱地区浅层地下水的研究——以朝阳地区为例[J]. 水文, 2015, 35(5): 23-29.
Zheng P, Deng Z D, Wang D Q, et al. Study on predicting shallow groundwater in semi-arid area based on soil humidity index of TM date: Taking Chaoyang City as a study case[J]. Journal of China Hydrology, 2015, 35(5): 23-29. [本文引用:1]
[23] 姜红, 玉素甫江·如素力, 热伊莱·卡得尔, . 一种利用土壤水分反演地下水位遥感方法[J]. 遥感信息, 2018, 33(5): 82-88.
Jiang H, Yusufujiang R, Rerilai K, et al. A remote sensing method for retrieving groundwater levels using soil moisture[J]. Remote Sensing Information, 2018, 33(5): 82-88. [本文引用:1]
[24] 吴迪. 土壤湿度指数预测沈阳市浅层地下水[J]. 水利规划与设计, 2018(12): 50-53.
Wu D. Prediction of shallow groundwater in Shenyang by soil moisture index[J]. Water Resources Planning and Design, 2018(12): 50-53. [本文引用:1]
[25] 史晓亮, 周政辉, 王馨爽. 基于遥感技术的干旱区地下水监测研究[J]. 人民黄河, 2019, 41(7): 87-91.
Shi X L, Zhou Z H, Wang X S. Study on groundwater monitoring based on remote sensing in arid region[J]. Yellow River, 2019, 41(7): 87-91. [本文引用:1]
[26] Omar A A. Use of SIR-A interpretation for underground water prospecting in southern Iraq[M]//Institution of Mining & Metallurgy. Remote Sensing: An Operational Technology for the Mining and Petroleum Industries. Dordrecht: Springer, 1990: 165-172. [本文引用:1]
[27] Krishnamurthy J, Srinivas G. Role of geological and geomorpholo-gical factors in ground water exploration: A study using IRS LISS data[J]. Int J Remote Sens, 1995, 16(14): 2595-2618. [本文引用:1]
[28] Tam V T, Batelaan O. A multi-analysis remote-sensing approach for mapping groundwater resources in the Karstic Meo Vac Valley, Vietnam[J]. Hydrogeol J, 2011, 19(2): 275-287. [本文引用:1]
[29] Murugesan V, Krishnaraj S, Kannusamy V, et al. Groundwater potential zoning in Thirumanimuttar sub-basin Tamilnadu, India-a GIS and remote sensing approach[J]. Geo-spat Inf Sci, 2011, 14(1): 17-26. [本文引用:1]
[30] 程洋, 童立强, 郭兆成, . 资源一号02C卫星数据在北京岩溶水资源勘查评价工程中的应用[J]. 国土资源遥感, 2015, 27(2): 183-189.
Cheng Y, Tong L Q, Guo Z C, et al. Application of satellite date of ZY1-02C to the exploration engineering of Karst water resources in Beijing[J]. Remote Sensing for Land and Resources, 2015, 27(2): 183-189. [本文引用:1]
[31] 王康, 姜琦刚, 于德浩, . 基于遥感的辽西朝阳地区水文地质信息提取及其应用[J]. 世界地质, 2018, 37(3): 958-966.
Wang K, Jiang Q G, Yu D H, et al. Extraction and application of hydrogeological information based on remote sensing of Chaoyang Region, western Liaoning[J]. Global Geology, 2018, 37(3): 958-966. [本文引用:1]
[32] Finizio A, Villa S. Environmental risk assessment for pesticides: A tool for decision making[J]. Environ Impact Assess Rev, 2002, 22(3): 235-248. [本文引用:1]
[33] 邓正栋, 叶欣, 龙凡, . 地下水遥感模糊评估指数的构建与研究[J]. 地球物理学报, 2013, 56(11): 3908-3916.
Deng Z D, Ye X, Long F, et al. Construction and investigation of groundwater remote sensing fuzzy assessment index[J]. Chinese Journal of Geophysics, 2013, 56(11): 3908-3916. [本文引用:1]
[34] Kaliraj S, Chand rasekar N, Magesh N S. Identification of potential groundwater recharge zones in Vaigai upper basin, Tamil Nadu, using GIS-based analytical hierarchical process (AHP) technique[J]. Arabian J Geosci, 2014, 7(4): 1385-1401. [本文引用:1]
[35] Pinto D, Shrestha S, Babel M S, et al. Delineation of groundwater potential zones in the Comoro watershed, Timor Leste using GIS, remote sensing and analytic hierarchy process (AHP) techni-que[J]. Appl Water Sci, 2017, 7(1): 503-519. [本文引用:1]
[36] Das B, Pal S C, Malik S, et al. Modeling groundwater potential zones of Puruliya district, West Bengal, India using remote sensing and GIS techniques[J]. Geol Ecol Land sc, 2019, 3(3): 223-237. [本文引用:1]
[37] Al-Abadi A M. Modeling of groundwater productivity in northeastern Wasit Governorate, Iraq using frequency ratio and Shannon’s entropy models[J]. Appl Water Sci, 2017, 7(2): 699-716. [本文引用:1]
[38] Kim J C, Jung H S, Lee S. Groundwater productivity potential mapping using frequency ratio and evidential belief function and artificial neural network models: Focus on topographic factors[J]. J Hydroinf, 2018, 20(6): 1436-1451. [本文引用:1]
[39] Jothibasu A, Anbazhagan S. Spatial mapping of groundwater potential in Ponnaiyar River basin using probabilistic-based frequency ratio model[J]. Model Earth Syst Environ, 2017, 3(1): 33. [本文引用:1]
[40] Manap M A, Nampak H, Pradhan B, et al. Application of probabilistic-based frequency ratio model in groundwater potential mapping using remote sensing data and GIS[J]. Arabian J Geosci, 2014, 7(2): 711-724. [本文引用:1]
[41] Elmahdy S I, Mohamed M M. Probabilistic frequency ratio model for groundwater potential mapping in Al Jaww plain, UAE[J]. Arabian J Geosci, 2015, 8(4): 2405-2416. [本文引用:1]
[42] Naghibi S A, Moghaddam D D, Kalantar B, et al. A comparative assessment of GIS-based data mining models and a novel ensemble model in groundwater well potential mapping[J]. J Hydrol, 2017, 548: 471-483. [本文引用:1]
[43] Ozdemir A. GIS-based groundwater spring potential mapping in the Sultan Mountains (Konya, Turkey) using frequency ratio, weights of evidence and logistic regression methods and their comparison[J]. J Hydrol, 2011, 411(3/4): 290-308. [本文引用:1]
[44] Das S. Comparison among influencing factor, frequency ratio, and analytical hierarchy process techniques for groundwater potential zonation in Vaitarna basin, Maharashtra, India[J]. Groundw Sustain Dev, 2019, 8: 617-629. [本文引用:1]
[45] Naghibi S A, Pourghasemi H R, Pourtaghi Z S, et al. Groundwater qanat potential mapping using frequency ratio and Shannon’s entropy models in the Moghan watershed, Iran[J]. Earth Sci Inf, 2015, 8(1): 171-186. [本文引用:1]
[46] Razand i Y, Pourghasemi H R, Neisani N S, et al. Application of analytical hierarchy process, frequency ratio, and certainty factor models for groundwater potential mapping using GIS[J]. Earth Sci Inf, 2015, 8(4): 867-883. [本文引用:1]
[47] Sahoo S, Munusamy S B, Dhar A, et al. Appraising the accuracy of multi-class frequency ratio and weights of evidence method for delineation of regional groundwater potential zones in canal command system[J]. Water Resour Manage, 2017, 31(14): 4399-4413. [本文引用:1]
[48] 齐信, 黄波林, 刘广宁, . 基于GIS技术和频率比模型的三峡地区秭归向斜盆地滑坡敏感性评价[J]. 地质力学学报, 2017, 23(1): 97-104.
Qi X, Huang B L, Liu G N, et al. Land side susceptibility assessment in the Three Gorges area, China, Zigui synclinal basin, using GIS technology and frequency ratio model[J]. Journal of Geomechanics, 2017, 23(1): 97-104. [本文引用:1]
[49] 张海军, 戚鹏程. 基于频率比和逻辑回归模型的东北地区火险制图研究[J]. 地理与地理信息科学, 2012, 28(5): 35-38, 42.
Zhang H J, Qi P C. Mapping fire occurrence susceptibility in Northeast China: Comparison of frequency ratio and binary logistic regression[J]. Geography and Geo-Information Science, 2012, 28(5): 35-38, 42. [本文引用:1]
[50] 相爱芹, 丁继新, 孟庆丰, . 基于GIS技术的密云县地质灾害易发性评价[J]. 矿产勘查, 2015, 6(3): 324-328.
Xiang A Q, Ding J X, Meng Q F, et al. Assessment of geo-hazard susceptibility based on GIS technique in Miyun County, Beijing[J]. Mineral Exploration, 2015, 6(3): 324-328. [本文引用:1]
[51] 李强. 创建决策树算法的比较研究——ID3, C4. 5, C5. 0算法的比较[J]. 甘肃科学学报, 2006, 18(4): 84-87.
Li Q. A comparative study on algorithms of constructing decision trees: ID3, C4. 5 and C5. 0[J]. Journal of Gansu Sciences, 2006, 18(4): 84-87. [本文引用:1]
[52] 王春燕, 王刘明, 张媛, . 基于SEaTH的决策树方法在区域尺度土地覆被分类中的应用[J]. 兰州大学学报: 自然科学版, 2019, 55(1): 11-18.
Wang C Y, Wang L M, Zhang Y, et al. Application of SEaTH algorithms-based decision trees in regional land cover classification[J]. Journal of Lanzhou University: Natural Sciences, 2019, 55(1): 11-18. [本文引用:1]
[53] 崔璐, 杜华强, 周国模, . 决策树结合混合像元分解的中国竹林遥感信息提取[J]. 遥感学报, 2019, 23(1): 166-176.
Cui L, Du H Q, Zhou G M, et al. Combination of decision tree and mixed pixel decomposition for extracting bamboo forest information in China[J]. Journal of Remote Sensing, 2019, 23(1): 166-176. [本文引用:1]
[54] 刘晓娜, 封志明, 姜鲁光. 基于决策树分类的橡胶林地遥感识别[J]. 农业工程学报, 2013, 29(24): 163-172.
Liu X N, Feng Z M, Jiang L G. Application of decision tree classification to rubber plantations extraction with remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(24): 163-172. [本文引用:1]
[55] 吴健生, 潘况一, 彭建, . 基于QUEST决策树的遥感影像土地利用分类——以云南省丽江市为例[J]. 地理研究, 2012, 31(11): 1973-1980.
Wu J S, Pan K Y, Peng J, et al. Research on the accuracy of TM images land -use classification based on QUEST decision tree: A case study of Lijiang in Yunnan[J]. Geographical Research, 2012, 31(11): 1973-1980. [本文引用:1]
[56] 陈超, 傅姣琪, 随欣欣, . 面向灾后水体遥感信息提取的知识决策树构建及应用[J]. 遥感学报, 2018, 22(5): 792-801.
Chen C, Fu J Q, Sui X X, et al. Construction and application of knowledge decision tree after a disaster for water body information extraction from remote sensing images[J]. Journal of Remote Sensing, 2018, 22(5): 792-801. [本文引用:1]
[57] Lee S, Lee C W. Application of decision-tree model to groundwater productivity-potential mapping[J]. Sustainability, 2015, 7(10): 13416-13432. [本文引用:1]
[58] Duan H J, Deng Z D, Deng F F, et al. Assessment of groundwater potential based on multicriteria decision making model and decision tree algorithms[J]. Math Probl Eng, 2016, 2016: 1-11. [本文引用:1]
[59] Golkarian A, Naghibi S A, Kalantar B, et al. Groundwater potential mapping using C5. 0, rand om forest, and multivariate adaptive regression spline models in GIS[J]. Environ Monit Assess, 2018, 190(3): 149. [本文引用:1]
[60] 陈松灿, 杨国庆, 徐涛. 人工神经网络[J]. 南京航空航天大学学报, 1990, 22(2): 98-105.
Chen S C, Yang G Q, Xu T. Artificial neural network[J]. Journal of Nanjing Aeronautical Institute, 1990, 22(2): 98-105. [本文引用:1]
[61] 仇念广. 人工监督神经网络在煤层裂缝发育区识别中的应用[J]. 中国煤炭, 2020, 46(4): 32-36.
Qiu N G. Application of artificial supervised neural network in identification of fracture development area in coal seam[J]. China Coal, 2020, 46(4): 32-36. [本文引用:1]
[62] 孟璐. 基于人工神经网络的矿井涌水量预测[J]. 煤炭与化工, 2020, 43(4): 65-68.
Meng L. Mine water volume prediction based on artificial neural networks[J]. Coal and Chemical Industry, 2020, 43(4): 65-68. [本文引用:1]
[63] 马壮壮, 束龙仓, 季叶飞, . 基于遗传算法的BP神经网络计算岩溶水安全开采量[J]. 水文地质工程地质, 2016, 43(1): 22-27.
Ma Z Z, Shu L C, Ji Y F, et al. Calculation of karst water safe yield by using BP neural network based on genetic algorithm[J]. Hydrogeology and Engineering Geology, 2016, 43(1): 22-27. [本文引用:1]
[64] 王宇, 卢文喜, 卞建民, . 三种地下水位动态预测模型在吉林西部的应用与对比[J]. 吉林大学学报: 地球科学版, 2015, 45(3): 886-891.
Wang Y, Lu W X, Bian J M, et al. Comparison of three dynamic models for groundwater in western Jilin and the application[J]. Journal of Jilin University: Earth Science Edition, 2015, 45(3): 886-891. [本文引用:1]
[65] 宋洪伟, 刘继朝, 石建省, . ANN技术在地下水含水量预测建模中的研究与应用[J]. 中国地质, 2012, 39(4): 1081-1086.
Song H W, Liu J C, Shi J S, et al. The study and application of ANN to the modeling of underground water content forecast[J]. Geology in China, 2012, 39(4): 1081-1086. [本文引用:1]
[66] 邹涛. 地下水水质评价中BP人工神经网络模型的应用研究[J]. 水土保持应用技术, 2017(1): 19-21.
Zou T. Application of BP artificial neural network model in groundwater quality evaluation[J]. Technology of Soil and Water Conservation, 2017(1): 19-21. [本文引用:1]
[67] Lee S, Song K Y, Kim Y, et al. Regional groundwater productivity potential mapping using a geographic information system (GIS) based artificial neural network model[J]. Hydrogeol J, 2012, 20(8): 1511-1527. [本文引用:1]
[68] Lee S, Hong S M, Jung H S. GIS-based groundwater potential mapping using artificial neural network and support vector machine models: The case of Boryeong City in Korea[J]. Geocarto Int, 2017, 33(8): 847-861. [本文引用:1]
[69] Samson S, Elangovan K. Delineation of groundwater recharge potential zones in Namakkal District, Tamilnadu, India using remote sensing and GIS[J]. J Indian Soc Remote Sens, 2015, 43(4): 769-778. [本文引用:1]
[70] Naghibi S A, Pourghasemi H R, Dixon B. GIS-based groundwater potential mapping using boosted regression tree, classification and regression tree, and rand om forest machine learning models in Ir-an[J]. Environ Monit Assess, 2016, 188: 44. [本文引用:1]
[71] Nag S K, Ray S. Deciphering groundwater potential zones using geospatial technology: A study in Bankura Blocki and Block II, Bankura District, West Bengal[J]. Arabian J Sci Eng, 2015, 40(1): 205-214. [本文引用:1]
[72] Parameswari K, Padmini T K. Assessment of groundwater potential in Tirukalukundram block of southern Chennai Metropolitan Area[J]. Environ Dev Sust, 2018, 20(4): 1535-1552. [本文引用:1]
[73] Ebrahimi H, Rajaee T. Simulation of groundwater level variations using wavelet combined with neural network, linear regression and support vector machine[J]. Glob Planet Change, 2017, 148: 181-191. [本文引用:1]
[74] Mohamed M M, Elmahdy S I. Fuzzy logic and multi-criteria methods for groundwater potentiality mapping at Al Fo’ah area, the United Arab Emirates (UAE): An integrated approach[J]. Geocarto Int, 2017, 32(10): 1120-1138. [本文引用:1]
[75] Rodell M, Famiglietti J S. The potential for satellite-based monitoring of groundwater storage changes using GRACE: The High Plains aquifer, Central US[J]. J Hydrol, 2002, 263(1/4): 245-256. [本文引用:1]
[76] 曹艳萍, 南卓铜, 胡兴林. 利用GRACE重力卫星数据反演黑河流域地下水变化[J]. 冰川冻土, 2012, 34(3): 680-689.
Cao Y P, Nan Z T, Hu X L. Changes of groundwater storage in the Heihe River basin derived from GRACE gravity satellite date[J]. Journal of Glaciology and Geocryology, 2012, 34(3): 680-689. [本文引用:1]
[77] 王超, 杨涛. 重力卫星监测的中国陆地水资源储量时空变化特征[J]. 水电能源科学, 2013, 31(7): 20-23.
Wang C, Yang T. Spatial-temporal characteristics of terrestrial water storage variations in China based on GRACE satellite date[J]. Water Resources and Power, 2013, 31(7): 20-23. [本文引用:1]
[78] Fatolazadeh F, Voosoghi B, Naeeni M R. Wavelet and Gaussian approaches for estimation of groundwater variations using GRACE data[J]. Ground Water, 2016, 54(1): 74-81. [本文引用:1]
[79] Skaskevych A, Lee J, Jung H C, et al. Application of GRACE to the estimation of groundwater storage change in a data-poor region: A case study of Ngadda catchment in the Lake Chad Basin[J]. Hydrol Processes, 2020, 34(4): 941-955. [本文引用:1]
[80] Frappart F, Ramillien G. Monitoring groundwater storage changes using the Gravity Recovery and Climate Experiment (GRACE) satellite mission: A review[J]. Remote Sens, 2018, 10(6): 829. [本文引用:1]
[81] Lee E, Yoon H, Hyun S P, et al. Unmanned aerial vehicles (UAVs)-based thermal infrared (TIR) mapping, a novel approach to assess groundwater discharge into the coastal zone[J]. Limnol Oceanogr, 2016, 14(11): 725-735. [本文引用:1]
[82] Band ini F, Butts M, Jacobsen T V, et al. Water level observations from Unmanned Aerial Vehicles for improving estimates of surface water-groundwater interaction[J]. Hydrol Processes, 2017, 31(24): 4371-4383. [本文引用:1]
[83] 李然, 刘万增. 无人机遥感与应急测绘——三大关键技术[J]. 中国减灾, 2020(11): 34-36.
Li R, Liu W Z. Unmanned aerial vehicle remote sensing and emergency mapping: Three key technologies[J]. Disaster Reduction in China, 2020(11): 34-36. [本文引用:1]
[84] 倪用鑫, 吕锡芝, 杨二, . 无人机低空遥测技术在水土保持监测中的应用研究[J]. 中国水土保持, 2020(4): 33-35.
Ni Y X, Lv X Z, Yang E, et al. Application of unmanned aerial vehicle low altitude telemetry technology in soil and water conservation monitoring[J]. Soil and Water Conservation in China, 2020(4): 33-35. [本文引用:1]