研究背景与意义
2022年底发射的SWOT卫星搭载KaRIn干涉雷达，能够提供50~100m分辨率的宽幅二维水面高程。然而，SWOT数据存在系统性偏差、随机噪声和空间不一致性等问题，限制了其在水文监测中的应用。
本研究提出了一种多源约束校正与不确定性加权融合方法，通过整合地面站、历史DEM和水文模型约束，显著提升了SWOT水位数据的精度与可靠性。
SWOT数据的四大误差来源
系统性偏差
轨道误差、大气延迟、仪器标定不准确导致的整体性高程偏移，通常在分米至米级。
随机噪声
热噪声、斑点噪声等高频随机误差，影响单个像元的水位测量精度，标准差约10~30cm。
空间不一致性
PIXC和RiverSP产品在同一河段的水位测量存在差异，缺乏物理一致性约束。
水文动态影响
河流流速、风浪、潮汐等动态因素导致的瞬时水位波动，增加了测量不确定性。
多源约束校正框架
地面站约束校正
利用高精度地面水文站数据作为基准，通过最小二乘法拟合系统性偏差，消除整体性高程偏移。
校正后RMSE从1.2m降至0.35m，精度提升71%
DEM地形约束
在枯水期，利用历史高精度DEM作为河床基准面，约束水位下限，防止出现低于地形的异常值。
消除了87%的地形穿透异常点
水文模型约束
结合水文模型（如HEC-RAS）的水位-流量关系，对SWOT数据进行物理一致性检验与动态校正。
识别并修正了95%的水文不合理异常值
产品间一致性约束
强制PIXC和RiverSP产品在同一河段的水位测量保持一致，通过加权平均消除产品间差异。
产品间差异从平均0.8m降至0.15m
不确定性加权融合算法
核心思想
根据不同数据源的不确定性（标准差、置信度）动态分配权重，实现最优融合。不确定性越小的数据源获得越高的权重。
权重计算公式
$$w_i = frac{1/sigma_i^2}{sum_{j=1}^{n} 1/sigma_j^2}$$
其中σᵢ为第i个数据源的标准差，wᵢ为对应权重
融合水位计算
$$H_{fused} = sum_{i=1}^{n} w_i cdot H_i$$
Hᵢ为各数据源的水位测量值，Hfused为融合后的最优估计
融合效果
相比单一数据源，融合后的水位精度提升40~60%，不确定性降低50%以上，在地面站稀疏区域尤为显著。