综述：水体透明度研究进展：机理认识与多尺度监测技术创新

本综述系统评述了水体透明度研究的理论突破与技术创新，重点阐释了光衰减机制（涉及SPM、CDOM和藻类生物量的调控作用），并提出了融合高光谱遥感与机器学习（AI）的天地一体化监测框架，推动透明度研究从经验观测向机理诊断的范式转变。

　　

水下光场形成机制

水体透明度量化了阳光穿透水体的深度，其本质是光子与水体内水文组分（溶解物质、颗粒物、生物体）相互作用的结果。该理论的核心在于理解光衰减过程。其操作定义通常依赖于塞克盘深度（Z_sd）或漫反射衰减系数等参数，但其根本原因在于固有光学特性（IOP）：吸收系数（a）和散射系数（b）。光在水体中的衰减遵循比尔-朗伯定律，其衰减程度由水体各组分的吸收和散射特性共同决定。

决定水体透明度的固有光学组分

Lee的光谱透明窗口模型（Z. Lee et al., 2015）确立了光谱窗口内的漫衰减系数（K_d^tr）为决定塞克盘深度（Z_sd）乃至水体透明度的基本参数。这一范式转变使得远程 sensing 透明度成为可能，并为诊断其驱动因素提供了机理基础。至关重要的是，K_d^tr的光谱位置和幅度直接反映了水体中光学活性成分（即浮游植物、有色可溶性有机物（CDOM）和非藻类颗粒（NAP））的组成和浓度。

浮游植物通过其细胞内色素（如叶绿素a）对特定波段光线的吸收，以及其细胞大小和结构依赖的后向散射来影响透明度。有色可溶性有机物（CDOM），主要源自陆源腐殖质，在蓝色光谱区域（约440 nm）表现出强烈的吸收（a_CDOM(440)），导致水体透明度下降和光衰减光谱的“红移”。非藻类颗粒（NAP），包括无机矿物颗粒和有机碎屑，主要通过散射效应降低水体透明度，其影响通常在较宽的波段内。

这些组分之间存在复杂的非线性光学耦合效应。例如，在富营养化湖泊中，CDOM-矿物复合物的形成（Y. Zhang et al., 2018）会混淆传统的生物光学模型和简单的透明度指标。

测量技术的进展与突破

水体透明度相关理论的发展已跨越一个多世纪，其测量技术也在不断演进。随着光电信息和仪器技术的进步，水体透明度的测量方法正从关注单一参数转向更全面的多参数、多尺度观测方法。此外，测量已从经验观察发展到基于机理的评估，精度和时空覆盖范围均得到显著提升。

传统的塞克盘（Z_sd）方法已使用超过150年，其价值在于操作简单，但作为表观光学特性（AOP），它易受环境变异和观察者主观性的影响，测量不确定性高达50%。其经验性质掩盖了底层物理机制。

相比之下，新兴技术正在彻底改变透明度监测。先进的光学传感器（如高光谱吸收/衰减传感器、体积散射计）能够实现对固有光学特性（IOP）的原位、高精度、实时测量。高光谱遥感技术能够实现大范围同步观测，获取表观光学特性（AOP）数据。机器学习（AI）驱动的分析算法极大地增强了对遥感数据进行IOP反演的能力，从而能够诊断控制透明度的特定光学成分。

区域或全球案例研究

多平台监测系统的最新进展，如第4节所述，为了解不同水生生态系统中影响透明度的因素提供了前所未有的理解。本节整合了支持光谱透明窗口理论的关键区域案例研究，并展示了协作观测策略如何有效应对特定背景下的管理挑战。四个著名的水体，展示了不同程度的营养状态、深度和光学复杂性，被选为说明。

这些案例揭示了在不同环境条件下，浮游植物、CDOM和NAP对透明度的相对贡献如何变化，并验证了基于机理的模型在预测透明度变化和其生态效应方面的有效性。

展望

水生系统透明度的科学正面临一个关键转折点。为实现从经验观察到机理预测的转变，需要在三个相互关联的前沿领域取得突破：理论框架、技术创新和系统集成。所有方向都必须遵循经验约束和可验证的路径。

理论发展迫切需要超越线性近似模型，建立一个动态耦合光学相互作用的框架，该框架能够解释成分变化和外部强迫（如沉积物再悬浮或淡水输入）。技术创新的重点应放在开发成本效益高的多光谱传感器和基于物理的机器学习算法上，这些算法能够从混合光谱信号中解析出成分贡献。最终，系统集成必须优先考虑数据标准化和跨平台验证协议，以弥合从原位测量到卫星观测的尺度差距。

结论

水体透明度的研究范式经历了从经验观察到机理诊断的根本性转变。本综述系统地阐明，透明度本质上由光谱透明窗口的漫衰减系数（K_d^tr）所决定。其物理基础是水体组分对光的吸收和散射的动态平衡。浮游植物通过尺寸依赖的后向散射和色素吸收，悬浮沉积物通过宽带散射和与CDOM的共聚集效应，CDOM通过在蓝色波段的强吸收，共同决定了透明度的水平和光谱特征。

传统测量方法（如塞克盘深度Z_sd）存在依赖于观察者的变异性和时空局限性。新兴技术，包括先进光学传感器、高光谱遥感和人工智能（AI）驱动分析，通过实现高精度、实时和大规模评估，正在革新透明度监测。本工作提出了一个集成的空地监测框架，该框架协同高光谱成像、吸收光谱和机器学习，进行全面的水体透明度评估。这种多尺度方法有助于动态追踪从内陆湖泊到沿海水域等各种水生系统的透明度变化。