利用Sentinel-2和Sentinel-3卫星在近岸水域进行的一致性营养盐测绘：以厦门湾为例

《Ecological Informatics》：Consistent nutrient mapping from Sentinel-2 and Sentinel-3 in nearshore waters: A case study in Xiamen Bay

本研究提出基于AutoGluon的两步高分辨率营养物监测框架，首先利用OLCI的高频次反射率数据训练DIN/DIP反演模型，通过Rayleigh散射校正避免近岸大气校正误差，再构建跨传感器传输模型将Sentinel-2 MSI数据转换等效OLCI波段，实现10米分辨率营养物分布映射。模型验证显示DIN RMSD为0.11 mg/L，DIP为0.012 mg/L，与 buoy数据R2均超0.6，空间分布与OLCI结果一致，有效解决小尺度海湾动态监测难题。

　　在海洋环境监测中，营养盐浓度的高分辨率观测对于评估水体质量具有重要意义。Xiamen Bay（简称XMB）作为中国东南沿海的一个重要海湾，由于其复杂的水文和光学特性，传统的水体质量评估方法面临诸多挑战。本研究提出了一种创新的两步框架，结合Sentinel-3 Ocean and Land Color Instrument（OLCI）的高回访频率和Sentinel-2 Multi Spectral Instrument（MSI）的高空间分辨率，实现了对XMB中溶解无机氮（DIN）和磷（DIP）浓度的高精度监测。该框架不仅提高了模型的准确性，还克服了因大气校正不准确导致的光学数据不确定性问题，为海岸带水体质量监测提供了一种新的思路。

### 1. 研究背景与意义

营养盐如氮和磷对浮游植物的生长至关重要，它们支持着初级生产力和生物网络的多样性。然而，过量的营养盐通常源于农业、城市径流和工业排放等人类活动，导致富营养化现象。这一过程不仅会降低水体质量，还会破坏生态平衡，并引发有害藻华（HABs）等环境问题，对水资源、海洋生态系统和依赖渔业与旅游业的经济构成威胁。因此，监测营养盐的动态变化对于环境管理和保护具有重要意义。

在传统的水体质量评估中，通常依赖于固定仪器、漂流浮标和现场采样等方法。虽然这些方法能够提供准确和可靠的数据，但它们的覆盖范围有限，难以捕捉沿海水域中营养盐的动态和异质分布。遥感技术为解决这一问题提供了新的可能性，能够实现大范围和频繁的观测。然而，由于水体质量参数（WQPs）不具备光学活性，无法直接通过卫星进行观测。为此，研究者们探索了WQPs与卫星衍生环境变量之间的经验关系，如海表温度（SST）、叶绿素-a浓度（Chl）和海表盐度（SSS）等。尽管这些变量可以通过卫星数据获取，但它们受多种生物物理因素的复杂影响，包括物理混合、上升流、生物活动和化学反应。

相比之下，机器学习技术在捕捉遥感测量与WQPs之间的复杂非线性关系方面具有显著优势，无需依赖明确的物理公式。近年来，机器学习在水体质量参数反演中的应用取得了显著进展。例如，某些研究利用深度学习模型估计澳大利亚东南沿海的悬浮物和溶解有机碳浓度，而另一些则使用堆叠随机森林模型来估算西北太平洋的DIN浓度。这些进展表明，机器学习在提高遥感数据应用的精度和效率方面具有巨大潜力。

### 2. 研究方法与框架设计

本研究提出了一种基于AutoGluon的机器学习框架，分为两个主要部分：营养盐反演模型（AutoGluon-DIN/DIP）和跨传感器数据融合模型（AutoGluon-transfer）。首先，通过将Sentinel-3 OLCI的遥感数据与现场营养盐观测数据进行匹配，构建了高分辨率的训练数据集。由于OLCI的分辨率较低，无法直接满足小尺度海湾的监测需求，因此开发了跨传感器融合模型，将MSI的高分辨率反射率数据转换为OLCI等效波段，从而实现了对MSI数据的高精度营养盐反演。

在数据预处理阶段，现场测量数据与OLCI和MSI数据进行了匹配，形成了多个数据集。OLCI和MSI数据均采用Rayleigh散射校正后的顶大气反射率（ρ_rc(λ)）作为输入。为了减少云和陆地污染的影响，对数据进行了筛选和排除。随后，通过模型训练和验证，构建了AutoGluon-DIN/DIP模型，并进一步开发了AutoGluon-transfer模型，以实现OLCI与MSI数据之间的融合。

### 3. 模型构建与训练

AutoGluon-DIN/DIP模型的输入包括OLCI测量的ρ_rc(λ)数据，以及这些数据与DIN和DIP浓度之间的比值关系。此外，模型还考虑了图像采集日期这一时间特征，以捕捉季节性和周周期性变化。通过自动特征提取和超参数优化，AutoGluon能够有效提升模型的性能，减少手动调整的需求。最终，模型输出为DIN和DIP的对数值，以提高预测的稳定性和鲁棒性。

为了进一步验证模型的准确性，我们利用了独立的数据集，如漂浮站数据。这些数据展示了模型在不同时间段内的表现，表明其能够准确反映营养盐的季节性变化。此外，模型在处理不同分辨率的数据时表现出良好的一致性，尤其是在近岸区域和河口-海洋交汇区。

### 4. 模型评估与结果分析

在模型评估过程中，我们使用了多种指标，包括决定系数（R²）、均方根差（RMSD）、中位数绝对相对百分比差（MAPD）和无偏相对百分比差（URPD）。结果表明，AutoGluon-DIN/DIP模型在多个数据集上的表现优于其他机器学习模型。例如，在Nutrient-Train数据集上，DIN的R²为0.86，RMSD为0.10 mg/L；DIP的R²为0.83，RMSD为0.01 mg/L。在Nutrient-Tuning数据集上，DIN的R²为0.81，RMSD为0.11 mg/L；DIP的R²为0.62，RMSD为0.012 mg/L。这些结果表明，模型在不同数据集上均表现出良好的性能。

在独立验证数据集（Nutrient-Val）上，模型进一步展示了其在时间序列上的稳定性。DIN和DIP的浓度变化趋势与漂浮站数据高度一致，特别是在春季和夏季，浓度较高，而在秋季和冬季则较低。此外，模型在空间分布上也表现出良好的一致性，特别是在近岸区域和河口区域，这些地方由于河流排放和水动力特征，通常具有较高的营养盐浓度。

### 5. 空间-时间分布特征

通过分析不同季节的OLCI图像，我们发现DIN和DIP在XMB中呈现出相似的空间分布模式。高浓度区域主要集中在海湾内部，尤其是西部和北部。这种分布模式与河流排放和水动力条件密切相关。在春季，由于气温较低和降雨量增加，营养盐输入量较大，导致浓度升高；而在夏季，较高的海表温度和光照强度促进了浮游植物的生长，从而降低了营养盐的浓度。此外，研究还指出，近岸区域的高空间异质性可能导致模型在这些区域的预测误差较高，尤其是在河流入海口附近。

### 6. 模型的优劣与改进方向

尽管本研究的框架在多个方面表现出色，但仍存在一些局限性。首先，某些关键的环境变量，如SST和SSS，由于数据质量和空间覆盖范围的限制，未能被纳入模型输入。其次，AutoGluon-transfer模型在近红外波段的表现仍需进一步优化，尽管这些波段在模型中并不是主要的预测因子。此外，模型在其他近岸区域的验证也尚需进行，以确保其泛化能力。

为了克服这些限制，研究者们建议未来的工作应包括以下几点：首先，开发更高质量的SST和SSS遥感产品，以提高营养盐反演的精度；其次，扩展训练数据集，使其涵盖更多样化的水体条件，从而增强模型的适应性和泛化能力；最后，进一步优化模型在近红外波段的表现，以提升整体反演效果。

### 7. 结论

本研究提出了一种基于AutoGluon的高空间-时间分辨率营养盐反演框架，成功实现了对XMB中DIN和DIP浓度的精确监测。该框架利用了OLCI的高回访频率和MSI的高空间分辨率，结合Rayleigh散射校正后的反射率数据，构建了高效的反演模型。模型在多个数据集上的表现均优于其他方法，特别是在处理季节性和时间特征方面表现出色。尽管仍存在一些局限性，如对某些环境变量的依赖性和近红外波段的预测精度，但本研究为沿海水域的营养盐监测提供了一种新的、可行的解决方案，并展示了其在多传感器数据融合中的应用潜力。未来的研究应致力于进一步优化模型，提高其在不同环境条件下的适应性和准确性，从而为全球范围内的水体质量监测提供更广泛的应用基础。