基于机器学习和遥感技术的爱尔兰海岸悬浮泥沙浓度建模研究

《Cambridge Prisms: Coastal Futures》：Modelling suspended sediment concentration in coastal Ireland using machine learning

本研究针对海岸带悬浮泥沙浓度(SSC)监测成本高、难度大的问题，开发了一种集成Landsat-8和Sentinel-2卫星影像与机器学习(XGBoost)的国家尺度SSC估算框架。研究利用147个现场样本校准模型，取得了R2=0.72的优异性能，并通过SHAP值分析揭示了经度等地理特征对SSC-反射关系的重要影响。该研究为动态海岸环境提供了可扩展、可解释的成本效益监测方案，对海岸管理决策具有重要实践价值。

　　

海岸环境如同一个永不停歇的舞台，悬浮泥沙浓度(Suspended Sediment Concentration, SSC)在这场自然演绎中扮演着关键角色。它不仅是海岸侵蚀、地貌演变的重要指示剂，更直接影响着水质状况和生态系统服务功能。然而，传统直接测量方法成本高昂、操作困难且空间覆盖有限，使得公共机构难以开展常态化监测。虽然遥感技术通过地表反射率估算SSC展现出潜力，但通常需要大量校准工作且受限于站点特异性适用性。

在这项发表于《Cambridge Prisms: Coastal Futures》的研究中，Aoife Igoe团队开创性地将机器学习与多源卫星遥感相结合，为爱尔兰海岸带SSC监测提供了全新解决方案。研究团队收集了与卫星过境一天内匹配的147个现场SSC样本，系统评估了随机森林、XGBoost和深度学习等多种模型，最终发现XGBoost表现最优，其预测精度达到R²=0.72，均方根误差为17 mg/L，偏差仅-1.8%。

研究采用了多项关键技术方法：利用NASA开发的Harmonized Landsat Sentinel-2(HLS)数据集获取一致的地表反射率产品；严格执行≤1天的卫星过境匹配标准确保数据时效性；通过Fmask质量波段进行云和阴影掩蔽，并结合改进归一化差异水指数(mNDWI)进行时间序列异常值过滤；采用留一交叉验证(LOOCV)评估模型泛化能力；使用SHAP(SHapley Additive exPlanations)值进行模型可解释性分析。

模型性能方面，XGBoost在三种机器学习方法中表现最佳，其预测值与实测值呈现良好相关性。特征重要性分析显示，经度是最具影响力的预测因子，表明东西海岸的地质、沉积和水文差异显著影响SSC-反射关系。可见光波段(特别是蓝、绿、红)也对SSC估算有重要贡献，而近红外和波段比值的影响相对较小。

季节性模式分析表明，韦克斯福德港冬季表现出更明显的河口混合现象。虽然冬夏中位SSC相近(32 mg/L对31 mg/L)，但空间分布存在差异：夏季70%像元SSC低于30 mg/L，而冬季为60%。冬季最大SSC达209 mg/L，高于夏季的179 mg/L，这种模式可能归因于冬季增强的水动力活动。

极端事件分析揭示了SSC与气象因子的密切关联。2014-2025年间记录的8次SSC超过140 mg/L事件中，多数与异常高降雨或强风速同时发生。例如，2024年6月的SSC峰值与当月异常高日降雨量吻合，而2023年9月和2022年10月的高SSC事件也出现在强降雨条件下。风暴活动与SSC峰值的时空对应进一步证实了极端天气事件对海岸沉积物动态的触发作用。

研究也识别了模型在某些监测站的预测局限，这些站点通常涉及人工结构物波浪破碎、浅水波浪浅化、潮间带床底反射变化等复杂水文情形。这强调了校准数据质量控制和人工检查过滤的重要性。

讨论部分指出，模型在高SSC(>75 mg/L)区间存在反射饱和现象的限制，这与可见光和近红外波段光学饱和的已有认识一致。缺乏高分辨率海底地形数据也制约了浅水区SSC估算可靠性。作者建议通过目标区域针对性采样和改进潮汐预测工具来提升模型性能。

该研究成功证明了机器学习与遥感技术结合在海岸带SSC监测中的巨大潜力。模型不仅能够捕捉区域尺度的SSC动态，还能揭示局部季节性变化和事件驱动模式，为海岸管理提供了从米级到公里级的多尺度观测能力。这种可扩展、可解释的监测框架有望支持基于数据的海岸带适应性管理策略制定，促进动态海岸环境中生态韧性、地貌稳定和气候适应能力的提升。

研究的创新之处在于将地理信息与光谱特征有机结合，通过机器学习方法克服了传统经验模型的地点特异性限制，为全国尺度的海岸带沉积物监测建立了可行路径。随着卫星数据的持续积累和模型不断优化，这种方法有望成为政府和公共机构海岸监测工具箱中的重要组成部分，显著提升海岸带管理和规划的科学性。