一种综合的流域建模方法，该方法结合了土壤和水资源评估工具以及图卷积长短期记忆网络（Graph Convolutional Long Short-Term Memory）技术

《Journal of Hydro-environment Research》：An integrated watershed modeling approach using soil and water assessment tool and graph convolutional long short-term memory

青海高原湖泊叶绿素a浓度时空变化及驱动机制研究。基于Landsat 5/7/8/9多光谱影像和地面实测数据，构建了适用于>10 km2湖泊的优化月尺度叶绿素a反演模型，R2达0.77，精度优于现有模型。结果显示2000-2024年叶绿素a浓度年均下降0.081 mg/m3，其中中部大型湖泊降幅显著。PLS-PM分析表明水环境与自然因素共同驱动浓度变化，湖泊面积扩张通过稀释效应起主导作用（β=0.73）。本研究填补了高原湖泊叶绿素a长期监测空白，为水资源管理和生态评估提供技术支撑。

　　青藏高原湖泊作为全球高海拔生态系统的重要组成部分，近年来由于气候变暖、冰川融化以及降水模式的变化，其面积显著扩大。这一变化对湖泊的水生生态系统产生了深远影响。湖泊中的叶绿素a（Chl-a）浓度是评估湖泊富营养化和生态系统健康的重要指标，其浓度变化直接影响湖泊的生态功能和碳循环过程。然而，受限于极端的环境条件，青藏高原湖泊缺乏长期、高分辨率的月度监测数据，Chl-a浓度的变化机制尚不明确，这严重限制了对当前气候变化下湖泊生态健康状况的全面评估。

本研究整合了Google Earth Engine平台上的Landsat 5/7/8/9多光谱影像与实地测量数据，针对青藏高原上面积超过10平方公里的湖泊，开发了一个优化的月度Chl-a浓度模型。最终模型取得了较高的拟合度（R2=0.77），均方根误差（RMSE）为0.69毫克/立方米，平均绝对误差（MAE）为0.56毫克/立方米，优于现有的Landsat经验模型，并更适用于青藏高原地区的湖泊监测。研究结果表明，从2000年到2024年，青藏高原湖泊中的Chl-a浓度显著下降，年均下降速率为0.081毫克/立方米（p<0.01），其中在高原中心区域的大湖中观察到最大的下降趋势。通过偏最小二乘路径建模（PLS-PM）分析，我们发现Chl-a浓度的变化不仅受到水质因素的影响，也受到自然因素的驱动，其中湖泊面积的扩张通过稀释效应间接发挥了主导作用（路径系数β=0.73，p<0.05）。通过揭示Chl-a浓度的变化机制并利用长期的月度监测数据，本研究填补了青藏高原湖泊Chl-a监测领域的空白，为21世纪可持续水资源管理和湖泊生态系统健康评估提供了关键的技术支持。

湖泊作为地球表面的重要组成部分，在大气、水圈和生物圈之间的相互作用中扮演着关键的纽带角色。保护湖泊水质和水环境，确保其生态平衡，是实现可持续发展和人与自然和谐共处的共同需求。然而，随着经济的快速发展和资源使用的强度增加，湖泊中的生物元素发生了显著的异常变化，生态系统逐渐退化，表现为蓝藻水华频繁爆发和富营养化过程的加速。蓝藻水华的减少将导致水体溶解氧的急剧下降，进而引发底栖生物和水生生物的大规模死亡，最终形成生态“死区”。因此，深入研究湖泊蓝藻水华的发生机制和控制措施，为湖泊生态和环境修复提供科学依据，已成为基础研究领域亟需解决的重要科学问题。

Chl-a是湖泊中浮游植物的关键色素，也是评估水体生态健康和监测藻类爆发的重要指标。其浓度动态不仅反映了长期气候和环境驱动因素，还表现出在突发性干扰事件后的异常增强，如尘埃沉积、台风和热带气旋等。这些变化使得Chl-a成为理解湖泊碳循环和生态系统功能的关键参数。由于其在可见光和近红外波段的光谱特性，Chl-a也是水色遥感监测中常用的水质参数之一。虽然一些湖泊已经建立了长期的Chl-a监测系统，但由于湖泊类型众多、资金支持不足以及研究基础薄弱，全球大多数湖泊仍然缺乏足够的实地数据记录。此外，实地研究在空间和时间上的局限性也显著限制了学者对Chl-a变化的深入理解。

青藏高原被称为“世界屋脊”和“亚洲水塔”，拥有全球最丰富和广泛分布的高原湖泊群。然而，其极端的环境条件，如极端温度和高海拔，加上许多湖泊面积小且水深变化大，长期以来制约了现场监测工作的开展，并增加了水质评估的不确定性。遥感技术作为有效的补充手段，能够提供大范围、连续时间序列的Chl-a观测数据，覆盖各种时空领域。目前，针对青藏高原湖泊的研究主要依赖于陆地卫星传感器，包括Landsat卫星上的专题制图仪（TM）传感器、Sentinel-2卫星上的多光谱成像仪（MSI）传感器以及TERRA和AQUA卫星上的中分辨率成像光谱仪（MODIS）传感器。然而，据我们所知，考虑到长期时间序列观测的可用性和准确性，青藏高原仍然缺乏长期的月度尺度Chl-a反演数据。

目前，遥感技术已被广泛应用于湖泊Chl-a浓度反演模型的构建，主要方法包括解析模型、半解析模型、机器学习模型和经验模型。解析模型基于实地采样和实验室实验的生化分析，利用辐射传输理论构建水质参数的生物光学模型。半解析模型则结合了解析推理和经验公式，其总吸收系数由水体中各种成分的吸收系数之和组成，这与解析模型有显著差异。将机器学习算法与水色遥感技术相结合，可以处理大量数据，识别复杂的非线性关系，推动水体监测技术的进步，尽管其在特定区域表现出解释性差和过拟合等局限性。经验模型则基于遥感数据与水质参数之间的统计关系，通过比较分析选择最佳拟合系数，并可根据特定区域或时间段的实际测量数据进行相对容易的调整。

为了填补青藏高原湖泊月度尺度Chl-a浓度遥感监测领域的空白，并为21世纪区域水资源管理、生态环境保护和湖泊生态健康评估提供坚实的科学基础，本研究旨在实现以下目标：（1）基于Google Earth Engine平台，整合Landsat 5/7/8/9系列卫星数据和2000年至2024年的采样数据，开发适用于青藏高原上面积超过10平方公里湖泊的优化月度Chl-a模型，并将其与现有的Landsat经验模型进行比较；（2）通过多尺度空间和时间分析以及统计方法，系统地探讨青藏高原湖泊的空间和时间特征及其主要驱动因素，揭示该地区湖泊Chl-a浓度变化的动态模式及其与水质参数和自然参数的相关性；（3）应用偏最小二乘路径建模（PLS-PM）技术，阐明青藏高原湖泊Chl-a浓度下降的驱动机制。

青藏高原的地理环境和自然条件使其在全球生态系统中具有重要的生态意义。该地区位于地球的“第三极”，平均海拔超过4000米，其特殊的高山生态系统对全球气候变化极为敏感。青藏高原湖泊系统广泛分布，截至2024年底，该地区已有超过400个面积大于10平方公里的湖泊，总水域面积约为50,000平方公里。近年来，温度的持续上升和降水模式的改变，使得青藏高原湖泊的面积不断扩大，这种变化对湖泊的生态功能和环境质量产生了深远影响。同时，随着湖泊面积的增加，其水体的物理和化学特性也随之发生变化，这些变化可能进一步影响Chl-a的浓度动态。

在水体遥感反演中，较高的Chl-a浓度会导致浮游植物在蓝光波段的吸收增强，以及颗粒物在绿光波段的散射增强，从而降低蓝绿光波段的反射率比值，使蓝绿波段比值成为Chl-a反演的敏感指标。基于这一原理，我们系统地收集了基于Landsat系列卫星的蓝绿波段经验Chl-a模型（见表4），涵盖不同湖泊类型和不同环境条件下的应用情况。通过对比分析，我们发现蓝绿波段比值在多种富营养化条件下均表现出较高的反演性能，其中25个模型使用了绿光波段，21个模型使用了蓝光波段，这两个波段在反演指数中均发挥了重要作用。

本研究开发的优化模型不仅提高了Chl-a浓度反演的精度，还增强了对青藏高原特殊环境条件的适应性。模型的高精度和稳定性使其能够更准确地反映湖泊生态系统的变化趋势，为湖泊生态健康评估提供了可靠的数据支持。此外，该模型的建立也为未来研究提供了新的思路和方法，特别是在应对气候变化和生态退化等全球性挑战方面。通过长期的月度监测数据，我们能够更全面地了解湖泊Chl-a浓度的变化规律，并为制定有效的水资源管理和生态保护措施提供科学依据。这些措施对于维持湖泊生态系统的稳定性和可持续性至关重要，尤其是在青藏高原这样生态脆弱且环境条件极端的地区。