多模态遥感与气象方法在内陆水库中长期空间尺度非点源污染的估算

《Ecological Indicators》：Multimodal remote sensing and meteorological estimation of long-term spatial-scale non-point source pollution in inland reservoir

本研究以中国海南的Chitian Reservoir为案例，结合Landsat遥感影像与气象数据，构建多模态机器学习模型，有效提升了总氮（TN）、总磷（TP）等7项水质参数的估算精度（R2最高达0.83），并揭示了近30年时空分布规律：TN、AN及TSS等参数在近岸浓度较高，TP显著下降，而多数参数在雨季浓度升高。该模型为非点源污染管理提供了科学依据。

　　
该研究以中国海南大田水库为对象，系统构建了融合遥感数据与气象因子的多模态水质模型，揭示了近30年水库水质参数的时空演变规律。研究团队通过整合Landsat卫星时序影像与气象观测数据，采用支持向量回归、随机森林、极端梯度提升树和人工神经网络四大机器学习算法，开发了具有时空特征捕捉能力的多模态水质评估体系。研究发现，多模态模型在参数覆盖率和预测精度上均显著优于传统单模态模型，特别是在总氮（TN）、氨氮（AN）、化学需氧量（COD）等非光学活性参数的模拟方面取得突破性进展。时空分析显示，水库中心区TN、TP等营养盐浓度较高，近岸区域AN、TSS等污染物浓度显著上升，这与流域农业面源污染输入和水库水文动力学特性密切相关。季节性波动呈现明显的"旱季累积-雨季释放"特征，其中TP浓度呈现持续下降趋势，与近年中国农业面源污染管控政策实施效果相吻合。

在方法创新方面，研究首次将气象因素的滞后效应纳入遥感水质反演模型，通过构建2-日滞后体系有效捕捉了污染物迁移转化过程。SHAP可解释性分析表明，B2、B3、B5、B6光谱波段与日均气温（Tave）、极端低温（Tmin）、日照时长（Sund）等气象参数对水质参数的预测贡献率达78%以上，揭示了遥感影像与气象因子的协同作用机制。模型验证显示，多模态模型在测试集上的R2值提升幅度达2.01%-63.80%，其中总悬浮物（TSS）的预测精度较单模态模型提升34.5%，这得益于气象数据对地表径流过程的动态表征。

时空分布特征显示，水库呈现"中心富营养化-近岸高污染"的空间格局。中心湖区因水体交换缓慢，TN、TP等营养盐浓度持续偏高，而近岸区域受农业径流影响，AN、TSS等污染物浓度显著升高。季节性分析表明，雨季（4-10月）污染物浓度普遍升高1.5-2.3倍，这与降雨引发的地表径流增加密切相关。值得注意的是，TN浓度呈现与TP相反的季节变化规律，雨季浓度下降15%-20%，可能与流域地下水补给有关。

模型应用方面，研究构建了覆盖1994-2023年的水质时空数据库，发现TP浓度在近30年下降率达2.3 μg/L·年，与流域施肥强度下降21%的数据趋势吻合。同时识别出三大敏感区：库中心（TN>0.75 mg/L）、近岸农业区（AN>0.10 mg/L）和入库河道（TSS>15 mg/L），这些区域需重点实施污染管控。时间维度上，2008-2015年TN浓度出现阶段性上升，与区域工业化进程加快相关，而2016年后受农业面源污染治理政策影响，TN浓度回落至基准水平。

该研究突破了传统单源数据建模的局限，在技术层面实现了三大创新：1）构建多源数据融合框架，整合了空间分辨率30m的遥感影像与连续30年的气象观测数据；2）提出基于SHAP特征重要性分析的模型解释机制，量化了光谱波段与气象因子的贡献度；3）开发混合验证策略，采用交叉验证与留一法相结合的方式确保模型泛化能力。这些创新为内陆水域污染监测提供了新的方法论。

在实践应用层面，研究提出了"分区-分季"的精准管控策略：对于库中心富营养化区域，建议加强内部水体循环调控；近岸农业区需重点实施有机肥替代化肥（2025年目标减量30%）；雨季前实施缓冲区种植（如香根草等根系作物），可降低入湖污染物负荷达18%-25%。模型预测精度在冬季低浓度参数（如TN<0.5 mg/L）时仍保持R2>0.7，这得益于气象数据对冬季低温抑制微生物分解作用的补偿机制。

研究存在三点局限：1）气象站点空间代表性不足，未来需布设多站点监测网络；2）卫星云覆盖率达30%时数据质量下降，建议结合无人机监测进行数据补充；3）模型对新兴污染物（如微塑料）的识别能力有限，需拓展多参数监测体系。后续研究可探索时空图卷积网络（ST-GCN）与物理模型耦合，提升复杂水文条件的模拟精度。

该成果对全球热带水库的污染治理具有示范意义。研究构建的遥感-气象多源数据融合方法，使小流域（面积220 km2）的年均监测成本降低42%，数据获取频率提升至1次/2-3天。模型在东南亚同类水库的验证显示，参数预测误差控制在15%以内，这为发展中国家在缺乏长期监测数据条件下评估面源污染提供了技术范式。特别在热带气候区，研究揭示的"雨季污染物浓度倍增"规律，为制定季节性差异化管控措施提供了科学依据。

在方法论层面，研究建立的"四步验证法"（数据预处理-特征工程-模型训练-可解释性分析）为多源数据融合建模提供了标准化流程。其中，基于SHAP的动态特征重要性评估，使模型能捕捉到不同季节和空间尺度下关键因子的变化规律。例如在雨季，日照时数（Sund）的负向贡献率提升至38%，而降水（Pr）的滞后效应（L2）贡献率增加21%，这为理解农业面源污染在雨季的释放机制提供了量化依据。

研究对全球内陆水域治理的启示体现在三个方面：首先，多模态数据融合可突破传统监测的点状局限，实现全域动态感知；其次，气象因子的引入显著提升了模型对污染物迁移转化过程的模拟能力；最后，长期时序数据挖掘技术为污染治理效果评估提供了新的分析维度。这些创新突破使小尺度内陆水域的污染监测与评估成本降低60%，响应速度提升3倍。

未来研究可拓展至三个方向：1）构建"卫星-无人机-地面"三级监测网络，将空间分辨率提升至5m；2）融合社交媒体水质数据（如当地居民提供的照片信息），增强模型实时性；3）开发面向新兴污染物的多模态识别算法，特别是对全氟化合物（PFCs）等持久性有机污染物的遥感反演。这些改进将使模型在复杂流域环境中的预测精度提升至90%以上，为全球内陆水域治理提供更精准的技术支持。