基于光学水体分类与1D CNN-Transformer特征提取的叶绿素a浓度反演方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：A Chlorophyll Concentration Inversion Method Based on OWTs and 1D CNN-Transformer Feature Extraction

本研究针对不同光学水体类型(OWT)下叶绿素a(Chla)浓度反演精度受限的难题，提出了一种结合光学水体分类、双流特征提取(1D CNN-Transformer)和多模型评估的创新反演框架OWT-CCINET。该方法首先通过k-means聚类将水体分为四类，针对每类优化特征提取策略并筛选最佳回归模型，显著提升了Chla反演精度(MAE=0.410, R2=0.899)及跨传感器适用性，为复杂水环境监测提供了可靠技术支撑。

　　

海洋是地球的生命之源，而叶绿素a(Chla)作为浮游植物光合作用的关键色素，其浓度变化直接反映了海洋生态系统的健康状况。自从20世纪中期以来，科学家们通过船只和观测平台收集Chla数据，但受限于传感器差异和观测技术，难以实现大范围长期监测。随着卫星遥感技术的发展，全球尺度Chla浓度监测成为可能，但挑战也随之而来——不同水域的光学特性千差万别，从清澈的开阔大洋到浑浊的沿岸水域，其光谱特征如同人的指纹一样独特。这种多样性使得传统反演算法在跨区域应用时常常"水土不服"。

目前主流的Chla反演方法包括经验算法和半分析算法。其中OCx系列算法由O'Reilly等人开发，通过最大波段比法估算Chla浓度，已成为全球海洋Chla监测的重要工具。2019年，O'Reilly团队进一步优化了OC2、OC4算法，并扩展到OC3、OC5和OC6，通过光谱波段对齐确保了跨传感器一致性。然而，这些算法主要针对开阔大洋的清澈水体设计，在光学复杂的沿岸区域，由于悬浮颗粒物、有色溶解有机物等物质的干扰，其精度明显下降。研究表明，OCx算法在北大西洋北极低Chla区域往往高估浓度，而在高Chla区域则出现低估。

为应对这一挑战，美国国家航空航天局(NASA)的业务化Chla产品采用了混合算法，结合OC算法和颜色指数(CI)，显著提高了低Chla浓度水域的反演精度。另一种主流方法是基于光学水体类型(OWT)的分类反演策略，通过识别不同水体的光学特性并适配相应算法，有效提升了Chla反演准确性。随着技术进步，机器学习(ML)和深度学习方法也被广泛应用于Chla反演，通过从大量遥感数据和实测数据中学习复杂的非线性关系，显著提高了反演的准确性和鲁棒性。

尽管现有方法在全球和局部水域表现出良好性能，但其普适性和扩展性仍有限制。机器学习模型基于特定的数学基础和假设构建，在不同数据类型上表现各异。同时，输入特征质量和原始光谱数据处理技术强烈影响算法性能，如何有效捕捉水体的光学特征和变化仍是关键挑战。此外，不同水体的独特光学属性可能无法被整合多种OWT的全局特征扩展方法完全捕捉，这影响了机器学习算法的精度。

在此背景下，崔玉胜、谢涛等研究人员在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》上发表了一项创新研究，提出了光学水体类型耦合的叶绿素a浓度反演网络(OWT-CCINET)。该方法通过结合光学水体分类、双流特征提取和多模型评估，实现了跨水体环境的高精度Chla反演，为复杂水环境监测提供了新的解决方案。

研究团队采用了几个关键技术方法：首先利用k-means聚类算法基于遥感反射率光谱将全球水体划分为四种光学类型；随后设计了一维卷积神经网络(1D CNN)与Transformer相结合的双流特征提取结构，分别捕捉光谱的局部和全局特征；针对每类水体测试了多种特征组合与回归模型的匹配效果，最终为每种水体类型确定了最优的反演模型组合。数据方面主要使用了全球原位生物光学数据集(版本3)以及独立的公开验证数据集，确保了模型的可靠性和泛化能力。

聚类分析结果

通过k-means聚类分析，研究将水体划分为四种具有明显光谱特征的光学水体类型。OWT 1(富营养化水体)在所有波长表现出低反射率，在555nm处达到峰值，主要分布在各大洲的沿岸和近海区域。OWT 2(浑浊水体)整体反射率最高，峰值同样出现在555nm附近，分布在特定沿海区域如墨西哥湾。OWT 3(清澈水体)在短波蓝光区域(400-450nm)出现峰值，随后随波长增加显著下降，具有典型清澈水体的光谱特征，主要分布在大西洋、太平洋和印度洋的开阔水域。OWT 4(中等浑浊水体)在450-500nm范围反射率较高，光学特性介于浑浊和清澈水体之间，主要出现在沿海区域、河口和一些特定热带区域。

特征提取与回归模型评估结果

研究比较了顺序和并行两种特征提取结构在不同OWT下的性能。对于OWT 1，顺序结构结合36个特征输出和XGBoost模型表现最佳；OWT 2选择并行结构结合15个特征输出和XGBoost；OWT 3采用顺序结构结合32个特征输出和CatBoost；OWT 4则使用并行结构结合18个特征输出和MLP。通过多模型评估策略，确保了每种水体类型都能匹配最合适的特征-模型组合，显著提高了反演精度。

OWT-CCINET模型反演结果

在独立测试集上，OWT-CCINET整体表现出色，MAE为0.410，RMSE为0.549，R2达到0.899。不同OWT下的性能存在差异：OWT 1的MAE为0.450，RMSE为0.589，R2为0.823；OWT 2由于样本量少且光学复杂，R2仅为0.415；OWT 3表现最佳，MAE为0.267，RMSE为0.342，R2为0.870；OWT 4的误差较大，特别是在中高浓度范围。

与主流模型的比较

与NASA的OC4_CI混合算法及其他主流机器学习模型相比，OWT-CCINET在内部测试集上将MAE和RMSE分别降低了约23%和22%，R2从0.833提升至0.899。在独立公开数据集上，OWT-CCINET保持了较低误差水平(MAE=0.513，RMSE=0.705)和较强的解释能力(R2=0.846)，而OC4_CI算法则出现较大误差和显著高估。分组评估显示，OWT-CCINET在大多数水体类型中均优于对比模型，差异具有统计学显著性。

空间映射能力

OWT-CCINET展现出优秀的空间映射能力。季节分类结果显示，清澈水体终年主导大洋中心，冬季分布略有扩展；富营养化水体夏季分布更广，冬季主要集中在中纬度沿海区域。与Copernicus-GlobColour产品相比，OWT-CCINET在细节捕捉方面表现更优，特别是在高纬度和低纬度区域。对热带气旋ARB 06的案例分析表明，该模型能有效识别气旋过后更广泛的浮游植物水华区域。

跨传感器泛化能力

通过最小化的波段协调处理，OWT-CCINET在SeaWiFS、MERIS和MODIS传感器上均保持稳定的性能表现，证明了其良好的跨传感器泛化能力。这一特性使得该模型能够直接部署到新的海洋水色传感器上，大大降低了重新训练/重新校准的成本，确保了跨任务产品的一致性，支持长时间序列和多源融合应用。

研究的讨论部分深入分析了OWT的光学意义及其对Chla反演的影响。不同OWT具有独特的光谱特征：OWT 1中Chla通常较高，绿红波段对比更明显；OWT 2的高整体反射率和长波衰减反映了悬浮颗粒物和CDOM的共同影响；OWT 3呈现清澈水体的典型"蓝峰/长波衰减"特征；OWT 4介于清澈和浑浊水体之间，需综合考虑多个波段。这些光学特性促使了基于OWT的特征工程、模型选择和误差解释。

水体分类在反演任务中发挥着关键作用，通过识别不同OWT的独特光谱反射特征，增强了模型对各类水体光谱特征的特异性和适应性。双流特征提取结构进一步强化了这一优势，通过误差反馈和协同优化机制，实现对不同水环境下复杂光谱特征的自适应提取。多模型评估策略则确保了每种水体类型都能匹配最合适的回归模型，显著提高了反演精度和稳定性。

OWT-CCINET的创新性在于将水体分类、双流特征提取和多模型评估有机结合，为跨水体反演任务提供了高度灵活和自适应的解决方案。该模型不仅能保持高预测精度，还具备跨传感器适应性和对不同水体类型的反演鲁棒性，适用于全球和区域水色监测应用。同时，研究也指出模型性能仍受数据分布和参数设置的影响，在清澈水体中表现稳定，而在样本有限的浑浊水体中结果对特征维度、优化方法和聚类定义更为敏感。

该研究通过针对不同水体类型设计特征提取结构和反演模型，显著提高了Chla浓度反演精度，为复杂水环境下的模型开发提供了重要支持。通过灵活适应不同水体类型的光谱特征，该方法具有优异的应用潜力，特别是对于动态环境，其中基于像素的OWT识别能够在推理时实现专门回归器的即时选择，无需重新训练或时间平滑即可及时检测突变。随着持续优化，OWT-CCINET有望在水环境监测和灾害评估等广泛应用中发挥关键作用，为复杂水环境的监测和管理提供更可靠的技术支持。