编辑推荐：
本文聚焦波斯湾沿海水质监测难题，研究人员开展了利用机器学习算法从 Sentinel-2/MSI 图像中检索有色溶解有机物质（CDOM）的研究。结果显示，机器学习模型性能卓越，MDN 算法表现最佳。该研究为海洋生态环境监测提供了关键技术支持。
在神秘而广袤的海洋世界里，水质状况一直是科学家们密切关注的焦点。其中，有色溶解有机物质（Colored Dissolved Organic Matter，CDOM）作为水生生物地球化学循环的关键一环，不仅影响着水质，还对整个海洋生态系统的功能起着至关重要的作用。它就像水中的 “隐形精灵”，虽然看不见摸不着，却通过吸收和荧光特性，在紫外线和蓝色光谱区域施展着独特的 “魔法”，影响着水体的光学性质、生物地球化学过程以及生态系统的健康。
然而，长期以来，科学家们在研究 CDOM 时遇到了诸多挑战。尽管 CDOM 研究已历经数十年，但能在所有水生生态系统中通用的可靠算法却迟迟未出现。现有的大多数 CDOM 检索算法都具有很强的局限性，往往只能在特定的研究区域内表现出较高的准确性，一旦换个地方就 “失灵” 了。而且，在波斯湾地区，以往的遥感研究主要集中在叶绿素 a（Chl-a）和悬浮颗粒物（SPM）等光学参数上，对于 CDOM 的专门研究少之又少，这使得人们对该地区 CDOM 的变化情况以及现有算法的适用性了解十分有限。
为了填补这些知识空白，来自国外（研究人员所属机构有 Tarbiat Modares University、Estonian 539 Science Foundation 等）的研究人员开展了一项具有重要意义的研究。他们以波斯湾的工业沿海地区，尤其是 Pars Special Economic Energy Zone（PSEEZ）为研究区域，这里是全球能源的核心地带，拥有世界上最大的天然气储备，然而其沿海生态系统也面临着巨大的压力。
研究人员通过一系列严谨的研究，得出了许多重要结论。在 CDOM 浓度方面，他们发现受石化影响的区域 CDOM 浓度明显低于自然红树林生态系统，这表明工业污染物对有机物稳定性有着负面影响。在算法性能上，机器学习模型展现出了显著优势，其中混合密度网络（Mixture Density Network，MDN）表现最为出色，它在关键指标上优于传统模型，能够更好地处理波斯湾复杂的光学环境。这一研究成果发表在《Ecological Informatics》上，为海洋生态环境监测领域带来了新的曙光。
在研究过程中，研究人员运用了多种关键技术方法。在数据获取方面，他们在 2023 年四季开展实地采样，利用 CTD（电导率、温度、深度）探头和 CYCLOPS-7 荧光计测量 CDOM 荧光，同时获取与 Sentinel-2/MSI 卫星同步的遥感数据。在算法研究上，他们选取了多种基准算法和机器学习算法，包括支持向量机（SVM）、多层感知器（MLP）神经网络等，并进行了参数调整和性能评估。
下面来详细看看研究结果：
- CDOM 的时空变化：在不同区域，CDOM 浓度呈现出明显的季节性变化。例如在 Bonood 地区，冬季到春季 CDOM 浓度下降，而春季到秋季则上升；Nayband Bay 冬季部分站点浓度较高，春季相对稳定，秋季又有所变化；石化区域不同站点在不同季节的 CDOM 浓度也各有特点；红树林地区部分站点在特定季节 CDOM 浓度较高。
- 遥感与算法性能：基准比率 / 方法在研究区域表现不佳，研究人员开发的局部算法性能有所提升但仍有不足。在机器学习算法中，SVM 表现相对较好，但 MDN 在多数评估指标上更胜一筹，其 RMSLE 达到 0.47，在减少系统偏差方面效果显著。
- CDOM 映射：通过 MDN 算法绘制的 CDOM 浓度检索图显示，红树林森林、沿海部分区域以及一些特定的近海地区 CDOM 浓度较高。
在结论和讨论部分，研究人员强调了这项研究的重要意义。该研究首次全面评估了波斯湾工业化沿海水域的 CDOM 动态，为该地区的环境监测提供了重要依据。MDN 算法的出色表现，使其成为在光学异质性、受人为压力影响的水域中检索 CDOM 的有力工具。然而，研究也存在一定的局限性，如大气校正方法的选择对结果有影响，采样时间分辨率有限等。未来的研究需要进一步优化算法，结合更多的实地数据，以更准确地监测和理解海洋生态系统中 CDOM 的变化，为保护海洋生态环境提供更有力的支持。
