深度学习增强遥感技术解析复杂海岸水域总悬浮物与溶解有机碳分布规律

研究人员针对海岸水域光学复杂性导致的遥感反演精度不足问题，开发了基于深度学习(DL-RS)的增强遥感模型。通过融合原位测量与辐射传输模型构建扩充光谱库，实现了总悬浮物(TSS)和溶解有机碳(DOC)的高精度反演(MAE: TSS 7%/DOC 22%)，并成功应用于Landsat-8影像的大尺度时空制图。该研究为海岸带生态系统健康监测提供了创新技术路径。

　　

海岸水域是陆地与海洋相互作用的关键界面，其水质参数如总悬浮物(TSS)和溶解有机碳(DOC)的分布直接影响光能传输和碳循环过程。传统现场采样方法存在时空局限性，而卫星遥感虽能大范围观测，却因水体光学复杂性导致反演结果存在显著误差。特别是在受陆地径流、潮汐和洋流共同作用的复杂海岸带，传统半解析模型常面临非线性关系不收敛、光谱多解性等挑战。如何突破"相似反射光谱对应迥异水质参数"的困境，成为海岸带水环境遥感监测的核心难题。

澳大利亚联邦科学与工业研究组织(CSIRO)联合新南威尔士州政府的研究团队在《Ecological Informatics》发表研究，创新性地将深度学习与辐射传输物理模型相结合。研究以澳大利亚新南威尔士州三大河口（Hunter、Hawkesbury和Clarence）为实验区，整合2010-2022年间66组原位测量数据（含吸收/后向散射系数等固有光学特性IOP），通过引入10%参数不确定性构建了包含1700万成员的扩充光谱训练库。采用多层感知机(MLP)架构的DL-RS模型，实现了从遥感反射率(R_rs)到水质参数的高效反演，并通过四重验证策略系统评估模型性能。

关键技术方法
研究首先通过Hydrolight辐射传输模型建立IOP与R_rs的物理关联，采用扩展傅里叶幅度敏感性检验(EFAST)量化参数敏感性。针对有限样本问题，在TSS、DOC、颗粒物比后向散射系数(b_bp^*(550))等8个核心参数维度进行四等分采样，生成扩充数据集。深度学习模型采用5层隐藏层(每层350神经元)和Tanh激活函数，通过Adam优化器最小化均方误差。验证阶段结合K折交叉验证(KFCV)和光学闭合检验，最终将模型应用于2013-2022年经Acolite大气校正的Landsat-8影像。

光谱库构建与模型训练
原位测量显示2022年洪涝期样本TSS普遍>10 mg/L，其R_rs在绿红波段显著高于清洁海水（2010年样本TSS<5 mg/L）。EFAST分析揭示TSS和b_bp在655 nm敏感性最高，而DOC相关参数在441 nm最敏感。通过物理模型生成的扩充光谱库成功覆盖了从浊度水体到清洁海水的连续光学特征，为DL-RS学习非线性关系提供了充分训练样本。

模型性能验证
固有误差测试显示DL-RS对TSS和DOC的反演MAE分别达7%和22%，优于传统半解析模型iSAM。预测误差分析表明模型在陌生环境下的MAE为75%(TSS)和31%(DOC)，显著优于混合密度网络(MDN)等现有深度学习模型。几何误差测试证实模型对光照条件变化具有稳健性，太阳天顶角0°-75°范围内MAE保持稳定。光学闭合验证显示模型对Landsat-8 R_rs的重建误差仅±5%，但在近海区域存在30%高估（反映洪涝样本主导训练集的局限性）。

时空分布应用
十年均值显示Hunter河口输出标准化TSS负荷最高(288.62×10^-6 mgL^-1km^-2yr^-1)，其悬浮物沿南北海岸线均匀扩散，而Hawkesbury和Clarence河口分别呈现北向和对称分布模式。DOC空间分布与TSS相似但量级较低，三河口DOC输出在58-74×10^-6 mgL^-1km^-2yr^-1之间。变异系数图成功识别出各河口物质输运的热点区域，为海岸带管理提供靶向依据。

该研究通过物理机制与数据驱动的深度融合，解决了海岸水域遥感反演中的光谱多解性难题。创新性的光谱库扩充策略使有限原位数据产生指数级训练样本，而IOP参数的显式引入增强了模型物理解释性。相比传统方法，DL-RS在保持精度的同时将计算效率提升90%以上，支持分钟级的大区域分析。尽管在清洁海水和极端洪水场景存在系统偏差，但研究建立的框架为全球海岸带水环境动态监测提供了可扩展的方案，特别是对受气候变化加剧的极端水文事件影响区域具有重要应用价值。未来通过纳入更多光学水型样本和优化大气校正环节，模型精度有望进一步提升。