基于Sentinel-2多模态深度学习的连云港湖库叶绿素a浓度遥感估算模型构建与时空动态分析

针对湖泊富营养化监测中传统方法效率低、遥感模型非线性捕捉不足的问题，本研究创新性提出四模态深度神经网络（QM-DNN），融合Sentinel-2多光谱特征与时空环境变量，实现连云港湖库叶绿素a（Chl-a）浓度高精度估算（R2=0.73），揭示了2017-2024年区域Chl-a时空分异规律及气温/降水关键驱动作用，为智慧水环境治理提供新范式。

　　

随着全球气候变化和人类活动加剧，湖泊富营养化已成为威胁水生生态系统的重大环境问题。叶绿素a（Chl-a）作为浮游植物生物量的关键指标，其浓度变化直接反映水体营养状态。传统监测依赖耗时耗力的现场采样，而常规遥感模型又难以捕捉水体复杂的非线性特征。如何突破技术瓶颈，实现湖泊Chl-a的高精度动态监测，成为当前环境遥感领域的核心挑战。

针对这一科学问题，研究人员创新性地提出了四模态深度神经网络（Quad-Modality Deep Neural Network, QM-DNN）。该模型巧妙融合了Sentinel-2卫星的双波段、三波段和四波段光谱特征组合，同时整合了时间序列数据和环境辅助变量，构建起多模态特征学习框架。通过2017-2024年连云港市湖泊水库的现场实测数据与遥感影像匹配数据集（N=197）验证，QM-DNN展现出显著优势：其预测精度（R2=0.73）远超传统深度神经网络和机器学习方法，平均绝对误差（MAE）控制在6.76 mg/m3，为区域水华预警提供了可靠技术支撑。

研究团队采用三大关键技术路线：首先基于Copernicus数据平台获取Sentinel-2 MSI影像和ERA5气象再分析数据；其次通过集成梯度法解析多模态特征的贡献度；最后运用时空统计方法揭示Chl-a的分布规律。这些方法体系确保了从数据获取、模型构建到机理分析的全链条科学性。

分布特征与对数转换
数据分析显示连云港湖库Chl-a浓度呈显著右偏分布（偏度3.67），经对数转换后更符合建模要求。这种转换有效解决了高值样本对模型的干扰问题。

气象影响分析
通过Shilianghe等典型水库的关联研究发现，气温（r=0.42）和降水（r=0.38）与Chl-a呈显著正相关（p<0.05），而风速影响则呈现空间异质性。这为理解气候驱动下的藻类生长机制提供了实证依据。

时空演变规律
2017-2024年间，北部水体保持中营养状态（6-10 mg/m3），中南部呈现轻度富营养化（10-26 mg/m3）。值得注意的是，中营养水域比例从7.06%上升至11.14%，反映出局部水域的生态改善趋势。

这项发表于《Water Research》的研究具有多重科学价值：其一，QM-DNN模型开创性地将多模态学习引入水质遥感领域，为复杂环境参数的智能反演提供了新思路；其二，长达8年的时空动态分析首次系统揭示了连云港水域的富营养化演变特征；其三，气象驱动机制的解析为气候变化背景下的湖泊管理提供了决策依据。该成果不仅推动了环境遥感技术的创新发展，更通过精准的"生态诊断"服务，为长三角地区的水环境保护实践提供了科技支撑。