编辑推荐：
为解决小型水库蓝藻水华预测研究不足的问题，研究人员比较 Landsat-8 和 MODIS 数据，结合机器学习构建 7 天预测模型，发现 MODIS 数据结合 XGBoost 算法最优（R2=0.84，RMSE=0.44），23-38 天前的卫星数据更有效，LST 比 NDTI 更重要，为小型水库管理提供支撑。
当清晨的阳光洒在平静的水库水面上，一层薄薄的绿色浮渣可能正在悄然形成 —— 这便是蓝藻水华（cyanobacterial blooms）的踪迹。这些由蓝藻过度繁殖形成的生态现象，不仅会释放微囊藻毒素（microcystin）等有害物质威胁人畜健康，还会破坏水体生态平衡，给饮用水处理厂带来巨大挑战。在全球范围内，蓝藻水华的发生频率、范围和持续时间都在增加，成为亟待解决的环境问题。
然而，相较于大型湖泊和沿海区域，小型水库这一重要的饮用水源地，在蓝藻水华预测研究中却长期被忽视。传统的原位监测成本高、覆盖范围有限，而卫星遥感技术凭借其系统性和持续性的优势，为水体监测提供了新可能。此前，MODIS（中分辨率成像光谱仪）因高时间分辨率被用于大型水体的水华预测，但高空间分辨率的 Landsat-8 能否应用于小型水库？卫星数据中的哪些指标对预测最关键？这些问题尚未有明确答案。
针对这些空白，研究人员开展了一项创新性研究，通过比较 Landsat-8 和 MODIS 数据，结合机器学习算法，构建小型水库中束丝藻属（Dolichospermum spp.，一种形成浮渣的蓝藻）浓度的 7 天预测模型。该研究成果发表在《Remote Sensing Applications: Society and Environment》上，为小型水库蓝藻水华的早期预警提供了重要参考。
研究采用的关键技术方法包括：以日本的 Murou、Hitokura 和 Terauchi 三座小型水库为研究对象，收集 2013-2017 年的原位数据（束丝藻浓度、水质、水文和气象数据）及 Landsat-8 和 MODIS 的卫星数据；用自动相关性确定（ARD）算法筛选关键原位变量；基于筛选后的变量及卫星衍生的地表温度（LST）和归一化浊度指数（NDTI），采用随机森林（RF）、极端梯度提升（XGBoost）和轻量梯度提升机（LightGBM）三种机器学习算法构建模型，并评估不同卫星数据、时间滞后（7-22 天、15-30 天、23-38 天）对预测效果的影响。
3.1 筛选的原位变量具有站点特异性
通过 ARD 算法对原位数据的分析显示，影响束丝藻浓度的关键变量因水库而异：Murou 水库中，过去 7 天的平均风速（Wind7d）是最相关变量；Hitokura 水库中，过去 2 个月的平均总氮浓度（TN2m）最为关键；Terauchi 水库则受过去 7 天的平均最高气温（MaxTemp7d）影响最大。这表明蓝藻水华的动态变化具有显著的站点特异性，需针对性分析。
3.2 XGBoost 算法在预测中表现最优
对比三种机器学习算法的预测效果发现，在 21 个案例中，XGBoost 在 9 个案例中表现最佳，其次是 RF（7 个案例）和 LightGBM（5 个案例）。最优模型中，Murou 和 Terauchi 水库的最佳模型为采用 23-38 天前 MODIS 数据的 XGBoost 模型，Hitokura 水库为采用 7-22 天前 MODIS 数据的 RF 模型，其 R2分别为 0.697、0.836 和 0.723，均展现出较好的预测能力。
3.3 地表温度（LST）的预测重要性高于归一化浊度指数（NDTI）
对变量重要性的评估显示，在 18 个包含卫星数据的案例中，LST 在 Murou 水库 3/6 的模型、Hitokura 水库 5/6 的模型及 Terauchi 水库 4/6 的模型中，重要性均高于 NDTI。尤其在 Hitokura 水库，LST 作为预测因子的作用更为突出，表明温度因素对束丝藻生长的关键影响。
3.4 23-38 天前的卫星数据预测效果最佳
分析不同时间滞后的卫星数据发现，在 Murou 和 Terauchi 两座水库中，23-38 天前的卫星数据构建的模型预测精度最高。这与束丝藻的生长周期相符 —— 在适宜条件下，其倍增时间约 19-20 小时，经过约 1 个月的积累，足以达到水华形成的阈值，说明该时间窗口能有效捕捉水华发生的前期信号。
该研究通过系统比较和分析，得出以下重要结论：其一，MODIS 数据凭借高时间分辨率，在小型水库蓝藻水华预测中表现更优，结合 XGBoost 算法可实现高精度的 7 天提前预测（最高 R2=0.84）；其二，卫星衍生的 LST 比 NDTI 更能有效预测束丝藻水华，凸显了温度对蓝藻生长的核心影响；其三，23-38 天前的卫星数据是预测的关键时间窗口，为早期预警提供了明确的时间参考。
这些发现不仅填补了小型水库蓝藻水华卫星预测研究的空白，还为实际应用提供了可行方案。通过卫星遥感技术与机器学习的结合，可建立低成本、广覆盖的早期预警系统，帮助饮用水处理厂及时调整策略，减少蓝藻水华带来的健康和经济损失。未来，随着高空间分辨率卫星数据获取频率的增加，该研究方法有望进一步优化，为全球小型水体的生态管理贡献更大力量。
