金钟湾荧光溶解有机物的遥感监测：多源信号去除技术与机器学习的结合应用

《Science of Remote Sensing》：Remote sensing monitoring of fluorescent dissolved organic matter in Admiralty Bay: fusion of multi-source signal removal and machine learning

本研究针对南极Admiralty Bay地区，通过物理预处理（消除大气、地表反射、太阳诱导荧光、拉曼散射和非藻类颗粒干扰）优化MODIS遥感反射率数据，并采用随机森林、XGBoost、CART、GBR和AdaBoost五种机器学习模型反演荧光溶解有机物（fDOM）浓度，发现XGBoost模型精度最高（R2=0.8561），fDOM空间分布呈现西部及近岸高值区向海域中心递减的聚集式特征，验证了物理模型与数据驱动方法结合的有效性。

　　### 深度解读：荧光溶解有机物（fDOM）在南极海域的遥感监测研究

荧光溶解有机物（Fluorescent Dissolved Organic Matter, fDOM）作为溶解有机物（Dissolved Organic Matter, DOM）的重要组成部分，在海洋环境监测中具有独特的优势。它不仅能够反映水体的光学特性，还能作为追踪污染路径、评估海洋生态系统健康状况的重要指标。然而，传统的实验室分析方法由于其局限性，难以满足对大规模海洋环境进行长期、连续监测的需求。近年来，随着遥感技术的发展，尤其是高分辨率卫星数据的获取和机器学习算法的应用，为fDOM的遥感反演提供了新的可能性。本研究以南极地区的Admiralty湾为研究对象，结合物理机制与数据驱动方法，探索了一种有效且可靠的fDOM遥感反演路径，为极地海洋环境的长期监测提供了科学依据。

#### 一、fDOM在海洋环境中的重要性

fDOM是海洋生态系统中溶解有机碳的重要储存形式，其光学特性对海洋碳循环、生物地球化学过程以及生态系统的稳定性具有深远影响。fDOM主要由类腐殖质物质和类蛋白质物质组成，这些物质在吸收紫外线和蓝绿光后，会在特定波长范围内发射荧光信号，形成独特的光谱特征。由于其稳定的光学性质，fDOM被广泛用于监测和追踪有机物的来源、分布和变化情况。通过分析fDOM的浓度变化，科学家可以更好地理解海洋生态系统的动态变化，以及污染物的迁移路径。

然而，fDOM的监测面临诸多挑战。一方面，fDOM的浓度变化受到多种环境因素的影响，如温度、盐度、悬浮颗粒物浓度等，这使得其在不同时间和空间尺度上的分布呈现出显著的异质性。另一方面，fDOM的荧光信号在海洋光谱数据中常常被其他非目标信号所掩盖，例如大气效应、水面反射、太阳诱导荧光（SIF）、拉曼散射以及非藻类颗粒（NAP）的吸收作用。这些干扰因素的存在，限制了fDOM遥感反演的准确性与可靠性。

#### 二、研究背景与方法

为了克服上述问题，本研究采用了多源数据融合与物理校正相结合的方法。首先，利用Admiralty湾的现场测量数据，对MODIS卫星遥感数据进行处理，去除大气效应、水面反射、SIF、拉曼散射和NAP等干扰因素，以提高数据的准确性和稳定性。随后，基于校正后的光谱数据，选取三个对fDOM敏感的波长作为输入特征，并采用五种机器学习模型（包括随机森林（RF）、XGBoost、分类回归树（CART）、梯度提升回归（GBR）和AdaBoost）进行fDOM浓度的反演分析。最终，XGBoost模型在反演精度和稳定性方面表现最佳，成为本研究的首选算法。

在数据处理过程中，研究人员首先对大气效应进行了校正，使用了6S模型（Wilson, 2013）来计算大气透射率和路径辐射项，从而消除大气对水体光谱信号的影响。接着，通过Cox-Munk模型结合风速数据，进一步去除水面反射的干扰。此外，为了消除SIF信号，研究团队采用了波段比值法，并通过最小二乘法拟合SIF强度，再将其从遥感信号中扣除。对于拉曼散射的校正，研究团队使用了Hydrolight辐射传输模型，基于拉曼散射的光谱响应函数进行处理。最后，针对非藻类颗粒的吸收效应，采用了吸收系数比值法与非负矩阵分解（NMF）模型相结合的方法，以减少悬浮颗粒物对光谱数据的干扰。

在机器学习模型的选择上，研究团队不仅考虑了模型的预测能力，还关注其对数据噪声的鲁棒性。通过递归特征消除（RFE）方法，研究人员筛选出对fDOM浓度具有显著相关性的三个波长，分别对应MODIS卫星的蓝光、绿光和红光波段。这些波段的选取基于其对水体中悬浮颗粒物、溶解有机物和叶绿素等物质的敏感性。此外，研究团队对模型参数进行了标准化处理，如设置树的数量、学习率、最大深度等，以确保模型的稳定性与泛化能力。

#### 三、研究结果与讨论

通过对比不同机器学习模型在fDOM反演中的表现，研究团队发现XGBoost模型在多个评价指标中均表现最优。例如，XGBoost的决定系数（R2）达到0.8561，表明其对fDOM浓度的解释能力最强；同时，其均方根误差（RMSE）和平均绝对百分比误差（MAPE）也最低，说明其在预测精度和稳定性方面具有明显优势。相比之下，其他模型如RF、GBR的R2值分别为0.8525和0.8557，虽然接近XGBoost，但在某些指标上略逊一筹。而CART和AdaBoost模型的R2值分别为0.8290和0.4606，显示出其在复杂数据建模中的不足。

在实际应用中，XGBoost模型能够更准确地反映fDOM的时空变化特征，尤其是在高浓度区域的识别和分布模式的捕捉方面表现突出。相比之下，其他模型在某些时间段和区域的预测结果较为分散，尤其是在低浓度区域，预测误差较大。这表明，XGBoost模型在处理具有复杂非线性关系的光谱数据时，具有更强的适应性和泛化能力。

此外，研究团队还对比了处理前后的光谱数据。结果显示，经过多源信号去除后的数据，其整体反射率降低了约7.617%，这表明处理后的数据具有更高的稳定性，并能更准确地反映fDOM的光学特性。通过对比不同模型在处理前后数据上的表现，进一步验证了数据预处理对提升模型预测能力的重要性。未经处理的数据在模型训练和测试中均表现出较差的泛化能力，尤其是在低浓度区域，预测误差显著增加。

#### 四、fDOM的时空分布特征

根据研究结果，Admiralty湾的fDOM浓度呈现出明显的时空分布特征。在空间分布上，fDOM浓度最高区域主要集中在西岸和沿海地带，而随着向湾内扩散，浓度逐渐降低。这种分布模式可能与海洋动力学过程密切相关，例如海流、风速和水体混合程度等。在时间分布上，fDOM浓度在夏季（6月至8月）达到峰值，平均值约为0.32 QSU，最大值可达2.05 QSU。冬季（12月至2月）的fDOM浓度相对较低，平均值为0.25 QSU，最大值为1.75 QSU。春秋季的浓度则相对稳定，但随着温度下降，微生物活动减弱，fDOM浓度有所下降。

这些时空变化可能受到多种环境因素的影响。例如，冬季海冰的广泛分布可能抑制了微生物活动，从而导致fDOM浓度较低。而夏季由于海冰融化和水体交换频繁，使得有机物输入增加，进而提升了fDOM的浓度。此外，降水和河流径流也可能对fDOM的浓度变化产生重要影响，尤其是在春季，雪水融化带来的有机物输入可能显著增加fDOM的浓度。

#### 五、研究意义与展望

本研究不仅验证了物理校正与机器学习方法相结合在fDOM遥感反演中的有效性，还为极地海洋环境的长期监测提供了新的思路。通过去除多源干扰因素，研究团队提高了光谱数据的可靠性，从而提升了机器学习模型的预测能力。此外，XGBoost模型在fDOM反演中的优异表现，表明其在处理具有复杂非线性关系的遥感数据时具有显著优势。

然而，研究也指出了一些局限性。首先，由于极地地区的遥感数据分辨率较低，MODIS卫星的500米分辨率可能无法满足对精细尺度变化的监测需求。未来的研究可以考虑使用更高分辨率的卫星数据，如Sentinel系列或Landsat系列，以提高监测精度。其次，当前研究仅采用了五种常见的机器学习模型，未来可以引入更复杂的模型，如深度学习方法，以进一步提升对非线性特征的识别能力。最后，本研究中机器学习模型的超参数设置主要参考了相关文献，未进行系统的优化。未来的工作可以通过交叉验证等方法，对模型参数进行更精细化的调整，以进一步提高模型的性能。

综上所述，本研究通过物理校正与机器学习方法的结合，成功实现了对fDOM的高精度遥感反演。这一方法不仅能够有效去除多源干扰因素，还能准确捕捉fDOM的时空变化特征，为极地海洋环境的长期监测提供了重要的技术支撑。未来，随着遥感技术和机器学习方法的不断发展，fDOM的遥感监测有望实现更高精度和更广泛的应用。