基于卫星遥感数据校准通用湖泊模型提升富营养化湖泊藻华预测精度

推荐：针对藻华预测模型GLM-AED校准数据稀缺问题，研究人员创新性结合Sentinel-2遥感数据与保形预测(CP)不确定性量化方法，在Esthwaite Water和Loch Leven两座富营养化湖泊中实现chl-a浓度估算误差降低15.87%-43.02%，模型预测精度提升13%-50%，为全球湖泊藻华动态监测提供可扩展方案。

　　

藻华暴发已成为全球湖泊生态系统面临的重大威胁，其突发性和复杂性给水质管理和公共健康带来严峻挑战。传统藻华预测依赖通用湖泊模型-水生生态动力学模型(GLMAED)，但受限于叶绿素a(chl-a)现场观测数据的高成本与低覆盖率，模型校准精度长期受限。与此同时，卫星遥感虽能大范围获取chl-a数据，却因大气校正误差、水体光学复杂性等因素存在显著不确定性。如何整合这两种技术优势，建立高精度藻华预测体系，成为当前水环境研究的关键难题。

针对这一科学问题，来自英国生态与水文中心(UK Centre for Ecology & Hydrology, UKCEH)的研究团队在《Water Research X》发表创新性研究，通过开发基于保形预测(Conformal Prediction, CP)的卫星数据不确定性量化框架，成功将Sentinel-2遥感产品融入GLMAED模型校准，显著提升了藻华预测能力。研究选取英国Esthwaite Water和Loch Leven两座典型富营养化湖泊为对象，采用多光谱成像仪(MSI)数据，结合光学水类型(OWT)聚类优化算法，并首创性应用CP方法筛选可靠遥感观测值。

研究主要采用三大关键技术：1) 基于Polymer、ACOLITE和C2RCC三种大气校正算法处理Sentinel-2影像，通过空间同质性检验筛选有效像元；2) 建立OWT聚类优化的chl-a反演算法体系，针对13种光学水类型分别校准9种反演算法；3) 开发保形预测框架量化卫星chl-a估算不确定性，设置90%非一致性阈值(NC)过滤低质量数据。通过400组GLMAED参数组合的系统校准，对比分析7种数据融合场景的预测性能。

3.1 MSI空间同质性
研究发现Polymer大气校正产生的反射率空间变异性最低(变异系数CV<0.25)，在Esthwaite Water和Loch Leven分别获得105和172幅可用影像。C2RCC对浊度较高的光学水类型(如OWT6-8)表现欠佳，印证了大气校正方法的选择对后续chl-a反演具有决定性影响。

3.2 光学水类型分类
通过光谱角匹配将水体划分为13种光学水类型，其中清澈水体(Cluster A)占比最高(42%)。值得注意的是，不同大气校正方法对OWT分类存在显著差异，如ACOLITE能检测到其他方法遗漏的藻华聚集类型(OWT1)，凸显多算法互补的价值。

3.3 MSI chl-a估算
OWT聚类优化使chl-a反演精度显著提升，最佳算法组合在Esthwaite Water达到R=0.90，MdSA=15.87%。特别设计的"BNN<10"方案(贝叶斯神经网络低浓度优化)有效解决了中低浓度chl-a(10-40 mg m^-3)的估算难题，将系统性偏差(SSPB)控制在-1.22%至0.38%区间。

3.4 不确定性量化
CP框架实现了75.6-80.95%的覆盖因子，90%NC阈值成功过滤29%高误差数据，使Loch Leven的MdSA从39.17%降至24.93%。异常气候年份(如2017)数据虽出现假阳性过滤，但因主要发生在非藻华期，对预警准确性影响有限。

3.5 GLM应用
采用High NC筛选的遥感数据校准使GLMAED性能全面提升：Loch Leven藻华识别准确率从36%跃升至80%，Esthwaite Water的MdSA降低13%。尤为关键的是，单纯使用未过滤遥感数据反而使验证误差平均增加32%，证实CP筛选的必要性。

这项研究开创性地建立了卫星遥感与过程模型协同的藻华预测新范式。其核心突破在于：1) 开发的CP框架具有算法无关性，可适配各类chl-a反演方法；2) 首次证实适度过滤的遥感数据(High NC场景)能超越现场观测的校准效果；3) 为全球湖泊监测提供可扩展方案，通过ERA-5再分析数据与SWAT模型可解决驱动数据短缺问题。研究同时指出，未来需解决光学水类型区域适应性、大气校正产品一致性等挑战，以推动藻华预测从单湖走向全球尺度。该成果不仅为《欧盟水框架指令》的实施提供技术支撑，其方法论更可拓展应用于有害藻华(HABs)早期预警、饮用水安全评估等领域，具有重要的生态环境管理价值。