基于Sentinel-2影像与随机森林模型的有害藻华预测制图研究及其在水资源安全中的应用

《Water Security》：Predictive mapping of harmful algal blooms with Sentinel-2 imagery and random forest modelling

本研究针对气候变化和人为营养盐输入导致的有害藻华频发问题，利用Sentinel-2多光谱影像和随机森林算法，开展了水体营养状态指数（TSI）、叶绿素a（Chl-a）和表层水温的预测研究。结果表明，模型精度较高（TSI的R2>0.80，Chl-a的R2=0.97，水温的R2>0.70），为湖泊水库富营养化监测和藻华早期预警提供了可迁移、低成本的有效工具，对保障饮用水供应和水生态安全具有重要意义。

　　

在全球气候变化和人类活动加剧的背景下，淡水水体富营养化及由此引发有害藻华已成为威胁水生生态系统健康和饮用水安全的全球性挑战。城市水库作为重要的供水来源和生态系统，其水质状况尤为关键。然而，传统的水体监测方法往往耗时费力、覆盖范围有限，难以实现对藻华发生动态的快速、大范围监测。因此，开发高效、精准的早期预警工具，对于水资源管理和保护至关重要。

近期发表于《Water Security》的一项研究，由西班牙维戈大学的Carolina Acu?a-Alonso、Diego Barba-Barragáns、Joaquín Martínez-Sánchez和Xana álvarez共同完成，提出了一种结合Sentinel-2卫星影像与随机森林机器学习算法的方法，旨在实现对有害藻华相关关键水质参数的空间化预测制图。该研究创新性地将目光投向了综合性的营养状态指数（TSI），而不仅仅是单一的叶绿素a浓度，并探索了利用Sentinel-2非热红外波段估算表层水温的可能性，为缺乏热红外波段的高分辨率卫星数据在水温监测中的应用提供了新思路。

研究人员开展此项研究主要依托几个关键技术方法。他们利用Google Earth Engine云平台高效处理了Sentinel-2卫星的Level-2A地表反射率数据，从中提取了特定波段的光谱信息以及计算了归一化差异水体指数、归一化差异叶绿素指数和亮度指数等多个光谱指数。研究区域位于西班牙西北部的两个水库——A Baxe水库和As Forcadas水库，并使用了2017年至2023年间在这两个水库采集的现场实测数据（包括Chl-a、总氮、总磷、塞克盘深度、水温等）用于模型训练和验证。核心建模算法采用随机森林，并通过优化超参数来提升模型对TSI、Chl-a和水温的预测性能。

3.1. In-situ data

研究在A Baxe水库（上、下游两个点位）和As Forcadas水库（一个点位）进行了现场采样，测量了包括Chl-a、总氮、总磷、水温、塞克盘深度和蓝藻丰度在内的多项水质参数。

4.1. Calibration and validation of the TSI model in the A Baxe reservoir

通过使用Sentinel-2的B03（绿）、B04（红）、B05（红边1）波段以及NDCI指数，建立的TSI预测模型取得了决定系数R²为0.71的性能。模型成功生成了水库营养状态的空间分布图，显示水库在2017年10月呈中营养状态，而2020年8月则接近富营养状态，空间上呈现从上游到下游营养程度升高的趋势。这表明模型能够有效捕捉水库内部的营养状态差异。

4.2. Calibration and validation of the Chl-a model in the A Baxe reservoir

Chl-a的预测模型表现出极高的精度，R²高达0.97。模型预测结果清晰地展示了Chl-a浓度的时空变化，例如在2017年10月浓度较低（约15 μg/L），而在2020年8月浓度较高（50-60 μg/L，近坝区甚至超过100 μg/L），这与夏季高温、强光照和水体停滞等利于藻类生长的条件相符。

4.3. Calibration and validation of the temperature model in the A Baxe reservoir

尽管Sentinel-2卫星没有热红外波段，研究人员利用亮度指数建立了表层水温的预测模型，并取得了R²为0.80的良好效果。模型预测显示，水库水温存在明显的季节差异（如2023年3月约12°C，2018年8月达20-25°C）和空间差异（沿岸植被遮荫区域水温较低）。

4.4. Model testing at the as Forcadas reservoir

为了检验模型的迁移性，研究人员将在A Baxe水库训练好的模型直接应用于As Forcadas水库。对2021年5月数据的预测结果显示，TSI、Chl-a和水温的预测值与实测值较为接近，尽管存在一定误差，但初步证明了该方法在不同水体间具有一定的适用性。

4.5. General Discussion

研究结论与讨论部分强调，本研究开发的随机森林模型在估算与有害藻华密切相关的TSI、Chl-a和水温等参数方面表现出色，其性能优于一些文献中报道的深度学习模型，特别是在样本量有限的情况下显示出优势。该方法的成功实践表明，结合Sentinel-2影像和机器学习算法，能够为实现大范围、高频次的水体富营养化和藻华监测提供一种成本效益高、可推广的技术手段。研究所生成的空间明晰的水质参数分布图，有助于水资源管理者识别高风险区域，理解藻华发生的驱动机制，从而制定更有针对性的管理措施。尽管研究存在样本量有限、云层影响冬季数据获取等局限性，但其为利用开放数据平台和先进算法加强水安全监测和管理提供了有力支持。未来，将此方法拓展至更多不同类型的水体，将进一步验证和提升其普适性，为应对全球水环境挑战贡献重要工具。

综上所述，该研究通过整合多源数据与智能算法，为有害藻华的早期识别和预警提供了一套创新且实用的解决方案，对保障饮用水安全、维护水生生态系统健康以及应对气候变化影响具有重要的科学价值和现实意义。