融合人为水文动力学与GOCI卫星观测的高人工改造海岸系统水质反演——以???为例

《Remote Sensing of Environment》：Integrating anthropogenic hydrodynamics and GOCI satellite observations for water quality retrieval in highly engineered coastal systems: A case study of Saemangeum

　　

## 摘要

在高度工程化的沿海系统中，标准卫星算法难以从天然水动力学中复杂地解耦光学特性，因此反演水质参数仍然是一项挑战。本研究利用十年间的地球静止轨道海洋水色仪（GOCI）数据（2011?2020），开发了一个物理感知、数据驱动的框架，用于反演 representative 围堤水体——西湾水库中的叶绿素a（Chl-a）和总磷（T-P）。与仅依赖光谱数据的传统方法不同，我们明确将人为结构驱动因素——具体而言，由闸门操作控制的换水通量——纳入模型架构中。我们系统评估了四种架构（随机森林、XGBoost、Transformer和MLP-Mixer）的255种光谱-水动力学输入组合。为了解决总磷缺乏直接光谱吸收特征的光学复杂性，我们引入总氮（T-N）作为营养盐负荷的操作性替代指标，使模型能够捕捉营养盐与光学活性组分之间的非线性协变关系。研究结果表明，引入人为水动力学变量可显著提高反演精度，其中MLP-Mixer表现最佳（Chl-a R2=0.81；T-P R2=0.83），有效学习到了长期时间依赖关系。然而，空间交叉验证揭示，在空间异质性较强的区域，集成树模型具有更优的泛化能力，表明时间精度与空间鲁棒性之间存在权衡。可解释人工智能分析进一步证实，热驱动、营养盐耦合和人为水动力学变量是水质变化的关键贡献因素。最终，该框架展示了在人工改造水环境中进行监测的可迁移建模概念，证明明确考虑人为驱动因素可以改进基于卫星的水质反演，特别是在具有运营辅助测量（例如近实时营养盐替代指标）的可控系统中。

## 引言

西湾是位于韩国西海岸的大型沿海围填工程，是人类工程与环境变化的一个显著案例。该工程以33.9公里的堤坝围闭了约400平方公里的天然生产性潮间带，于2006年4月完成（Ryu等，2014）。这一围闭切断了河流与海洋系统的自然联系，移除了黄海关键碳储存区域之一，增加了加速气候变化的风险，因为曾经储存在这些潮间带中的大量碳被隔离于潮汐运动之外（Chen和Lee，2022）。围闭改变了西湾围堤水体的物理和生态特征，包括海岸线形态和海底特性的变化，以及潮汐流的显著减弱。这些变化导致了持续的水污染、水质恶化和当地野生动物的减少，包括候鸟和鱼类种群（Koo等，2008；Won等，2019）。在围闭区域内，营养盐的积累促进了独特浮游植物群落的发展和频繁的有害藻华（Koo等，2008）。在这种围堤环境中，持续监测水质在时间和空间上的变化对于理解生态系统响应和支持有效的环境管理至关重要。

为此，韩国全罗北道环境办公室自2010年起在西湾围堤水体的13个站点开展了持续的水质监测（Won等，2019）。这些实地活动使得能够定量评估水质恶化情况并识别影响环境因素。此前的研究，如Choi等（2013）考察了浮游植物群落的变化和 Mangyeong河与Dongjin河的淡水输入，确认了加速富营养化的趋势。然而，传统的原位监测仍然受到点位采样空间限制的影响。此外，由于观察、数据分析和管理工作通常在快速污染事件发生后才实施，水质响应的延迟不可避免，尽管这些措施精度较高，但仍限制了缓解措施的有效性。这些局限性不仅加剧了对渔业造成的损害（Won等，2019），还阻碍了围填工程可持续水质管理策略的发展（Cloern等，2016）。

为了克服这些局限性，高分辨率卫星影像（如Landsat TM/ETM+）已被用于评估西湾地区的表面温度和悬浮泥沙（Min等，2006）。尽管这些卫星在研究区域的水质空间分析方面有效，但其较低的重访频率限制了时间观测，后续研究也很少将卫星数据应用于监测西湾围堤水体内的水质。为弥补这一空白，本研究提出使用地球静止轨道海洋水色仪（GOCI）——世界上第一颗地球静止轨道海洋水色卫星——来监测西湾围填沿海水体的水质。GOCI提供八个光谱波段、500米空间分辨率和高时间分辨率（每小时）。GOCI卫星的能力已得到充分验证，能够持续追踪叶绿素a（Chl-a）、悬浮物（SS）和溶解性有机物（DOM）等关键水质指标，并支持藻华等短期事件的检测，尤其在沿海水域（Moon等，2012）。然而，将现有的GOCI数据算法应用于西湾并非易事。现有算法通常针对开放海洋或特定内陆水域进行优化，在此类过渡环境中经常失效。极端浑浊度和变化的盐度导致标准水光假设失效，需要特定地点的参数化，这在物理上复杂且计算代价高昂。此外，围填沿海水体通常不包含在韩国海洋科学技术研究院（KIOST）管理的GOCI海洋水色产品范围内，因为持续的高浑浊度妨碍了稳定的可靠反演。鉴于总磷缺乏直接光谱吸收特征，其反演依赖于捕捉其与悬浮颗粒物及浮游植物色素之间的非线性光学协变关系。在此背景下，深度学习提供了一种可行的途径，将西湾水文混合条件下这些复杂、间接的光谱关联映射到水质指标上（LeCun等，2015；Reichstein等，2019）。

深度学习已成为环境科学中的变革性工具，能够进行高维模式识别和高级数据解读（Zhu等，2017；Reichstein等，2019）。在水质反演方面，深度神经网络（DNNs）等深度学习模型展现了强大的能力。卫星影像结合深度学习方法已被广泛用于估算沿海环境的叶绿素a浓度并检测有害藻华（Izadi等，2021）。在此基础上，基于Sentinel-2影像驱动的深度学习模型已被证明能有效预测多种内陆水质参数，包括叶绿素a、水体透明度和悬浮物（Li等，2024）。若干代表性案例进一步说明了这些进展。例如，Jeong等（2025）采用卷积神经网络（CNN），将Sentinel-1合成孔径雷达数据与Sentinel-2多光谱影像相结合，表明在具有复杂水文条件的韩国内陆湖泊中，光学与雷达信息的结合改善了叶绿素a的反演。Xu等（2022）聚焦于中国新开湖，利用GF-6 WFV影像结合支持向量回归（SVR）、反向传播神经网络（BPNN）和随机森林模型，指出不同机器学习算法对季节变化和水质异质性的响应不同。此外，Zhang等（2022）研究了洞庭湖，其中多样的河流入流和显著的季节性水位变化产生了复杂的营养盐动态，并应用基于回归的方法评估总氮（T-N）和总磷（T-P）的时空变化，强调在这类高度动态的环境中，营养盐浓度无法通过单因素模型充分解释。

尽管取得了上述进展，但在明确纳入人工水动力学控制方面仍存在显著的研究空白，而这是围填沿海系统中的关键结构驱动因素。虽然此前的基于卫星的水质研究已将光谱数据与气象或水文变量相结合（Li等，2024；Jeong等，2025），但这些方法针对的是自然驱动系统，其中水动力学变化由气候过程或集水区过程驱动。相比之下，西湾等工程化系统由离散的、日程依赖的闸门操作控制，产生突发的水动力制度转变，没有自然类比。为弥补这一空白，本研究将闸门操作数据（具体而言，换水通量和水量变化）作为显式输入特征纳入模型，因为捕捉这些人为驱动因素需要直接使用运营闸门记录而非气象替代变量。我们假设这些控制淡水与海水混合的人为因素与光谱特征对于围堤系统中准确反演同样关键。因此，不同于以往研究中典型的经验波段选择，我们引入了一种系统的变量组合分析，评估255种光谱和指数候选变量，以确保AI模型捕捉这个光学复杂过渡环境中最具物理相关性的特征。为此，本研究将GOCI的高频高分辨率观测与先进的机器学习算法——随机森林（Breiman，2001）和XGBoost（Chen和Guestrin，2016）——以及深度学习模型（包括前馈神经网络（Rumelhart等，1986）、MLP-Mixer（Tolstikhin等，2021）和Transformer（Gorishniy等，2021））相结合，针对西湾的海水-淡水混合条件进行了优化。主要研究目标为：（1）评估最先进AI架构在水质反演中的性能；（2）通过场景测试（CASE 1–7）量化人为水动力学变量对模型精度的影响；（3）使用可解释人工智能（SHAP）分析解释模型的物理一致性。本研究为全球人为改造沿海系统的实时水质评估提供了一个可扩展的框架。

## 研究章节片段

### 地理空间数据特征

本研究开发的反演框架整合了四种主要数据来源，以估算西湾水库中的叶绿素a和总磷浓度：（1）来自GOCI的光谱反射率，作为主要卫星观测数据；（2）来自本地数据同化和预测系统（LDAPS）的气象再分析数据，以补偿GOCI缺乏热红外（TIR）通道的不足；（3）由闸门控制的换水通量，通过……

### 变量组合分析

为了确定西湾水库中叶绿素a和总磷反演的最具信息量的输入配置，我们考察了逐步集成的水文、海洋和营养盐变量对反演性能的影响。作为准备工作，对完整的匹配数据集（n=550；补充图S1）进行了Pearson相关分析，以评估候选预测变量之间的冗余性和协变关系。水温和儒略日表现出强烈的季节性……

### 人为控制系统的变量重要性与可解释性

Shapley加性解释（SHAP）值被用于解释每个输入变量对模型反演的相对贡献。SHAP值源自合作博弈论中的Shapley值，将模型输出分解为单个输入特征的加性贡献（Lundberg和Lee，2017；Chen等，2023）。第i个特征的贡献表示为：

$$\phi_i = \sum_{S \subseteq N \setminus i} \frac{|S|!(|N|-|S|-1)!}{|N|!} \left[ f_{x_{S \cup i}} - f_{x_S} \right]$$

其中$\phi_i$表示第i个特征对模型输出的贡献，……

## 结论

本研究开发了一个整合机器学习和深度学习的框架，利用地球静止轨道GOCI卫星观测数据反演西湾围堤水体中的叶绿素a和总磷浓度。通过系统评估基于CASE的输入配置和多种模型架构，我们证明在高度管理的沿海系统中准确反演水质不仅需要光学反射率信息，还需要环境相关和营养盐相关……

## 生成式人工智能和AI辅助技术在稿件撰写过程中的声明

在本工作准备过程中，作者使用ChatGPT辅助英语语言编辑和稿件可读性提升，并支持图形摘要布局的概念规划。提交的稿件中未使用任何生成式AI生成的图像。使用该工具后，作者根据需要对内容进行了审查和编辑，并对已发表文章的内容承担全部责任。

## CRediT作者贡献声明

Yejin Lee：撰写——初稿、可视化、方法论、调查研究、正式分析、数据管理、概念化。Dongjin Kim：软件、方法论。Suhwan Kim：数据管理。Dohee Han：数据管理。Hyun-su Kim：数据管理。Jonghan Ko：方法论、调查研究、数据管理。Su-mi Kim：调查研究、数据管理。Kyeong-sang Lee：撰写——审阅与编辑、调查研究。Jong-Min Yeom：撰写——审阅与编辑、监督、方法论、经费获取。

## 基金支持

本研究得到韩国国家研究基金会（NRF）由韩国政府（MSIT）资助的拨款支持（RS-2025-00515357）。

本研究得到韩国国家研究基金会（NRF）LAMP计划资助，由教育部拨款支持（No. RS-2024-00443714）。

## 利益冲突声明

作者声明不存在任何可能影响本研究报告工作的已知竞争性经济利益或个人关系。

## 致谢

作者感谢韩国海洋科学技术研究院（KIOST）韩国海洋卫星中心（KOSC）提供本研究使用的GOCI卫星数据及辅助产品。

Yejin Lee | Dongjin Kim | Suhwan Kim | Dohee Han | Hyun-su Kim | Jonghan Ko | Su-mi Kim | Kyeong-sang Lee | Jong-Min Yeom