功能解耦与环境门控的多模态融合框架及其在冷旱区浅水湖泊叶绿素a反演中的应用

《Sensors》：Function-Decoupled Environment-Gated Multimodal Fusion for Chlorophyll-a Retrieval in a Cold–Arid Shallow Lake

　　

中文翻译：乌梁素海是中国北方冷旱区一个富营养化浅水湖泊，其浅水水深、频繁的风扰动以及异质的光学条件使得基于卫星的叶绿素a（Chl-a）反演变得复杂。为改善此类复杂观测条件下的反演精度，本研究开发了一种功能解耦的环境门控融合框架（FDEGF），该框架通过预定义的计算角色整合光学、合成孔径雷达（SAR）和气象观测数据。Sentinel-2光学特征构成直接反演通路，Sentinel-1 SAR特征提供辅助信息，ERA5气象变量在采样事件层面调节辅助通路的参与程度。研究人员构建了一个包含2017至2019年间287个有效观测的卫星—地面匹配数据集，应用于乌梁素海。在31组配对的随机训练—测试划分中，FDEGF相对于简化融合结构总体表现出正的平均绝对误差优势，将中位平均绝对误差（MAE）降低了0.360–0.467 μg·L?1。进一步分析表明，模型性能依赖于事件级气象门控与SAR辅助通路之间的对应关系，而三个输入通路表现出差异化的模型依赖性。在未见站点验证下，FDEGF在湖内保持了正向的空间可迁移性。然而，留一采样事件交叉验证得到的合并R2为负值，且相对于结构对照未呈现一致优势。这些结果表明，在所表征的采样事件域内，明确分离直接反演、辅助信息和气象门控为多模态Chl-a反演提供了一种结构明晰的策略，而对先前未见采样事件的迁移能力仍然有限。

论文解读

一、研究背景与问题

乌梁素海位于中国北方冷旱区，是河套灌区重要的承泄水体，长期承受农业排水带来的氮磷等营养盐输入。该湖泊水深较浅、风扰动频繁、光学条件时空异质性强，持续面临富营养化问题。叶绿素a（Chl-a）作为浮游植物生物量和富营养化状态的重要指示指标，被广泛用于表征湖泊营养状况。传统野外采样在时间频率和空间覆盖上存在局限，卫星遥感为扩展Chl-a观测提供了重要途径。

然而，浅水湖泊中由风驱动的沉积物再悬浮会改变悬浮物浓度和水体离水反射率，底质影响、悬浮颗粒变化和光学水体类型差异均可能改变光谱观测与Chl-a之间的关系。这意味着光学反演关系可能具有条件依赖性而非恒定不变。尽管Sentinel-1合成孔径雷达（SAR）对水面散射特征敏感，可提供光学反射率未直接表征的信息，气象再分析产品如ERA5可描述卫星观测对应的气象背景，但关键挑战不仅在于这些异质观测能否被组合，更在于它们应如何参与反演过程。直接特征拼接虽可学习多源信息间的非线性交互，但未明确编码不同观测角色的差异，也未揭示其贡献是否应随观测情境而变化。

二、研究内容与主要结论

针对上述问题，本研究开发了一种功能解耦的环境门控融合框架（FDEGF），将异质观测按观测特征分配预定义的计算角色：Sentinel-2光学特征构成直接反演通路，Sentinel-1 SAR特征构成辅助通路，ERA5导出的风速和气温形成气象门控通路，在采样事件层面调节辅助通路的参与程度。最终反演结合直接光学估计与事件条件化的辅助贡献，而非依赖所有输入变量的无约束融合。

研究人员构建了包含2017至2019年间287个有效观测、来自17个采样事件的卫星—地面匹配数据集，从多角度评估了所提框架，包括整体反演性能与误差特征、结构贡献、时间匹配敏感性、通路依赖性、湖内空间可迁移性以及事件独立迁移能力。主要结论如下：在31组配对随机划分下，FDEGF相对于简化融合结构表现出正向的平均绝对误差优势，中位MAE降低0.360–0.467 μg·L^?1；模型性能依赖于事件级气象门控与SAR辅助通路之间的对应关系；三个输入通路表现出差异化的模型依赖性；在未见站点验证下FDEGF保持湖内正向空间可迁移性，但留一采样事件交叉验证的合并R2为负，表明对先前未见采样事件的迁移能力仍然有限。

三、关键技术方法

本研究采用以下主要技术方法：其一，构建多模态卫星—地面匹配数据集，整合2017—2019年乌梁素海野外实测Chl-a数据、Sentinel-2光学观测、Sentinel-1 SAR观测和ERA5气象再分析数据，经预处理与时空匹配后保留287个有效观测。其二，提出功能解耦的环境门控融合架构，光学通路采用多层感知机（MLP）提供直接反演，SAR通路以MLP学习辅助项，气象通路经sigmoid变换生成事件级门控值，三通路端到端联合训练，损失函数为均方误差（MSE）。其三，建立多层级验证策略，包括31组配对随机划分、结构消融实验、时间匹配敏感性分析、通路置换诊断、未见站点交叉验证和留一采样事件交叉验证，以区分域内反演行为、湖内空间迁移和事件独立迁移。

四、研究结果

4.1 不同风速组的光学反演

研究人员将287个样本按风速三分位数划分为低、中、高三个风速组，分别包含108、91和88个样本。NDCI和B5/B4与实测Chl-a的关系及相关性强度在三组间存在差异，光学特征值相近时对应不同的Chl-a分布。光学模型（Optical-only）在三组的MAE分别为0.360、0.467和0.360 μg·L^?1，误差从低风速组到中风速组下降后在高风速组上升，呈非单调变化，表明固定光学映射的性能在不同风速条件下并不均匀。

4.2 整体反演性能与误差特征

在31组配对随机80:20划分下，非线性模型普遍优于岭回归（Ridge），后者中位R2接近零。随机森林（RF）获得最高中位R2和最低中位RMSE，支持向量回归（SVR）获得最低中位MAE且在全部31组划分中R2为正。FDEGF中位R2为0.130，在23组划分中R2为正，但未一致超越最强的传统非线性基线。样本级OOS分析显示，反演值随实测Chl-a增加而增加，但拟合斜率明显低于1，低浓度样本趋于高估、高浓度样本趋于低估，呈现向观测分布中心压缩的特征。

4.3 结构消融结果

相对于仅光学结构，FDEGF的中位配对优势在R2、RMSE和MAE上分别为0.064、0.360和0.467 μg·L^?1，在25组划分中降低MAE。相对于无门控结构，中位配对优势分别为0.038、0.360和0.467 μg·L^?1，在23组划分中降低MAE。相对于常数门控结构，中位配对优势分别为0.044、0.360和0.467 μg·L^?1，在23组划分中降低MAE。三种结构比较中MAE优势最一致，表明FDEGF的主要收益在于改善典型绝对反演误差。时间匹配敏感性分析显示，在联合限制Sentinel-1和Sentinel-2时间偏移在5天内时，FDEGF相对于三种结构对照的中位MAE优势分别为0.322、0.360和0.467 μg·L^?1，且在26组划分中降低MAE。排除四个记录为零的观测后，FDEGF性能仅产生微小变化，结构结论保持稳定。

4.4 多模态融合的结构诊断

样本级分析显示，相对于光学结构和无门控结构，FDEGF分别使63.4%和64.5%的样本绝对误差降低。初始化敏感性分析表明，最终反演在不同初始化间的变异性小于内部通路输出，直接和辅助输出保持较高的跨初始化模式一致性，中位成对Pearson相关系数为0.926，但门控和门控辅助贡献的相关系数较低，表明内部通路数值分解并非唯一确定。事件约束门控错配实验显示，事件级整体重排和季节内事件重排均导致性能下降，中位R2降幅分别为0.297和0.299，表明拟合模型依赖于事件条件化门控与SAR辅助通路之间的对应关系。输入通路置换分析显示，光学置换导致中位R2下降0.129，气象置换导致中位R2下降0.289，SAR置换仅导致中位R2下降0.044，三个通路表现出差异化的模型依赖性。风速组分析显示，低、中、高风速组的中位门控值分别为0.271、0.167和0.459，中位绝对门控辅助贡献分别为0.360、0.467和0.360 μg·L^?1，较大的门控值并不必然对应较大的有效辅助贡献。SAR几何诊断显示，入射角与VV后向散射存在可观关联，但VV/VH与近同期风速及光学模型OOS残差间未检测到稳定的成对关联。

4.5 分组迁移验证

五折站点分组交叉验证中，FDEGF获得平均测试R2为0.360，RF为0.467，两者在排除完整采样站点后均保持正的平均R2，表明在观测时段内可部分迁移至未参与训练的站点。留一采样事件交叉验证中，FDEGF的合并R2为负值，RMSE和MAE分别为0.360和0.467 μg·L^?1，在17个留出事件中仅在7个事件上相对于各结构对照取得更低的事件级MAE，结构优势未在事件独立验证中持续。

五、讨论与结论

讨论部分指出，乌梁素海的光学特征—Chl-a关系在不同风速组间存在差异，且光学反演误差呈非单调变化，表明固定光学映射的适用性随观测条件而变化，这为角色感知融合提供了依据。研究强调，FDEGF的结构优势主要体现为对典型绝对误差的改善，而非对解释方差或大误差行为的统一提升。内部通路输出应被理解为架构定义的计算组件而非独立可辨识的物理量，门控—辅助对应关系对模型运行有贡献，但不同初始化可通过不同内部数值分解实现这种依赖。

结论部分表明，明确分离直接反演、辅助信息和气象门控为所表征采样事件域内的多模态Chl-a反演提供了结构明晰的策略。在重复随机划分下，FDEGF相对于简化融合结构表现出正向的绝对误差优势，模型性能依赖于事件级气象门控与SAR辅助通路之间的对应关系，三个输入通路表现出差异化的模型依赖性。在未见站点验证下FDEGF保持湖内正向空间可迁移性，但对先前未见采样事件的迁移能力仍然有限，当前模型的泛化边界仍需进一步拓展。