基于Landsat影像数据的黑龙江流域总悬浮泥沙动力学多年代际重建

《International Soil and Water Conservation Research》：Multi-decadal reconstruction of total suspended sediment dynamics in the Heilongjiang River Basin using Landsat imagery data

　　

总悬浮物（TSS）是河流水质、泥沙输移和流域侵蚀响应的关键指标，然而其在大型高纬度跨境流域中的长期动态仍缺乏定量化认识。本研究构建了一个基于Landsat的框架，通过整合多传感器反射率、交叉传感器校准、野外实测数据和机器学习，重建了1985–2025年期间黑龙江流域的TSS动态。黑寡妇优化算法优化的随机森林模型表现出稳健的性能（R2 = 0.80，RMSE = 22.82 mg/L，MAE = 13.61 mg/L，偏差 = -2.44%）。重建的TSS记录显示出显著的空间异质性，南部中国侧子流域（特别是松花江水系）的浓度持续高于北部俄罗斯侧支流。在子流域尺度上，TSS呈现以下降为主的轨迹，70个HydroATLAS Level-5子流域中有63个呈下降趋势，其中52个在1985–2025年间下降显著。研究识别出四种不同的季节性模态，表明年内泥沙动态存在显著空间分异。悬沙通量表现出强烈的年代际变异性，从1985–1990年的72.75×103 Mt/yr增加到2011–2020年的94.55×103 Mt/yr，随后在2020年后下降至78.28×103 Mt/yr。松花江被确定为主要的泥沙来源区。归因分析揭示，自然条件控制着低TSS区域，而人为驱动的土地覆盖变化——特别是植被绿化、农业扩张和城市化——则驱动了受干扰子流域的泥沙变化。这些发现为精准生态修复和跨境协同水土保持管理提供了科学支撑。

论文解读：基于Landsat影像数据的黑龙江流域总悬浮泥沙动力学多年代际重建

一、研究背景与科学问题

总悬浮物（Total Suspended Solids, TSS）是衡量河流水质、评估泥沙输移过程和流域侵蚀响应的重要参数，其浓度直接影响水体透明度、真光层深度及浮游植物等初级生产者的增殖，从而深刻影响水生生态系统的结构与功能。此外，作为营养盐和污染物迁移的主要载体，TSS动态对于水资源保护和土壤侵蚀控制至关重要。黑龙江（阿穆尔河）作为世界上最长的国际界河，是东北亚关键的跨境水资源研究区。已有研究表明，该流域的TSS变化主要受降雨侵蚀力驱动，同时快速农业扩张和城市化也引发了显著的土地覆被变化，进一步影响了流域水环境。因此，整合自然过程与人类活动来分析TSS的时空动态，对于实施精准水土保持和可持续流域管理至关重要。

传统上，河流TSS监测主要依赖水文站点的原位测量。然而，长期公开可用的TSS数据集极为稀缺，尤其是像黑龙江这样的大型跨境流域。受限于测站空间覆盖有限和时间连续性差，仅依靠公共水文数据难以捕捉TSS全面的时空变异性。因此，遥感技术成为获取连续、大尺度、长时序TSS观测以实现对其动态变化整体理解不可或缺的手段。当前基于遥感的TSS监测工作主要集中在低纬度和中纬度河流及河口地区，而在高纬度大型跨境河流如黑龙江的长期遥感研究极为罕见，这是现有文献中的一个显著空白。

此外，准确连续的TSS监测不仅对理解局部水环境至关重要，也是量化大规模河流悬沙通量的基础。传统基于GIS和物理分布的模型虽然稳健，但内在复杂且过度参数化。为了规避这些挑战，近年来越来越多的研究采用更直接的观测驱动范式：将遥感反演的TSS浓度与水文径流数据耦合来估算河道内泥沙通量。在此框架下，精确的TSS反演是基本前提。当前遥感反演模型主要包括经验模型、半分析模型和机器学习模型。为克服前两者的局限性，研究人员采用了机器学习方法，其具备处理非线性关系和高维数据的强大能力。然而，机器学习算法的性能对超参数配置高度敏感，不理想的设置会显著加剧过拟合风险。传统的网格搜索和随机搜索因维度灾难往往计算成本高昂。相比之下，黑寡妇优化算法（Black Widow Optimization, BWO）凭借其独特的同类相食机制，确保了极快的早期收敛速度和强大的全局探索能力，从而有效提升建模效率和预测精度。因此，本研究旨在利用BWO优化的机器学习框架构建高精度的河流TSS反演模型。

Landsat系列卫星具有30米的中高空间分辨率和超过四十年的连续时间记录，非常适合复杂内陆盆地的长期、高精度TSS动态反演。本研究利用Landsat-5 TM、Landsat-7 ETM+、Landsat-8 OLI和Landsat-9 OLI-2的庞大影像存档，旨在：(1) 利用BWO优化的机器学习集成方法，开发适用于整个黑龙江流域的高精度TSS遥感反演模型；(2) 探究由人类活动和自然因素耦合效应驱动的TSS时空动态；(3) 分析流域和子流域尺度上悬沙通量的长期变化。据研究人员所知，这是黑龙江流域首个关于TSS时空动态的长期遥感研究，为制定大型跨境流域在自然和人为双重压力下的可持续河流管理政策提供了关键的科学参考。

二、关键技术方法概述

研究人员在Google Earth Engine（GEE）平台上处理了1985–2025年间黑龙江流域的Landsat Collection 2 Tier 1 Level 2地表反射率产品，提取了六个光谱波段，并使用QA_PIXEL波段去除了云、阴影等质量差的像元。为解决多传感器间系统性反射率偏差，以Landsat-7 ETM+为基准传感器，利用高纬度轨道重叠区提取样本，建立了针对各波段的经验线性校准模型。研究中使用了来自2015–2024年间106次野外航次的942个表层水样，通过标准重量法测定TSS浓度。在GEE上，将实测TSS与±3天、±3像素窗口内的Landsat观测值匹配，获得453个有效反射率-TSS配对。通过Spearman相关分析筛选出10个最强相关的光谱特征作为预测变量。模型采用随机森林（Random Forest, RF）算法，并通过黑寡妇优化算法（BWO）结合四折交叉验证对树的数量、最大深度和节点分裂最小样本数等关键超参数进行优化，最终将优化后的模型应用于全流域所有有效的河道像元以重建长时序TSS记录。悬沙通量（Suspended Sediment Flux, SSF）通过将卫星反演的TSS浓度与SWORD数据库提供的月均河流流量数据相乘计算得出。研究还使用了多种环境和人为协变量，包括来自ERA5-Land的气象数据、Landsat计算的归一化植被指数（NDVI）、FABDEM地形坡度、SoilGrids土壤可蚀性因子（K）、GRADES-hydroDL V2.0的河流流量、全球人类居住区（GHSL）的人口密度以及GLC_FCS30D的土地覆被类型面积比例，所有数据均通过分区统计聚合到HydroATLAS Level-5子流域尺度。

三、研究结果

3.1 交叉传感器校准与TSS模型验证

交叉传感器辐射校准成功地将Landsat 5、8、9的地表反射率归一化到了Landsat 7基线。对于对TSS反演至关重要的红波段，所有传感器对的R²均超过0.90，RMSE低于0.0069。近红外（NIR）波段也表现出一致性，R²大于0.77。在校准阶段，优化后的RF模型的R²为0.88，RMSE为17.35 mg/L，平均绝对误差（MAE）为8.95 mg/L，相对偏差为2.03%。在独立验证阶段，模型保持了高精度和鲁棒性（R²=0.80，RMSE=22.82 mg/L，MAE=13.61 mg/L，偏差=-2.44%）。SHAP分析揭示，差值指数Red-Blue是最重要的预测因子，其次是Red波段和求和指数Red+Green。高值的Red-Blue和Red特征对模型输出产生正向影响，这与浑浊水体中悬浮颗粒物增强红光后向散射的光学特性一致。

3.2 TSS空间分布

1985–2025年非冰期（5–10月）的多年来平均TSS浓度范围为0到160.26 mg/L。浓度最高值出现在流域南部的中国侧，主要在松花江流域内，而俄罗斯侧的北部支流（如结雅河、布列亚河）TSS水平持续偏低。在黑龙江干流上，上游TSS相对较低，但在松花江汇合后下游显著升高，并在中下游保持高位。变异系数（CV）范围从0%到196%。高平均TSS区域（如松花江流域和中下游干流）通常CV值较低，表明时间稳定性更高。总体上，松花江流域和下游干流的高平均TSS与低CV共存，表明该区域在过去四十年中对干流TSS状况产生了持续性影响。

3.3 TSS长期变化特征

在子流域尺度上，Mann-Kendall趋势检验显示流域内TSS总体呈下降轨迹。在70个Level-5子流域中，90%（N=63）呈下降趋势，其中74%（N=52）达到统计显著水平。空间上，显著的TSS下降主导了上游区域和左岸支流（主要为俄罗斯领土）。相反，增加或显著增加的趋势集中在右岸支流，即松花江和嫩江流域（中国领土），表明长期TSS演变存在强烈的区域异质性。干流的时空矩阵显示，黑龙江干流在研究期内普遍下降，约在2000年左右出现明显的模态转变，之后大部分河段TSS下降加速。松花江维持较高的TSS水平和更大的空间变异性，尽管其上中游显著下降，但下游河段特别是嫩江汇合口以下仍维持高浓度。嫩江内部空间对比最强烈：上游显著下降，而靠近松花江汇合口的下游则显著增加并保持高浓度。

3.4 TSS季节模态的聚类与空间格局

通过对非冰期标准化月均TSS贡献进行K-Means聚类，识别出四种季节性模态：稳定型（26%）、夏季主导型（37%）、季初峰值型（20%）和双峰型（17%）。夏季主导型在7月和8月出现明显峰值；季初峰值型在5月达到最大值后逐渐下降；双峰型在5月和10月有两个峰值；稳定型则月际变异性低且分布均匀。空间上，夏季主导型在南部子流域形成连续集群，主要位于松花江流域及其汇合口下游；稳定型主要集中在俄罗斯侧的结雅平原、兴凯湖周边及乌苏里江源头；双峰型和季初峰值型则呈现碎片化空间分布。

3.5 悬沙通量的时空动态

基于公式计算的总悬沙通量（SSF）在整个研究期内表现出显著的非单调年代际波动。与1985–1990年基线（72.75×10³ Mt/yr）相比，流域总SSF在1990年代升至第一个峰值（90.76×10³ Mt/yr），并在2011–2020年达到历史最高值（94.55×10³ Mt/yr）。2020年后虽降至78.28×10³ Mt/yr，但相对于基线仍呈净增长。空间上，干流SSF表现出深刻的纵向异质性。上游始终很低，中游尽管有主要左岸支流汇入，但干流年均SSF呈现纵向衰减趋势。然而，随后来自右岸主要支流（松花江和乌苏里江）的汇入引发了突然且巨大的激增。其中，松花江贡献了绝对主导的泥沙增量，从根本上改变了中下游的SSF量级，并决定了最终输入鞑靼海峡的悬沙空间格局。

四、讨论与结论

讨论部分总结指出，与受大规模梯级水库调控的低纬度河流不同，高纬度的黑龙江流域缺乏此类工程，其泥沙输移过程为评估气候与人类活动的综合影响提供了理想天然实验室。研究发现，土地覆被变化（LULC）导致的景观连通性改变是驱动TSS时空变化的核心机制。通过基于随机森林的非线性归因框架，研究揭示了流域内泥沙驱动机制的显著区域差异：低TSS区域主要由自然生态本底（如土壤可蚀性K因子、NDVI）控制，而高TSS区域的演变则与人口集聚、不透水面扩张和农业侵占高度耦合。这表明，在缺乏大型水库调节的敏感高纬度河流系统中，人为驱动的土地利用模式重构正逐渐成为控制河流TSS动态的主导力量，其局部扰动效应甚至可能掩盖或超越纯气候强迫的影响。具体而言，植被恢复削弱了泥沙连通性，而城市化则强化了径流汇集和泥沙输移。

研究结论翻译如下：在本研究中，研究人员利用长期Landsat影像和BWO优化的随机森林算法，为1985至2025年的跨境黑龙江流域开发了一个高度稳健且可扩展的TSS反演模型。该模型展现出优异的预测精度（R²=0.80，RMSE=22.82 mg/L，偏差=-2.44%）。空间上，TSS浓度表现出深刻异质性，南部中国侧子流域显著高于北部俄罗斯侧。时间上，干流TSS在40年研究期内呈现出普遍且显著的下降趋势，同时识别出四种地理上截然不同的季节性TSS模态。此外，定量SSF分析显示了整体的年代际波动，并明确指出松花江是主要的泥沙贡献源，它导致干流泥沙输移出现巨大且突然的激增，完全掩盖了上游的自然低泥沙信号。基于SHAP和非线性归因的驱动因子分析明确揭示了控制机制的区域分化：自然地貌和气候因子支配着原始的低TSS区域，而人为引起的土地覆被变化——如植被绿化、农业扩张和城市化——则是重塑受人类干扰子流域泥沙动态的首要驱动力。通过提供首个全流域、多年代际的TSS和泥沙通量时空特征描述，本研究强调了在大型自由流动河流中气候强迫与人为干扰之间的非线性相互作用。这些发现为支持精准生态修复、水土保持和协作式跨境流域管理政策提供了不可或缺的科学证据。