基于多时相Sentinel-2数据的蓝藻水华(有害藻华,HAB)预报情境感知框架——一种概率式水质监测方法

《Remote Sensing》：Probabilistic Water Quality Monitoring Using Multi-Temporal Sentinel-2 Data: A Situational Awareness Framework for Harmful Algal Bloom Forecasting Muhammad Zaid Qamar, Cristiano Ciccarelli, Mohammed Ajaoud and Massimiliano Lega

　　

环境监测系统需要稳健的不确定性量化来支持复杂生态过程中的有效决策。有害藻华(Harmful Algal Bloom, HAB)是一个关键挑战，其预测不确定性直接影响资源分配与响应时机，然而当前基于遥感的预测系统仅提供确定性分类而无置信度度量。这种算法预测与可操作风险评估之间的鸿沟限制了利益相关方在不同风险容忍度下管理水质的实用性。本研究开发了一个可迁移的概率预报框架，将Sentinel-2多光谱影像与分位数回归(Quantile Regression)及集成机器学习相结合，为蓝藻密度预测生成连续置信指标，并以美国佛罗里达州奥基乔比湖(Lake Okeechobee)为案例进行演示。该方法结合从Sentinel-2数据提取的光谱指数，利用极端梯度提升机(eXtreme Gradient Boosting, XGBoost)在0.05、0.50和0.95概率水平上进行分位数回归，并利用轻量梯度提升机(Light Gradient Boosting Machine, LightGBM)进行多时域时序预报。Sentinel-2的13个光谱波段（可见光至短波红外）及其5日重访频率提供了光谱丰富且时间密集的输入空间，适宜XGBoost等梯度提升方法利用光谱特征间复杂的非线性交互作用区分蓝藻信号与背景水体成分。LightGBM对10日预报和20日预报的平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)分别达到2.9%和5.7%，优于常规回归模型。该框架生成90%预测区间(Prediction Interval)，可实现有害藻华业务管理的可靠风险分级。此方法通过量化预测不确定性，弥补了卫星藻华检测与可操作决策间的差距，推动环境监测从二值分类向基于概率的系统转变，以适应不同利益相关方在水质量管理中的风险容忍度。

论文解读：基于多时相Sentinel-2数据的蓝藻水华预报情境感知框架——一种概率式水质监测方法

发表于《Remote Sensing》

一、研究背景与意义

传统水质监测依赖离散采样与实验室分析，难以捕捉藻华动态发展且缺乏预警提前量。现有卫星遥感结合机器学习的藻华研究方法多输出确定性点估计或二值分类，未量化预测不确定性，无法满足管理部门在不同风险容忍度下的决策需求。情境感知(Situational Awareness, SA)理论强调对环境要素的感知(Perception)、理解(Comprehension)与投影(Projection)，而现有系统缺失"投影"阶段的置信度表达。鉴于此，研究人员开发了融合Sentinel-2影像、分位数回归与集成时序预报的置信度基(Confidence-based)概率框架，以奥基乔比湖为研究对象，实现带明确不确定性界的有害藻华(Harmful Algal Bloom, HAB, 特指蓝藻水华CyanoHAB)预报与分级风险预警，填补算法输出与行动风险评估间的空白。

二、主要关键技术方法

研究人员以美国佛罗里达州奥基乔比湖(Lake Okeechobee, 27.0°N, 80.8°W)为研究区，获取Microsoft Planetary Computer平台上Sentinel-2 L2A(Level-2A)多光谱影像(13波段统一重采样至60 m)，从影像中提取68维特征含归一化植被指数(Normalized Difference Vegetation Index, NDVI)变体、波段比值(Band Ratio)、百分位数特征、水体像元占比、全波段统计量及季节/时间元数据。蓝藻密度反演模型(XGBoost)采用全美Cyanobacteria Aggregated Manual Labels(CAML)数据集(11,655个样点)训练以学习普适光谱-蓝藻关系，奥基乔比湖本地235个匹配样点用于时序验证。XGBoost以分位数损失函数(Quantile Loss)分别拟合τ=0.05、0.50、0.95条件分位数生成90%预测区间；中位数序列输入LightGBM做10日与20日多时域时序外推预报并同样输出分位数。风险分级(Risk Classification)综合预测值与预测区间宽度划分为LOW、MEDIUM、HIGH三级，并通过交互式仪表板可视化。五折时序交叉验证评估性能。

三、研究结果

3.1. Historical Data Analysis（历史数据分析）

研究人员筛选奥基乔比湖2017—2025年7月共235个质控后样点(云量<20%、波段完整、最小间隔5日)。分析显示47.2%(111例)超过中度藻华阈值(log₁₀转化值10.0≈20,000 cells/mL)，最近一次藻华检出为2025年4月17日，藻华具暖季高发季节性，证实该地区需有效监测与预警。

3.2. Temporal Forecasting Accuracy and Model Comparison（时序预报精度与模型比较）

LightGBM在10日与20日预报上RMSE与MAPE均最低，10日预报RMSE为0.2333，较XGBoost(0.3017+)、Random Forest及Ridge Regression低23%—28%。表明LightGBM对时序结构捕捉更优，验证其入选概率预报架构之合理性。

3.3. Predictive Confidence and Temporal Dynamics（预测置信度与时序动态）

LightGBM平均决定系数(R²)>0.40，10日预报R²=0.476；藻华峰值期MAPE略升但仍落于自举(Bootstrapping)置信区间内，证明分位数回归可在有限数据下给出有意义不确定界。

3.4. Feature Contributions（特征贡献度）

红边波段比值(Red-edge Ratios)、时序滞后变量(Lag Variables)及近岸特征为最重要预测因子，符合蓝藻生长光谱响应与空间分布生态驱动机制。

3.5. Summary and Implications（小结与启示）

10日与20日预报MAPE分别为2.9%与5.7%，LightGBM兼顾精度与效率，证明概率框架可产出业务级准确度预报。前5个重要时序特征含rolling_std_5、lag_3、lag_2等，说明短期动态与季节因子共同驱动藻华发展。

3.6. Bloom Risk Assessment（藻华风险评估）

10日与20日预报蓝藻密度分别为6.9138与7.3592(log₁₀标度)，均未超重度阈值(11.5)且超出概率低于高风险阈值，系统判定为MEDIUM RISK并给出"建议增加监测频次与初步缓案规划"的操作指引，展示置信度基方法避免误报之优势。

四、讨论与结论

研究人员指出本框架将环境监测从确定性点估计转为概率式不确定度量化，通过预测区间与风险分级兼容不同部门风险容忍度，且模块化的架构可接入多灾种早期预警系统。局限性含云遮盖导致影像缺失、跨区域泛化需本地校准、原位点-像元空间尺度不匹配(In situ vs. Pixel-scale Mismatch)、20日以上预报R²趋近零(但区间合理放宽)及奥基乔比湖本地时序样本偏小(235点)；未来可通过引入气象/水文外源变量、长短期记忆网络(Long Short-Term Memory, LSTM)、扩大监测年限与高分辨率(10 m)波段分析改善。

结论(Conclusions)：

本研究提出并验证了融合Sentinel-2多光谱遥感、分位数回归不确定性量化与LightGBM多时域时序预报的置信度基有害藻华概率监测与预报框架，以奥基乔比湖为案例证明其实用性。LightGBM对10日与20日预报之MAPE分别为2.9%和5.7%，显著优于对照模型且提供90%预测区间。框架用分位数回归区间替代二值输出，集成现状评估(XGBoost)与时序外推(LightGBM)，结合预测值与置信水平进行LOW/MEDIUM/HIGH风险分级，并通过交互式仪表板传达概率信息，推动遥感产品向可操作决策支持工具转化，代表水质遥感从确定性分类向概率式情境感知(Situational Awareness-based Probabilistic Monitoring)之重要进展。