比较用于预测河流水质的人工智能驱动方法：水质指数与遥感方法的系统评价

《Water Research》：Comparing AI-driven approaches for predicting River Water Quality: A systematic review of Water Quality Indices and Remote Sensing methods

　　戈马尔·阿明（Gomal Amin）|奥利维尔·普雷（Olivier Pourret）|维克托·杜潘（Victor Dupin）|萨布丽娜·盖兰-雷奇达乌伊（Sabrina Guérin-Rechdaoui）|阿诺德·杜尚（Arnaud Dujan）
法国博韦拉瓦尔大学（UniLaSalle Beauvais）

**摘要**
河水质量（RWQ）监测面临越来越多的挑战，包括地理数据缺失、方法学不一致以及预测建模框架中不确定性量化受限的问题。本系统综述旨在通过综合2018年至2024年间发表的71篇经过同行评审的案例研究，对人工智能驱动的RWQ预测研究中的知识空白进行批判性总结、比较和识别。这些研究分为两部分：（i）传统的河流水质指数（WQI）方法（44篇）和（ii）基于遥感（RS）的方法（27篇），两者均采用了机器学习（ML）或深度学习（DL）技术。研究发现存在明显的地理偏见，83%的研究集中在亚洲地区，其他地区的代表性不足。综述还指出，WQI研究在参数选择、采样类型和频率、权重分配以及数据汇总方面存在显著差异。基于RS的研究主要利用Sentinel-2和Landsat-8/9卫星图像来获取光学活性（OA）参数，而光学非活性（OIA）参数则通过间接方式推断。在两类研究中，性能评估主要依赖传统的准确性指标，而敏感性和不确定性分析较少被提及。总体而言，本综述指出当前RWQ预测框架存在预处理协议不一致的问题，以及缺乏标准化基准测试，这些是阻碍其可移植性和操作可靠性的关键因素。本文为开发更具可移植性和操作可靠性的RWQ预测框架提供了坚实的证据基础和实际建议，并指出了未来研究的重点方向。

**1. 引言**
淡水是地球上最宝贵但最有限的资源。虽然水覆盖了地球表面70%以上的面积，但只有約3%是淡水，其中不到1%存在于河流、湖泊和含水层中（Musie和Gonfa，2023）。河流作为动态系统，负责在流域范围内输送水、沉积物、营养物质和污染物（Dykes等人，2025）。它们对食品安全、能源生产、生态系统健康以及水质（WQ）至关重要（相关缩写见补充表S1）。然而，河流系统正受到气候变化、极端天气事件以及人类活动（如城市扩张、工业排放和集约化农业）的威胁。农业径流和城市废水中的营养物质导致淡水系统富营养化和氧气消耗（Dykes等人，2025；Noori等人，2022），同时新兴污染物（包括稀土元素（Liu等人，2024）和药物、微塑料）也带来了日益严重的生态和公共卫生风险（Borsetto等人，2025）。因此，维护河水质量（RWQ）对于实现联合国（UN）的可持续发展目标（SDGs）6和14至关重要（Jiang等人，2025；Recuero Virto，2018）。联合国世界水资源评估计划（WWAP）报告显示，全球近80%的废水未经处理直接排放到河流和湖泊中，淡水生态系统的生物多样性下降速度比陆地或海洋生态系统更快（WWAP，2017）。有效的RWQ监测和预测对于检测污染事件、估算参数和指导管理措施至关重要。

为应对这一挑战，最早出现的系统方法之一是水质指数（WQI）的开发，最初由Horton于1965年提出，如今已被广泛用于全球范围内的RWQ评估（Pak等人，2021；Ramya等人，2024）。WQI通过四个关键步骤将多种物理化学和生物变量转化为综合得分：参数选择、子指数生成、权重分配和数据汇总（Mohammadpour等人，2025；Uddin等人，2023a）。这种方法将复杂的数据集转化为决策者和公众可理解的信息。然而，对专家判断的依赖和地方性标准的应用导致了方法学上的不一致性，限制了不同地区之间的可比性（Mohammadpour等人，2024）。

除传统WQI外，遥感（RS）通过提供频繁且成本效益高的观测数据，补充了基于点状采样的方法（Chen等人，2022；Mozafari等人，2025）。多光谱和高光谱卫星平台（如Landsat、Sentinel-2和EnMAP）能够获取光学活性参数（OA），包括浊度、总悬浮固体（TSS）和叶绿素-a（Chl-a）（Li等人，2026，2023）。然而，RS-derived的WQ产品受大气校正（AC）、太阳反射、邻接效应和混合像素等因素的影响，这些因素都会影响数据获取的准确性（Raheli等人，2024）。许多污染物（包括营养物质和金属）具有光学非活性（OIA），无法直接观测，需要通过代理方法进行推断（Li等人，2022；Niu等人，2021）。这些挑战凸显了将RS与现场数据和机器学习（ML）或深度学习（DL）框架相结合的必要性，而不仅仅是将其作为独立工具使用。

近年来，人工智能（AI）技术的进步，尤其是机器学习和深度学习（ML/DL），为RWQ预测带来了新的机遇（Li等人，2026）。ML/DL模型能够捕捉不同数据集中的复杂非线性关系，将土地利用和径流与污染物水平联系起来，整合RS和现场数据，并同时预测多种WQ指标（Riazi等人，2025；Shadkani等人，2025）。长短期记忆（LSTM）网络、人工神经网络（ANN）和集成模型（Hu等人，2023）等AI架构在实验室、现场和卫星数据集以及物联网（IoT）支持的高频传感器网络中均表现出强大的预测能力（Jayaraman等人，2024）。尽管对AI驱动的水质建模兴趣日益增加，但文献中仍存在一些关键空白。特别是在河流系统方面，将这些方法整合到一个统一的预测流程中尚未得到充分探索。WQI、RS和ML/DL方法的结合代表了RWQ研究的一个变革性趋势。卫星数据提供了空间覆盖，现场测量确保了校准，而ML/DL则具备了预测能力，从而实现了全面和近乎实时的监测（图1）。然而，三个领域都存在一个共同挑战：不确定性。在WQI中，参数选择和权重分配的主观性可能导致结果偏差；在RS中，数据获取受校准、预处理、大气校正和空间分辨率的影响；在ML/DL中，训练数据集的偏差、验证不足和不确定性报告不一致限制了模型的可移植性。尽管如此，超参数调整、特征重要性分析和概率建模等先进技术提供了有前景的解决方案，但尚未得到充分应用（Juwana等人，2022；Uddin等人，2023a）。

**2. 方法论**
2.1. 文献搜索策略
为确保方法学的一致性和减少选择偏差，本综述遵循了系统评价和元分析的优先报告项目（PRISMA）指南（Page等人，2021）（图2）。首先构建了一个概念框架，用于指导使用传统和先进方法进行RWQ预测的文献搜索（图1b）。通过两个主要学术数据库Dimensions AI和Google Scholar，根据既定的文献合成协议筛选出了与研究范围相关的同行评审文章。选择Dimensions AI是因为其广泛的跨学科覆盖范围和开放访问功能，同时使用Google Scholar作为补充资源来捕获灰色文献并减少出版偏见（Tennant，2020）。详细的纳入和排除标准见表1，搜索查询见补充材料中的表S2。为评估偏差风险并确保质量保证（QA），采用了基于Waqas等人（2023）的修改版筛查协议（附录表A.1）。

2.2. 选择标准
开发了一套统一的选择标准以确保研究之间的可比性（表1）。最初从选定的数据库中检索到3,515条记录，覆盖2018年1月至2024年12月的时期。经过删除缺失DOI或不相关的记录后，保留了3,326篇文章进行初步筛选，进一步排除重复记录后得到2,477篇独特的研究。随后进行质量保证（QA）流程，排除了2,157篇不符合标准的研究（见附录表A.1）。剩余的320篇文章的全文都被详细审查，其中258篇因数据不足、方法学质量差或与研究目标不一致而被排除。最终，有71篇文章符合所有纳入和质量标准，被保留用于数据提取和分析。此外，还保留了研究多个河流或单一流域内多个河流的研究，每个河流被视为独立案例，以充分考虑地理和水文多样性。

2.3. 数据提取
使用标准化模板提取数据，以确保研究间的一致性。关键变量包括 bibliographic 信息（标题、作者、年份、期刊、DOI）、地理和时间细节（国家、研究区域、空间/时间覆盖范围、数据采集日期）、方法学特征（传感器类型、采样方法、样本数量、标准化程序、WQI开发步骤和分类）以及分析细节（模型类型、性能指标、分类指标和不确定性评定）。提取的数据被编译成结构化数据库（见补充表S3），用于识别共同模式、方法学趋势和各研究之间的相互关系，从而全面总结了当前RWQ预测领域的知识状况。

2.4. 文献计量学和统计分析
进行了文献计量学和统计分析，以识别研究模式、地理趋势和方法学关系。所有 bibliographic 信息（包括作者隶属关系、出版年份、期刊来源、关键词和引用次数）均使用Microsoft Excel提取和分析。VOSviewer用于进行共引用聚类分析，而在线平台（https://www.jasondavies.com/wordcloud/）用于生成关键词词云。方法学变量的定量合成使用了Python、OriginPro 2025和/或Microsoft Excel。计算描述性统计量，以总结两组（基于WQI和RS的研究）的出版物频率、空间分布和时间趋势。对于数值比较，根据方法学属性对每篇研究进行编码，包括：（i）采样频率、（ii）参数数量、（iii）模型类型（统计、ML或DL）、（iv）性能指标（如R2、RMSE、MAE、MAPE、NSE等）以及（v）不确定性或敏感性处理。当有可比的数据集时，使用标准化性能评分来评估不同研究之间的模型准确性。为了进行元分析比较，结果按照方法（WQI与RS）和使用的算法类型进行了分组。研究工作的地理分布使用ESRI的ArcGIS Pro软件进行了可视化展示。每项研究都根据报告的研究地点进行了地理参考，并按大陆进行分类。计算了每个区域的研究相对份额，以评估全球RWQ研究中的空间不平衡情况。为了确保可重复性，所有文献计量学和统计代码都被存档，并在补充材料中提供。3. 结果3.1. 研究的一般特征共有71项研究被认为适合数据提取，分为两组（组1和组2）。根据地理分布（图3a），大多数研究（83%）在亚洲进行，非洲、欧洲、北美洲和南美洲的贡献较少（各占4%）。这种强烈的区域集中反映了RWQ研究在发展中国家的突出地位，在这些国家，由于人口密度高和资源监测的需求，水污染是一个紧迫的环境挑战。出版物的时间趋势（图3b）显示从2018年到2024年，所有方法领域都有稳步增长，证实了RWQ预测是一个新兴且快速发展的研究领域。基于WQI的研究仍然占主导地位（n=44），但基于RS的方法近年来显著增加。图3c显示了纳入审查的期刊中选定研究的分布。顶级期刊被明确显示，其余期刊被归类为“其他”。下载：下载高分辨率图像（432KB）下载：下载全尺寸图像图3. (a) 选定研究的地理分布；(b) 2018-2024年的年度出版物趋势。蓝色虚线代表每年出版物的线性趋势；(b) 按期刊分类的选定研究。进一步将研究按主题领域（即WQI、RS、ML/DL和不确定性及敏感性）进行分类，显示出所有领域的持续增长趋势（图4a）。与WQI相关的研究从2018年的1项增加到2024年的16项，基于RS的研究从1项增加到10项，基于ML/DL的研究从1项增加到15项。尽管“不确定性和敏感性”类别的代表性仍较低，但其逐渐增长反映了人们对RWQ建模中模型验证和风险评估的日益关注。这种向更具预测性和数据驱动方法的转变可以归因于ML/DL算法的更广泛应用、基于物联网的传感器的使用，以及多光谱卫星数据在发展中国家的日益可用性（Mohammadpour等人，2025；Shadkani等人，2025）。下载：下载高分辨率图像（219KB）下载：下载全尺寸图像图4. (a) 按方法划分的研究时间分布。(b) 河流水质研究中使用的建模方法分布。对建模方法的分析（图4b）显示了对数据驱动技术的明显偏好。统计模型占应用的31.6%，其次是ML（28.9%）和神经网络或深度学习方法（25%）。相比之下，进化模型（3.9%）、模糊/神经模糊系统（7.9%）和混合模型（2.6%）使用较少，这表明它们要么应用范围有限，要么在RWQ研究中的采用度有限。文献计量分析确定了三个主要的出版来源集群（图5a）：(i) 以应用和环境建模期刊为中心的红色集群；(ii) 专注于环境污染管理的绿色集群；以及(iii) 代表遥感和地球科学应用的蓝色集群。集群之间的强烈联系表明跨学科合作的增加，特别是在将遥感技术与RWQ预测的建模框架集成方面。关键词词云（图5b）显示了诸如“水质指数”、“机器学习”、“Sentinel-2”和“河流监测”等主导研究术语，强调了当代RWQ研究的聚焦点。下载：下载高分辨率图像（662KB）下载：下载全尺寸图像图5. (a) 出版来源的共引集群分析（https://tinyurl.com/2xu3dzvg）(b) 选定的出版物生成的关键词词云。3.2. 河流水质指数（WQIs）的特性3.2.1. 采样频率和观测基础设施RWQ监测实践可以根据采样频率和观测基础设施进行分类。分析表明，研究主要依赖于特定地点的采样而非连续监测（图6a）。采样点占研究的37.5%，其次是监测站和采样站（各占30%），只有2.5%使用自动化监测站点（见补充材料表S4）。关于采样频率，每月采样是最常见的方法，其次是每季度、每半年和季节性间隔（图6b）。由于资源限制，高频采样（例如每4小时和每天）较为罕见，而半年采样通常用于长期趋势分析。这种采样设计的异质性突显了标准化缺乏的问题，可能会影响WQI评估的可比性和稳健性。大多数研究更喜欢每月的采样间隔，可能是为了平衡资源限制、时间分辨率和基于趋势的监测目标（Mohammadpour等人，2024）。下载：下载高分辨率图像（169KB）下载：下载全尺寸图像图6. (a) 调查实体中的(a) 观测基础设施类型和(b) 采样频率分布（组1）。3.2.2. 方法选择和区域差异不确定性可能在WQI开发的每个阶段出现，从参数选择到聚合，引入可能导致WQI值低估或高估的潜在偏差。缺乏标准化的全球WQI框架加剧了这些不一致性。我们的分析（图7）显示，加权模型比未加权模型更好地利用了参数，平均包含11个参数，而未加权模型只有8个参数（即变量包含量增加了38%）。加权模型平均排除了更少的参数（即3个对比4个），表明数据覆盖范围更广，潜在的WQ评估更为全面。下载：下载高分辨率图像（155KB）下载：下载全尺寸图像图7. 加权和未加权WQI模型中使用的平均参数数量、采样参数和排除参数的比较。区域比较显示了方法论的显著多样性。在参数选择方面，许多研究依赖于国家标准或国际标准，如中国的《地表水环境质量标准》（GB3838-2002）（Deng等人，2022）、马来西亚的环境部（DOE）标准（Ho等人，2019）、越南的自然资源和环境部（MONRE）标准（Khoi等人，2022）以及世界卫生组织（WHO）指南（Mokarram等人，2022；Zamili等人，2023）。与这些标准驱动的方法并行，数据驱动的方法，包括主成分分析（PCA）（Fernández del Castillo等人，2022；Satish等人，2024）、因子分析（Miao等人，2020）、对数转换（Ding等人，2023）和正矩阵分解（PMF）（Zhang等人，2024）变得越来越普遍，反映了向定量参数选择的逐步转变。基于权重的研究被大致分为三类：(i) 基于标准的权重，源自允许的限值或相对重要性（在印度、伊拉克和阿尔巴尼亚常见（Basha等人，2024）；(ii) 专家驱动的方案，包括德尔菲方法（Banda和Kumarasamy，2024）、文献综述和层次分析法（AHP）（在南非、土耳其、乌克兰和中国使用（Ding等人，2023）；(iii) 统计权重或基于ML的权重，使用Shannon熵（Niknam等人，2024）、PCA（Fernández del Castillo等人，2022）或混合ML框架，如结合博弈论的LightGBM（Ding等人，2023）。聚合技术也多种多样。加权算术平均仍然是主要方法（特别是在印度、伊朗、马来西亚和中国），但替代方法，如乘法、加法、正弦加权（SWM）和对数加权二次平均（LQM），反映了方法论的实验性（Ding等人，2023）。总体而言，这些发现说明了WQI方法的灵活性和 fragmentability。南亚和东南亚国家主要使用基于标准的方法，而中国和其他国家越来越多地采用统计和基于ML的框架，表明方法论创新存在地区差异。3.2.3. WQI预测性能的比较评估组1的研究表明，具有自适应学习能力的数据驱动模型，特别是自适应神经模糊推理系统（ANFIS）、遗传编程（GP）和优化的深度ANN变体，始终实现了最高的WQI估计预测精度，其特征是绝对误差和百分比误差较低。这些模型通过有效捕捉环境变量与综合WQI之间的非线性关系，优于传统的基于回归的WQIs（见补充材料中的表S4和S6）。在采样数据标准和指南方面，大多数研究依赖于既定的国家或国际监测框架，如美国公共卫生协会（APHA）标准、印度中央污染控制委员会（CPCB）、马来西亚环境部（DOE）和中国的环境保护部《地表水环境质量标准》（GB3838–2002）。此外，大多数研究遵循70:15:15、75:25或80:20的常规数据分割比例进行训练、验证和测试。一些研究采用k折交叉验证来增强稳健性。3.3. 遥感用于河流水质水成分通过其独特的光谱特性影响光与水的相互作用，特别是在可见光（400–700 nm）和近红外（700–2500 nm）范围内（Ngamile等人，2025）。这些光学特性构成了评估WQ的RS方法的基础（Niu等人，2021）。最近的RS发展集中在两类参数上：光学活性（OA）和光学非活性（OIA）（Greb等人，2018；Li等人，2023；Raheli等人，2024；Zhou等人，2024）。OA参数直接与光相互作用，可以通过反射或吸收特征来观测到。这些包括叶绿素-a（Chl-a）、总悬浮固体（TSS）、浊度和有色溶解有机物（CDOM），所有这些都影响水面的光信号（Zhou等人，2024）。相比之下，OIA参数如电导率（EC）、生化需氧量（BOD）、溶解氧（DO）、pH值、化学需氧量（COD）和其他营养物质浓度如总氮（TN）和总磷（TP）（有关合格研究中使用的两种类型参数的详细列表，请参见表2）缺乏独特的光谱特征，难以直接检测（Niu等人，2021）。然而，它们通常可以通过与OA指标和其他环境参数的相关性在ML/DL框架中间接估计。例如，营养物质富集可能会刺激藻类大量繁殖，这可以通过卫星图像中的Chl-a信号检测到（Raheli等人，2024）。为了检索这些参数，RS研究结合了各种卫星传感器和现场测量以及各种反演算法，包括经验方法、分析方法、半经验方法和越来越多的机器学习方法（Ali等人，2024；Li等人，2023；Shin等人，2024）。表2. 基于RS和最佳ML/DL模型的组2研究详情。GF-1/宽视场（WFV）和全色（PMS）以及多光谱（PMS）。参考OA参数OIA参数卫星/传感器波段数据收集日期最佳模型图像数量Tufillaro等人，2024浊度，Chl-aNO???+?NO??S2/MSIB3-B52018-2021回归模型175Said和Khan，2021pH，EC，DO，TDS，BOD，COD，Alka，Fe，Mn，Cr，PbIRS-2/P6 LISS IVG，R，NIR2018GEP1(Kabolizadeh等人，2022)Ca，Mg，K，Na，HCO3，SO4，Cl，pH，ECS2/MSIB2-B8a，B11，B122015-2017用于Mg，HCO3，pH，EC，浊度，TDS和K的ANN；用于Ca，Na，Cl和SO4的ANFIS14(Fouladi Osgouei等人，2022)EC，Na+, Mg2+, SO42?，Cl?，Ca2+S2/MSIB1-B8，B11，B12，OAT，SCL2017-2020FFNN24(Ansari和Akhoondzadeh，2020)盐度L8/OLIB1-B82013-2018MLP?+?GA36(Mishra等人，2024)Chl-a，浊度S2/MSIB2-B8a2022RF(Arumugam和Veeramani，2024)浊度，Chl-a，BGATemp，EC，TDS，pH，DOL8/OLIB1-B7，B11，B12Hybrid-LASSO(Ahmed等人，2023)浊度，Chl-a，BGATemp，EC，TDS，pH，DOL8/OLIB1-B92018-2019LASSO(Zhao等人，2024)Chl-a，TSS，浊度和CDOMCOD，TN，TP，和NH3-NS2/MSIB2-B8a2019-2023XGBoost(Jiang等人，2024)浊度TP，TNS2/MSIB1-B8，B9-B122021-2022RFR(Yuan等人，2024)TP，COD，NH3-N，TNS2/MSI，S3/OLCISentinel-2: B1-B12，Sentinel-3 OLCI辐射带Oa01radiance-Oa21_radiance (C1-C21)2020-2021XGBoost(Moon等人，2024)TSSS2/MSIB2-B8a，B11，B122018-2022CNN214(Jassam等人，2024)浊度和TSSpH，温度，TDS，EC，TH，Ca，Mg，Cl，Alka., SO4，PO4，NO3L8,L9/OLI，OLI-2B1-B82022-2023ANN(Muhoyi等人，2022)TSSTN，TP，CODS2/MSIB2-B42018-2019统计/经验模型(Lin等人，2024)TP，NH3-NGF-1/WF和PMSB1-B42020-2021LinRegr3(Hossain等人，2021)浊度L8/OLIB1-B72018-2019非线性Regr3(Li等人，2022)TN，AN，TPL8/OLIB1-B72013-2022RFR for TN和ANN for AN和TP25(Najafzadeh和Basirian，2023)浊度SO4，Na，K，硬度，F，Cl，As，Alka., pH，NO3，MgL8/OLI，TIRSB1-B8，B112021MARS6(Guo等人，2022)SMCGF-2/PMS 2B32019PLS-PSO-BPNN1(Zhu等人，2023)COD，NH3-N，TP，和TNGF-1/PMSBlue (B)，Green (G)，Red (R)，Near-infrared (NIR)2021-20222(Paulista等人，2023)SSCS2/MSIB3-B4，B82016-2022带有B4的指数模型20(Huangfu等人，2020)NH3-N，COD，TPS2/MSIB1-B122016用于NH3-N和COD的立方函数；用于逆模型的TP1(Xu等人，2021)TNS2/MSIB2-B8a，B11，B122018-2019RF(Li和Xia，2023)浊度L5,7,8/ TM，ETM，OLIL8: B1-B5; S2: B1-B4, B8A2016-2022NN(Vatitsi等人，2024)DO，ECPlanetScope/SuperDoveB1-B82022SVR169(Shi等人，2024)TP，NH?-NS2/MSIB3-B62022(Maroneze等人，2020)Chl-aS2/MSIB2-B52016-2017回归8(Al-Jassani等人，2022)浊度EC，pH，Cl，SO4，ALK，TH，Ca，K，Na，Mg，TDSL8/OLI，TIRSB1-B7，B102016-2021LinReg除了WQ参数检测之外，最近的研究旨在开发能够补充或替代传统采样的通用RS基预测模型。尽管许多模型在局部表现强劲，但大多数仍然具有地点特异性，并且在气候、地貌和人为压力条件下的传输能力有限。因此，提高模型的稳健性和泛化能力仍然是一个核心挑战。一旦实现，这些模型可以大大提高水质监测的效率，特别是在数据稀缺或资源有限的地区（Ness等人，2025）。3.3.1.卫星图像来源

历史上，中等分辨率的传感器，如中分辨率成像光谱辐射计（MODIS）和可见光/红外成像辐射计套件（VIIRS），被广泛用于估计大型湖泊和海洋环境中的水质（WQ）参数。然而，它们较粗糙的空间分辨率（250-1000米）在应用于狭窄或异质的河流系统时常常会产生混合像素效应。空间分辨率为30米的Landsat图像也被用于水质评估（Ansari等人，2025年；Hu等人，2025年；Kuhn等人，2019年），但其16天的重访周期限制了对动态河流环境的时间覆盖范围。因此，本综述中的大多数河流相关研究依赖于中等和高分辨率（商业）的多光谱卫星（图8）。由于本综述专门关注基于卫星的平台，其他遥感（RS）技术，如激光雷达（LiDAR）、无人机（UAV）和非常高分辨率的航空图像被排除在外。

下载：下载高分辨率图像（116KB）
下载：下载全尺寸图像

图8. 选定河流水质研究中使用的卫星平台和传感器的频率分布

在符合条件的研究中，欧洲航天局（ESA）的Sentinel-2成为使用最频繁的平台，出现在16项研究中，其次是Landsat-8，出现了10项研究。Landsat-9、Landsat-7和Landsat-5也有所贡献，反映了长期水质监测的连续性。中国的Gaofen（GF）系列共有三项研究（GF-1两项，GF-2一项），所有研究都在中国境内进行。其他传感器如PlanetScope的SuperDove和Indian Resourcesat-2（IRS-R2）则较为零星出现，这表明用于河流监测的数据来源采用情况越来越多样化。

总体而言，这种分布突显了开放获取平台（尤其是Sentinel-2和Landsat-8）的主导地位，这得益于它们的免费可用性、全球覆盖范围、中等分辨率以及适合开放获取参数检索的校准良好的多光谱波段。尽管商业和国家传感器提供了更高的空间分辨率和重访频率，但它们的使用仍然不足，这表明它们有潜力与机器学习/深度学习（ML/DL）框架结合使用。

3.3.2. 图像预处理和大气校正

准确基于RS的水质分析需要使用以下公式（1-3）进行强大的图像预处理，首先进行辐射度校准，将原始数字数（DN）转换为光谱辐射度，然后再转换为反射率。校准使用特定于传感器的增益和偏移值：

(1) Lλ = ML × Qcal + AL
其中Lλ是光谱辐射度（W·m?2·sr?1·μm?1），ML是乘法因子（增益），AL是加法因子（偏移），Qcal是DN。然后将辐射度归一化为大气顶层（TOA）反射率：

(2) ρλ′ = π × Lλ × d2 / E0,λ × cos(θs)

ρλ′是表面反射率，d2是地球-太阳距离，E0,λ是外大气太阳辐照度，π是圆周率，θs是太阳天顶角。水出射辐射度通常贡献不到TOA信号的10%，其余部分主要由大气散射和吸收过程主导（D?rnh?fer和Oppelt，2016年），因此大气校正（AC）对于获取准确的表面反射率至关重要。在AC之后，从TOA信号中分离出水出射辐射度成分，并通过π进行归一化以得到遥感反射率（Rrs）：

(3) Rrsλ = ρλ′ × π

我们的综述强调了变异性（图9），其中大多数研究使用了Level-2A大气底层（BoA）产品（n = 14）；少数研究报告了Level-1C TOA（n = 1）或Level-3A SR（n = 4）。值得注意的是，有11项研究没有指定预处理级别，表明方法论透明度有限（图9a）。对于AC算法（图9b），Sen2Cor（n = 4）和ACOLITE（n = 2）报告得最频繁；个别提到了6S、FLAASH、iCOR、PCOART和QUAC（各1项）。然而，有14项研究没有指出使用的AC算法。这种缺乏细节的情况阻碍了不同站点和传感器之间的可重复性和可比性。

下载：下载高分辨率图像（323KB）
下载：下载全尺寸图像

图9. 基于RS的水质研究中报告的预处理级别（a）和AC算法（b）的分布

3.3.3. 遥感与实地数据的整合

卫星观测提供了广阔的空间覆盖范围和频繁的重访，而实地测量则提供了可靠检索所需的校准/验证。最近的研究将Sentinel-2（MSI）、Landsat-8/9（OLI/OLI-2）和PlanetScope（SuperDove）与多参数探针（例如YSI EXO2、Hydrolab HL7）和分光光度计结合使用，以测量叶绿素a（Chl-a）、浊度、溶解氧（DO）、pH值、电导率（EC）、硝酸盐（NO?）、总磷（TP）和总氮（TN）（Ahmed等人，2023年；Tufillaro等人，2024年；Yang和Jin，2023年）。波段选择涵盖了可见光至近红外（VIS–NIR）范围（例如S-2 B2–B8A、B11–B12），以匹配目标参数（例如S-2 B3–B5用于浊度/叶绿素a）。一些研究使用单参数回归（例如盐度、DO）与反射率进行关联；其他研究则整合了物理、化学和生物指标进行多参数检索（见表3）。

表3. 最近将实地水质测量与多光谱RS数据整合的研究总结

参数 设备/方法
卫星/传感器/波段 (Tufillaro等人，2024年) 浊度、叶绿素a、硝酸盐NO? + 二氧化氮
Gybe高光谱辐射计 S-2/MSI/B3-B5
Ansari和Akhoondzadeh（2020年） 盐度
Profile Cond 3310 L-8/OLI/B1-B8
Mishra等人（2024年） 叶绿素a、浊度
YSI Pro DSS、YSI EXO-2
S-2/MSI/B2-B8a Arumugam和Veeramani，2024年
温度、电导率、TDS、pH值、浊度、叶绿素a、BGA、DOM 多参数水质设备（探针） L-8/OLI/B1-B7、B11、B12
Ahmed等人（2023年） 温度、盐度、TDS、pH值、浊度、叶绿素a、BGA、DOM 多参数水质设备（探针） L-8/OLI/B1-B9
Jassam等人（2024年） pH值、温度、TDS、电导率、浊度、TSS、总硬度（TH）、钙（Ca）、镁（Mg）、氯离子（Cl?）、碱度（Alka）、硫酸盐（SO?2?）、磷酸盐（PO?3?）
pH计、温度计、TDS计、电导率计和紫外线分光光度计 L-8和L-9/OLI、OLI-2/B1-B8
Hossain等人（2021年） 浊度 Hydrolab HL7
Yang和Jin（2023年） 总氮（TN）、总磷（TP）
WTW photoLab 7100 可见光分光光度计 S-2和L-8/MSI、OLI/L-8：B1-B5；S-2：B1-B4、B8A
Vatitsi等人（2024年） 溶解氧（DO）、电导率（EC）
Aqua TROLL 500 SuperDove/Analytic Ortho Scene/B1-B8 Maroneze等人，2020年
叶绿素a Hach DR 2800分光光度计 S-2/MSI/B2-B5

标有*的设备在采样前已经过校准。

3.3.4. 水质参数的共现性

参数共现性树状图（图10）揭示了反映了监测优先级和固有光学特性（IOPs）的结构化簇。营养/有机簇（红色）聚合了总磷（TP，11项）、总氮（TN，9项）、化学需氧量（COD，8项）和氨氮（NH3–N，7项）；混合的有机物/物理化学簇（绿色）包括了浊度（13项）、叶绿素a（5项）、比尔胶体（BGA，2项）、溶解氧（DO，7项）、电导率（EC，8项）、TDS（7项）、温度（4项）和pH值（9项）；水化学指标（钙、镁、硫酸盐、氯、碱度、总硬度（TH）形成了特定背景的簇（橙色）。低频（<2）参数、金属（铅、锰、铁、铬、砷）、选择性离子（氟、硝酸盐NO?、磷酸盐PO?3?）和盐度则零星出现，通常与局部污染或地球化学条件有关。总体而言，RS研究优先考虑有机物指标（浊度、总悬浮固体（TSS）、叶绿素a、比尔胶体（BGA）以及标准的物理化学变量，而光谱不活跃但在化学上重要的有机物指标则代表性不足。

下载：下载高分辨率图像（414KB）
下载：下载全尺寸图像

图10. 基于RS的研究中水质参数共现性的树状图；较短的连接表示频繁共使用

3.3.5. 用于水质的光谱指数和波段比率

光谱指数或波段比率用于从特定卫星波段提取和转换反射率值，以量化水成分的光学响应。这一步是开发用于估计水质参数的经验模型、半经验模型和分析模型的基础。这种方法基于这样一个原则：有机物参数在可见光到近红外（NIR）范围内表现出独特的光谱特征。

光谱指数和波段比率（第2组）研究的汇编显示了从RS数据中检索水质参数的多种方法（表4）。常用的指数包括NDVI、NDWI、NDTI和NDCI，这些指数常用于估计叶绿素a浓度、检测藻类爆发和评估浊度（表S5）。然而，其中一些指数如NDWI和WI2015也用于绘制开放水域并将其与相邻陆地或植被区分开。利用短波红外（SWIR）和红边波段的波段比率表明，研究人员试图捕捉悬浊固体，利用对有机物和无机物都敏感的光谱区域。多种植被和叶绿素相关指数（例如CWI、BOI、WCI、EVI、Chl-a指数）以及简单的反射率比率（例如G/R、R/NIR、NIR/G）的存在表明，研究人员使用了经过定制指标的成熟算法来提高特定条件的检索准确性（Jiang等人，2024年；Li和Xia，2023年；Said和Khan，2021年）。这些指数对于大规模、频繁监测内陆水域特别有帮助，因为它们将多光谱数据集简化为单一的、可解释的指标，这些指标与现场测量结果高度相关。最近的研究已经展示了它们与统计和机器学习模型的整合，进一步提高了预测性能，并实现了近实时监测（Wai等人，2022年）。

表4. 使用遥感技术从河流中检索水质参数的光谱指数/波段组合/表达式

卫星平台/传感器 目标参数 参考文献
(B5 - B6)/B4, (B4/B2), (B2 - B3)/(B4 + B8A), B3/B2, B5/B2, (B5 + B3)/B2, (B5 + B3)/(B9 + B4), B8A/B2, B7/B4, B7/B2, NDVI, NDWI, NDTI, NDCI
Sentinel-2/MSI 浊度 Mishra等人，2024年
B1/(B1 - B4), B2/(B1 + B2 + B3), B2/(B1 + B3), (B2 - B3)/(B1 - B4), (B1 - B3)/(B1 - B4), (B3 - B4)/(B1 - B4), (B2 - B4)/(B2 - B3), B2
(B2 - B3)/B4, (B1 - B4)/(B2 - B4)
Gaofen-1 /宽视场（WFV）传感器和多光谱（PMS）传感器 总磷（TP）、氨氮（NH3-N） Lin等人，2024年
B1/B2, B10/B3, B6/B1, B4/B7, B3/B7, B7/B10
Landsat-8/OLI, OLI TDS、硫酸盐（SO4）、镁（Mg）、钙（Ca）、总硬度（TH）、碱度（ALK）和pH值 Al-Jassani等人，2022年
B12/B5, B5/B4, NDVI Sentinel-2/MSI
TN、总磷（TN） Tan等人，2023年
B2/B1, B3/B1, B3/B2, B1/B2, B2/B3, (B4-B3)/(B4+B3)
Gaofen-2/PMS 2SMC Guo等人，2022年
B3/B4 Sentinel-2/MSI
叶绿素a Maroneze等人，2020年
B3/B4, B5/B4 Sentinel-2/MSI
浊度、叶绿素a、硝酸盐NO?? + 二氧化氮（NO??） Tufillaro等人，2024年
Bmin/Bmax, Bmax/Bmin, (Bmax-Bmin)/(Bmax+Bmin), MNDWI Sentinel-2/MSI
K、硫酸盐（SO4） Kabolizadeh等人，2022年
G - R/R Landsat-5,7,8/ TM、ETM、OLI
浊度 Li和Xia，2023年
G/R、G/NIR IRS P6 Resourcesat-2/LIS
水质指数（WQI） Said和Khan，2021年
RVI、NVI、DVI、CWI、BOI、WCI、EVI、叶绿素a指数以及绿色和红色波段的组合用于NDI、DI、R
Sentinel-2/MSI 浊度、总磷（TN）
Jiang等人，2024年

3.4. 特征重要性

第1组（WQI）研究主要使用树集合（RF、LightGBM）通过杂质减少或信息增益来确定特征重要性（Ding等人，2023年；Zhang等人，2024年；Zhou等人，2023年）。一些研究报告了明确的特征重要性分数（FIS）（Sidek等人，2024年）或可解释的符号学习（表达树）来评估变量相关性（Said和Khan，2021年）。模型不可知的方法，特别是SHAP，也被用来提供全局和局部属性（Xu等人，2024年）。然而，不同研究中特征重要性的报告并不一致，限制了跨研究的可比性。

第2组（RS）研究使用了诸如Lasso系数大小（Yuan等人，2024年）和深度学习空间注意力权重（Moon等人，2024年）等代理指标。在缺乏明确重要性的情况下，相关性分析、方差分析（ANOVA）、方差膨胀因子（VIF）和趋势/频率分析等诊断工具仍然用于变量筛选（例如Arumugam和Veeramani，2024年；Gao等人，2023年）。未来的RS-ML工作应报告专门的重要性/可解释性分析，以提高可信度和可转移性。

3.5. 机器学习/深度学习模型中的样本数据分割比率

大约31%的研究中没有说明数据分割比率。在那些报告了分割比率的研究中，最常见的比率是80/20（25%）和70/30（23%），使用75/25（4%）的研究较少，还有70/15/15（6%）或更罕见的策略（90/10、64/36、55/45）以及K折交叉验证（CV）（约1%）。鉴于典型的河流水质数据挑战（异质性、类别不平衡、时间自相关性），分割选择对评估有重大影响。良好实践包括时间或空间分块的CV、用于超参数调整的嵌套CV，以及透明地报告分割逻辑和种子。

需要注意的是，在机器学习/深度学习中并没有普遍“正确或理想”的数据分割比率。最佳选择取决于数据集大小、模型复杂性以及所解决的具体问题（Azha等人，2023年）。水质数据集通常是异质的、不平衡的，并且存在时间相关性，这使得数据分割策略的选择尤为重要。良好实践包括尝试不同的比率并评估它们的性能，而不是依赖默认设置。此外，现有研究指出，在模型评估期间缺乏真正独立测试数据集的使用。这种不足可能会影响性能指标（包括估计结果）。因此，更加严格和透明地报告数据分割比率对于提高未来水质建模研究的稳健性和可比性至关重要。

下载：下载高分辨率图像（161KB）
下载：下载全尺寸图像

图11. 综述研究中不同数据分割策略的频率分布（n = 71）

3.6. 不确定性量化方法

**敏感性分析**
敏感性分析（SA）能够识别出对预测影响最大的输入参数，从而指导模型的简化、校准和风险归属（Banda和Kumarasamy，2024年）。局部敏感性分析（LSA）一次仅扰动一个参数，虽然简单但适用于线性系统；全局敏感性分析（GSA）则能评估整个输入范围内的方差贡献，更适合复杂模型（Saltelli等人，1999年）。少于9%的研究报告了任何敏感性分析方法。在第一组示例中，包括用于人工神经网络水质指数（ANN-WQI）的点态敏感性分析（南非）、相对相关性分析（阿尔巴尼亚）以及用于支持向量机水质指数（SVM-WQI）的StatSoft方法（伊朗）（Banda和Kumarasamy，2024年；Basha等人，2024年；Forough Kamyab-Talesh等人，2019年）。在第二组中，只有三篇论文报告了敏感性分析方法：使用L-8的Sobol’ GSA用于盐度分析（Ansari和Akhoondzadeh，2020年），用于城市河流的ReliefF-GSA（Jiang等人，2024年），以及使用深度学习空间注意力作为总悬浮固体（TSS）敏感性代理的方法（Moon等人，2024年）。其他研究则使用简单的相关性来评估水质/透明度的驱动因素（Tan等人，2023年；Yang和Jin，2023年）。

**4. 讨论**
**4.1. 对环境管理的实际意义**
本综述的发现对实际实施降雨水质（RWQ）监测和管理具有直接意义。首先，在水质指数构建过程中发现的方法学不一致性，特别是在参数选择和加权方面，表明水管理机构需要采用与世界卫生组织（WHO）或欧盟水框架指令阈值相一致的标准化、协调的指数框架（Ramya等人，2024年）。其次，Sentinel-2和Landsat数据在大规模上映射光学活性（OA）参数的能力为数据稀缺或地理上难以到达地区的监管监测提供了经济有效的解决方案（Mishra等人，2024年）。通过将卫星观测数据整合到运营监测框架中，可以增强环境危机期间的早期预警能力。第三，基于多参数现场数据集训练的机器学习/深度学习（ML/DL）模型，尤其是基于随机森林（RF）和长短期记忆网络（LSTM）的方法，已经足够成熟，可以集成到近实时的浊度、溶解氧、叶绿素-a和悬浮物质的早期预警系统中（Nikoo等人，2025年）。然而，其实际应用应通过定期报告不确定性来支持，以便做出基于风险的决策。关于未来研究和应用的模型选择标准和比较性能将在下一节中讨论。

图13总结了从数据收集和预处理到模型验证和不确定性评估的整个过程的关键步骤。这一综合框架可以指导未来基于遥感（RS）的研究，设计出健壮、透明且多源的降雨水质监测工作流程。

**4.2. 机器学习和深度学习的进展**
近年来，机器学习和深度学习在降雨水质预测中的应用迅速增加（Mozafari等人，2025年）。这些方法解决了水质参数之间的非线性关系，并在预测准确性上优于传统的统计回归方法。对基于RS的ML/DL研究的比较评估（补充表S4和S7）显示了文献中的一致模式。常用的ML算法，如随机森林（RF）、支持向量机（SVM）、梯度提升（GB）和人工神经网络（ANN），在多项研究中实现了高达0.9的决定系数（R2）和超过90%的分类准确率（Ramya等人，2024年）。模型的选择应基于监测目标、目标参数和数据可用性。对于浊度、叶绿素-a和悬浮物质等OA参数的检索，RF和梯度提升在监测良好的流域中是合适的选择，因为它们具有稳定的强性能（R2通常在0.80-0.94之间）（Jiang等人，2024年；Mishra等人，2024年），但它们的性能在其他水质指标参数（如NH3-N、COD、TP和TN）上较低（R2在0.35-0.68之间）（Huangfu等人，2020年；Yuan等人，2024年）。此外，SVM和线性回归仍然被使用，但在多参数检索方面表现不佳。深度学习方法，如RNN、LSTM和GRU，在第二组研究中进一步改善了时间和空间表示能力。在某些情况下，这些模型在月度或每日水质指数预测中优于ARIMA和其他统计基线方法（Niknam等人，2024年）。基于注意力的LSTM和CNN将这种能力扩展到时空数据集和高维卫星图像，实现了OA参数的近实时预测（Lv等人，2023年）。总体而言，综述的文献反映了向集成和混合RS-ML/DL框架的广泛转变，用于大规模、空间连续的降雨水质监测（Shadkani等人，2025年；Zheng等人，2025年）。尽管这些方法显著提高了预测性能和空间覆盖范围，但在不确定性量化以及可靠地检索水质指标参数方面仍存在挑战（Zhang等人，2026年）。

**4.3. 雨水水质管理的挑战**
尽管取得了快速进展，降雨水质管理中仍存在一些挑战。传统上，水质指数将多个物理化学和生物参数整合为一个综合得分（0–100），进一步分为不同的类别来表示整体水质（Mohammadpour等人，2024年）。方法学和结构上的不一致性，如采样设计、参数选择和子指数规则，限制了水质指数结果的跨区域可比性。采样频率的差异进一步放大了不确定性，因为低频采样可能掩盖短期波动，而高频监测可能过度强调瞬态峰值（见补充材料表S4）。此外，综述文献中普遍采用月度和特定地点的采样方法，这反映了结构限制和方法学偏好，主要由后勤和财务限制驱动。再加上缺乏标准化开放数据集、研究机构和部门之间的有限协调、高频传感器网络的投资和时间限制以及开放数据基础设施的不足，最终限制了降雨水质预测的范围，使其局限于特定地点和低时间分辨率的框架（Pak等人，2021年；Riazi等人，2025年）。许多ML/DL研究忽略了高级优化（例如超参数调整、特征重要性分析）或不确定性量化，从而降低了可解释性和可重复性（图14）。在基于RS的研究中，光谱指数依赖性、传感器饱和度和波段敏感性差异影响了水质检索。过度依赖单一指数可能会简化参数估计，特别是对于水质指标变量。由于出射辐射（AC）仅占总辐射（TOA）的不到10%，不适当的AC会导致较大的检索误差（Sagan等人，2020年）（图14）。因此，建议使用HydroLight、MODTRAN（中等分辨率大气传输模型）、LibRadtran和WASI（水色模拟器）等工具，并结合专门的AC算法（如ACOLITE、POLYMER、Sen2Cor）以提高准确性（Diganta等人，2024年）。然而，最广泛使用的AC算法（如6S、FLAASH、QUAC）是为陆地水体设计的，假设NIR像素为暗像素，这一假设在浑浊的内陆水域中并不成立。这些方法的误用会导致气溶胶的高估和偏倚的光谱反射率（SR）。因此，开发标准化的、适用于内陆水体的AC方法对于可靠的基于RS的降雨水质监测至关重要（Chen等人，2022年）。

**4.4. 本研究的局限性**
尽管本综述较为全面，但仍存在一些局限性。首先，它仅包括英文同行评审的文献，可能排除了相关的区域性或非英文研究。其次，其跨领域的范围涵盖了水质指数（WQI）、遥感（RS）和机器学习/深度学习（ML/DL），因此在任何单一领域都体现了广度而非深度。第三，由于明确讨论这一方面的研究数量较少，不确定性分析的覆盖范围受到限制。第四，研究设置、方法和报告指标的异质性使得直接定量综合变得复杂。最后，研究在地理上不平衡，83%的研究来自亚洲，其他地区的代表性有限。

尽管如此，这一综述为理解当前进展、识别方法学差距以及指导未来跨学科的降雨水质建模工作提供了有价值的框架。

**4.5. 未来方向**
未来的研究应在现有进展的基础上，解决参数覆盖范围、方法学一致性和跨领域集成方面的持续差距。鼓励研究人员和实践者在规划降雨水质监测研究时使用图13和图14作为路线图和结构化检查清单。这些图表综合了本综述中考察的三种方法学工作流中的主要不确定性和偏差来源，并被提议作为指导未来研究设计的诊断框架。这将有助于确保在工作的每个阶段明确承认不确定性，并在可能的情况下对其进行量化，而不是将其视为最终输出的汇总误差。展望未来，降雨水质建模有三个发展方向：结合水动力或过程基础模型输出的RS–ML/DL融合，以提高数据稀缺阶段的预测能力；开发基于现场传感器和卫星数据之间持续反馈的自适应加权动态水质指数框架；以及将社会经济数据集与环境指标结合，以评估脆弱性，特别是在城市地区。这些方向对应于四个主题路径和研究优先事项：

- **标准化、基准测试和混合框架**：为采样设计、模型选择、性能指标和不确定性报告制定标准化协议，以提高可比性和可重复性。创建开放获取的基准测试数据集，用于降雨水质–ML/DL模型，包括一致的评估指标（R2、RMSE、偏差、不确定性）。将WQI的可解释性与ML/DL黑盒算法的预测能力相结合的混合框架，通过可解释人工智能（XAI）进一步增强信任度、透明度和决策支持（Banda和Kumarasamy，2024年）。
- **全面的不确定性量化**：系统地量化四类不确定性：（i）测量（实验误差、精度、准确性），（ii）采样（时空变异性），（iii）模型预测（从输入到输出的传播），以及（iv）模型选择（功能形式或算法选择）。将这些嵌入开发流程中将提高稳健性和政策相关性。
- **光谱库和高光谱卫星**：标准化的光谱库用于水体成分，结合即将推出 的高光谱任务，将提高参数检索能力。整合全球数据库（如GLORIA、GLORICH、GEMStat、GRQA）与光谱档案将有助于从本地到全球的降雨水质监测的校准、验证和可扩展性（Virro等人，2021年）。
- **集成和迁移学习**：集成方法在稳健性和泛化能力上优于单一模型，而迁移学习允许知识在地区、季节和传感器之间转移。将这些技术与多区域验证相结合将促进全球可移植的降雨水质预测框架的发展。这种集成对于构建科学合理、可扩展且与政策相关的降雨水质预测系统至关重要。

**5. 结论**
本系统综述综合了71项关于降雨水质预测的同行评审研究（2018-2024年），包括传统的水质指数（第一组）和基于RS的（第二组）方法，使用ML/DL技术。研究产出快速增长，其中83%的研究来自亚洲，非洲、欧洲、北美和南美的代表性较低（分别约为4%）。方法学上，降雨水质建模主要由数据驱动的方法（31.6%）和机器学习（28.9%）主导，其次是神经网络/DL（25%）。
第一组研究主要基于现场数据，采用月度采样，在参数选择、权重分配和聚合方面存在较大差异。加权水质指数使用的参数数量大约多38%（约11个对比8个），但在方法学上仍然分散。第二组研究主要依赖Sentinel-2和Landsat-8/9，尽管许多研究省略了预处理和AC的关键细节，引入了系统性的检索不确定性。
在两组研究中，特征重要性和敏感性分析的应用不一致，不确定性指标很少报告，大多数评估仅依赖于R2、RMSE和MAE。这些空缺指出了需要标准化采样、透明的RS预处理、WQI中的明确变量选择以及包含敏感性和不确定性指标的必要性。总之，虽然在整合先进技术（WQI、RS、ML/DL）进行降雨水质预测方面取得了显著进展，但仍存在持续挑战，特别是方法学一致性差、缺乏标准化、可转移性有限以及不确定性量化不足。未来的研究应优先考虑跨卫星平台的可迁移RS检索算法、WQI参数权重的数据驱动优化，以及在混合ML/DL框架中整合卫星和现场观测数据，以实现OA、水质指标和相关细菌学参数的时空预测。此外，未来的研究还应优先考虑端到端的不确定性传播分析，跟踪从采集、预处理、建模到输出各阶段所做的决策的累计影响，而不仅仅是报告最终预测时的不确定性。本研究的局限性在于它仅关注河流系统，这可能限制了对其它水体的推广。此外，数据集、模型和评估指标的异质性限制了研究之间的直接比较。要弥合这些差距，需要跨学科合作，包括政策利益相关者的参与，将分析进展转化为可操作的水资源管理措施。

**数据可用性**
数据可根据请求提供。

**CRediT作者贡献声明**
Gomal Amin：撰写 – 原始草稿、可视化、方法学、正式分析、数据整理、概念化。
Olivier Pourret：撰写 – 审稿与编辑、验证、监督、方法学、概念化。
Victor Dupin：撰写 – 审稿与编辑、验证。
Sabrina Guérin-Rechdaoui：撰写 – 审稿与编辑、验证。
Arnaud Dujan：撰写 – 审稿与编辑、验证、项目管理、资金获取。