机器学习驱动的高浑浊度黄河下游悬浮泥沙浓度反演：一种新型红边与窄近红外波段协同方法

《International Journal of Sediment Research》：Machine learning-driven SSC retrieval in the high-turbidity lower Yellow River leveraging a novel red-edge and narrow NIR band synergy

　　

中国黄河下游（lower Yellow River, LYR）悬浮泥沙浓度（suspended sediment concentration, SSC）的时空动态，对于理解河道演变及优化水库调度至关重要，但目前仍缺乏高分辨率定量刻画。本研究结合Sentinel-2影像与7个水文站逐日SSC数据，构建了一个融合机器学习特征筛选与经验回归的反演模型。所提出的归一化差异指数(B8A – B7)/(B8A + B7)取得了较高的反演精度（R² = 0.82），并被用于重建2019–2024年SSC变化过程。该时期内，逐日SSC约介于0至30 kg/m³之间，逐日流量约在100至5200 m³/s之间，代表了高浑浊、受径流调控河流的典型条件。结果表明，该河段存在显著的时空格局：高浓度事件主要发生于夏季，并与汛期及水库下泄过程同步；同时，在洛口站下游约20–30 km处存在清晰的冲刷—淤积转折带。洛口站为黄河下游河道中的代表性水文站。该空间格局说明现行调控策略在维持全河段持续冲刷方面效果有限。本研究为高调控河流泥沙输运监测提供了新的技术框架，并强调有必要采用自适应管理策略以缓解非连续性的冲刷与淤积问题。

该文发表于《International Journal of Sediment Research》，聚焦黄河下游高浑浊水体悬浮泥沙浓度（SSC）高分辨率遥感反演与长时序监测问题。研究背景在于，SSC直接控制河流地貌演化、泥沙输运、水库调度及洪水风险评估。黄河下游历史上输沙量巨大，虽经小浪底水库主导的水沙调控（water–sediment regulation scheme, WSRS）后总体由淤积转向冲刷，但已有研究表明，被冲起的泥沙并未全部输送入海，部分仍在下游再沉积，可能加剧河床抬升和防洪压力。传统基于少量水文站的监测方法存在空间代表性弱、时间连续性不足和运行成本高等局限，难以满足精细化河道治理需求。尽管卫星遥感为SSC区域化监测提供了可能，但在黄河下游这类窄深受限、高浑浊且受强烈人工调控的河道中，仍面临可见光波段饱和、混合像元干扰严重、波段选择主观性强等问题，因此亟须发展兼具物理可解释性与应用稳定性的高精度反演框架。

研究人员以黄河下游为研究对象，利用Sentinel-2多光谱仪（Multi Spectral Instrument, MSI）数据和7个水文站逐日SSC资料，构建了一个“机器学习辅助波段筛选+经验模型拟合”的SSC反演体系。研究表明，基于红边波段B7与窄近红外波段B8A构建的归一化指数(B8A?B7)/(B8A+B7)是最优特征，建立的指数型经验模型具有较高精度，R²达0.82，优于文中比较的既有模型。基于该模型重建的2019–2024年黄河下游SSC时空分布揭示：夏季高SSC事件最为突出，显著受汛期过程和WSRS运行影响；空间上，自小浪底至洛口总体以冲刷占优，而洛口下游约20–30 km出现由输沙向淤积转化的关键带，说明现行调度尚不足以维持全河段连续冲刷。其重要意义在于，研究不仅提出了适用于高浑浊受控河流的SSC遥感监测新方法，也为优化水库运用和泥沙管理提供了直接证据。

方法概括：研究人员基于GEE获取2019–2024年Sentinel-2 L2A影像，以2019–2020年7个水文站312组卫星—实测匹配样本建模；经SGI去除太阳耀斑、AWEIsh提取水体、统一重采样后，采用随机森林（random forest）结合递归特征消除（RFE）与五折交叉验证筛选最优波段组合，再分别对原始SSC与log₁₀(SSC)开展经验回归建模。

3.1. 反演模型性能与验证
研究人员首先验证了模型构建效果。基于机器学习筛选结果，最终保留的唯一变量是(B8A?B7)/(B8A+B7)。用该指数建立的指数回归模型与实测SSC具有较强相关性，R²为0.82。按70%训练、30%验证方式检验后，大多数样本点接近1:1线，说明模型在较宽浓度范围内保持了较稳定的预测能力。进一步在7个水文站开展逐时序对比，反演值与站点观测总体变化趋势、峰谷过程均较一致，表明模型不仅统计精度较高，而且具备较好的时序适用性。与文中列举的既有经验模型相比，该方法在黄河下游表现更优，说明Sentinel-2红边—窄近红外组合对于高浑浊河流SSC反演具有明显优势。

3.2. SSC的时空变化
在模型推广应用阶段，研究人员利用2019–2024年多时相Sentinel-2影像重建了黄河下游主河槽连续SSC记录。时间上，SSC季节变化显著，夏季平均值最高，春季、秋季次之，冬季最低，显示高含沙过程主要集中于汛期。文中指出，7—8月高SSC与小浪底水库WSRS运行密切相关：非调水调沙期，下泄清水主要满足供水和生态需水，河道SSC维持低背景值；而WSRS实施时，人工洪峰冲刷河床并伴随库区输沙，使下游SSC明显抬升。空间上，自小浪底至利津的786 km河段SSC沿程呈非单调变化。栖霞院至花园口河段SSC明显下降，花园口以下又逐步升高，并在夹河滩附近达到高值；夹河滩至洛口维持较高输沙水平，而洛口以下至利津则显著下降，提示末段存在净淤积。研究人员进一步使用Pettitt突变检验，对花园口—利津区间5 km分段均值SSC进行分析，在3个代表性时期均识别出高度显著的变点，位置稳定落在洛口下游约4–6个分段，即20–30 km处。该结果定量证明了洛口下游为输沙机制发生转折的关键区段。文中结合补充分析指出，这一转变可能与下游比降逐渐减小、流速减弱有关，从而促进泥沙沉降。

3.3. WSRS期间黄河下游SSC动态变化
为细化调控事件响应，研究人员选取2019年WSRS期间多期影像，分析SSC演变过程。WSRS开始前，全河段SSC普遍偏低，说明在低基流与少量出库泥沙条件下，河床再悬浮作用有限。6月21日进入调水阶段后，持续清水下泄形成人工洪峰，增强了床面切应力，引发明显河床冲刷；虽然此时尚未进入主动排沙阶段，但冲刷已成为主要泥沙来源。至6月24日，洛口以上SSC明显升高，而洛口以下仍相对较低，反映出洪峰传播存在约3天时间滞后。随着高流量持续维持，初始洪波继续下传，全下游河段逐渐转为高浑浊流态；在此过程中，洛口下游20–30 km处出现局地低SSC带，再次表明该区段存在明显沉积。进入调沙阶段后，小浪底开始释放高含沙水体，下游SSC迅速跃升，整个高村—利津河段平均SSC显著增大，但沿程仍表现为从上游向末段下降的梯度，尤其洛口—利津段低于其上游各段，说明即便在高输沙背景下，下游末段依然以净淤积为主。WSRS结束后，水库恢复低强度清水下泄，大部分河段SSC迅速回落至调控前水平，但孙口以下局部河段仍保持偏高值，体现出末次输沙脉冲下传的滞后效应。该部分结果表明，调水阶段以河床冲刷动员为主，调沙阶段虽显著增强输沙，但下游末段并未维持连续冲刷，而是发生再沉积。

讨论总结
论文讨论部分首先强调了红边—窄近红外协同的优势。既往黄河流域SSC模型往往依赖特定区域经验，跨区域移植能力弱，且高SSC条件下可见光易饱和，反射峰向长波方向“红移”，使近红外区域更具敏感性。Sentinel-2的B7红边波段和B8A窄近红外波段恰好能够在高浑浊条件下分别表征背景水体光学性质变化与颗粒后向散射响应，其差分归一化形式(B8A?B7)/(B8A+B7)既增强了矿物悬浮颗粒信号，又减弱了有机质、背景水体及部分外界干扰的影响，因此在物理可解释性、数值稳定性及经验精度上均优于传统单波段或宽近红外组合。
随后，研究人员系统分析了不确定性来源，主要包括：Sen2Cor大气校正参数化误差；卫星瞬时近表层观测与逐日、断面平均SSC之间的不完全匹配；窄河道邻近效应造成的岸边像元污染；以及当前样本SSC范围主要低于30 kg/m³所带来的外推限制。针对这些问题，文中提出未来可尝试采用更适用于高浑浊内陆水体的大气校正算法，结合沿河连续性筛查异常配对样本，并继续扩展更高SSC样本范围，以提高模型稳健性。

结论部分翻译
本研究通过机器学习框架，将实测水文资料与Sentinel-2影像相结合，建立了适用于高浑浊黄河下游的悬浮泥沙浓度经验遥感反演模型。利用随机森林进行特征选择后，优化模型取得了稳健表现，R²为0.82，平均绝对百分比误差（mean absolute percentage error, MAPE）为39.58%，均方根误差（root mean square error, RMSE）为1614.08 mg/L。应用于2019–2024年影像后，结果揭示出明显的时空泥沙动态：空间上，小浪底至洛口河段以显著冲刷为主，洛口下游20–30 km处存在清晰的转折带，标志着河道由冲刷转为淤积；时间上，高SSC事件主要发生于夏季，并与汛期及WSRS运行密切相关。这些发现不仅为利用Sentinel-2数据监测高浑浊河流泥沙输运提供了有效框架，也为优化水库调度及推进强人工调控河流系统的可持续泥沙管理提供了关键科学依据。