《Remote Sensing》：Mapping Potential Groundwater Discharge Indicators in Urban Rivers: A Thermal Remote Sensing and Machine-Learning Approach for Tangshan City
编辑推荐：
地下水通过可渗透河床的排泄维持着河流基流和水生生态系统，但其在城市流域中的空间分布仍鲜有定量研究。为应对这一问题，研究人员建立了一个概念框架，集成Landsat 8/9热红外遥感与机器学习，以筛选和绘制中国唐山市中与潜在地下水影响一致的河流热异常河段。从热红外
地下水通过可渗透河床的排泄维持着河流基流和水生生态系统，但其在城市流域中的空间分布仍鲜有定量研究。为应对这一问题，研究人员建立了一个概念框架，集成Landsat 8/9热红外遥感与机器学习，以筛选和绘制中国唐山市中与潜在地下水影响一致的河流热异常河段。从热红外图像中提取并采样了季节性Landsat地表温度（LST），并使用温度差值ΔT（夏季-冬季）作为筛选指标，标记季节性热振幅降低的位置，这种模式通常与地下水缓冲作用相关。随机森林（Random Forest）和XGBoost模型被用于评估内部一致性并探索筛选位置的环境控制因素。研究人员的分析基于降低的季节性热变异性，筛选出32个热异常河流位置（占位点的5.25%）作为潜在地下水影响指标。这些潜在位置在夏季较冷，且季节性温度变化较小，与热缓冲效应一致。该研究提供了一个可转移的框架，利用可获取的遥感与机器学习工具进行流域尺度的热异常河段制图，并为城市流域筛选与监测优先排序提供了可转移的基线。
**论文解读：基于热红外遥感与机器学习的城市河流潜在地下水排泄指标制图**
**研究背景与问题**
地下水与地表水（GW-SW）的交互作用对维持河流基流和水生生态系统至关重要，尤其在干旱期，地下水排泄可补充河流流量并调节水温，为温度敏感物种提供适宜栖息地。然而，在城市流域中，由于传统野外方法（如渗流仪、温度剖面仪和地球化学示踪剂）的空间局限性和高成本，地下水排泄的空间分布仍难以量化。近年来，热红外遥感（Thermal Infrared Remote Sensing）提供了创新手段：地下水全年温度相对稳定，导致河流在夏季出现低温、冬季出现高温的热异常模式，但人工解译大范围热图像效率低下。机器学习（Machine Learning, ML）方法，尤其是集成算法如随机森林（Random Forest, RF），能够从多光谱数据中发现复杂模式，自动化检测热异常。唐山市（Tangshan City）作为华北半干旱区的工业与农业中心，面临地下水过度开采、水位下降和气候变化加剧的水资源压力，亟需一种可重复、可转移的流域尺度筛查方法。现有研究多聚焦局部河段或依赖密集野外数据，缺乏基于开放卫星热红外存档的透明、可重复筛查流程。本研究旨在填补这一空白，开发基于季节性温差指标（ΔT）的物理可解释筛查框架，并结合机器学习一致性分析和空间聚类，为监测和管理提供优先区域。
**主要技术方法**
该研究采用以下关键技术方法：
1. **热红外遥感数据**：获取2021-2022年Landsat 8/9 Collection 2 Level-2地表温度（Land Surface Temperature, LST）产品（空间分辨率30 m），共47景低云量影像，并基于质量波段（QA_PIXEL）掩膜云、云阴影和卷云像素。
2. **季节性温差指标（ΔT）**：计算每个河流采样点的夏季（6-8月）和冬季（12-2月）LST中位数之差（ΔT = 夏季LST ? 冬季LST），以ΔT < 26 °C作为经验阈值筛选热异常位置（潜在地下水影响指标）。
3. **机器学习一致性评估**：使用随机森林（RF）和XGBoost模型，以非热环境变量（土地利用/覆盖、地质、高程、坡度、年均降水）为预测变量，评估是否能重现基于ΔT阈值的二元分类（gw_class = 1为异常，0为参考），并计算召回率、精确率、F1分数和ROC-AUC。
4. **空间聚类分析**：采用基于密度的噪声应用空间聚类（DBSCAN），设置搜索半径（eps）为5 km、最小聚类点数（MinPts）为3，识别热异常位置的空间集聚区域。
5. **数据源**：河流网络来自HydroRIVERS全球数据库（609个河段），辅助数据包括SRTM数字高程模型（DEM）、2022年土地利用/覆盖、区域地质图、年均降水栅格，以及唐山市水利局提供的74个地下水监测井位置（仅作为上下文参考，非直接验证）。
**研究结果**
**3.1 热异常检测与机器学习一致性**：基于ΔT < 26 °C的经验阈值，从609个河流采样点中筛选出32个热异常位置（5.25%）。敏感性分析显示，阈值从24 °C到28 °C变化时，异常点数量从8增至122，所选阈值提供相对保守的筛查标准。随机森林和XGBoost模型在使用非热环境变量（不包括ΔT、夏季LST、冬季LST以避免数据泄露）的情况下，高度重现了阈值分类：XGBoost的平均召回率为0.916（±0.085），平均精确率为0.935（±0.082），10折交叉验证平均召回率为0.950（±0.100）。该一致性表明筛查标签具有内部可再现性，但并非独立验证。
**3.2 热信号特征**：与参考位置相比，异常位置的夏季LST平均低5.99 °C（p < 0.001），季节性温差（ΔT）平均小5.69 °C（p < 0.001），而冬季LST无显著差异。这符合地下水热缓冲效应：夏季降温、全年温差缩小。
**3.3 空间分布与聚类分析**：32个异常位置呈局部聚集，DBSCAN（eps=5 km, MinPts=3）识别出4个主要聚类（A-D），且模型置信度在聚类内部较高，尤其A和C聚类。聚类结构在eps=4 km和6 km参数下保持稳定，表明结果稳健，这些聚类可优先用于野外验证。
**3.4 地质与地形控制**：异常率在不同地质单元中差异显著：砂质沉积物（Unit 6）为10.0%，粘质砂土（Unit 5）为8.5%，填海区（Unit 0）为9.7%，水库边缘单元（Unit 9）的100%因仅含2个采样点需谨慎解释。地形上，异常位置平均高程低11.0 m（p = 0.048），坡度更缓（p = 0.032），符合低洼、缓坡区域利于地下水排泄的预期。
**3.5 特征重要性分析**：随机森林模型显示，土地利用/覆盖（Land Use/Land Cover, LULC）对异常分类贡献最大，其次为地质、高程、坡度和降水。该关联支持筛选结果的非随机分布，并提示这些环境变量可能控制热异常的空间格局。
**3.6 数据质量说明**：原始DEM中存在82个错误值（占13.2%），已通过基于有效DEM信息的类无关校正程序替换，确保地形分析的可靠性。
**讨论与结论总结**
**讨论部分**：
ΔT阈值方法（ΔT < 26 °C）筛选出的异常点比例（5.25%）与地下水-地表水交换的空间异质性一致，但需野外验证确认实际排泄。机器学习一致性分析表明，筛查异常与非热环境变量存在系统关联，而非随机分布，增强了结果的水文地质合理性。异常位置的低海拔、缓坡及与渗透性沉积物/人工改造区的关联，进一步吻合地下水排泄的理论模型。该方法的优势在于使用开放卫星数据和简单运算，辅以ML提高分析深度，但仍需注意Landsat 30 m分辨率下窄河道像素混合问题（LST可能包含河岸、植被、不透水面等混合信号）。未来工作应结合长期Landsat存档进行年际分析，并开展野外测量（如渗流仪、温度记录仪、水力梯度观测、水化学/同位素示踪）以确认排泄并量化通量。
**结论翻译**：
本研究开发并评估了一个集成的、物理可解释的框架，用于利用自由获取的Landsat热红外图像和机器学习在流域尺度上筛选潜在的地下水-地表水相互作用指标。该方法依赖于一个简单的热指标：季节性地表温度差值（ΔT = 夏季LST ? 冬季LST）。对唐山市609个河流点应用ΔT < 26 °C的阈值，得到32个热异常河流位置作为潜在地下水影响位点，占所研究河流网络的5.25%。通过机器学习分类器（XGBoost和随机森林）检验了该热阈值技术的内部一致性，这些分类器以高度一致性重现了原始筛选分类。由于机器学习标签源自ΔT阈值，这种一致性不应被解释为独立验证。相反，它表明降低的季节性温度信号是潜在地下水对地表热模式影响的、水文地质上合理的指标。筛选位置表现出独特的热信号：夏季比参考位置低5.99 °C，季节性温度变化小5.69 °C。空间和环境分析揭示了筛选异常与局部物理条件之间的关联：异常点海拔显著较低（?11.0 m），且在不同地质单元中分布不均。四个空间簇的形成表明存在集中的热异常区域，这对于有针对性的野外验证、监测网络设计和保护规划可能具有价值。当前研究为环境管理者和水文学家提供了一种可转移且易获取的筛选方法。所得到的32个热异常位置图为唐山市优先考虑潜在地下水影响河段进行未来野外调查提供了实用工具。然而，由于没有原位验证数据，这些位置应被视为优先验证点而非确认的地下水排泄区。未来工作应将基于Landsat的热筛选与野外测量（如温度记录仪、渗流仪、水力梯度观测以及水化学或同位素示踪剂）相结合，以确认地下水排泄并量化交换通量。该论文发表在《Remote Sensing》。
