基于机器学习的高原湖泊水质参数反演与营养状态评估:以中国滇池为例
《Remote Sensing Applications: Society and Environment》:Machine Learning-Based Inversion of Water Quality Parameters and Trophic State Evaluation in Plateau Lakes: Case Study of Lake Dianchi (China)
【字体:
大
中
小
】
时间:2026年07月23日
来源:Remote Sensing Applications: Society and Environment 3.8
编辑推荐:
摘要:湖泊水质对人类福祉和可持续发展至关重要。然而,中国西南地区最大的高原湖泊——滇池,在近几十年来面临着严重的富营养化问题,威胁着该地区的水资源可持续性。因此,进行准确且高精度的水质监测对于其生态修复极为重要。鉴于现场数据量较少(N=30),本研究采用了三种机器学习模型——XG
摘要:湖泊水质对人类福祉和可持续发展至关重要。然而,中国西南地区最大的高原湖泊——滇池,在近几十年来面临着严重的富营养化问题,威胁着该地区的水资源可持续性。因此,进行准确且高精度的水质监测对于其生态修复极为重要。鉴于现场数据量较少(N=30),本研究采用了三种机器学习模型——XGBoost、RF-AdaBoost和PSO-BP——来构建典型高原湖泊的水质参数反演模型,并对其性能进行了系统评估。利用2013年4月至2023年4月的Landsat 8光学成像仪数据,我们反演出了叶绿素a、总磷和总氮的时空分布情况,并通过营养级指数对富营养化动态进行了分析。研究结果表明,在样本量有限的条件下,XGBoost展现出更强的稳定性,在叶绿素a、总磷和总氮的验证精度方面均优于其他模型。通过留一法交叉验证,该模型的R2值分别为0.683、0.441和0.451,RMSE值分别为0.023毫克/升、0.023毫克/升和0.405毫克/升,MAPE值分别为78.00%、22.33%和16.92%,这充分证明了其在严格的小样本约束下的强大泛化能力。从空间分布来看,水质呈现明显的南北差异,北部城市周边区域的营养级指数更高。从时间变化来看,滇池的富营养化程度从2013年的严重状况逐渐转为2023年的轻度富营养化。总体而言,这些研究结果证实XGBoost模型适用于小样本水质反演工作,且具有较好的扩展性。本研究强调了XGBoost在数据严重不足条件下的实用性和可迁移性。所提出的方法为那些现场数据匮乏且缺乏相应物候基准的高原湖泊的遥感水质监测和营养状态诊断提供了有价值的方法论框架与技术路径。
引言:水是人类生存与发展的重要战略资源,在维持生态系统平衡和推动社会可持续进步方面发挥着不可替代的作用(Cao等人,2023)。然而,近年来全球人口持续增长、气候变化加剧以及工业化与城市化进程加快,使得水污染问题愈发复杂多样,进一步加剧了全球水资源供需失衡的状况(Yannopoulos等人,2019)。根据联合国2023年世界水发展报告,目前全球约有20亿至30亿人面临不同程度的水资源短缺问题,其中发展中国家和新兴经济体面临的挑战尤为严峻(Wang等人,2023)。在此背景下,建立智能、高精度的水质监测与预警系统不仅是实现水资源可持续利用的技术前提,也是推动全球可持续发展目标达成的关键保障。因此,开发高效准确的监测技术并构建健全的水资源管理框架,已成为追踪水环境时空变化趋势、支持相关研究的紧迫科学任务。
水质监测技术大致可分为两类:传统的现场检测方法和基于遥感的技术(Chebud等人,2012;Wang等人,2020)。传统方法依靠现场采样结合实验室化学分析来确定水质参数(Olmanson等人,2013)。尽管这类方法测量精度较高,但存在采样周期长、人力物力成本高以及空间覆盖范围有限等固有缺陷(Duan等人,2012)。在面积较大的水域中,这些缺点更为突出,因为代表性采样、采样时机以及操作人员差异往往会影响对实际污染状况的全面准确描述(Mirzaei和Sakizadeh,2016)。随着遥感技术的快速发展,人们开始利用其广阔的覆盖范围、高效率以及近乎实时的动态监测能力来开展水质监测工作(Kallio等人,2001;Malahlela,2019;Yang等人,2022)。这类方法的核心原理在于水体的光学特性与水质参数之间存在关联。传统上,基于卫星反射率矩阵,通过分析型、经验型或半经验型模型来绘制目标参数的时空分布图,从而实现水质反演(Adjovu等人,2023;Caballero等人,2022;Kun等人,2010;Sivakumar等人,2022;Tian等人,2024)。近年来,随着计算技术和人工智能的快速发展,支持向量机、随机森林、反向传播神经网络以及极端梯度提升算法等机器学习算法成为了极具潜力的替代方案(Wang和Qin,2023)。与传统经验模型相比,这些机器学习架构更能处理水生遥感数据中存在的强非线性、高维特征,从而显著提高模型的反演精度和泛化能力(He等人,2021;Singh等人,2011;Xu等人,2021;Zhang等人,2024)。尤其是深度学习的引入,为在光学特性复杂的 waters环境中反演水质参数开辟了新的技术途径(Niu等人,2021)。
在水环境监测与评估中,叶绿素a浓度作为浮游植物生物量及营养状态的关键指标,与总磷、总氮一起构成了评估水生生态系统健康状况的核心参数组(Liang等人,2020)。磷和氮作为限制初级生产力的关键营养物质,直接影响水生生物地球化学过程中的物质循环和能量传递效率(Elser等人,2007)。因此,高精度地反演叶绿素a、总磷、总氮及相关参数的时空分布,以评估水质状况,已成为水生环境遥感研究的重要课题。在方法创新方面,多源数据融合和集成学习已被证明可以有效提升反演精度。Peng等人(2024)在鄱阳湖流域开展了研究,成功实现了叶绿素a、总磷、总氮以及化学需氧量的高精度反演,证明了多源信息协同建模的可行性。为进一步提升模型性能,人们越来越多地采用智能优化算法来进行超参数调优。Chen等人(2021)运用遗传算法优化XGBoost模型,显著提高了水质参数的反演精度。同样,改进型的AdaBoost集成框架(Yousefi等人,2024;Yu等人,2025)以及经过粒子群优化处理的神经网络模型(Chai等人,2023;Yu YingJie等人,2011)在多种水生环境案例研究中也展现出了优于传统方法的预测性能。将智能优化算法与机器学习模型相结合,为提升自动化水环境监测水平提供了良好的技术路径。不过,尽管现有的集成算法和优化框架在数据相对丰富的情况下表现良好,但在数据严重不足的情况下实现关键水质参数的精准反演仍然是一个尚未解决的难题。如何从有限的训练数据中有效提取高保真度的光谱特征,以及确定最优的算法框架,是目前制约局部监测工作规模化发展的主要方法学障碍。
尽管已有学者为滇池建立了众多稳健且高精度的遥感反演模型,用于监测关键水质参数,但这些传统模型大多依赖于数据较为丰富的条件。在数据极度匮乏的背景下,如何开发并应用稳定的算法模型,至今仍是一个亟待解决的难题。为弥补这一不足,本研究首次利用规模有限的同步数据集(N=30),系统评估并确定了在如此复杂的高原湖泊系统中,面对严格的小样本约束时最适合用于水质参数反演的机器学习架构。为应对这些挑战,本研究的主要目标有三:第一,评估并比较三种不同机器学习方法(XGBoost、RF-AdaBoost和PSO-BP)在小样本约束条件下的反演精度与计算稳定性;第二,绘制并重建2013年至2023年间滇池叶绿素a、总磷和总氮的高分辨率时空变化曲线;第三,运用综合的营养级指数框架,定量评估多年的富营养化状况及结构变化。最终,本研究为数据匮乏的高原生态系统的水环境监测提供了科学严谨且具有可推广性的方法论。
研究区域概况:滇池位于中国西南地区,是该地区面积最大的湖泊,其流域面积约为2,920平方公里。滇池平均水深约5米,最大水深接近8米。值得注意的是,北部的草海子流域水深要浅得多,通常不到1.5米。滇池南北长度约为40公里,东西宽度最大可达12.5公里。滇池地处亚热带高原季风气候区。
研究方法:如引言所述,本研究旨在为小样本条件下的高原湖泊水质反演与评估构建一套方法框架。需要指出的是,在小样本约束条件下,传统的经验模型和机器学习模型都存在普遍的局限性,即适用范围有限。不过,这两种类型的模型之间存在本质差异:传统模型依赖预设的功能形式,难以捕捉复杂的光谱特征组合。为选择最适合水质反演模型的输入变量,我们从遥感影像中提取了原始波段反射率,根据目标参数的光谱响应特性,构建了一个初始候选集合。该集合包括单波段、双波段叠加、减法运算、波段比值以及和差比值等形式,目的是增强特征光谱区域内的吸收和散射信号,同时降低环境噪声的影响。
滇池水质变化的驱动因素:2013年至2023年间,滇池春季水质呈波动态势,但整体上有所改善。通过反演得到的叶绿素a、总磷、总氮以及营养级指数数据表明,五次4月份的监测结果并非持续向好,2015年和2020年水质出现恶化,而2023年则出现了明显改善。这一趋势与长期监测研究结果一致,即在持续的努力下,滇池的水质正在逐步恢复。
结论:本研究以典型的高原湖泊滇池为研究对象,针对现场水质数据匮乏(N=30)这一问题,系统评估了三种机器学习架构(XGBoost、RF-AdaBoost和PSO-BP)在基于遥感技术进行水质参数反演中的应用效果。此外,还运用营养级指数对滇池的富营养化动态进行了定量分析。研究结果表明,在严格的小样本约束条件下,集成学习方法具有较好的应用前景。
作者贡献说明:张航负责原文撰写、可视化处理、验证工作、方法设计、数据整理以及概念构思;王金良负责文章审阅与编辑、验证工作、项目监督、项目管理以及资金申请;胡文英负责文章审阅与编辑、验证工作、项目监督、项目管理以及数据整理;焦媛梅负责文章审阅与编辑以及资金申请。
未引用参考文献:《水质——叶绿素的测定——分光光度法》;《水质——总磷的测定——铵钼酸盐分光光度法》,1989年;《水质——总氮的测定——碱性过硫酸钾消解-紫外分光光度法》;黄等人,2024年。
数据可用性声明:由于伦理和法律限制,本研究中所使用的滇池水质参数测量数据无法提供。相关数据获取协议也明确规定不得公开这些数据。
利益冲突声明:作者们声明不存在任何可能影响本文研究结果的潜在利益冲突或个人关系。
资助项目:云南省科学技术重大专项(西南联合研究生院科学技术专项——基础研究与应用基础研究重大项目):基于多模态遥感的云南金沙江流域矿区植被变化监测与生态修复模型(项目编号:202302AO370003);国家自然科学基金(项目编号:42471131):水生态系统的影响机制与风险防控策略。
利益冲突声明:作者们声明不存在任何已知的、可能影响本文研究结果的财务利益冲突或个人关系。
致谢:特别感谢中国云南省生态环境厅提供了水质参数的测量数据,这些数据是我们研究的重要依据,也为我们的研究工作奠定了基础。
张航 | 胡文英 | 王金良 | 焦媛梅
中国云南省昆明市650500,云南师范大学地理学院
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号