《Journal of Hydrology》：A systematic approach to assess fused drone-satellite data for surface-proxy-based inference of vertical water quality profiles in a deep reservoir
编辑推荐：
•提出了一种用于遥感数据源比较分析的方法。•评估了多种遥感数据源在水质估算中的有效性。•研究了基于无人机的数据在水库水质评估中的准确性。•探讨了既有光学活性又有非光学活性的水质参数。•利用表面反射率数据评估水质的垂直分布情况。引言水库的水质对人类健康和生态系统都有着重要影响，因此
- •
提出了一种用于遥感数据源比较分析的方法。
- •
评估了多种遥感数据源在水质估算中的有效性。
- •
研究了基于无人机的数据在水库水质评估中的准确性。
- •
探讨了既有光学活性又有非光学活性的水质参数。
- •
利用表面反射率数据评估水质的垂直分布情况。
引言
水库的水质对人类健康和生态系统都有着重要影响，因此极为关键（Scott Winton等人，2019）。要将水质维持在可接受的水平，就需要针对具体情况展开仔细评估，并持续监测关键水质参数，从而为决策提供依据（Behmel等人，2016）。传统的现场采样方法虽然准确，但往往耗时费力，且在空间和时间覆盖范围上存在局限，成本也较高（Baltodano等人，2024）。而遥感技术，包括卫星和无人机平台，能够实现对水体的广泛空间和时间监测，为水质监测提供了有力的替代方案（Barreneche等人，2023）。在选择遥感平台时，必须根据具体情况考虑地面覆盖范围、空间分辨率以及传感器类型等因素（Toth和Jó?ków，2016）。尽管已有各种遥感数据源被用于水质参数的估算，但那些综合考虑多种平台、并考虑到光学穿透限制和垂直异质性等因素的全面评估仍然较少。在深度较大的水库中，这种差异更为明显，因为垂直方向的变化会显著影响水质状况。
随着遥感技术日益普及，近年来其在水质监测中的应用，尤其是对表层水体的监测，已经有了很大发展（Cao等人，2020；Irie等人，2024；Olivetti等人，2020）。这些研究探讨了在湖泊、水库及其他内陆水体中，既有光学活性又有非光学活性的水质参数的估算方法。一些研究利用多源数据和高光谱数据，提升了对这类水质参数的表层估算精度，比如Niu等人提出的深度空间-光谱学习框架（2025）。还有研究采用多平台遥感数据和无人机技术，来估算更多种类的表层水质参数（Cui等人，2022；Lei等人，2024；Tian等人，2024）。虽然这些研究在表层水质监测方面取得了显著进展，但估算水质参数的垂直分布仍是一个重要且尚未得到充分研究的领域，尤其是在深度较大、存在明显分层的水库中。这项工作面临诸多挑战：光线随深度增加而迅速减弱，由于水体分层，表层和底层的水质状况往往相互独立，而且要获取用于校准和验证模型的实地数据在操作上也非常困难。
在很多情况下，即使表层水质状况处于可接受范围，水质恶化往往始于更深的水层。由于水体会强烈吸收大部分太阳辐射波段的光线，这大大限制了从深层获取信息，因此利用遥感数据估算水质参数的垂直分布本身就具有很大难度（Adjovu等人，2023）。不过，当表层与深层水质参数之间存在较强相关性，或者能够从表面反射率数据中推断出垂直结构的一致模式时，通过表层数据反推深层水质参数是可行的。目前仅有少数研究探索了这一可能性。Ghasemnezhad等人（2025）基于Copula模型，假设能够获得表层测量数据，试图从表层浓度反推水质参数的垂直分布。在垂直分布反演方面，有一些研究探讨了如何利用遥感数据来推断深层水质参数，包括对浊度与叶绿素a的垂直非均匀性进行分析，以及运用无人机或卫星图像来预测多种水质参数的分布情况（Hong等人，2021；Nouchi等人，2018；Shahi等人，2024；Zhang等人，2024）。尽管这些研究推动了相关领域的发展，但其实际应用往往受到诸多限制：可估算的参数种类较少（通常只有1–4种），估算深度较浅（一般仅限于上层3–5米），研究对象多为规模较小或深度较浅的水库，而且对参数分布形态或表层测量数据的可用性存在诸多假设。与此不同，本研究提出了一种全新的系统化框架，该框架利用多源遥感数据（卫星数据、无人机数据以及融合后的数据），来估算一个大型深水库整个水柱（最深可达45米）内七种水质参数的垂直分布。这大大拓展了以往垂直反演研究中的深度范围、参数数量以及适用的水库类型，从而提升了遥感技术在深水区域监测中的实用价值。
已有不少研究评估了不同卫星和无人机平台在表层水质估算方面的性能。基于卫星的评估方法包括使用Landsat 7和8、Sentinel-2、ASTER、SPOT 6、PlanetScope、MODIS以及AWiFS等卫星数据，来估算叶绿素含量、浊度、塞奇深度以及其他水质成分等参数（Buma和Lee，2020；Mansaray等人，2021；Modiegi等人，2020；Olmanson等人，2011；Tesfamichael和Ndlovu，2018）。而基于无人机的研究，如Pacilio等人（2022）的研究，则证明了无人机在监测小型水库中的蓝藻水华及其他表层水质参数方面的应用价值。虽然这些研究为了解遥感数据源在表层水质评估中的效果提供了宝贵见解，但针对不同深度水域，对各类遥感数据源在水质评估中的效果进行全面比较，仍是一个亟待填补的空白。要进行公平的比较，就需要一个标准化的方法论框架，以确保结果的可靠性和客观性。在估算深层水域的水质时，这一要求更为突出，因为光线的衰减会影响数据的可检测性，而且其建模方法也与表层水质监测所用的方法有很大差异。例如，表层水质估算通常采用基于物理原理的直接模型，而深层水质评估则主要依赖数据驱动的模型。
为弥补现有研究中在评估用于深层水质监测的遥感平台方面的不足，本研究旨在：（1）通过结合深入的现场测量数据、在研究区域进行的无人机飞行数据以及卫星数据反演结果，构建一个完整的数据集；（2）提出一种系统化的框架，用于评估各类遥感数据源在估算水质参数垂直分布方面的能力；（3）利用三种卫星数据集和一种无人机影像数据，分别估算既有光学活性又有非光学活性的水质参数的垂直分布；（4）研究如何融合各类遥感数据源，以提升水质估算的精度。在该框架中，我们同时考虑了多种遥感数据源（卫星数据、无人机数据以及融合后的数据集）、一系列常用但互补的机器学习模型，还将水柱划分为三个不同的深度层次，这样就能够更准确地评估不同数据源以及不同深度区域的性能，而不仅仅给出一个整体的估算结果。这种结构化的设计确保了不同数据源之间的比较能够以公平、可重复的方式进行，同时还能明确体现出每种数据源在垂直维度上的优势与劣势。为了实现这些目标，我们将首先收集数据，然后通过探索性数据分析，运用基本的描述性统计方法和基于熵的指标，来评估不同深度区域内各数据源的信息量，进而挑选出需要进一步研究的具体水质参数。之后将运用多种机器学习模型进行系统分析，选出每种水质参数表现最佳的模型，并对其进行调整优化，以提高预测精度。此外，我们还会尝试融合不同的遥感数据源，以探究它们之间的兼容性。最后，会对分析结果进行解读，找出导致不同遥感数据源预测性能存在差异的可能原因。
本文的其余部分结构如下：第2节详细介绍研究材料与方法，包括研究方法、案例研究以及数据收集过程；第3节呈现研究结果；第4节为讨论部分，第5节则为结论部分，主要用于阐述研究结果并得出相应结论。
章节要点
研究方法
本研究采用了四阶段的研究方法来实现研究目标：（1）数据收集与预处理；（2）探索性数据分析与变量选择；（3）水质参数垂直分布的估算；（4）结果分析与讨论。后续章节将详细介绍这些阶段的内容。图1展示了该研究工作流程的可视化概要。
研究结果
本研究的主要目标是利用遥感数据估算一个深度较大水库的水质垂直分布，并建立一种系统化的框架，用于比较不同遥感数据源的估算性能。研究结果按照研究方法的各个阶段进行组织。首先介绍探索性数据分析与变量选择的情况，接着对比分析不同模型在估算水库深层水质参数方面的表现，最后介绍经过优化调整后的模型的性能。
模型运作原理：问题相关的物理背景概述
短波长太阳辐射进入水体的过程通常可以用比尔定律来建模，该定律能够说明有多少光线能够穿透到水体的更深层（Button，2015）。目前大多数相关研究都是针对海洋和沿海水域展开的，但这种方法同样适用于水库水体。公式（1）中所使用的扩散衰减系数κd的数值范围很广，纯水中的该系数约为0.03，而在浊度较高的湖泊中则可达到4（Karamouz和Kerachian，2022）。关于这一主题已有大量研究。
结论
本研究提出了一种系统化的方法，用于评估遥感数据源在内陆水体水质参数估算中的应用效果。该方法被应用于一个深度较大、存在季节性分层的水库，旨在评估包括卫星影像、无人机数据以及二者结合在内的多种遥感平台，在估算既有光学活性又有非光学活性的水质参数的垂直分布方面的性能。虽然以往的研究大多集中在表层水质估算方面，但本研究则拓展了研究范围。
声明
作者们使用了基于人工智能的模型来校对文本，提升文本的语言表达质量和可读性。
CRediT作者贡献说明
Sadegh Mishmast Nehi： 文本撰写——审阅与编辑，文本撰写——初稿撰写，可视化处理，研究方法设计，定量分析，数据整理，概念构思。Mohammad Reza Nikoo： 文本撰写——审阅与编辑，文本撰写——初稿撰写，结果验证，研究指导，项目管理，研究方法设计，数据收集，概念构思。Malik Al-Wardy： 文本撰写——审阅与编辑，文本撰写——初稿撰写，结果验证，研究指导，研究方法设计，数据收集，概念构思。Sadegh Vanda： 文本撰写——审阅。
利益冲突声明
作者声明，他们不存在任何可能影响本研究结果的已知财务利益关系或个人关系。
致谢
作者们感谢苏丹卡布斯大学以及王室宫廷秘书处通过“国王陛下信托基金”（HMTF）提供的资金支持，资助编号为SR/ENG/CAED/22/01。此外，作者们还要感谢农业、渔业和水资源部提供的数据支持。
Sadegh Mishmast Nehi|Mohammad Reza Nikoo|Malik Al-Wardy|Sadegh Vanda|Reza Kerachian
