气候变化、水质以及水资源调配与中国东部五个温带调节湖泊中水生植被的结构与物候变化密切相关

《Water Research》：Climate change, water quality, and water diversion are associated with the shifts of aquatic vegetation structure and phenology in five temperate regulating lakes of eastern China

　　摘要：水生植物对湖泊生态系统的功能运转及水质稳定至关重要，但由于缺乏有效的物种精细制图和物候特征提取方法，其群落动态与物候节律至今仍未能得到充分研究。本研究基于Sentinel-2 MSI影像，构建了一个结合机器学习与先验生态知识的综合框架，用于量化中国南水北调东线工程所经过的5个调节湖中8种优势水生植物的空间时间分布变化、物种组成及物候动态。研究结果表明，该框架可实现精准的水生植物识别，整体分类准确率达96.16%，各物种的识别准确率均超过90%。自2016年以来，大多数湖泊的水生植被覆盖度显著下降，主要原因是水下植被减少。其中2个湖泊的群落结构已从以水下植物为主转变为以挺水植物和浮叶植物为主。在物候特征方面，大多数水生植物的生长季有所延长，表现为生长起始时间提前（每年-0.28天）、生长高峰期提前（每年-0.67天），而衰老时间则推迟（每年0.54天）。相关性分析表明，水生植被的动态变化与气候变异、营养盐富集、水体浊度以及水资源调配密切相关，气温上升和太阳辐射可能促进某些挺水植物的生长，而营养盐富集和浊度则可能导致水下植被减少及物候期提前。总体而言，本研究为水生植被的物种级制图与物候监测提供了有效方法，有助于湖泊生态系统的管理与保护。

引言：水生植物在维持生态系统稳定性及提供生态服务方面发挥着核心作用（Irving等，2011）。它们不仅通过吸收和固定外部输入及内部释放的营养盐来改善水质（Bai等，2025；Yang等，2024），还能抑制藻类过度繁殖（Amorim等，2024）并稳定沉积物（Woodward和Hofstra，2024）。在气候变化和人类活动带来的巨大压力下，全球湖泊中的水生植物群落近年来发生了明显变化（Luo等，2025），表现为群落结构简化及物种多样性降低（Zhang等，2024）。根据卫星观测数据，自21世纪初以来，全球湖泊表面温度上升了约0.65°C（Shi等，2025），这可能改变水生植物的生长周期和物候节律（Gsell等，2025）。与此同时，工业和农业活动产生的大量污染物严重改变了发展中经济体的水体营养状况，进而导致藻类大量繁殖、水下光照条件恶化，抑制水下植被的生长（Gao等，2025；Jiang等，2026）。此外，一些内陆湖泊中的围栏养鱼业和岸线开发增加了营养盐负荷和沉积物扰动，导致栖息地丧失，进一步加剧了水生植物群落的退化（Pu等，2022；Yin等，2024）。然而，关于水生植被的分布、群落结构及物候如何共同响应气候变化、水质恶化和水文调控的长期物种级研究仍然有限，尤其是在大型调节湖中。

精细分类是深入分析水生植被分布和物种组成的前提。遥感技术凭借其广阔的空间覆盖范围、连续的时间观测能力以及快速响应的特点，成为大规模、长期且高精度监测湖泊生态系统状态的有效手段（Yan等，2025）。常见的分析方法是通过已知的参考像素，利用基于波段反射率差异和植被指数统计值建立的分层阈值组合，逐步识别水生植被（Dai等，2021），这些植被指数通常包括归一化植被指数（NDVI）、改进归一化差分水指数（MNDWI）、浮游藻类指数（FAI）、水下植被敏感指数（SVSI）以及水生植被指数（AVI）。许多研究采用这种基于规则的决策树方法，利用卫星图像识别水生植被，在区分挺水植物、浮叶植物和水下植物方面取得了良好效果（Hou等，2018；Liang等，2017）。然而，由于不同湖泊和遥感数据源在水文条件和光谱特性上的显著差异，为特定区域和数据源校准的阈值往往难以推广。相比之下，人工智能的快速发展提升了大规模湖泊水生植被制图的效率和精度，包括支持向量机（Cortes和Vapnik，1995；Piaser和Villa，2023）、随机森林（Breiman，2001；Singh等，2020）以及极端梯度提升算法（Chen和Guestrin，2016；Zheng等，2023）等机器学习算法，还有卷积神经网络（Chen等，2024；Lecun等，1998）、U-Net（Ronneberger等，2015；Shao等，2025）以及Transformer模型（Marjani等，2025；Vaswani等，2017）等深度学习模型。除了算法选择外，输入特征的数量和标记样本的数量也是影响水生植被识别准确度的关键因素（Dai等，2021）。在有足够样本的情况下，不同机器学习/深度学习模型对挺水植物的识别准确率往往会趋于一致，很多情况下可达到90%以上（Piaser和Villa，2023）。不过，由于缺乏涵盖多个湖泊和不同季节的高质量物种级样本数据，基于机器学习/深度学习的识别模型仍难以实现普遍应用。目前，仅能在生活型层面进行水生植被制图，这限制了我们对淡水生态系统生物多样性、物种间竞争关系及其功能的时空演变规律的了解，因此亟需向物种级识别过渡。

物候是指生物生命周期中各种事件发生的季节性时间规律，它是环境变化的重要生物指标，对调节淡水生态系统进程及生物间的相互作用起着关键作用（Thackeray等，2016；Woods等，2022）。然而，与陆地植被相比，水生植物的物候特征研究相对较少，这主要是由于监测水生植物较为困难、长期观测数据匮乏，以及气候、水文和物理化学因素之间复杂的相互作用影响了物候动态（Calero等，2015；Woods等，2022；Xia等，2022）。迄今为止，只有少数研究初步探讨了水生植物的物候特征，其主要目的是提高水生植物分类的准确性。Luo等（2016）利用多年HJ-CCD和Landsat TM影像合成的NDVI时间序列，分析了太湖水生植物的多种物候指标，发现水下植物的生长周期比挺水植物和浮叶植物更短且开始时间更晚。Andresen等（2018）通过固定相机监测了阿拉斯加北部挺水湿地植被的绿色度变化，发现解冻度日数能够准确预测水生植物的生长起始时间，这一时间较70年前提前了16天。Villa等（2018）通过结合Landsat 7/8、Sentinel-2A和SPOT5影像数据，研究了2015年欧洲3个湖泊的物候提取中时间序列分辨率的影响，发现15天的分辨率下，水生植物生长起始时间和高峰期的反演偏差仍不超过3天。Wang等（2023）基于Sentinel-2A/B MSI影像，识别出了水下植被的四个关键物候阶段，即萌发、成熟、衰老和休眠，并发现了白洋淀两种不同的生长模式。然而，当具有不同生活型和生长节律的两种水生植物共同生长时，准确识别每种植物的物候特征十分困难。总之，目前仍缺乏在物种级别精细提取物候特征的有效技术框架，这阻碍了我们对水生生态系统结构和功能演化规律的深入理解。

南水北调东线工程是中国一项具有战略意义的国家基础设施项目，旨在优化跨流域水资源配置（Jia等，2025；Lu等，2024）。该工程对于缓解华北地区的水资源短缺、保障国家水安全以及推动区域可持续发展具有重要意义（Kattel等，2019；Wang和Xie，2025）。作为这一大型跨流域调水系统的重要组成部分，沿线路段分布的调节湖在蓄水调节、水质缓冲和生态维护等方面发挥着不可替代的生态功能（Guo等，2020；Zhang等，2024）。频繁的水文调控必然会改变这些湖泊原有的水文节律，进而可能影响水生生态系统的结构和功能。因此，本研究以南水北调东线工程沿线5个湖泊的典型水生植物为研究对象，基于数千幅Sentinel-2 MSI影像，旨在实现以下目标：（1）开发一种基于物种级精细识别的水生植被物候估算方法；（2）研究水生植被的分布、组成及物候的时空动态变化；（3）探讨这些变化与气候条件及水环境变化的潜在关联。