《Marine Pollution Bulletin》：A dissolved oxygen inversion method based on multi-source spectral-spatial feature fusion and recursive feature elimination
编辑推荐：
•融合多源光谱 - 空间特征用于沿海溶解氧反演的新型 MSSF-RFE 框架。•多源融合和空间特征显著提高了精度 (R2=0.8753, RMSE=0.4032)。•MSSF-RFE-CatBoost 实现了最佳性能，减少了特征冗余并增强了稳定性和泛化能力。引言沿海水域具有重
- •
融合多源光谱 - 空间特征用于沿海溶解氧反演的新型 MSSF-RFE 框架。
- •
多源融合和空间特征显著提高了精度 (R2=0.8753, RMSE=0.4032)。
- •
MSSF-RFE-CatBoost 实现了最佳性能，减少了特征冗余并增强了稳定性和泛化能力。
引言
沿海水域具有重要的服务功能和价值。其丰富的自然资源和巨大的生态系统服务价值构成了保障社会经济可持续发展的重要基础。溶解氧 (DO) 是表征海洋生态系统健康状况和水质环境的关键指标。其浓度变化直接影响海洋生物的生存和海洋生态系统的稳定性 (Diaz and Rosenberg, 2008)。随着沿海人类活动的不断加剧和气候变化的持续影响，沿海水域的富营养化和缺氧问题日益突出。DO 的时空变化特征已逐渐成为海洋环境监测和生态评估的关键研究焦点 (Breitburg et al., 2018; Hu et al., 2021; Yin et al., 2024)。
传统的 DO 监测主要依赖于船载调查和固定站点观测。虽然这些方法精度高，但监测范围有限、时间分辨率不足且成本高昂 (Yue et al., 2023)。随着遥感技术的进步，利用卫星影像进行水质参数反演已成为海洋环境监测的重要工具 (Mohseni et al., 2022)。目前，如 Landsat-8/9 和 Sentinel-2 等多光谱遥感数据，由于其高空间分辨率和长时间序列，正越来越多地应用于沿海 DO 浓度的反演 (Dong et al., 2024; Ali et al., 2025; Zhou et al., 2025)。然而，由于 DO 不是直接的光学活性参数，其变化往往与水温、浮游植物活性和有机物分解等复杂过程密切相关 (Biliani and Zacharias, 2026)。为了提高水质参数反演的精度，研究人员近年来逐渐将机器学习方法引入遥感反演研究。随机森林、XGBoost、LightGBM 和 CatBoost 等算法已被采用 (Deng et al., 2025; Peng et al., 2024; Hafeez et al., 2019)。这些方法能有效捕捉水质参数与遥感特征之间的非线性关系，在复杂水体环境中展现出良好的预测能力。
然而，仅基于单一源遥感的反演模型往往存在稳定性不足和泛化能力有限的问题。一些学者已开始探索利用多源数据融合来增强模型泛化能力 (Pulliainen et al., 2001; Wu et al., 2025)。在实际建模中，多源数据融合会产生大量特征，容易导致特征冗余和模型过拟合 (Izquierdo-Verdiguier and Zurita-Milla, 2020; Kong et al., 2026)。此外，现有模型通常仅使用光谱信息进行反演，忽略了水质参数的空间分布模式，导致在沿海等复杂水体环境中的精度降低。空间位置信息往往反映了区域水文动力条件和环境背景差异，对提高模型性能起着关键作用 (Miralha and Kim, 2018; Wang et al., 2021)。因此，如何基于多源遥感数据进行有效的特征选择并合理整合空间信息，是提高沿海水质参数反演精度的关键研究方向。
特征选择技术为解决高维特征冗余问题提供了一种有效途径。其中，递归特征消除 (RFE)、顺序前向选择 (SFS) 和顺序后向选择 (SBS) 等方法已在机器学习领域得到广泛应用 (Zhao et al., 2025; Aihaiti et al., 2025; Wang et al., 2025)。与传统特征选择方法相比，RFE 迭代训练模型并逐步消除重要性最低的特征，能有效识别最佳特征子集，从而增强模型稳定性和预测能力。目前，将多源遥感数据与空间信息结合并纳入特征选择方法的沿海 DO 遥感反演系统优化研究仍然相对有限。
基于此，本文整合了 Sentinel-2 和 Landsat 8/9 的多光谱遥感数据，引入经纬度空间信息构建光谱 - 空间联合特征集，并提出了 MSSF-RFE（多源光谱与空间融合递归特征消除）模型框架。使用递归特征消除方法优化和选择高维集中的特征，并将其性能与顺序前向选择 (SFS) 和顺序后向选择 (SBS) 进行比较。在此基础上，构建了 XGBoost、随机森林、LightGBM 和 CatBoost 等机器学习模型，实现了对渤海沿海区域溶解氧的高精度反演。该研究系统评估了多源遥感融合、空间特征引入和特征选择策略对模型性能的影响。
章节片段
研究区域
渤海位于中国东北部沿海地区 (37°00′–41°00′ N, 117°30′–122°30′ E)。它是中国唯一的半封闭内海，通常分为四个主要海域：辽东湾、渤海湾、莱州湾和中央盆地。具体范围如图 1 所示。渤海通过渤海海峡与黄海相连。其整体的半封闭结构导致水体交换能力弱，使其对陆源输入高度敏感
特征选择结果
为了减少特征冗余并提高模型预测性能，本研究应用了三种特征选择方法——递归特征消除 (RFE)、顺序后向选择 (SBS) 和顺序前向选择 (SFS)，使用四种机器学习模型作为基础学习器，从多源遥感光谱特征和空间特征中选择特征。每种方法选择的特征组合如表 2 所示。
总体而言，存在显著差异
多源遥感影像对溶解氧反演的贡献
沿海水域的光学环境复杂，单一遥感数据源往往难以完全表征影响 DO 分布的各种环境因素。本文通过比较 Sentinel-2、Landsat 及其融合的反演结果，分析了多源遥感影像在 DO 反演中的作用。
实验结果显示，由不同数据源构建的模型精度存在显著差异，如表 4 所示。以
结论
本研究整合了 Sentinel-2 和 Landsat 8/9 的多源遥感影像与空间信息，并开发了用于渤海 DO 反演的 MSSF-RFE 框架。通过比较不同的特征选择策略和机器学习模型，系统评估了多源光谱 - 空间特征融合和特征优化对 DO 反演的有效性。主要发现总结如下：
CRediT 作者贡献声明
李连伟：写作 – 审阅与编辑，写作 – 初稿，项目行政，方法论，资金获取。程林：写作 – 初稿，可视化，验证，方法论，数据管理。薛存进：写作 – 审阅与编辑，项目行政，方法论，资金获取。孙宝建：写作 – 初稿，可视化，验证，方法论。王宇：写作 – 初稿，可视化，验证，方法论。
伦理批准和参与同意
本文不包含任何作者进行的涉及人类参与者或动物的研究。
竞争利益声明
作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文中报告的工作。
致谢
本工作得到了 国家自然科学基金 [42376193]；国家重点研发计划 [2022YFC3103102]；可持续发展目标大数据国际研究中心创新研究计划 [CBAS2022IRP05] 的支持。
李连伟 | 程林 | 薛存进 | 孙宝建 | 王宇
