《Ecological Indicators》：Retrieval and spatiotemporal variation of chlorophyll-a concentration in Baiyangdian Lake based on machine learning
编辑推荐：
白洋淀是中国北方最大的浅水淡水湖，在京津冀区域发挥关键生态作用，但因人类活动与气候变化面临日益加剧的富营养化压力。叶绿素-a（Chl-a）浓度是富营养化与藻类生物量的关键指标。研究人员利用2021年9月至2022年8月Sentinel-2多光谱成像仪（MSI）
白洋淀是中国北方最大的浅水淡水湖，在京津冀区域发挥关键生态作用，但因人类活动与气候变化面临日益加剧的富营养化压力。叶绿素-a（Chl-a）浓度是富营养化与藻类生物量的关键指标。研究人员利用2021年9月至2022年8月Sentinel-2多光谱成像仪（MSI）影像与实地监测数据，评估了九种机器学习模型反演白洋淀Chl-a浓度的性能。在测试的模型中，以决策树（DT）、随机森林（RF）与梯度提升（GB）为代表的基于树的算法整体表现更优，相较于神经网络、基于距离、核方法及线性回归模型，更能捕捉浅水浑浊内陆湖泊中复杂的非线性光谱响应。结果显示Chl-a存在显著季节变化，受水温升高与营养盐累积驱动，秋季（9—10月）出现峰值，夏季生态补水后数值较低。空间上Chl-a呈异质性分布，受农业径流影响的西南区浓度较高，北部与东南区因生态管理浓度较低。研究凸显了集成学习模型在光学复杂浅湖Chl-a反演中的有效性，并为白洋淀及类似淡水生态系统的水质监测与管理策略提供了有价值的见解。
研究背景方面，内陆湖泊约占地球表面液态淡水的87%，其水质受气候、水文及人类活动共同影响，富营养化会导致水体变色、藻华释放毒素、生物多样性丧失等问题。叶绿素-a（Chl-a，浮游植物主要色素及富营养化关键指标）在传统监测中依赖现场采样与实验室分析，存在成本高、时空覆盖有限等缺陷；遥感反演虽具备大范围、低成本优势，但在光学复杂内陆水体中仍面临挑战。白洋淀作为华北最大浅水淡水湖（“华北之肾”），自20世纪70年代后因入湖水量减少、水位下降导致自净能力减弱，富营养化加剧，2017年后纳入雄安新区生态规划，亟需大尺度时空动态监测手段。现有研究多聚焦近岸开阔水体或深水湖，浅水破碎化湖泊的机器学习反演适用性尚待验证。为此，研究人员整合国家环境监测站（NEMS）七站点实测Chl-a数据与Sentinel-2 MSI影像，系统比较九种机器学习模型，揭示白洋淀Chl-a时空分异规律及驱动因素。
关键技术方法上，研究人员选取白洋淀七座NEMS水质站（Gudingdian、Nanliuzhuang、Shaochedian、Guangdianzhangzhuang、Quantou、Caiputai、Zaolinzhuang）2021年9月至2022年8月（剔除冰封期）逐时Chl-a及水温、pH、溶解氧（DO）、电导率（EC）、浊度、高锰酸盐指数等辅助参数，匹配时间滞后<1小时、云污染剔除的Sentinel-2 L2A底大气反射率数据，经NDWI（归一化差异水体指数）提取水面边界并人工修正，共获252组有效样本，按7:2:1分层划分为训练、测试与验证集；输入特征为B2蓝、B3绿、B4红、B8近红外（NIR）四波段反射率，构建SVM、ANN、BR、DT、KN、RF、ET、AB、GB九种模型，以R2、MAE、RMSE、NSE为评价指标筛选最优模型并反演逐月空间分布。
研究结果部分，3.1节算法性能开发与验证中，通过九模型在训练、测试、验证集的散点对比与指标统计发现，DT以测试集R2=0.989、MAE=4.149 μg/L、NSE=0.989居首，RF（R2=0.843）与GB（R2=0.835）次之，ET、ANN中等，KN、AB偏低，BR与SVM失效；树基模型能直接刻画光谱与Chl-a的非线性耦合，SVM核映射与BR线性假设无法适应光学复杂浅湖数据。3.2节季节与空间分异表明，Chl-a均值9月最高（52.73 μg/L）、11月至次年5月维持低位（4.97—6.38 μg/L）、6—8月小幅回升（8.27—9.67 μg/L）；秋季峰值源于水温与营养盐累积，夏季生态补水稀释降低浓度；空间上西南区受农业径流输入Chl-a偏高，北部及东南区因生态管理呈低值，印证了入湖河流、水文连通与人为扰动共同塑造异质性。
讨论与结论部分，研究人员指出浅水浑浊湖泊中单一决策树已可兼顾精度与可解释性，集成树模型通过多树投票或残差修正抑制噪声但略逊于单树；SVM、BR等因机理不匹配不宜作为首选。白洋淀Chl-a时空格局由自然季节过程（水温、补给）与人为干预（农业排口、生态补水、湿地管控）叠加控制，遥感机器学习反演弥补了站点监测难以刻画空间连续性的短板。该研究证实基于Sentinel-2 MSI与树基机器学习的Chl-a反演框架可推广至类似光学复杂浅水淡水湖，为《Ecological Indicators》所刊成果，对内陆水体富营养化预警及雄安新区湿地生态修复评估具有直接支撑价值。
