融合卫星遥感与环境协变量的河湖水质平行比较建模研究

《Remote Sensing》：Disentangling Spectral and Environmental Controls on Inland River–Lake Water Quality Using Satellite Earth Observation-Driven Optimized Machine Learning

　　

摘要

由于明显的空间异质性和有限的地面观测，地表水质的准确监测仍然具有挑战性。卫星遥感提供了可扩展的解决方案，然而环境驱动因素在多大程度上能提高预测性能，特别是在复杂的河湖系统中，仍然缺乏足够的理解。本研究开发了一个平行的比较河湖建模框架，通过结合卫星光谱数据与气候和土地利用变量，来估算高锰酸盐指数（CODmn）、总磷（TP）和总氮（TN）。评估了四种模型配置：仅使用光谱预测因子（M₁），光谱预测因子结合气候变量（M₂），光谱预测因子结合土地利用信息（M₃），以及所有预测因子的完全整合（M₄）。使用贝叶斯超参数调优（Optuna）对LightGBM模型进行了优化，并在东辽河流域（中国）的河流数据集（2021 年 1 月–2025 年 7 月）和湖泊数据集（2021 年 1 月–2024 年 12 月）上进行了训练。仅使用光谱预测因子（M₁）对CODmn提供了稳健的性能（R² = 0.78），在河流中当包含土地利用变量时（M₂）有边际改善（R² = 0.80）。相比之下，营养物质的预测对环境协变量显示出更强的依赖性。TN预测在使用土地利用输入（M3）时大幅改善（河流中R² = 0.75，湖泊中使用M₂时R² = 0.63），在湖泊中使用完全整合（M4）时进一步提升（R² = 0.66）。TP预测在河流中使用土地利用变量时表现出显著改善（R² = 0.76），在湖泊中使用完全整合时（R² = 0.72）。使用SHAP进行的模型可解释性分析表明，光谱特征主导了CODmn的估算，而气候和水文特征对TN的变异性具有更大的影响。季节分析表明，水文驱动因素在湿季占主导地位，而土地利用效应和内部生物地球化学过程在干季变得更加重要。提出的框架提高了预测准确性和过程理解，支持对复杂河湖系统中水质的更有效监测和管理。