《Desalination and Water Treatment》：Machine Learning-Enhanced Remote Sensing for Watershed Water Quality Assessment: A Systematic Review
摘要
一项符合PRISMA 2020规范的系统性综述，综合分析了2021年1月1日至2026年4月期间发表的213篇同行评审出版物，这些研究涉及基于机器学习（ML）的遥感技术在内陆及流域环境水质评估中的应用。研究从Scopus数据库的902条记录中筛选得出。中国籍作者贡献了51.2%的出版物，而Sentinel-2 MSI是最常用的平台，在213项研究中的95项中被采用（占44.6%）。基于完整出版年份统计，2021年至2025年间出版物产出以40.3%的复合年增长率增长，表明该领域正在快速扩展。集成方法和注意力增强型深度学习架构在单站点校准和验证条件下，对光学活性组分（OACs），特别是叶绿素a（Chl-a）和总悬浮固体（TSS），实现了0.94–0.998的R2值。混合架构如HF-DFM和MDPC在同时反演多种非光学活性组分时实现了0.81–0.93的R2值，尽管在异质条件下性能表现更为多变。然而，证据表明，局部预测精度与可靠的跨域应用之间仍存在持续差距，这主要源于光学对比度不同的水体间的空间迁移能力有限，以及同一Sentinel-2影像对大气校正选择的敏感性。可解释性和校准预测不确定性仍不常见，分别在213项研究中的9项和8项中报告（占4.23%和3.76%）。阻碍业务化应用的主要障碍不再是特定地点精度的增量提升，而是时空泛化证据不足、预处理不一致、不确定性表征有限，以及训练和验证数据的地理分布不均衡。因此，未来研究应优先开展独立的多站点和多时相验证、标准化大气校正协议、面向数据稀缺环境的迁移学习和表征学习、物理信息建模，以及预测不确定性和模型可解释性的常规报告。这些进展对于确定受控条件下报告的高精度能否转化为可靠且可迁移的业务化水质监测能力至关重要。
- 1.
引言
地球上可供陆地生态系统利用的淡水资源中，仅有不到0.3%通过河流、湖泊和水库循环，这些水体是人类饮用水、灌溉和水生生物多样性的依赖所在。这部分水资源在有效质量上的缩减速度快于其在数量上的缩减速度。主要流域系统中农业土地利用的集约化加速了营养盐输入和富营养化进程，以至于大型湖泊中蓝藻水华频率在多年代观测记录中显著增加。城市化改变了受纳水体的水文响应，放大了暴雨事件期间污染物和沉积物输送的幅度与频率，而气候驱动的温度升高延长了热分层季节，加速了浮游植物水华衰亡后的氧气消耗。这些压力在流域景观中同时作用并在水体尺度上显现的复合效应，使淡水水质恶化成为全球流域管理机构面临的最严峻环境挑战之一。
以支持管理决策所需的空间和时间分辨率监测这种恶化，是核心的业务挑战。传统原位监测网络在固定站点采集水样，并在所描述条件发生数天至数周后产出结果。这些网络的空间密度由预算约束而非所测参数的空间异质性决定。一个表层叶绿素a（Chl-a）浓度在入流区和开阔水域之间可能相差两个数量级的富营养湖泊，无法通过大多数国家环境项目维护的两三个监测浮标充分表征。一个主要在雨季四五次暴雨事件中输送其年度磷负荷的河流系统，无法通过在单一断面的每两周一次抓取采样来描述。这些结构性限制在空间域和时间窗口上造成了观测空白，而正是在这些域和窗口中，水质动态对水生生态系统完整性和水资源管理最为关键。
来自卫星和机载平台的遥感已成为常规监测的可扩展补充手段。地球观测平台获取水体表面的同步、辐射定标辐亮度测量，这些测量编码了光学活性组分的波谱特征，包括浮游植物色素、悬浮颗粒物和有色溶解有机物。Sun等人通过综合研究表明，近端和卫星遥感能够可靠地表征流域尺度的时空水质动态，为后续机器学习集成奠定了概念基础。然而，从这些测量中反演单个水质参数是一个非平凡的逆问题。传感器记录的光谱反射率是多种共变组分之间复杂非线性相互作用的结果，分离各组分贡献需要显式的生物光学参数化或数据驱动学习。传统半解析算法通过组分特异性固有光学性质之间的物理推导关系来解决这种分离，但其性能在光学复杂的陆地和海岸过渡水体中系统性退化，因为在这些水体中组分共变违反了简化单组分假设。
机器学习作为对正是这一局限性的数据驱动响应进入水质反演领域。机器学习方法并非先验地指定光谱到浓度映射的函数形式，而是从匹配的卫星和原位观测中学习该映射，将特定水体的光学复杂性编码到模型权重中，无需分析人员将该复杂性分解为物理可解释的组分。高影响力研究中报告的结果已确立了这种集成在大尺度上的可行性。Li等人利用随机森林（Random Forest）、支持向量机（support vector machine）和人工神经网络（artificial neural networks）等机器学习算法，从Sentinel-2 MSI影像中对中国166个湖泊的Chl-a实现了0.71–0.88的R2。Niu等人使用深度回归网络从高光谱机载数据反演溶解氧和总磷，R2超过0.78。Tian等人通过多种机器学习算法展示了从Sentinel-2影像对内陆水库的Chl-a、总磷和溶解氧的同步估计。对于Lake Simcoe的多参数反演，Guo等人将深度学习应用于长期Landsat影像，在涵盖叶绿素、氮和磷的水质参数上实现了32.57–42.58%的平均绝对误差。具体到流域尺度，Xiao等人证明无人机（UAV）多光谱影像结合堆叠集成机器学习在城市河段的多参数估计中实现了超过0.90的R2，Rahat等人表明应用于Ohio River流域卫星影像的LSTM（长短期记忆）网络能够在土地利用、气候和水文强迫的多维不确定性下同时模拟水质动态。
尽管证据量庞大，但将已展示的反演性能转化为业务化流域监测能力，需要解决当前文献尚未充分解决的若干相互关联的方法论挑战。大气校正，即从大气顶层辐亮度信号中去除大气气溶胶散射和分子吸收，是对反演精度影响最大的预处理步骤，然而Wolters等人证明，对于相同的Sentinel-2影像，处理器选择本身即可在已发表的叶绿素反演算法中引起高达0.22的R2差异，这一发现从根本上削弱了预处理协议未指定的跨研究比较。模型在地理和光学特征不同的水体间的可迁移性仍缺乏表征。Shamloo和Sima记录了当在一个湖泊光学体制上校准的机器学习模型应用于营养状态对比鲜明的湖泊时，精度出现系统性下降。已发表研究在地理上集中于数据丰富的温带环境，主要为中国湖泊和河流系统，这限制了对撒哈拉以南非洲、中亚和南亚流域系统水质动态的推断，而这些地区监测需求最为迫切、原位数据最为稀缺。Ali等人和Nguyen等人分别提供了利用GLORIA全球反射率数据集和在越南比较性水库研究中验证机器学习反演框架的显著案例，但这些相对于大量单站点、区域集中研究而言仍属孤立贡献。此外，机器学习预测的可解释性，特别是验证模型输出基于物理上显著的光谱信号而非巧合相关性的能力，仅在文献的有限部分中得到了探索。Zhu等人通过基于SHAP的归因分析证明，如果未显式正则化，沿海水域富营养化指标的反演模型可以利用光谱上不合理的波段贡献。
现有综述文献尚未在流域水质监测的背景下全面解决这些挑战。Mohan等人综合了186项机器学习和遥感集成研究，但未采用流域框架，也未对定义2023–2026年文献的深度学习架构转变进行系统分析。早期基础性综述，如Topp等人，早于当前物理-机器学习集成的发展轨迹，也早于从孤立算法开发到跨站点模型部署的关键转变。因此，一个明显的结构性知识空白仍然存在：没有现有综述系统评估机器学习反演性能如何在上游支流和水库到下游河口的完整水文连续体上波动，也没有批判性地解构阻碍站点特定精度转化为业务效用的可迁移性瓶颈。
本综述通过符合PRISMA 2020规范的系统分析填补了这些特定空白，分析了2021年1月1日至2026年4月检索日期期间来自Scopus的213项同行评审研究，检索策略旨在捕获流域情境化的水质遥感研究。与先前的文献计量综合不同，本研究将焦点从简单列举高精度断言转向严格评估模型弹性、泛化能力和物理可解释性。四个目标组织本分析。第一个目标是通过定量文献计量方法表征当前证据基础的出版轨迹、地理分布、传感器格局和机器学习架构组成。第二个目标是评估数据库中代表性水质参数和水体类型的反演精度证据。第三个目标是识别最制约该领域向业务化流域监测能力发展的方法论局限、报告缺陷和结构性知识空白。第四个目标是阐述2026–2030年视野的结构化研究议程，优先考虑在弥合已展示研究性能与业务效用之间差距方面回报最高的发展。第2节描述综述协议；第3节、第4节、第5节、第6节、第7节呈现证据综合；第8节提供批判性讨论；第9节陈述结论。
- 2.
系统综述方法论
2.1. 协议与检索策略
本综述遵循系统综述和元分析首选报告项目（PRISMA 2020）指南，以确保标准化、透明和可重复的方法论。图1呈现PRISMA 2020流程图。预先建立了综述协议以定义研究问题、检索策略和分析框架。整体研究选择过程在PRISMA流程图中展示。
文献检索在Scopus中进行，使用预定义的布尔检索策略，涵盖四个概念域：遥感和地球观测、机器学习和人工智能、水质参数、以及流域和内陆水体情境。检索限制为2021年1月1日及以后的出版物。最终数据库检索和数据导出于2026年4月进行。因此，证据库涵盖2021年1月1日至2026年4月最终检索日期的出版物。由于2026年在数据提取时尚未完成，索引于2026年的出版物被视为部分年份队列，未在出版增长分析中用作完整年度观测。查询被构建为应用于标题、摘要和关键词字段的四个布尔块。
块1指定与综述相关的传感器和平台类别。块2指定水遥感中常用的机器学习和深度学习算法。块3定义感兴趣的水质参数。块4将检索限制在流域或集水区情境内的内陆和过渡水体。四块结构迭代开发以平衡精确度和召回率。数据库检索期间未施加语言限制以最小化选择偏差。然而，在资格评估期间仅保留可获取英文全文的研究，符合环境系统综述的标准实践。
2.2. 资格标准
研究根据PICO框架标准进行评估。纳入要求至少包括：具有已记录光谱规格的卫星、机载或无人机载传感器；至少一种机器学习或深度学习算法应用于水质参数估计；具有明确流域联系的内陆或海岸过渡研究区；定量精度指标，至少包括R2、均方根误差（RMSE）或分类精度；以及英文全文可获取性。综述文章仅保留用于参考文献挖掘，并从主要综合中排除。
研究选择通过两个连续阶段进行。第一阶段（L1）应用基于四个词汇支柱结合相关性评分的计算筛选程序。每条记录在四个域中评估：水质术语、遥感术语、机器学习方法论和地理情境。组合相关性得分计算为跨这些域的术语匹配加权和。得分低于68阈值的记录被排除。在902条记录中，662条在L1被排除，剩余240条进入第二阶段评估。
第二阶段（L2）涉及手动摘要级语义筛选。评估240条记录中的每条，以确认机器学习和遥感组件被显式应用于水质参数反演，而非相关任务如土地覆盖分类、径流建模或大气变量估计，其中水质不是主要焦点。27条记录在L2被排除。其中大多数涉及将机器学习应用于水文变量而无水质反演组件的研究。
从213项纳入研究的每项中提取七类信息。文献计量元数据包括作者姓名、出版年份、期刊名称和分区以及DOI。研究情境捕获水体类型、地理区域和遥感数据的时间覆盖。传感器信息包括仪器名称、空间和时间分辨率、所用光谱波段以及大气校正方法（如报告）。水质目标变量与浓度范围和原位采样协议一同记录。机器学习方法论包括算法类型、训练样本量、验证策略和超参数优化方法。性能指标包括所有报告的精度统计，以R2和RMSE为最低要求。可解释性和不确定性量化的证据分别记录。
213项研究间的方法论异质性排除了正式元分析。因此，进行了叙事综合，围绕研究问题组织。对定量亚组摘要计算描述性统计。使用VOSviewer进行关键词共现分析，最小共现阈值为三次。所有计算分析使用Python 3.11进行。
- 3.
文献计量分析与出版趋势
数据库包含发表在75种期刊上的213项研究。观察到显著集中，20种期刊各发表至少三篇文章。年度产出在综述窗口内稳步上升，从2021年的16项研究增至2025年的62项，对应四个完整年份区间40.3%的复合年增长率（2026年至4月检索日期为部分年份，已排除）。Sentinel-2 MSI是最常用的平台，在213项研究中的95项中被采用（占44.6%），其年度产出份额在2023–2024年达到55.6–60.0%的峰值。
Remote Sensing（MDPI）成为最多产的期刊，贡献30篇文章（占数据集的14.1%）和552次引用。然而，Science of the Total Environment（Elsevier）尽管发表文章较少（14篇，占6.6%），却实现了略高的引用数（561）。Water（MDPI）、Ecological Informatics（Elsevier）和Environmental Science and Pollution Research（Springer）各发表9至10篇文章，引用数在142至239之间。MDPI期刊（Remote Sensing、Water和Sustainability）跻身前20最多产期刊，占43篇文章（占数据集的20.2%），反映了开放获取出版和快速审稿流程的影响。对这20种期刊的篇均引用（CPA）评估表明，Environmental Pollution实现了最高影响力，平均66.5次CPA（4篇论文266次引用）。其次是Ecological Indicators、ISPRS Journal of Photogrammetry and Remote Sensing和Science of the Total Environment，CPA值分别为45.4、43.6和40.1。相比之下，Environmental Monitoring and Assessment仅记录5.7次CPA（7篇出版物40次引用），凸显了高影响力期刊与较低层级期刊之间研究可见性的显著差距。
区域分析表明，中国占所有出版物的51.2%（109篇文章）和2845次引用，超过其他国家。美国和印度紧随其后，分别贡献43篇（占20.2%，797次引用）和22篇（占10.3%，202次引用）。在亚洲内部，韩国（14篇，364次引用）和越南（8篇，146次引用）也表现强劲。两国均展现相对较高的CPA值（分别为26.0和18.3），表明相对于产出量具有较强区域影响力。越南跻身前五贡献国反映了该数据集的一个显著特征。这一模式可能受综述方法论范围影响，其中包括无人机基和流域尺度应用，从而捕获了更多地方性热带研究。
相比之下，欧洲贡献相对有限。意大利（7）、英国（5）、匈牙利（2）和瑞典（2）合计仅占数据集的7.5%。这一分布与欧洲在遥感研究中既有的优势形成对比，可能表明欧洲更强调传感器开发和算法设计而非应用型水质监测。全球南方和中东代表性有限，包括南非（3）、伊朗（7）、沙特阿拉伯（3）和阿联酋（2）。显著的地理集中，超过81%的研究仅来自三个国家（213项中的174项），引发了对机器学习模型在不同气候和生物光学条件下可迁移性的担忧。具有关键水质挑战和有限原位基础设施的地区，如东非、西非和中亚，仍代表性不足。这凸显了数据稀缺的持续矛盾：最需要卫星衍生监测的地区研究最少。
我们使用VOSviewer基于作者提供的关键词进行关键词共现分析。应用最低出现阈值三次以识别213篇文章数据集内的新兴主题模式。网络表现出紧密连接的双核心结构，以机器学习和遥感为中心，二者作为最大且最中心的节点出现。水质参数在二者之间形成紧密连接的第三枢纽。这些节点占据中心位置，并与每个周围聚类表现出强互连，反映了该领域的跨学科性质。
传感器-平台聚类包括Sentinel-2、Landsat、Landsat-8、Landsat 8 oli、Sentinel-2 msi、MODIS、高光谱影像和卫星数据。它与水体术语（如湖泊、内陆水域、浅水湖泊）和主要参数节点叶绿素a强关联。Sentinel-2、Landsat和Landsat-8具有相对较早的平均出版年份（约2022–2023年），而PlanetScope和高光谱影像出现较晚（约2024–2026年）。GLORIA，一个原位反射率数据集而非卫星传感器，也出现在较新关键词中。Sentinel-2与湖泊和叶绿素a的强共现与其在内陆水体监测中的频繁使用一致。
算法聚类包括DL、XGBoost、随机森林（RF）、神经网络（NN）、LSTM和集成学习。它占据中心位置并直接连接到传感器和参数节点。清晰的时间梯度可见。NN和CNN具有较早的平均出版年份（2021–2022年），代表最早的方法论基础，而DL和ML算法约在2023–2024年，RF、特征选择、LSTM和SHAP出现较晚（约2024–2025年），表明更近期的采用。这一进展反映了从经典神经网络和回归模型向基于树的集成和深度序列架构的转变。特征选择仍与基于树的方法（XGBoost和RF）紧密关联，表明即使在先进框架中特征工程仍具相关性。
水质参数聚类包括叶绿素a、总氮、总磷、浊度、总悬浮固体、营养状态和水污染。叶绿素a占据传感器和算法之间的中心桥接位置，其作为最频繁反演参数的地位。总氮、总磷和营养状态与富营养化的紧密聚类反映了营养盐动态作为统一监测目标的整合，与流域尺度污染评估相关。这些营养盐关键词具有最新的平均出版年份（约2025–2026年），表明光学非活性参数反演是一个强化而非已解决的研究焦点。
富营养化-蓝藻聚类位于左侧，包括富营养化、蓝藻、UAV、温度和浊度。其相对较晚的平均出版年份（约2024–2026年）表明近期日益重视，标志着主题从描述性水质监测向有害藻华及其热力和营养盐驱动因素的前瞻性评估转变。UAV与富营养化的共现与日益增长的无人机载高光谱调查用于亚流域尺度水华监测一致，在这些尺度上卫星的重访频率往往不足。
时间进展揭示两个不同阶段。2021–2022年期间集中于基础传感器-算法配对：CNN和NN与叶绿素a配对，Sentinel-2 msi与内陆水域配对。2023–2026年期间以先进算法集成（DL、RF、LSTM）、基于树的集成、多传感器融合框架（Sentinel-2–Landsat–高光谱影像）和应用导向目标（富营养化、蓝藻、营养盐反演）为特征。这一转变标志着从探索性研究向业务化监测框架的过渡。
地理集中通过特定水体名称作为不同节点的存在而明显：太湖、鄱阳湖和珠江口。其突出反映了综述文献中最常研究的水体。这一模式与贡献作者分析一致，其中中国籍作者占出版物的51.2%，是证据库中最大的国家份额。非洲、南亚或中亚水体在关键词节点中的稀缺指向研究生产和应用地点的持续地理失衡。
方法论空白因特定术语的排除而明显。尽管SHAP现在作为新兴作者关键词出现在近期文献中（2024–2025年），但可解释性、可解释性和XAI相对于模型开发研究的数量仍然稀疏，反映了在业务化环境中部署黑盒模型的公认困难。同样，不确定性量化、置信区间和预测方差缺失，表明对不确定条件下决策支持至关重要的概率框架尚未系统纳入研究议程。集成学习的边缘定位表明基于集成的不确定性估计是新兴而非成熟实践。
- 4.
遥感平台与传感器技术
卫星和航空遥感已改变了内陆、沿海和海洋水体的监测。这些方法实现了从地理上稀疏且劳动密集的原位采样向连续、大规模时空评估的转变。光学活性组分（如叶绿素a（Chl-a）、总悬浮固体（TSS）、浊度）和非光学活性参数（如总氮（TN）、总磷（TP））的有效反演在很大程度上取决于特定传感器平台的能力。当前研究描述了分层遥感生态系统，从粗分辨率全球卫星到超高分辨率无人机系统。这些平台日益通过先进AI和ML框架集成。
4.1. 中高分辨率多光谱卫星
现代水生遥感的主干由中高分辨率多光谱卫星形成。最广泛使用的平台是Landsat系列（Landsat-5/7/8/9）和Sentinel-2（MSI）。Landsat档案因其多年代连续性而特别有价值。它支持湖泊营养状态、Chl-a变异性和自1980年代以来长期富营养化趋势的回顾性分析。Sentinel-2提供更高的空间分辨率（10–60 m）并纳入高灵敏度的红边光谱波段。这些波段对检测浮游植物动态和监测藻华发展至关重要。为克服云层覆盖限制并改善时间重访频率，这些平台常被组合成虚拟星座。常见示例是协调Landsat和Sentinel-2（HLS）数据集，提供动态水生系统的近每日观测。
4.2. 粗分辨率和商业高分辨率卫星
对于大型水体如海洋、沿海区域和广阔内陆湖泊，粗分辨率传感器如MODIS、MERIS和Sentinel-3（OLCI）因其每日或亚每日重访能力和专为海洋水色设计的优越光谱配置而不可或缺。Sentinel-3（OLCI）常与Sentinel-2一起用于跨不同光学水类型产生可扩展的水质反演。相比之下，监测小型或空间复杂环境，如狭窄河流、小型水库或局部污染源，需要更高空间分辨率。在这些情况下，使用商业卫星星座如PlanetScope（SuperDove）。PlanetScope提供约3 m空间分辨率，具有每日重访能力。这能够检测细尺度水动力特征和局部异常。然而，其光谱分辨率相对于科学任务更为有限。
4.3. 高光谱遥感
光学复杂的Case-2水体（内陆和沿海环境）常表现出有色溶解有机物（CDOM）、悬浮沉积物和多种藻类色素之间的显著共变。这种复杂性使得使用宽多光谱波段难以分离。Chen等人结合遗传算法（GA）和XGBoost构建了城市河流中五个水质参数的反演模型。该方法提高了Chl-a、TP、TN、NH?-N和浊度的预测精度。Zhang等人展示了从单次机载高光谱采集中同时反演八个水质组分，与Sentinel-2等效光谱子集相比实现了15–30%的精度提升。O'Shea等人开发了用于吸收性固有光学性质的高光谱反演框架。该模型在光学多样化的水类型中表现良好，包括多光谱算法通常退化的高浊度河口环境。即将发射的NASA表面生物学和地质学任务和ESA CHIME仪器均计划于2020年代末发射，将提供约30 m分辨率的系统全球高光谱覆盖，这一能力将直接解决当前限制多光谱多参数反演的光谱信息赤字。高光谱传感器捕获数百个狭窄连续光谱波段（通常10–20 nm带宽）。这些详细光谱特征使得复杂水体组分的解析成为可能。近期星载高光谱任务，包括PRISMA、DESIS、EnMAP和PACE，已被证明具有变革性。
4.4. 无人机和近端感知
卫星观测受大气效应、云层覆盖和固定重访时间表约束。因此，配备小型化多光谱和高光谱传感器的无人机已成为有效的局部尺度解决方案。无人机提供高操作灵活性。它们可在云层下方运行并按需以厘米级空间分辨率获取数据。这使其特别适用于监测狭窄水道、验证卫星产品和跟踪细尺度污染物扩散。此外，近端感知系统如手持式光谱辐射计（如ASD FieldSpec）、连续固定浮标站和基于智能手机的光学传感器提供高频率原位测量，这些测量对于准确大气校正、生物光学模型校准和ML验证是必需的。Qun'ou等人使用深度学习模型从无人机高光谱影像反演总氮，实现R2 = 0.91。该性能超过通常使用卫星多光谱数据对光学非活性参数所实现的水平。Xiao等人还证明无人机多光谱影像结合集成ML在城市河流的多参数估计中实现了高于0.90的R2值。尽管有这些优势，无人机在流域尺度的部署仍有限。关键约束包括电池寿命、空域法规和高光谱线扫描期间对风的辐射敏感性。这些因素将无人机应用限制在目标亚集水区研究。因此，无人机系统作为卫星观测的补充而非替代。
4.5. 合成孔径雷达（SAR）和多传感器融合
虽然光学传感器依赖太阳照明和晴朗天空，但合成孔径雷达（SAR）系统（如Sentinel-1）在穿透云层且可在夜间运行的微波频率下工作。SAR对测绘水面积、检测与藻华或海洋黏液相关的表面粗糙度以及监测水位等相关水文变量特别有效。当前研究日益关注多传感器数据融合。在这些方法中，SAR、多光谱、高光谱和近端数据集被组合以提高鲁棒性。先进DL模型，包括CNN、RNN和LSTM架构，用于集成这些数据源。这种融合策略减少了单个传感器的局限性，并在不同环境条件下实现更一致可靠的预测，支持大规模水生生态系统监测和管理。
- 5.
水质参数反演
5.1. 光学活性组分
光学活性组分（OACs）通过吸收和散射直接改变水下光场。这些过程产生可被卫星传感器检测的水面反射率的可测量变化。OAC的可反演性取决于若干因素：其光学截面相对于背景复杂性的大小、与其吸收或散射特征对齐的光谱波段可用性，以及传感器在相关波长处的信噪比。
5.1.1. 叶绿素a
叶绿素a（Chl-a），以mg/m3或μg/L表示，是浮游植物、藻类和蓝藻中的主要光合色素。它也是数据库中反演最频繁的水质参数。作为浮游植物生物量的指标，Chl-a直接与静水和流水系统中的富营养化状态、藻华动态和初级生产力相关。在流域情境中，升高的Chl-a浓度反映了农业径流和城市雨水的营养盐输入。因此，其准确反演对集水区尺度水资源管理至关重要。
Chl-a的光谱可检测性由三个关键光学特征控制。主要吸收谷位于670 nm附近，对应叶绿素分子的红色吸收带。次级吸收谷位于440–450 nm，对应蓝色Soret带。在这两个吸收最小值之间，浮游植物细胞在550 nm附近产生反射率最大值。由体内Chl-a荧光产生的700–710 nm附近独特荧光发射最大值，为浊水和富营养内陆水体中Chl-a定量提供了最具诊断精度的光谱特征。近红外与红色反射率的比率，利用700 nm峰与670 nm吸收特征之间的对比，构成大多数Chl-a反演算法的基础。
三个主要卫星平台对Chl-a反演呈现不同权衡。Landsat（TM、ETM+、OLI）以30 m空间分辨率和16天重访周期提供蓝、绿、红和近红外波段，能够在像素混合可接受的水体中检测Chl-a。然而，Landsat缺乏705 nm附近的红边波段，这降低了其在光学复杂水体中的性能。在这些环境中，Chl-a信号被TSS变异性混淆，特别是使用近红外-红色比率时。Sentinel-2 MSI通过其705 nm（波段5）、740 nm（波段6）和783 nm（波段7）的红边波段提供了重大改进。这些波段显著改善了Chl-a区分能力，特别是在超过20 μg/L的富营养水体和暴发条件下。其5天重访和10–20 m分辨率使其成为当前内陆水体监测的业务标准。MODIS提供250–500 m分辨率的每日全球覆盖。它非常适合大型湖泊和区域水华监测，尽管其粗分辨率限制了在较小水体（<1 km）中的应用。
5.1.2. 总悬浮固体和总悬浮物
总悬浮固体（TSS）或总悬浮物（TSM），以mg/L或g/m3表示，代表不通过标准滤器的无机和有机颗粒部分，构成水浊度的主要决定因素。在流域系统中，TSS反映了集水区侵蚀、河岸不稳定和风暴驱动输送的沉积物输入。升高的TSS减少光穿透，退化底栖栖息地，并通过颗粒吸附促进营养盐和疏水性污染物的运输。它还通过沉积物输送导致水库淤积，减少储存容量。因此，河流入流输送的沉积物作为受纳静水系统中的主导水质压力源。
TSS的光学可反演性源于其对颗粒后向散射bbp(λ)的直接影
