摘要
河流浑浊度是水质的关键指标，它既影响人类活动，也影响河流生态系统的功能。然而，强烈的季节性变化、对干扰的高度敏感性以及明显的空间异质性使得浑浊度模式难以描述和在各个河流系统中进行推广。在生态建模中，纳入环境变量可以通过提供仅靠光谱信号无法完全捕捉到的过程相关背景信息来提高模型的准确性。然而，这一策略在水质遥感领域尚未得到系统性的评估，尤其是在跨河流浑浊度反演方面。在这里，我们应用了这一策略来构建跨河流浑浊度模型，并将其与仅使用光谱数据的模型进行了比较。我们分析了美国本土的43个监测站点。我们使用了四种模型：随机森林（RF）、极端梯度提升（XGBoost）、支持向量机（SVM）和人工神经网络（ANN），并在两种情况下分别仅使用光谱特征以及结合环境变量进行了建模。纳入环境变量显著提高了模型的整体性能，其中中位数R2从0.60–0.69提升到0.67–0.78，中位数Kling–Gupta效率（KGE）从0.59–0.67提升到0.71–0.77。在两种情况下，RF和XGBoost均保持了或提高了跨站点的泛化能力，在留一法测试中的中位数KGE值分别为0.65和0.67，而SVM和ANN的中位数KGE值分别为0.56和0.58。在流量季节性较强的站点，性能提升更为显著。站点级和特定范围的分析进一步表明，这种改善主要与低流量和低浑浊度条件有关，并且往往出现在海拔较低的小流域中。这些结果表明，整合光谱和环境信息可以提高浑浊度反演的准确性和泛化能力，并有助于阐明在多样化的河流系统中，环境背景信息何时以及为何有助于水质遥感。
