基于Landsat的四十年河流浑浊度重建揭示美国河流空间异质性下降趋势

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：Four decades of Landsat-based river turbidity reconstruction reveal spatially heterogeneous declines across U.S. rivers

　　

摘要 浊度是一项基本的水质参数，通过调节光照渗透率、初级生产力和营养物质与污染物的命运，对水生生态系统产生深远影响。尽管此前已有针对美国河流的大规模光学水质研究，但将Landsat地表反射率、机器学习反演和生态区尺度驱动因子归因相结合的系统性、多十年期分析仍然有限。本研究开发并验证了一种基于Landsat的长期浊度重建框架，涵盖美国本土48州主要河流从1984年至2025年的时间序列。通过将协调一致的Landsat 5/7/8/9地表反射率数据（Collection 2 Tier 1）与源自"陆地水与海洋地形任务"河流数据库（SWORD，以SWOT卫星任务命名）的河流几何信息以及美国地质调查局（USGS）的水下现场浊度测量值相结合，我们建立了一个稳健的随机森林（RF）回归模型（验证R2 = 0.95，RMSE = 21.25 NTU）用于浊度估算，其性能优于其他三种机器学习算法。该RF模型还经过严格的时空可转移性测试评估，包括时间留一、共享站点、新站点以及逐区域留一（LORO）空间交叉验证。模型的可靠性通过SHAP（SHapley Additive exPlanations）分析进行了严格验证，确认模型学习到了具有物理意义的关系。我们的研究揭示了河流浊度的显著空间模式，南方平原（SPL）和温带平原（TPL）生态区的浊度值通常较高，而西部山地（WMT）和干旱区（XER）的浊度值较低。此外，我们检测到浊度随时间呈现异质性但整体下降的趋势，这在历史高浊度区域尤为明显。模型诊断表明，中至高浊度水体中的预测性能更高，重建数据集应主要在区域尺度和长期尺度上进行解读。为探讨这些变化的驱动因素，我们将气候、土地覆盖和大坝数据整合到分析中。结果表明，人为因素——包括大坝（贡献约33%）、森林覆盖（约27%，反映了未受干扰的状况）以及城市/建成区（约17%）——是全国尺度上浊度变率的主要贡献因素，远超气候变量的影响（每项通常<5%）。对十条代表性有大坝的河流的进一步分析表明，大坝建设与下游浊度显著降低相关联，较高的大坝通常效果更强，但受局部地形的调节。作为一项探索性应用，作为示例性案例研究而非主要发现，我们进一步开发了一个将浊度下降与流速相关河道代理指标相结合的浊度关联水动力-地貌敏感性指标。该指标旨在为识别沉积物减少可能与水力强迫增强相重合的河段提供初步参考；在进行任何与灾害相关的解读之前，都需要独立的地貌验证。

引言 浊度是内陆水体水质的一项关键光学指标，反映了水体柱中悬浮颗粒物与沉积物的浓度。它在调节水下光照可用性、水生初级生产力、生境适宜性以及营养物质和污染物的输运方面发挥着至关重要的作用（Brando and Dekker, 2003; Ritchie et al., 1976）。浊度升高通常与流域侵蚀、暴雨径流、大坝运行、农业活动和其他人为扰动有关（Li et al., 2025; Wang et al., 2012）。因此，长期浊度动态可以反映水文情势和土地利用实践的变迁，为了解淡水生态系统的环境健康状况提供有价值的信息（Allan, 2004; Murphy, 2020）。在美国，河流跨越多样的气候和地貌区域，使得在空间和时间上评估浊度变化变得至关重要（Murphy, 2020）。这类评估不仅能增进我们对沉积物通量和生态风险的理解（Bonansea et al., 2015; Schinegger et al., 2012; Shaw et al., 2018），还能在变化的环境条件下支持水质管理（Blakey et al., 2016; Knaeps et al., 2015）。然而，传统的现场监测方法在空间和时间覆盖方面往往存在局限，特别是在大型和偏远的河流系统中（Barnhart et al., 2014; Gholizadeh et al., 2016; Lathrop et al., 1991）。

卫星遥感提供了一种可扩展且具有成本效益的方法来解决这些局限（Kim et al., 2017; Masocha et al., 2017）。在众多地球观测平台中，Landsat系列因其数十年的数据存档、中等空间分辨率和一致的全球获取能力而脱颖而出，使其特别适合长期浊度监测（Lathrop et al., 1991; Robert et al., 2016）。自1984年以来，Landsat任务提供了可见光和近红外波段的表面反射率数据，这些数据可以与内陆水体的浊度建立经验联系（Brezonik et al., 2005; Wang et al., 2024）。尽管Landsat最初并非为水生应用而设计，但由于其开放获取和数据连续性，Landsat影像越来越多地被用于估算湖泊、河口和大型河流中的浊度（以及诸如悬浮泥沙或水体透明度等相关指标）（Shi et al., 2015）。然而，河流浊度的遥感研究仍然面临挑战。河流通常狭窄、空间异质性强且动态变化大，受相邻陆地影响导致混合像元效应，浅水区河底反射率变化也增加了复杂性（Bonansea et al., 2015; Knaeps et al., 2015）。云层覆盖、复杂的水文情势和显著的季节性变异性进一步增加了生成一致时间序列的难度（Shi et al., 2018）。现有的浊度反演方法通常依赖于红光或近红外波段反射率与现场浊度测量值之间的经验关系（Lathrop et al., 1991）。虽然在光学简单水体中效果良好，但此类方法可能缺乏在更广泛时空尺度上的普适性，以及在多种光学活性成分共变的复杂光学水体系统中的适用性（Dogliotti et al., 2015; V?r?smarty et al., 2003）。

近年来，机器学习领域的进展——如随机森林和支持向量机——通过捕捉光谱信号与浊度之间的非线性关系，提高了反演精度（Li et al., 2023b; Peterson, 2018）。与半解析算法和物理反演方法相比，基于机器学习的方法更适合于大规模应用，因为在多样光学水体类型和环境条件下，无法依赖单一的一套生物光学参数。然而，这些工作主要集中于单个流域或有限的时间段，鲜有研究关注大陆河流网络的大规模、多十年期浊度趋势（Zhang et al., 2016; Zhao et al., 2022）。值得注意的是，近期一项基于35年Landsat观测的分析揭示了美国河流颜色的广泛变化，强调了大规模光学水质监测的可行性和重要性（Gardner et al., 2021）。

在此前研究工作的基础上——包括Gardner等（2021）、Topp等（2020）和Ross等（2019）的大规模浊度和总悬浮固体数据集——本研究侧重于SWORD参考采样、跨传感器协调和综合驱动因子归因的独特贡献，以阐明1984年至2025年间美国本土48州河流浊度的时空动态和人为控制因素。

在大型空间和时间尺度上监测河流浊度对于表征沉积物输运、评估长期水质状况以及指导流域管理策略至关重要。然而，美国的现场浊度记录在空间上往往不连续，在时间上不一致（Droujko and Molnar, 2022; Leigh et al., 2019a），限制了我们进行系统性长期评估的能力。基于遥感的浊度反演为填补这一空白提供了有前景的途径，但其在大范围河流网络中的应用受到了缺乏一致空间锚点和难以从狭窄河道中提取可靠反射率信号的阻碍。

在本研究中，我们利用新近开发的"陆地水与海洋地形任务"河流数据库（SWORD，以SWOT卫星任务命名）作为浊度估算的空间显式参考框架。我们不仅映射自由流动图像像素上的浊度，还将已有的点式现场浊度测量值与在相应SWORD河心线点提取的Landsat光谱反射率值整合在一起。SWORD数据库为全球主要河流提供了协调一致的河流几何信息和等间距锚点（节点）（Altenau et al., 2021），使得即使个别卫星图像部分缺失或遮挡，也能跨时间一致地进行反射率采样。

尽管许多浊度遥感研究集中于河口、三角洲、水库、湖泊和沿海水体，但针对美国内陆河流网络浊度动态的长期评估仍然相对有限（Gholizadeh et al., 2016; Miglino et al., 2022）。在先前的全国性和大规模光学水质研究的基础上，本研究侧重于重建SWORD参考河流节点处多十年期的河流浊度动态，并评估其空间模式、时间趋势、潜在驱动因素以及美国本土48州的不确定性。

在此基础上，本研究首先开发并验证预测模型，利用遥感数据估算河流浊度。随后，我们探究观测到的浊度时空模式背后的环境驱动因素。具体而言，我们考察：(1)流域属性（地貌形态、土地利用/土地覆盖）和气候因素如何共同影响沉积物的产生、输运和沉积；(2)在年际至十年级时间尺度上，人为驱动因子与自然驱动因子在塑造河流浊度动态中的相对作用；(3)作为一项探索性应用，我们提供示例性评估，探讨长期浊度下降如何与流速相关的水动力-地貌敏感性相关联，为识别可能需要进一步地貌调查的河段提供初步筛选参考。

研究区域片段 美国本土48州拥有广泛而多样的河流网络，从大型低地水系到较小的高海拔溪流应有尽有。这些河流流经各种地貌区域和气候区，导致水文和地貌条件在空间上存在显著差异。为提供一致的分析框架，我们将美国本土48州（CONUS）划分为九个一级生态区（Omernik and Griffith, 2014）（图1）。研究

输入变量选择用于浊度预测 进行Pearson相关性分析（图4），以识别浊度预测中信息量最大的遥感变量。在所有候选光谱特征中，红-近红外波长范围的反射率是最强的单一浊度预测因子。Landsat第4波段（TM/ETM+的红波段；OLI的第5波段，对应近红外波段）在所有单波段中与浊度的绝对相关性最高（约0.80），表明该光谱区域反射率升高与浊度高度相关

全国尺度的主要驱动因子 在全国尺度上，我们的结果表明，河流浊度主要由人为驱动因子所控制，其累积影响远超自然水文或气候因素。大规模评估表明，土地利用变化和径流调节通常解释了美国河流中悬浮沉积物变率的主要部分（Murphy, 2020），我们的发现有力地印证了这一结论。图10总结了各变量解释的方差

结论 本研究开发了一种基于Landsat的长期框架，重建了美国本土48州主要河流从1984年至2025年的河流浊度。通过整合Landsat地表反射率、SWORD河流几何信息和USGS现场浊度观测数据，我们生成了空间显式的浊度重建结果，适用于评估广泛的空间梯度和多年至十年级变化。模型诊断表明，随机森林反演捕捉到了主要浊度梯度

CRediT作者贡献声明 杨李：原创草案撰写、可视化、验证、方法学、调查、资金获取。韩炳谦：形式分析、数据整理。刘杰：审阅与编辑、软件、项目管理。宋凯山：审阅与编辑、项目管理、方法学。吕东梅：资源、方法学。施昆：项目管理、调查。马越：软件、项目管理。邵世迪：资源、概念化。周玉金：资源。

利益冲突声明 作者声明不存在已知的竞争经济利益或个人关系可能影响本文报告工作的客观性。

致谢 本研究由中国国家重点研发计划（2024YFD1500602）、国家自然科学基金（编号42171385和42271341）、国家自然科学基金（编号42201433）、武汉大学信息测绘遥感国家实验室开放基金（资助编号22R02）以及中国科学院青年创新促进会（2022228）共同资助。杨李|韩炳谦|刘杰|宋凯山|吕东梅|施昆|马越|邵世迪|周玉金|张吉朋|吕恒 中国科学院东北地理与农业生态研究所黑土保护与利用国家重点实验室，长春，130102，中国