利用Landsat 8/9和Sentinel-2卫星数据在河流环境中监测有害藻华的效果如何？

《Remote Sensing Applications: Society and Environment》：How Well Can Harmful Algal Bloom be Tracked in Riverine Environments using Landsat 8/9 and Sentinel-2 Satellite Data?

　　

**摘要**
藻类虽然是水生食物网的重要组成部分，但在产生毒素或大量生长形成水华时，可能对环境和人类构成危险。尽管淡水有害藻华事件日益增多，尤其是在河流生态系统中，它们受到的关注却远不及沿海和海洋环境中的水华。在本研究中，我们探讨了利用卫星遥感数据追踪河流有害藻华的多种方法的可行性。所评估的方法包括海洋颜色算法、颜色指数以及仅使用Landsat 8和9以及Sentinel-2A和-2B卫星遥感数据的机器学习方法。机器学习模型的输入特征包括卫星遥感产品的光谱波段值，按与"陆地水与海洋地形任务"（SWOT）河流数据库对齐的离散河段进行聚合。卫星数据获取日期也被纳入机器学习模型的输入特征。通过使用机器学习方法，我们能够估算河段中的叶绿素a浓度，准确识别可归类为有害藻华的浓度水平，精确度不低于90%。机器学习方法由2,000次蒙特卡洛随机随机森林回归模型实例组成。本研究识别了输入数据中噪声的可能影响，并建议了一种在训练机器学习模型之前消除噪声的方法。总体而言，本研究为利用遥感数据研究从源头到河口环境的完整河网中有害藻华的发生搭建了平台。

**引言**
光合水生微生物——即藻类——对于以它们为食的其他水生生物的生存至关重要（Hallegraeff, 1993）。然而，水体中藻类浓度升高可能在多种方面产生危害。藻类水华可产生毒素，影响水生生物以及摄入毒素的陆地动物和人类的健康（Sellner等，2003）。高浓度的藻类会迅速消耗水体中的溶解氧，导致鱼类和其他水生生物死亡。有害藻华（HAB）的环境影响包括水质下降，如水体变色以及水面形成恶臭浮渣（Anderson等，2021）。有害藻华还具有经济影响，因为应对其实体出现和公共卫生影响代价高昂。此外，有害藻华还导致渔业、娱乐和旅游收入减少（Sellner等，2003）。

有害藻华因其环境和公共卫生影响而成为全球关注的问题（Chinain等，2021）。全球有害藻华报告表明，其发生频率和流行程度呈历史上升趋势（Anderson等，2021；Belin等，2021；Karlson等，2021；Y?iguez等，2021；Zingone等，2021）。例如，在美国，由有害藻华引起的更多毒素正成为威胁，同时有害藻华事件的影响已扩大到更大范围的资源和区域。受影响的区域中，大多数被研究的是海洋和河口。尽管沿海地区的有害藻华影响历来比湖泊和河流等淡水水体受到更多关注，但河流系统中淡水有害藻华的发生不容忽视（Hudnell, 2010）。淡水藻华，尤其是由蓝细菌引起的水华，也可能造成严重的生态和健康影响（Paerl等，2001）。

一般来说，影响淡水有害藻华发生的条件包括水生营养物质负荷增加、水温升高和水体冲刷率低（Ahn等，2006；Paerl & Huisman, 2008；Sellner等，2003）（图1）。人类活动因素加剧了这些条件，使淡水水体更易受有害藻华侵害。城市化、土地利用变化和农业等人为因素增加了肥料和其他化学物质向淡水系统的输送，提高了营养负荷。全球气温升高和气候变化导致的降水模式改变也为有害藻华创造了更有利的条件。水温升高会促进有害藻华发展，而降水模式的变化则可能导致更频繁和更剧烈的营养物质径流事件（Paerl & Huisman, 2008）。此外，为满足人类需求而建造的水坝也可能提高河流水温（Ahmad等，2021；Darkwah等，2024），水库的形成则通过减缓河流流速降低冲刷率（Kim等，2021；Sellers & Bukaveckas, 2003）。这些因素形成了复杂的条件关联网络，推动着河流环境中有害藻华的发生和严重程度。

河流生态系统中的局部有利条件可导致有害藻华的形成，其生物量随后可被输送至下游（Schmadel等，2024）。超越河流网络的范围，河流淡水条件的影响也是导致河口地区有害藻华发生的主要因素。在河口地区，河流从整个流域——从源头到河口——汇集营养物质丰富的沉积物。在汇入海洋之前，河流还会经历逐步的下游增温过程（Cristea & Burges, 2010；Darkwah等，2024）。这意味着有利条件从河流网络向河口转移。此外，流入海洋的淡水可以作为传播媒介，将有害藻类和毒素直接从内陆输送到海洋，类似于河流网络中的上游-下游动态。

了解淡水有害藻华的动力学特征和影响，以及它们如何通过河流网络传导至河口，既重要又具有挑战性。这一挑战包括需要持续监测淡水有害藻华事件及其形成条件（Stumpf等，2003）。传统方法，如现场水样采集以确定藻类细胞密度或毒素浓度，通常在特定水体中的藻类水华已达到有害水平时才会启动（Caballero等，2020）。然而，鉴于全球对有害藻华的关注，一种更加持续、经济且具有前瞻性的监测方法势在必行。传统的临时监测方法受空间覆盖范围的局限，单一地点的样本可能无法准确代表受有害藻华影响的更大区域，使其难以理解有害藻华的空间动态特征（Liu等，2022；Schmadel等，2024）。此外，为覆盖较大空间范围而增加现场测量点数量成本高昂（Caballero等，2020）。

监测有害藻华发生的另一种方法是使用能够预测或估算叶绿素a浓度（Chl-a）的模型，将其作为水体中藻类生物量的替代指标（O'Reilly & Werdell, 2019；Schmadel等，2024）。这些模型包括过程模型和数据驱动模型，大多数模型的适用范围往往局限于海洋环境和大型湖泊（Caballero等，2020；Clark等，2017；Cloern等，1995）。近期的研究也展示了创新性，将通过将陆基视频监控等数字现场数据与卫星遥感相结合，并结合建模来监测和预测湖泊及近岸环境中的有害藻华（Qiu等，2023, 2025）。然而，在河流环境中估算叶绿素a通常局限于个别站点，因为缺乏广泛可用的输入数据集（Savoy & Harvey, 2023）。

鉴于当前技术水平和面临的挑战，卫星遥感可以成为广泛可用的输入数据来源，用于探索大尺度有害藻华监测。遥感技术的进步催生了能够测量地表特定波长光谱反射率的卫星仪器，这对于识别和量化水体中的浮游叶绿素a至关重要。除了识别叶绿素a之外，遥感技术还可用于评估水温和水流参数（如水面高程），这些是预测河流中藻类丰度的重要要素（Cha等，2017；Cheng等，2019）。与淡水和河流环境不同，用于监测沿海或海洋有害藻华发生的卫星遥感技术已被更为深入地探索（例如：Caballero等，2020；Chinain等，2021）。

然而，利用遥感技术和机器学习监测内陆淡水有害藻华的研究仍在不断推进。过去十年间的多项研究利用卫星遥感数据和机器学习技术（如随机森林和长短期记忆网络）来识别和评估有害藻华（Wang等，2025）。在中国黄河流域，Cui等（2024）利用机器学习技术和无人机（UAV）遥感数据识别了乌梁素海中的有害藻华。然而，使用无人机在广阔河网中进行大规模有害藻华识别并不可行。Greene等（2025）利用Landsat 8和9以及Sentinel-2A和-2B卫星遥感数据估算了美国纽约州7,000个湖泊的叶绿素a浓度。他们的研究使用了多种机器学习和回归模型，包括Extra Trees回归（ETR）、支持向量回归（SVR）、随机森林回归（RFR）和梯度提升回归（GBR）。Song等（2025）利用长期Landsat影像和机器学习评估了长江中下游地区湖泊和水库中叶绿素a浓度的多十年时空变化。他们的研究仅使用卫星数据作为模型输入。然而，他们的研究范围仅限于湖泊和水库，与此前强调的研究类似。

在河流中，Savoy & Harvey（2023）对美国河流的日叶绿素a浓度进行了建模；在

本数据集提供了一种切实可行且全面的方式来探索光谱波段算法。OC3算法在其原始实现中，当将MBR（最大波段比）和Chl-a（叶绿素a）分别绘制在对数x轴和y轴上时，往往呈现与公式1相符的逆S形曲线（O'Reilly等人，1998年；O'Reilly & Werdell，2019年）。然而，在我们将OC3算法应用于河道区段的研究中，MBR与Chl-a之间的关系并未呈现逆S形模式（图5）。数据点与公式1之间的R2值为-0.79，负值表明……

**讨论**
总体而言，仅使用卫星遥感数据来识别河流中有害藻华（HAB）的发生面临诸多挑战。尽管OC3和CI等光谱波段算法已被充分证明适用于海洋环境和大型湖泊，但我们尝试将这些方法应用于河流环境的努力被证明是不可行的。多个原因可能导致了在河流环境中应用失败的结局。首先，光谱算法……

**结论**
我们旨在探索利用卫星数据追踪河流水系中有害藻华发生情况的可行性。我们认为，目前关于淡水河流有害藻华背景下遥感技术的应用研究尚未受到足够重视。因此，这项针对美国大陆区域的全面可行性研究恰逢其时。在社区将此方法应用于理解水库运行如何影响或缓解我们河流水系中有害藻华发生之前，了解是否……

**开放研究**
本研究中使用的所有数据和代码均可通过以下GitHub链接公开获取：https://github.com/UW-SASWE/RiHAB。原位叶绿素a浓度数据通过美国地质调查局（USGS）的Waterdata平台（https://dashboard.waterdata.usgs.gov/）和水质数据门户（https://www.waterqualitydata.us/）获取，使用的是USGS在GitHub上提供的"数据检索"Python包：https://github.com/DOI-USGS/dataretrieval-python。用于……的卫星遥感数据

**CRediT作者贡献声明**
Faisal Hossain：审阅与编辑、监督、项目管理、概念化。George Darkwah：原创草稿撰写、可视化、方法论、调查、形式分析、数据管理、概念化

**利益冲突声明**
? 作者声明，他们没有已知的竞争经济利益或个人关系可能对本研究报告的工作产生影响。

**致谢**
本研究的第一作者（George Darkwah）获得了部分资助，来源于NASA授予第二作者的地球科学行动水计划资助（编号：80NSSC22K0918）。

G.K. Darkwah | Faisal Hossain
华盛顿大学土木与环境工程系，华盛顿州西雅图市 98101