基于卫星信息的边界集合传播及其在伊洛河风险感知生态补水调度中的应用

《Journal of Hydrology: Regional Studies》：Satellite-informed boundary ensembles for risk-aware ecological water replenishment in the Yi–Luo river

　　

生态补水（Ecological Water Replenishment, EWR）广泛应用于受调节河流，以在水资源供给预算受限的条件下缓解低流量期水质恶化。在伊洛河，调度评估高度依赖于来自上游河段、支流和侧向入流的浓度与负荷。这些边界强迫（boundary forcings）通常稀疏、不规则且异步，导致管理相关尺度上的短期变率未能得到解析。当以单一确定性序列表示时，边界误差可通过建模链传播，并偏倚对合规时间、超标风险（exceedance risk）和综合超标响应的估计。因此，边界不确定性应被显式量化，而非被吸收到单一最佳估计强迫情景中。

脉冲泄放与支流入流、回水效应和非均匀混合相互作用，产生水质响应在纵向和横向上的异质性。因此，需要二维表征来解析影响局部超标和合规结果的浓度分布格局。MIKE21将深度平均水动力学与对流-弥散输运相耦合，而ECO Lab为水质过程提供可配置的反应模块。然而，只有当边界强迫的时间变率以足够的保真度被表征时，补水调度对稀释、输运和生物地球化学交换的影响才能得到可靠评估。因此，基于过程模型的预测价值不仅取决于其内部公式构架，还取决于所设定边界条件的质量及其不确定性。

遥感与机器学习相结合（Remote Sensing–Machine Learning, RS–ML）可通过提供额外时间和位置上空间分布化的预测因子来补充稀疏的站点记录。氨氮（NH₃–N）、高锰酸盐指数（COD_Mn）和总磷（Total Phosphorus, TP）并不被假定具有独特的直接光学信号，而是通过特定点位与光学响应性水体性质、水文气象条件、季节性和河道平面形态特征的协变关系间接估算。梯度提升树模型如XGBoost和LightGBM非常适合整合这些异质性多源预测因子，并在水资源和内陆水体应用中展现出强劲性能。由于由此产生的经验关系依赖于河流和传感器，因此需要空间分离验证（spatially separated validation）以避免对可迁移性（transferability）的乐观估计。研究人员因此采用留一断面验证（Leave-One-Section-Out, LOSO），即整个监测断面被排除在模型拟合之外，仅用于检验空间泛化能力。

虽然数据同化（data assimilation）在观测可用时提供了序贯更新模型状态和边界条件的补充途径，但本研究集中于在固定水量补水决策框架下传播边界不确定性。研究目标为：（1）评估断面特异性RS–ML反演对NH₃–N、COD_Mn和TP在流域内的空间可迁移性；（2）量化卫星信息中值边界相对于仅站点确定性基线（station-only deterministic baseline）的确定性性能增益，同时仅对卫星信息集合评估概率性能；（3）评估可用留出断面和独立观测断面的残差，并在二维域内绘制模型预测不确定性图，但不将未观测位置视为已获空间验证；（4）在相同总泄放水量下，利用合规时间、超标风险和基于超标的纳污能力代理指标（exceedance-based environmental-capacity proxy, ECP），比较高频短历时（HF–SD）、中频中历时（MF–MD）和低频长历时（LF–LD）调度方案。

**论文解读**

**一、研究背景与问题提出**

在受调节河流中，生态补水（Ecological Water Replenishment, EWR）是缓解低流量期水质恶化的常用手段，但在有限的水资源供给预算约束下，调度方案的评估面临显著挑战。伊洛河流域的水质调度评估高度依赖于来自上游河段、支流和侧向入流的浓度与负荷等边界强迫条件。然而，这些边界强迫通常稀疏、不规则且异步，使得管理相关尺度上的短期变率无法得到有效解析。当边界条件以单一确定性序列表示时，边界误差可通过整个建模链传播，导致对合规时间、超标风险（exceedance risk）和综合超标响应的估计产生偏倚。因此，边界不确定性应被显式量化，而非被吸收到单一最佳估计强迫情景中。

此外，脉冲泄放（pulse releases）与支流入流、回水效应（backwater effects）及非均匀混合相互作用，在水质响应中产生显著的纵向和横向异质性。这意味着需要二维表征来解析影响局部超标和合规结果的浓度分布格局。MIKE21将深度平均水动力学与对流-弥散输运相耦合，ECO Lab则为水质过程提供可配置的反应模块，但模型的预测价值不仅取决于其内部公式构架，还取决于所设定边界条件的质量及其不确定性。在此背景下，如何利用多源数据改进边界条件的表征、量化并传播其不确定性，成为提升补水调度决策可靠性的关键科学问题。

**二、研究内容与意义**

针对上述问题，研究人员提出了一套将卫星遥感与机器学习（Remote Sensing–Machine Learning, RS–ML）相结合，生成断面特异性水质边界集合，并传播至MIKE21水动力-水质耦合模型的完整框架。研究以伊洛河为对象，针对氨氮（NH₃–N）、高锰酸盐指数（COD_Mn）和总磷（Total Phosphorus, TP）三项关键水质指标，在2018–2023年数据档案和2021–2023年情景模拟的基础上，系统评估了卫星信息边界相对于仅站点确定性基线（station-only deterministic baseline）的确定性精度增益，量化了边界不确定性的空间分布特征，并在相同总泄放水量下对比了高频短历时（HF–SD）、中频中历时（MF–MD）和低频长历时（LF–LD）三种补水调度方案。该研究的核心意义在于为固定水量约束下的风险感知补水调度（risk-aware replenishment scheduling）提供了可操作的集合建模与决策比较范式。

**三、关键技术与方法**

研究的技术路线涵盖多个紧密衔接的环节。首先，对Sentinel-2 MSI、Landsat-8/9 OLI和Sentinel-3 OLCI多源光学卫星影像进行严格的水体掩膜、云层筛选和质量控制预处理，在监测断面处提取光谱波段、灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）纹理、季节性项和降雨聚合量等多源预测因子，与2018–2023年常规采集水样进行时空配对（配对窗口为±3天）。其次，训练XGBoost和LightGBM梯度提升树模型对NH₃–N、COD_Mn和TP进行断面特异性反演，采用留一断面验证（Leave-One-Section-Out, LOSO）评估空间可迁移性。再次，利用分位数回归（quantile regression）结合基于留出残差的蒙特卡洛重采样（M=200次实现），构建各断面边界浓度的概率集合。然后，将断面级集合映射至MIKE21 HD/AD–ECO Lab耦合模型的边界节点，模型采用含24,386个节点和46,972个三角形单元的柔性网格，经2022年实测36个断面地形和现场率定的反应动力学参数配置后进行二维水动力与水质模拟。此外，利用SHAP方法归因预测因子的贡献。独立的4小时高频数据集（2021年8月7日至9月20日，涵盖三次降雨-径流事件）被专门保留用于MIKE21验证，不参与RS–ML训练和边界生成。

**四、主要研究结果**

*反演性能（Retrieval performance）*

K-fold与LOSO验证结果表明，LOSO虽使误差上升（如COD_Mn均方根误差从0.476升至0.739 mg·L^?1，R²从0.794降至0.473），但三项指标均保持正的中位R²，表明RS–ML反演在流域内具有有限但可用的空间可迁移性。预测区间覆盖概率（Prediction Interval Coverage Probability, PICP）围绕名义水平0.80波动，但在低流量和降雨过渡条件下出现恶化。SHAP归因分析确认光谱/纹理、降雨和平面形态预测因子为互补贡献者，去除任一预测因子组或替换为单一学习器均导致RMSE和CRPS升高。

*水动力学与水质验证（Hydrodynamics and water-quality validation）*

在18项断面–组分比较中，卫星信息确定性配置（RS–D）相对仅站点确定性基线（SO–D）均展现更低的RMSE和更高的R²，其中COD_Mn平均RMSE从0.573降至0.488 mg·L^?1，NH₃–N从0.077降至0.060 mg·L^?1，TP从0.036降至0.011 mg·L^?1。独立4小时数据集亦验证了这一确定性精度优势。然而，P10–P90覆盖率在低流量和强降雨后24–48小时内降至0.80以下，回水区段呈现更宽且重叠程度更高的预测区间。空间残差图与P90–P10宽度图揭示模型预测不确定性在回水和支流汇入河段最大。

*固定水量下的情景结果（Scenario outcomes under a fixed water budget）*

在相同总泄放水量条件下，相对于低频长历时方案（LF–LD），高频短历时方案（HF–SD）使合规时间覆盖平均增加127.3小时（95%自助置信区间：101.7–152.0），基于超标的纳污能力代理指标（ECP）提升28.6%（22.4–35.4%），超标概率降低0.157（0.130–0.183）。Hodges–Lehmann估计和单侧符号翻转置换检验（p≤0.016）支持上述差异。中频中历时方案（MF–MD）在中心趋势和离散度上一般介于两者之间。在回水影响和支流汇入河段，方案间的差异收窄，预测区间重叠度升高（OVL≥0.60），表明这些区段的调度选择不确定性更大。

*管理意义（Management implications）*

模拟结果显示HF–SD的相对优势并非空间均一；在回水影响河段和支流汇口附近，由于较低的剪切力和较长的有效停留时间，方案间差异缩小，但中位配对差异仍保持在零或以上。该结果支持将HF–SD作为一种候选调度模板进行特定点位和时段的再评估。

**五、讨论与结论**

研究的核心贡献在于建立了RS–ML→MIKE21耦合框架，将卫星信息驱动的边界集合显式传播至概率性二维水质预测中。RS–D相对于SO–D的确定性精度提升已获验证，但由于SO–D为确定性配置，本研究并未检验卫星信息集合（RS–E）是否降低了不确定性或优于概率性站点程序；RS–E的贡献在于边界不确定性的显式传播与报告。不确定性在汇流区和回水区段最大，低流量和强降雨后短期内预测分布可能趋于欠离散（under-dispersed），这与亚日尺度动力学和卫星重访周期限制有关。HF–SD在测试条件下展现的调度优势仅限于所研究的系统、时段和强迫条件，不应外推至其他时期或河流系统。任何业务化应用均需在边界浓度、输水条件或水文情势发生实质性变化时进行重新评估。未来研究应将调度选择形式化为约束优化问题，以在不确定性下联合平衡合规风险、水力限制和生态目标。

**研究结论翻译**

本研究将NH₃–N、COD_Mn和TP的卫星信息边界集合与MIKE21 HD/AD–ECO Lab模型相耦合，用以比较伊洛河等水量补水调度方案。在2021–2023年模拟和测试的固定水量边界及水动力学条件下，相对于LF–LD，HF–SD使合规时间覆盖增加127.3小时，ECP提升28.6%，超标概率降低0.157，而MF–MD一般处于中间水平。在支流和回水影响河段，方案间优势差异缩小，预测区间重叠更强。这些结果为三种测试模板提供了条件性排序，不应在未经额外验证的情况下外推至其他时期或河流系统。卫星信息中值边界相对于SO–D改善了确定性RMSE和R²，而RS–E使边界不确定性得以通过MIKE21传播。由于缺乏概率性站点基准，本研究未确立卫星信息程序在降低或表征不确定性方面优于传统站点程序。残差验证仅限于可用观测断面，未观测河段的制图不确定性为模型估计而非独立验证。因此，研究结果支持对所研究系统和时段进行风险感知的调度比较，而非建立普遍适用的排序规则。应用于其他时期或受调节河流需要对RS–ML组件进行本地重新训练，并开展特定点位的水动力学和水质验证，尤其在支流影响、回水条件和极端流量情形下。