基于Sentinel-2影像的太湖总磷与总氮遥感反演及时空分布研究

《Water》:Retrieval of Water Quality Parameters of Lake Taihu Based on Sentinel-2 Imagery

【字体: 大 中 小 】 时间:2026年09月20日 来源:Water 3.5

编辑推荐:

  富营养化已成为太湖面临的主要环境问题,其中总磷(total phosphorus,TP)和总氮(total nitrogen,TN)是关键指示参数。然而,现有太湖TP和TN反演大多依赖有限时段内的常规经验算法,且全湖两种营养盐的逐月空间格局仍缺乏清晰刻画。为弥

  
富营养化已成为太湖面临的主要环境问题,其中总磷(total phosphorus,TP)和总氮(total nitrogen,TN)是关键指示参数。然而,现有太湖TP和TN反演大多依赖有限时段内的常规经验算法,且全湖两种营养盐的逐月空间格局仍缺乏清晰刻画。为弥补这一不足,本研究将基于最大信息系数(Maximal Information Coefficient,MIC)的特征选择引入Sentinel-2影像的TP和TN机器学习反演中,并生成了九个月的逐月全湖分布图。本研究利用2024年1月至2024年12月期间Sentinel-2卫星影像及从太湖15个自动监测站获取的水质数据,构建TP和TN反演模型。首先使用MIC进行特征选择,随后采用随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)、反向传播神经网络(Backpropagation Neural Network,BP)和极限梯度提升(eXtreme Gradient Boosting,XGBoost)四种机器学习算法建立TP和TN反演模型,最后选取最优模型绘制两种营养盐的空间分布图。结果表明,结合波段组合的SVM模型取得了最佳的TP反演性能(R2 = 0.65,均方根误差(Root Mean Square Error,RMSE)= 0.03 mg/L),而RF模型在TN估算中精度最高(R2 = 0.46,RMSE = 0.36 mg/L),仅解释了约46%的方差,表明其对TN反演的预测能力有限。在时间上,太湖TP浓度在12月至5月期间相对较低,8月至10月逐渐升高,并于10月达到年度峰值。在空间上,西部湖区TP浓度高于东部区域。TN在全湖的空间分布格局与TP一致;在时间上,TN浓度在3月达到年度最大值,8月达到年度最小值。这些发现证明了基于卫星的TP和TN反演用于湖泊水质监测的可行性,并为太湖水环境管理提供了科学支撑。
基于Sentinel-2影像的太湖总磷与总氮反演研究解读

一、研究背景与科学问题

水资源是维持地球生态平衡的基础,淡水作为稀缺可再生资源,支撑着陆生生物及人类生产活动。太湖是中国第三大淡水湖,为长江三角洲提供重要饮用水源和生态服务。然而,经济快速发展导致工业废水、城市污水无序排放以及农田化肥过量施用,氮、磷等外源污染物持续进入湖泊,富营养化严重威胁内陆淡水环境。氮和磷是引发富营养化的主要营养盐,过量营养盐导致藻类和浮游生物快速增殖,消耗水中溶解氧,破坏水生生态系统平衡。因此,监测太湖总磷(total phosphorus,TP)和总氮(total nitrogen,TN)浓度对于掌握水质时空变化、保护供水安全至关重要。

传统水质数据获取主要依赖人工野外采样实验室测试和固定自动水质监测站两种方式,虽数据精确可靠,但人工采样难以实现全湖实时监测,存在点位有限、偏远区域难以到达、样品储运过程可能改变性质等问题,且人力船舶耗材成本持续投入;自动监测站虽能24小时连续监测,但配套消解反应装置、化学试剂和耗材大幅增加建站及长期运维成本。遥感反演技术利用光谱反射率和波段组合反演水质参数,能够实现湖泊水质变化的同步制图。已有研究证实水体光谱反射率与水质参数存在显著相关性,机器学习与深度学习方法在陆水水质参数反演中发展迅速。但现有反演研究大多基于有限时段的统计回归或单一机器学习算法,较少系统考察特征选择的影响,也缺乏逐月全湖TP和TN分布产品。

本研究以太湖为研究区,结合Sentinel-2多光谱影像和四种机器学习算法反演水质参数,旨在回答两个科学问题:经最大信息系数(Maximal Information Coefficient,MIC)特征选择后,哪种机器学习算法能最有效地从Sentinel-2影像中反演TP和TN浓度;两种营养盐在湖内的时空变化规律如何。研究目标包括:(1)利用四种机器学习技术构建TP和TN反演模型,分别确定最优建模方案;(2)基于优选模型绘制太湖TP和TN空间分布及逐月动态图。研究在两方面推进了太湖TP和TN反演:一是采用MIC对两种营养盐进行特征选择,MIC能够捕捉光谱变量与营养盐浓度之间的非线性依赖关系,并显式比较不同MIC阈值的效果;二是将最终模型应用于月度Sentinel-2影像,提供2023年12月至2024年11月间九个月的全湖TP和TN分布图,揭示时空格局以服务湖泊管理。

二、研究方法与关键技术

研究区域为太湖(119°55′–120°36′E,31°00′–31°34′N),面积约2338 km2,平均水深1.9 m。数据来源包括欧洲空间局哥白尼计划的Sentinel-2A和Sentinel-2B卫星影像,获取2024年1月至12月间22景无云Level-2A产品(已进行辐射定标、大气校正和邻边效应校正),空间分辨率10 m/20 m/60 m。水质数据来自太湖15个自动监测站,每四小时记录一次TP、TN等参数,按卫星过境时间就近匹配,经筛选得到TP匹配样本317个、TN样本271个。四种机器学习算法分别为支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、极限梯度提升(eXtreme Gradient Boosting,XGBoost)和反向传播神经网络(Backpropagation Neural Network,BP),代表了树集成、核方法和神经网络等主要模型家族。为丰富模型输入,从原始反射率构建了五种光谱指数,包括精化归一化差异水体指数(RNDWI)、精化比值水体指数(RRWI)、精化差值水体指数(RDWI)、Index1和Index2。采用两步MIC特征筛选:第一步计算各光谱指数与水质参数间的MIC,保留MIC最大的前100个指数;第二步计算这100个指数两两之间的MIC,以0.8为阈值(并比较0.7和0.9)去除冗余特征,最终TP模型保留9个特征、TN模型保留8个特征。模型超参数采用网格搜索结合5折交叉验证优化(BP用遗传算法),训练集占70%(TP 221样本、TN 189样本),测试集占30%(TP 96样本、TN 82样本),并使用留一站交叉验证(LOSO-CV)评估空间可迁移性。精度评价指标为决定系数R2和均方根误差RMSE。

三、研究结果

1. 基于MIC的特征选择结果
通过比较不同MIC阈值(0.7、0.8、0.9)下的反演精度,TP和TN模型均在MIC=0.8时取得最优精度(TP:R2=0.65;TN:R2=0.46)。TP模型保留9个特征,TN模型保留8个特征。MIC热图显示,TP与各光谱指数的MIC值在0.42~0.45之间,TN与光谱指数的MIC值在0.37~0.42之间,TP的MIC整体高于TN;多数指数对之间的MIC超过0.50,部分超过0.70,表明输入特征间存在较高冗余,特征选择十分必要。

2. 模型性能评估
四种算法中,SVM模型对TP反演性能最佳,测试集R2=0.65、RMSE=0.03 mg/L,散点最贴近1:1参考线;BP模型精度最差(R2=0.36,RMSE=0.04)。对于TN,RF模型精度最高(R2=0.46,RMSE=0.36 mg/L),BP模型仍最差(R2=0.32,RMSE=0.41)。最终TP模型(SVM)的5折交叉验证R2和RMSE分别为0.670±0.110和0.022±0.003 mg/L;最终TN模型(RF)的交叉验证R2和RMSE分别为0.394±0.140和0.407±0.036 mg/L。LOSO-CV结果显示,TP模型(SVM)的合并R2=0.607、RMSE=0.026 mg/L,TN模型(RF)的合并R2=0.379、RMSE=0.409 mg/L,与随机70:30划分的测试集性能相当,表明模型具有空间可迁移性。

3. TP和TN的时空分布
利用最优模型(TP用SVM,TN用RF)生成2023年12月至2024年11月逐月反演产品,因云雨天气4月、6月、7月无可用影像,实际反演九个月。时间上,湖平均TP浓度从2023年12月至2024年5月总体下降,1月和5月达到年度最低值0.05 mg/L;8月起上升,10月达到年度峰值0.08 mg/L;11月略降至0.07 mg/L。空间上,太湖西部TP浓度高于东部;8月西北入湖口区域TP明显升高。TN方面,湖平均浓度全年变化不大,维持在约1.40 mg/L;3月达到年度最高值1.48 mg/L,8月降至最低值0.82 mg/L;9月回升至1.00 mg/L,10月、11月恢复至约1.40 mg/L。空间上,TN在太湖呈现由西向东逐渐变化的格局,12月、1月、2月北部和东北部较低,3月、10月、11月全湖较均匀但东岸较低,5月、8月、9月西部显著高于东部。总体而言,九个月中西部湖区TN水平通常高于东部。

四、讨论与结论

讨论部分指出,TP和TN并非直接光学活性参数,其反演依赖与悬浮颗粒物、叶绿素a、有色溶解有机物和浊度等光学活性成分的间接共变关系,这是光谱模型的固有局限,尤其对TN影响更大。TP-SVM模型在高浓度区误差较大,原因是高TP主要与颗粒态磷相关,颗粒组成、粒径、叶绿素a、悬浮固体和磷之间呈复杂非线性关系,且高浓度样本稀少。TN-RF模型精度较低的原因是氮形态多样(氨氮、硝态氮、颗粒有机氮),不同形态氮光谱特征相似且相互干扰,同时TN受流域非点源径流、沉积物释放、水生生物代谢等多过程控制,空间异质性显著。时间动态上,TP在8月后上升与夏季暴雨冲刷农田导致磷输入增加及藻华爆发有关;TN在夏季较低则与高温促进水生植物生长和反硝化反应加速氮去除有关。空间格局上,西部高于东部的原因包括:西北部河流输入大量营养盐、东部沉水植物群落吸收磷并抑制沉积物再悬浮、太湖通过反硝化实现氮净化,以及东部处于下游、外源输入有限。结论部分总结:本研究采用两步MIC特征选择框架,TP模型保留9个特征、TN模型保留8个特征;SVM模型对TP反演最优(R2=0.65,RMSE=0.03),RF模型对TN精度最高(R2=0.46,RMSE=0.36),TN模型预测能力有限,溶解氮无直接光学信号,提高TN反演精度是未来重要方向。TP于10月达到年度峰值0.08 mg/L,TN于3月达到年度最大值1.48 mg/L;空间上两者均表现为西部高于东部。本研究的意义在于:MIC特征选择并显式比较阈值,确定了各营养盐的最优建模方案;逐月全湖分布图刻画了仅靠定点监测无法捕捉的时空格局。所提方法可实现大范围、高频次、低成本湖泊水质动态监测,月度分布图可帮助环境管理者识别污染热点区域(如西部湖区)、在关键月份定向监测采样(如TP关注10月、TN关注3月),并追踪治污措施成效,为太湖精细化水环境管理、富营养化防控和生态修复提供技术支撑。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号