机器学习与多源遥感揭示的黄河悬浮泥沙浓度时空动态及驱动机制

《CATENA》：Spatiotemporal dynamics and driving mechanisms of suspended sediment concentration in the Yellow River revealed by machine learning and multi-source remote sensing

　　

• 优化后的XGBoost模型能够有效反演黄河高浊度复杂水体中的SSC。
• 1986年至2019年，黄河干流SSC显著下降了63.6%，且存在明显的空间异质性。
• 结构方程模型揭示了沉积物管理从被动拦截向人类主动调控的转变。
• 气候因素在流域范围内驱动SSC变化，而人类影响则表现出空间分异的直接和间接效应。

引言

作为连接陆地与海洋系统的关键界面，河流系统的健康与稳定性对全球可持续发展至关重要。第六届联合国环境大会强调，水资源对维护人类健康、消除贫困以及生态系统功能和服务不可或缺（联合国环境大会，2024）。在此背景下，河流悬浮泥沙输移具有双重作用：既是塑造地貌的地质动力因子，也是连接流域过程与全球生物地球化学循环的关键载体，从而对沿海生态系统的健康和稳定性产生深远影响（Wang等，2007）。悬浮泥沙浓度（SSC）是指水体中悬浮的黏土和粉砂等细粒无机颗粒的浓度（Bilotta和Brazier，2008）。SSC强烈影响水体光学特性，包括浊度和透明度，进而调控水生生态系统中光的穿透和初级生产力（Doxaran等，2014）。此外，悬浮泥沙还是营养物质、有机物和污染物的重要载体，显著影响河流生物地球化学过程和生态环境条件（Ramos等，2025）。SSC通量变化不仅改变泥沙输移动态，还影响全球碳循环以及下游和沿海环境的生态完整性。

中国拥有世界上密度最高的河网之一，流域面积超过1000 km2的河流超过1500条（Duan等，2024）。因此，这些河流系统的水文和泥沙动力学过程在区域生态安全、水资源可持续利用和社会经济发展中发挥着关键作用。

河流泥沙输移不仅记录了侵蚀、搬运和沉积等自然过程（Baar等，2019），还反映了气候变率和人类活动在流域内的耦合作用。在人类干扰中，水库建设已成为改变河流泥沙通量最重要的因素之一。全球范围内，大型水库估计截留了近79%原本输往海洋的泥沙（Syvitski等，2005），从而深刻重塑了陆—海泥沙输移格局（Wang等，2016）。这种现象在高度调控的河流中尤为明显，黄河即为典型代表。自20世纪50年代以来，包括梯田建设、淤地坝以及退耕还林还草等大规模生态恢复项目在内的广泛水土保持措施，加上大型水库（如刘家峡和三峡）的建设，共同使黄河年泥沙量减少了90%以上（Cao等，2025）。这些发现表明，人类干预已逐渐超越气候因素，成为流域泥沙情势变化的主导驱动力。特别是，大规模生态恢复和水库调控不仅直接减少了泥沙通量，还从根本上改变了河流系统对水文气候事件的响应模式。尽管这些措施显著缓解了下游河道淤积问题，减轻了长期存在的"地上悬河"难题，但同时也带来了新的环境挑战，包括河口三角洲侵蚀、河道调整以及生态系统退化（Cao等，2025）。为应对水库淤积问题并优化下游水沙关系，中国于2002年启动了以小浪底水库为核心的调水调沙方案（WSRS）（Lu等，2022）。该方案通过人工释放高流量洪水，产生短期高含沙量输沙事件，导致下游悬浮泥沙浓度（SSC）剧烈波动（Duan等，2024）。该方案旨在冲刷下游河道、减少水库淤积，代表了黄河管理从被动拦沙向主动水沙调控的战略转变（Wang等，2017）。

传统SSC监测主要依赖于点式采样与实验室重量法分析相结合（Montanher等，2014），涉及取水采样、过滤、烘干和体积换算等耗时工序（Zhang等，2020）。尽管该方法测量精度高，但其时间连续性和空间代表性存在固有局限。自20世纪末以来，卫星遥感技术的快速发展为大规模SSC监测提供了新机遇。早期研究已验证了遥感SSC估算的可行性。例如，Klemas等（1974）利用Landsat MSS影像在特拉华河开发了最早的SSC反演对数统计模型之一。随后，Park和Latrubesse（2014）基于亚马逊盆地的MODIS观测数据成功构建了SSC反演模型，决定系数达到0.79，并生成了SSC空间分布图。类似地，Volpe等（2010）在威尼斯泻湖结合地面实测数据与Landsat和ASTER影像，基于简化辐射传输框架构建了SSC反演算法，并进一步采用交叉验证和Bootstrap方法量化了模型不确定性。这些研究共同证实了遥感技术用于SSC估算的可靠性和适用性。凭借大规模同步观测和高时间效率的优势（Chen等，1992），遥感已成为研究河流悬浮泥沙动态的重要工具。

然而，大多数现有研究集中于湖泊、河口和海洋等低浓度水体，使用的影像分辨率多为中等至较低（500–1000 m）（Zhang等，2014；Womber等，2021）。相比之下，针对高浊度河流，特别是黄河的高分辨率SSC反演研究仍然较为有限。随着对内陆水体光学复杂性的认识不断深入，SSC反演方法逐渐发展为两大类：经验算法和半分析算法（Wang等，2007）。经验方法因其简便性和实用性而广受欢迎（Feng等，2012；He等，2013），但往往表现出较强的区域依赖性。例如，Pereira等（2018）为密西西比河开发的SSC反演模型（R2=0.62–0.78）在研究流域内表现令人满意，但可迁移性有限。现有大多数SSC反演模型均建立在泥沙浓度相对较低的河流基础上，如长江和密西西比河，其SSC变化通常在83至395 mg/L之间。相比之下，黄河中下游以极高的SSC水平为特征，平均浓度达到1.44×10? mg/L（Bilotta和Brazier，2008），是全球含沙量最高的河流系统之一。在此条件下，传统经验模型往往难以保持令人满意的反演精度和稳健性。为应对这一挑战，Qiu等（2024）开发了经验RANS波段组合算法，重建了黄河干流及主要支流1986年至2022年的SSC时间序列。然而，与大多数传统反演方法类似，RANS模型仍然严重依赖于预设的线性或非线性经验关系。尽管这些模型计算效率高且结构简单，但其预测能力受到光谱波段组合和函数形式假设的强烈制约。对于黄河这类光学复杂的"二类水"，其具有极端的SSC变率、强烈的光谱饱和效应和大气校正残差等特征，传统模型的泛化能力仍然有限。

近年来，机器学习技术通过提供更强的光谱信号与泥沙浓度之间非线性关系建模能力，为SSC遥感反演开辟了新途径。现有研究系统评估了不同机器学习和深度学习模型在SSC预测中的表现。Gharehbaghi等（2026）对密西西比河的SSC预测方法进行了全面评估，而Osman等（2025）在尼罗河流域的长期水文观测中应用了多种机器学习模型，结果表明贝叶斯神经网络（BNN）和多元自适应回归样条（MARS）的预测精度最高。研究进一步表明，引入泥沙浓度和降雨变量可显著提高预测性能，为泥沙管理和水库调度提供了有效的数据驱动框架。类似地，Zounemat-Kermani等（2020）在波多黎各比较了传统统计方法（SRC和MLR）、常规机器学习模型（ANFIS和SVR）以及基于遗传算法的混合模型（GA-ANFIS和GA-SVR），用于预测悬移质和推移质泥沙负荷。研究发现，混合机器学习模型显著优于传统方法，平均绝对误差（MAE）降低了约44%，而引入滞后泥沙变量则进一步提高了预测可靠性。尽管取得了上述进展，现有机器学习研究主要聚焦于中等和低浊度水体，针对高浊度河流的算法系统评估仍然稀缺。对于黄河这类SSC波动剧烈、光谱响应非线性强且信号饱和严重的河流，如何识别和优化最适宜的反演算法仍是亟待深入探索的问题。

针对传统经验方法和单一机器学习模型在高浊度环境中的局限性，本研究提出了基于已建立的RANS光谱波段的全方位机器学习比较与优化框架。系统评估了十余种代表性机器学习算法，并采用贝叶斯优化对模型超参数进行优化，确定最优反演方案。主要目标是确定机器学习方法能否更有效地捕捉黄河高浊水体复杂的 光谱响应机制，特别是在极端SSC变率条件下，从而建立高精度、高泛化能力的SSC反演模型。本研究不仅推动了高浊度河流的遥感泥沙监测技术发展，也为将数据驱动的人工智能方法融入传统地球科学研究提供了有价值的示范，为全球其他多沙河流的SSC反演研究提供了方法论启示。

研究区域

黄河流域是世界上最关键的河流系统之一，面临着严重的水土流失挑战（Yang等，2021）。2002年至2022年间，黄河中游多年平均含沙量达到41.54 kg/m3，是全球含沙量最高的河流（Ma等，2024）。该流域地形复杂多样，自西向东呈现明显的阶梯状分布。流域横跨青藏高原和内蒙古高原——

遥感反演结果与实测SSC的比较

图6展示了模型预测SSC与实测SSC数据的比较结果。训练数据集（N=732个样本）采用式(1)进行验证，RMSE和MAE分别为1685 mg/L和967 mg/L。验证数据集（N=303个样本）的RMSE和MAE分别为2179 mg/L和1206 mg/L。散点紧密分布在意料1:1线附近。对于ETM+/Landsat-7，模拟SSC值与地面实测数据表现出良好的一致性，R2为0.78。

机器学习模型在高浊度水体反演中的优势与稳健性

在悬浮泥沙浓度遥感反演研究中，通常采用线性回归和指数模型等传统参数模型。然而，这些模型在复杂光学水体中的泛化能力往往有限（Bowers等，2014），因为它们受限于关于函数形式的先验假设和严格的样本分布要求。虽然非参数机器学习方法，如人工神经网络（ANN）和——

结论

本研究整合了基于机器学习的SSC反演框架与结构方程模型（SEM），系统研究了1986年至2019年黄河流域悬浮泥沙浓度（SSC）的时空变化特征及其驱动机制。具体而言，本研究构建了经贝叶斯超参数调优的XGBoost模型，展现出强劲的预测性能和稳健性（训练集R2=0.78，RMSE=1685 mg/L）。所提出的模型——

CRediT作者贡献声明

郑昭林：撰写初稿、软件开发、数据整理。何毅：审阅与编辑、撰写初稿、验证、监督、方法论、获取研究资金、构思设计。连宇航：审阅与编辑、验证。

利益冲突声明

作者声明不存在已知的可能影响本文报告工作的财务利益关系或个人关系。

致谢

本研究由国家自然科学基金重大项目（批准号：42341102）和国家科技基础资源调查专项项目（批准号：2017FY100904）共同资助。

郑昭林 | 何毅 | 连宇航