基于Sentinel-2多光谱影像的内陆水质变量时空制图：高斯过程回归与光谱指数的比较分析

《Remote Sensing Applications: Society and Environment》：Spatiotemporal mapping of inland water quality variables: A comparative analysis of Gaussian process regression and spectral indices using Sentinel-2 multispectral imagery

　　

监测光学复杂内陆水体的生态水质仍具挑战性，这归因于多种光学活性组分（OACs）之间的非线性相互作用以及多光谱卫星传感器有限的光谱信息含量。本研究通过系统比较基于光谱指数（SI）的估算方法与高斯过程回归（GPR），评估了Sentinel-2（S2）Level-2 A（L2A）多光谱影像在监测富营养化的瓦伦西亚阿尔布费拉（Albufera of València）潟湖关键生态水质指标方面的潜力。研究人员利用2016年至2023年间采集的共同原位数据集，开发了叶绿素a（Chl–a）、藻蓝蛋白（PC）和透明度盘深度（SDD）的估算模型，并在基于云的Google Earth Engine（GEE）工作流中实施，以重建2017年至2026年的多年轨迹。交叉验证结果表明两种方法均具有较高的估算性能。GPR框架在Chl–a（R²=0.64对比SI的0.61）和SDD（R²=0.64对比0.57）方面相较于SI模型取得了适度改进。相反，针对性的SI配置在PC估算中表现出更强的预测鲁棒性，R²为0.59，优于GPR的0.57。GPR的附加价值在捕捉Chl–a和SDD估算中的互补多波段关系方面最为显著。相比之下，对于高度复杂的PC信号，微调后的经验光谱公式对全光谱背景噪声表现出更强的稳健性，而全光谱非参数灵活性导致了轻微的过参数化。多年重建揭示了持续的富营养化至超富营养化状态，其特征为浮游植物生物量升高、水体透明度降低，以及显著的季节和年际变化。总体而言，本研究突显了定制半经验光谱公式与不确定性感知机器学习方法在光学复杂内陆水体可扩展长期生态水质监测中的互补作用。

内陆水体在淡水供给、灌溉、渔业和生物多样性维持等方面具有重要生态和社会功能，但众多内陆水体正面临富营养化、有害藻华、泥沙淤积和气候压力等影响，水质持续恶化。传统基于原位采样和实验室分析的监测手段在空间和时间覆盖上存在局限，难以捕捉内陆水体的动态变化。卫星遥感，特别是欧洲空间局的Sentinel-2（S2）任务，凭借其高重访频率、10–20 m空间分辨率、开放获取政策以及可见光至短波红外谱段覆盖，成为内陆水质监测的有效平台。然而，内陆水体尤其是富营养化水体属于光学复杂系统，多种光学活性组分（OACs）共同影响水色信号，加之多光谱传感器光谱信息有限，导致水质参数反演面临严重挑战。已有反演方法中，光谱指数（SI）简便高效，但难以刻画非线性关系；机器学习方法如高斯过程回归（GPR）可建模非线性关系并提供不确定性估计，但系统性的比较研究，尤其是在超富营养化水体中结合云平台进行多年轨迹重建的研究仍较缺乏。

为此，研究人员在超富营养化的瓦伦西亚阿尔布费拉（Albufera of València）潟湖开展了系统研究。研究目的包括：（i）利用S2 Level-2 A（L2A）多光谱影像开发GPR模型，用于估算透明度盘深度（SDD）、叶绿素a（Chl–a）和藻蓝蛋白（PC）；（ii）在统一原位数据集下比较GPR与优化SI模型的性能；（iii）将两种反演策略部署于云端环境，实现水质变量的时空制图；（iv）评估该潟湖生态水质指标的多年动态与季节变化。研究使用了2016—2023年间采集的共54次野外监测数据，包括237个Chl–a样本、238个SDD样本和127个PC样本。卫星数据为GEE中2017—2026年的457景S2 L2A影像，经过云像元百分比过滤（阈值60%）、云影掩膜、水体掩膜（NDWI≥?0.3）和100 m内陆缓冲区设置以降低邻近效应。模型输入选用B2、B3、B4、B5、B6、B7和B8A七个波段，避开B8以避免谱段冗余。

主要技术方法包括：SI模型方面，研究人员利用ARTMO工具箱系统搜索简单比值（SR）、归一化差异指数（NDI）、三波段算法（TB）和最大叶绿素指数（MCI）四种基本光谱结构，并优化经验系数，得到针对目标变量定制的MCI公式。GPR模型方面，采用平方指数自动相关性确定（ARD）核函数，通过多起点梯度上升优化超参数，并利用10折交叉验证评估性能；随后将GPR矩阵分解集成到GEE云平台，实现大规模影像的高效处理。时间序列分析采用乘法季节分解和Mann–Kendall趋势检验，并利用t检验或Mann–Whitney U检验评估SI与GPR系列之间的差异。

研究结果部分按小标题概述如下：

4.1 湖沼学变量。原位数据确认了潟湖的超富营养化状态。Chl–a浓度范围4.5—376 μg L^?1，SDD范围0.07—0.62 m，PC最大达1889.49 μg L^?1。双变量回归显示SDD与Chl–a呈指数衰减关系（R²=0.57），Chl–a与PC呈幂律关系（R²=0.29），而SDD与PC呈强幂律负相关（R²=0.62），表明PC所代表的蓝藻生物量对水体透明度具有主要控制作用。

4.2 基于SI的水质反演模型。通过系数优化，研究人员得到适用于Chl–a的正指数模型：Chl-a = 185.91·exp(31.62·MCI(Chl-a))；SDD采用线性模型：SDD = ?3.249·MCI(SDD)+0.397；PC采用负线性模型：PC = ?16840·MCI(PC)?8.5。这些定制化公式有效利用了藻类色素的吸收和反射特征，减少了饱和效应。

4.3 基于GPR的水质反演模型。GPR模型直接利用多波段信息进行非线性映射。交叉验证结果表明，对于Chl–a，GPR获得R²=0.64（RMSE=44.78 μg L^?1），优于SI的R²=0.61（RMSE=47.13 μg L^?1）；对于SDD，GPR的R²=0.64，优于SI的0.57，RMSE为0.046 m。然而对于PC，SI模型性能更优（R²=0.59，RMSE=156.82 μg L^?1），GPR为R²=0.57，RMSE=160.06 μg L^?1。ARD长度尺度分析表明，GPR为Chl–a和SDD分配了较高权重的相关波段，但为PC分配了包括非诊断波段在内的广泛权重，导致轻微过参数化。

4.4 长期卫星监测。基于457景S2影像重建的2017—2026年潟湖平均时间序列显示，SI和GPR两种方法捕获了高度一致的季节和多年轨迹。Mann–Kendall检验表明，Chl–a和PC均呈现显著上升趋势，而SDD呈显著下降趋势（p<0.05）。2020年后Chl–a和PC增加、SDD降低，表明水体有向更富营养化方向演变的趋势；该结果与原位观测中2022—2023年异常高温引发的藻类峰值事件相符。

4.5 水质变量的空间制图。以2017-05-06为例，两种方法得到的空间分布格局总体一致，高Chl–a和高PC区域对应低SDD区域。GPR反演结果在空间上表现出更平滑的过渡和更细致的梯度，尤其对于PC和SDD，这可能得益于GPR对多波段信息的综合利用。

4.6 GPR不确定性制图。GPR固有的像素级预测不确定性显示，最高不确定性集中在潟湖中部和东部区域，与高浓度热点重合；该区域受Overa运河引入的含有无机悬浮固体的较清水体影响，偏离训练数据分布，导致模型置信度降低。低值区不确定性较小，说明模型在这些光学域表现稳健。

4.7 时间趋势和模型间差异的统计评估。Mann–Whitney U检验显示Chl–a的SI和GPR系列无显著差异（p>0.05），PC系列存在显著差异（p<0.05），SDD系列存在极显著差异（p<0.001）。Mann–Kendall检验证实所有变量的长期趋势显著，验证了两种模型均能捕捉潟湖的宏观生态退化特征。

讨论部分指出，与历史遥感研究相比，本研究使用了更大规模、时间跨度更长的原位数据库，模型性能与以往报告相当或有所改善。GPR对Chl–a和SDD的改善幅度有限，表明多光谱观测的信息含量是反演精度的根本约束；对于PC，定制SI的鲁棒性源于其通过窄带组合滤除了全光谱背景噪声，而GPR则因模型灵活性过高而出现过拟合倾向。GPR提供的空间不确定性可帮助识别低置信度区域，支持更谨慎的监测解释，并可通过云平台低成本迁移至其他水体。多年重建显示潟湖持续处于富营养化至超富营养化状态，且自2020年后，Chl–a和PC上升、SDD下降，可能与区域热异常和水文管理等因素有关，但具体归因超出该生物光学建模研究范围。操作上，该云原生工作流可作为早期预警工具，协助管理者在温度异常窗口采取预防性补水等干预措施。研究局限包括多光谱波段宽度限制、原位与卫星观测时间错配等，未来高光谱任务（如CHIME）有望改善组分分离能力。

结论部分可概括为：本研究系统比较了优化半经验SI与非参数GPR模型在超富营养化潟湖中反演关键水质参数的性能。交叉验证显示，GPR在Chl–a和SDD反演