基于Sentinel-3 OLCI遥感数据探索过渡性及沿岸水体叶绿素a反演的数据科学工具与技术

《Ocean & Coastal Management》：Exploration of data-sciences tools and techniques for retrieving Chlorophyll-a from Sentinel-3 OLCI products in transitional and coastal waterbodies

　　

探索用于在过渡性及沿岸水体（transitional and coastal waterbodies，TrC）中从Sentinel-3 OLCI产品反演叶绿素a（Chlorophyll-a，CHL）的数据科学工具与技术 本研究探索了多种数据驱动建模方法用于从遥感（remote sensing，RS）数据反演叶绿素a（CHL）。模型使用来自光学复杂水体的独立数据集进行了验证。在各类模型中，k近邻（k-Nearest Neighbors，KNN）模型在L3和L4数据上表现最优。然而，表现最佳的模型在独立数据集上展现出较差的泛化敏感性。富营养化是各类地表水体（包括海洋、沿岸、过渡性及内陆水体）普遍且长期存在的问题，而叶绿素a（CHL）作为监测富营养化事件的成熟指标，其传统原位监测方法成本高昂、劳动密集且耗时。遥感（RS）技术作为补充数据源展现出巨大潜力，但光学复杂水体（case 2 waters）中不同光学活性组分的相互干扰使得传统海洋颜色（ocean colour，OC）算法失效。为此，研究人员探索了多种数据驱动模型，包括机器学习（machine learning，ML）与人工智能（artificial intelligence，AI）技术、方程模型和统计模型。然而，多数已开发模型缺乏验证可靠性，且未使用独立数据集测试模型性能，导致模型泛化能力较差。本研究利用爱尔兰TrC水体2016至2023年的原位CHL数据及Sentinel-3 OLCI的L3和L4反射率产品，采用匹配分析、异常值去除、特征选择等方法，开发并评估了29种ML-AI模型、3种统计模型和14种方程模型。研究结果表明，KNN模型在L3和L4数据上表现最优，但最佳模型在独立数据集上表现出较差的泛化敏感性。该研究为从高维RS数据估算CHL提供了参考，有助于RS科学家识别稳健模型，支持TrC生态系统的实时决策保护，并为实现可持续发展目标（Sustainable Development Goal，SDG）6.3做出贡献。

一、研究背景与问题提出

富营养化是各类地表水体（包括海洋、沿岸、过渡性及内陆水体）面临的普遍且长期存在的环境问题。该过程因氮（N）和磷（P）等限制性养分的富集而刺激水体过度初级生产及藻类大量繁殖，进而导致水生生物损失、溶解氧（dissolved oxygen，DO）耗竭、入侵物种暴发以及水体酸化等一系列负面效应，并造成显著的经济损失和生态系统服务功能衰退。针对这一问题的严峻性，全球多国制定了相应政策以保护地表水体，其中过渡性及沿岸水体（transitional and coastal waterbodies，TrC）因其生态价值受到特别关注。叶绿素a（Chlorophyll-a，CHL）作为连接营养盐输入与藻类生产力的关键指标，能够比常规水质（water quality，WQ）指标更早响应营养盐输入变化，因而被广泛用于富营养化事件的监测。

然而，传统原位监测框架成本高昂、劳动密集且耗时，需要标准化的采样协议，且受地理可达性、环境条件及自然灾害等因素制约，难以在大尺度水体上实现高时空分辨率的监测。遥感（remote sensing，RS）技术因其覆盖范围广、重访周期短等优势，被认为是补充传统监测方法的有效途径。但TrC水体属于光学复杂水体（case 2 waters），其中CHL、有色溶解有机物（coloured dissolved organic matter，CDOM）、总悬浮物（total suspended materials，TSM）等多种光学活性组分相互干扰，使得基于蓝绿波段的传统海洋颜色（ocean colour，OC）算法失效。尽管红至近红外（near-infrared，NIR）波段算法有所改进，但仍需区域化调参。近年来，数据驱动建模方法（如机器学习（machine learning，ML）与人工智能（artificial intelligence，AI）技术）在处理CHL与光谱数据间的非线性关系方面展现出优势，但多数已开发模型仅通过单一复合数据集的随机分割进行训练和测试，缺乏使用独立数据集验证模型泛化能力的研究，且部分研究忽视决定系数（coefficient of determination，R²）等关键评估指标，导致模型透明度不足。

在爱尔兰，TrC水体对国民经济具有重要作用，但近期报告显示相当比例的河口和沿岸泻湖生态状况仍不理想，难以实现《水框架指令》（Water Framework Directive，WFD）提出的到2027年达到“良好”状态的目标。尽管已有少数研究利用RS数据估算爱尔兰水体CHL，但主要聚焦于内陆湖泊和河流，忽视了TrC水体的监测潜力，且高维反射率产品（L3和L4）在TrC水体CHL估算中的应用尚属空白。基于上述问题，本研究旨在探索不同数据驱动模型利用Sentinel-3 OLCI的L3和L4产品估算爱尔兰TrC水体CHL的潜力，并通过独立数据集验证模型性能，以提升模型泛化能力和透明度。

二、研究内容与主要结论

研究人员利用爱尔兰TrC水体2016至2023年的原位CHL数据及Sentinel-3 OLCI的L3和L4反射率产品，系统探索了多种数据驱动建模方法用于CHL反演。研究采用匹配分析将卫星数据与原位观测配对，通过多种异常值去除策略净化数据集，并应用特征选择技术识别关键波段。研究开发并评估了29种ML-AI模型、3种统计模型（主成分分析（principal component analysis，PCA）、偏最小二乘（partial least-squares，PLS）和普通最小二乘（ordinary least squares，OLS））以及14种非线性方程模型。结果表明，k近邻（k-Nearest Neighbors，KNN）模型在L3和L4数据上均表现最优，但最佳模型在独立数据集上表现出较差的泛化敏感性。该研究为从高维RS数据估算CHL提供了方法参考，有助于识别稳健模型以支持TrC生态系统的实时决策保护，并为实现可持续发展目标（Sustainable Development Goal，SDG）6.3做出贡献。

三、关键技术方法

研究人员从Copernicus海洋服务（Copernicus Marine Service，CMS）获取2016至2023年Sentinel-3 OLCI的L3（每日大气校正反射率）和L4（月均无云反射率）产品，共11个波段（400 nm至709 nm），并按Mobley（2022）的公式将遥感反射率（remote sensing reflectance，Rrs）转换为离水反射率（water leaving reflectance，Rhow）。原位CHL数据来自爱尔兰环境保护署（Environmental Protection Agency Ireland，EPA Ireland）的水质数据库，涵盖1015个TrC监测站点。匹配分析遵循欧洲气象卫星应用组织（EUMETSAT）指南，采用3×3像素窗口的中值，剔除有效像素不足50%的站点。异常值去除采用隔离森林（Isolation Forest，IF）、局部异常因子（Local Outlier Factors，LoF）、修正Z分数（Modified Z Score，MOD_Z）和Z分数四种方法。特征选择采用随机森林（random forest，RF）、极限梯度提升（eXtreme Gradient Boosting，XGB）、F检验和ReliefF四种技术。模型开发采用80-20数据分割策略，2016至2021年数据用于训练和测试，2022和2023年数据作为独立验证集。ML-AI模型和统计模型采用网格搜索（Grid Search，GS）进行超参数优化。模型评估采用对数变换指标（均方根对数误差（root mean squared logarithmic error，RMSLE）、对数变换平均绝对误差（MAE_L）和对数变换偏差（Bias_L））、中位数绝对百分比误差（median absolute percentage error，MdAPE）及R²。

四、研究结果

4.1 数据驱动模型在L3和L4数据上的性能比较

研究人员对29种ML-AI模型、3种统计模型和14种方程模型在L3和L4数据上的CHL反演性能进行了系统评估和比较。结果显示，KNN模型在L3和L4数据上均表现最优，表明基于实例的学习方法在处理TrC水体CHL与光谱数据间复杂非线性关系方面具有优势。

4.2 特征选择对模型性能的影响

研究人员将四种特征选择技术（RF、XGB、F检验和ReliefF）识别的关键波段组合应用于最优模型，以测试模型性能是否改善。同时考虑了OC4、OC5和OC6算法所用波段以及新开发的“叶绿素归一化光谱指数（Chlorophyll Normalize Spectral Index，CNSI）”模型建议的波段。

4.3 独立数据集验证与模型泛化能力评估

研究人员利用2022和2023年的独立数据集验证了最优模型的泛化能力。结果表明，尽管KNN模型在训练测试数据上表现优异，但在独立数据集上表现出较差的泛化敏感性，揭示了现有数据驱动模型在跨水体应用时的局限性。

4.4 CHL时空动态的评估

研究人员评估了最优模型捕捉爱尔兰TrC水体CHL时空动态变化的能力，以检验模型在实际监测应用中的适用性。

五、讨论与结论

讨论部分指出，尽管数据驱动模型在训练数据上取得了较高精度，但独立数据集验证揭示了模型泛化能力的不足，这与多数现有研究仅使用复合数据集分割验证的做法形成对比。研究强调了在模型评估中纳入R²等关键指标以提升模型透明度的必要性。研究结论认为，KNN模型在L3和L4数据上表现最优，但最佳模型的泛化敏感性较差，表明现有数据驱动模型在应用于不同水体时仍面临挑战。该研究为从高维RS数据估算CHL提供了方法参考，有助于RS科学家识别稳健模型，支持TrC生态系统的实时决策保护，并为实现SDG目标6.3（改善水质、减少污染）提供数据支撑。