總懸浮顆粒物（Total suspended matter, TSM）是水環(huán)境評(píng)價(jià)的重要參數(shù)之一，它直接影響水質(zhì)狀況，決定著水下光場(chǎng)分布，進(jìn)而影響水體的初級(jí)生產(chǎn)力，TSM是多種營(yíng)養(yǎng)鹽與污染物吸附的載體。TSM具有強(qiáng)光譜信號(hào)，可以有效的通過(guò)大氣頂部及地表反射率進(jìn)行估算?；诓ǘ伪鹊?span lang="EN-US">TSM濃度反演模型被廣泛應(yīng)用于沿海和內(nèi)陸水體的TSM估算。中國(guó)科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所水環(huán)境遙感學(xué)科組科研人員開(kāi)發(fā)了基于谷歌引擎（Google Earth Engine，GEE）Landsat影像的湖庫(kù)TSM反演算法，在中國(guó)和全球尺度取得了相關(guān)研究進(jìn)展。

　　在中國(guó)尺度上，基于2014-2020年中國(guó)湖泊實(shí)測(cè)秋季TSM濃度數(shù)據(jù)（圖1）和GEE平臺(tái)的Landsat 天頂角反射率產(chǎn)品，構(gòu)建了精度較高的秋季TSM濃度遙感反演經(jīng)驗(yàn)?zāi)Ｐ停?span lang="EN-US">R² = 0.87，RMSE=10.16 mg/L，MAPE=38.37%），并獲取了1990-2020年中國(guó)50km²以上大型湖庫(kù)秋季TSM濃度結(jié)果。以2004年為時(shí)間節(jié)點(diǎn)分析了1990-2004年和2004-2020年這兩個(gè)時(shí)段TSM濃度時(shí)空動(dòng)態(tài)變化，探索了自然和人為因素對(duì)湖泊秋季TSM濃度年際變化的響應(yīng)。研究結(jié)果發(fā)現(xiàn)2004年以后在中國(guó)第一、第二階梯變清的湖泊數(shù)量在增加，而第三階梯變渾濁的湖泊數(shù)量在增加；在調(diào)控TSM年際變化的主導(dǎo)因素上，第一階梯以湖泊面積和風(fēng)速為主，第二階梯以湖泊面積和NDVI為主，第三階梯以人類活動(dòng)和NDVI為主（圖2）。

　　在全球尺度上，基于六大洲（除了南極洲）湖庫(kù)搜集了約16400個(gè)實(shí)測(cè)TSM樣點(diǎn)數(shù)據(jù)（圖3），通過(guò)同步星地匹配（時(shí)間窗口在7天以內(nèi)），共配到9640對(duì)實(shí)測(cè)數(shù)據(jù)與Landsat影像地表反射率數(shù)據(jù)集。對(duì)比分析了多種機(jī)器學(xué)習(xí)和回歸方法在反演湖庫(kù)TSM濃度上的精度和差異性（圖4）。為了克服回歸中數(shù)據(jù)集不平衡的問(wèn)題，本研究使用了一種合成少數(shù)類過(guò)采樣技術(shù)（Synthetic minority over sampling technique for regression with Gaussian Noise, SMOGN）。通過(guò)比較，發(fā)現(xiàn)梯度提升決策樹(shù)模型（Gradient boosting decision tree, GBDT）、隨機(jī)森林模型（Random forest, RF）和極度梯度提升樹(shù)模型（Extreme gradient boosting, XGBoost）與SMOGN處理后的數(shù)據(jù)集具有良好的時(shí)空可遷移性，具有在不同年份繪制高質(zhì)量Landsat地表反射率圖像的潛力。在所有的模型中，GBDT模型精度（n = 6428, R² = 0.95, MAPE = 29.8%）和驗(yàn)證精度（n = 3214, R² = 0.95, MAPE = 29.8%）最高，其次是RF模型（驗(yàn)證精度為n = 3214, R² = 0.86, MAPE = 24.2%），應(yīng)用這兩種模型對(duì)全球不同洲的典型湖庫(kù)進(jìn)行驗(yàn)證，均表現(xiàn)出穩(wěn)定的性能。除此之外，GBDT模型被應(yīng)用到Landsat不同傳感器（TM/ETM+/OLI）的影像用來(lái)評(píng)估反演的TSM結(jié)果與實(shí)測(cè)值的差異性，結(jié)果表明該模型在反演全球湖庫(kù)TSM濃度的長(zhǎng)時(shí)序結(jié)果上具有潛力。

圖1 中國(guó)湖泊秋季TSM實(shí)測(cè)樣點(diǎn)分布

圖2 1990-2004年和2004-2020年中國(guó)湖泊不同類別秋季TSM濃度（a-d）、年際變化率（e-h）和年際變化趨勢(shì)（i-l）的數(shù)量分布

圖3 全球湖庫(kù)TSM實(shí)測(cè)樣點(diǎn)空間分布

圖4 對(duì)比分析反演湖庫(kù)TSM濃度的不同模型

　　上述研究成果發(fā)表在國(guó)際期刊Science of the Total Environment（IF = 10.753）和International Soil and Water Conservation Research（IF = 6.4）上，均為中國(guó)科學(xué)院SCI一區(qū)，第一作者分別為中國(guó)科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所陶慧博士和溫志丹副研究員，宋開(kāi)山研究員為通訊作者。上述研究得到了國(guó)際重點(diǎn)研發(fā)項(xiàng)目（2021YFB3901101）資助。

　　文章信息：Tao, H., Song, K*., Liu, G., Wen, Z., Lu, Y., Hou, J., Lyu, L., Wang, Q., Shang, Y., Li, S., and Fang, C., 2023. Response of total suspended matter to natural and anthropogenic factors since 1990 in China's large lakes. Science of the Total Environment, 892, 164474. https://doi.org/ 10.1016/j.scitotenv.2023.164474.

　　Wen, Z., Wang, Q., Ma, Y., Jacinthe, P., Liu, G., Li, S., Shang, Y., Tao, H., Fang, C., Lyu, L., Zhang, B., and Song, K., 2023. Remote estimates of suspended particulate matter in global lakes using machine learning models. International Soil and Water Conservation Research, https://doi.org/10.1016/j.iswcr.2023.07.002