綜合新聞

東北地理所在不同區(qū)域尺度湖庫(kù)總懸浮顆粒物濃度變化研究中取得新進(jìn)展

文章來(lái)源:東北地理與農(nóng)業(yè)生態(tài)研究所    |    發(fā)布時(shí)間:2023-12-27    |    【放大】 【縮小】  |  【打印】 【關(guān)閉

  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,GEELandsat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。

中國(guó)湖泊秋季TSM實(shí)測(cè)樣點(diǎn)分布

1990-2004年和2004-2020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


3 全球湖庫(kù)TSM實(shí)測(cè)樣點(diǎn)空間分布

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 EnvironmentIF = 10.753)和International Soil and Water Conservation ResearchIF = 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