博文

Hydrology：基于遥感方法监测湖泊水质的研究进展

已有 90 次阅读 2026-4-27 23:31 |个人分类:学术软文|系统分类:论文交流

文章背景

湖泊是维持生物多样性和支持人类活动的关键生态系统，然而富营养化、人为开发和气候变化正对其水质构成严重威胁。传统的实地采样与实验室分析方法耗时耗力，且难以反映水体的时空变化。遥感技术凭借其大范围、高时效和成本效益高的优势，为湖泊水质监测提供了变革性手段。来自萨格勒布大学的 Anja Batina 和 Andrija Krtalic 在发表于 Hydrology 期刊的综述“基于遥感方法监测湖泊水质的系统综述”中，系统梳理了当前利用遥感技术评估湖泊物理与生物参数的研究现状，总结了常用方法、传感器选择及未来发展方向，为水资源管理提供了科学指南。

基于Elsevier Scopus数据库检索主题“(遥感) 湖泊水质”所获取的文献数量

研究过程与结果

作者通过文献计量分析与内容梳理，全面回顾了自1970年代以来遥感技术在湖泊水质监测中的应用演进。研究聚焦于六大具有光学活性的水质参数：叶绿素α、浊度、透明度 (Secchi 盘深度)、水温、盐度和电导率。综述的核心发现可归纳为以下四个方面：

数据与方法的演进：研究显示，自2008年Landsat档案数据免费向公众开放以来，相关论文发表量显著增长。目前，Landsat-5 TM 是最常用的传感器，但在不同水体规模和深度下，各有表现最佳的传感器。例如，Sentinel-3 OLCI 和 MERIS 在极大型和富营养化水体中反演叶绿素α效果最好，而 Ikonos OSA 则适用于大型水体的透明度和叶绿素监测。

主流反演方法对比：综述详细比较了经验法、半经验法、分析法和机器学习法。其中，经验法和神经网络方法在反演叶绿素α和浊度时表现最佳 (决定系数 R² 可达 0.98)。机器学习，特别是神经网络，因其处理非线性复杂关系的能力，在盐度和藻华预测中展现出巨大潜力。

传感器选择指南：研究总结了不同传感器对各参数反演的适用性 (详见原文表S1-S12)。例如，对于小型水体 (<1 km²)，Landsat-5 TM 和机载高光谱传感器 (如CASI、HyMap) 是首选；对于深水湖泊 (>15 m)，Ikonos OSA 和 Terra MODIS 分别在透明度和水温监测上效果最佳。

时间与空间异质性的关键：综述强调，参数反演精度与研究时段长度和水体参数变化范围密切相关。例如，叶绿素α和温度需要跨越季节的多年数据才能获得高相关性 (R² >0.85)，而浊度和透明度在2-3个月的研究中即可取得良好结果。

电磁波谱从太阳到水体及传感器的路径示意图

研究总结

该综述明确指出，遥感并非要完全替代实地监测，而是通过星地协同实现优势互补。作者提出的“理论准备—数据采集—分析决策”三步走工作流程，为研究人员和管理者提供了可操作的实践框架。未来研究的核心方向在于：(1) 算法智能化：深度融合机器学习与神经网络，提升对非线性水质过程的模拟能力；(2) 数据精细化：优化实地采样网格与时间窗口，结合高光谱传感器与水动力模型，提高反演精度；(3) 参数间接化：探索通过光学活性参数反演非光学活性参数 (如总氮、总磷) 的统计途径；(4) 响应实时化：构建基于遥感数据的预警系统，实现对藻华、污染事件等极端情况的快速响应。该研究为全球湖泊水质的精准监测与可持续管理提供了重要的理论依据与技术路径。

阅读英文原文：https://www.mdpi.com/2306-5338/11/7/92