Hybrydowe podejście empiryczno-półanalityczne do odwrotnej analizy teledetekcyjnej SPM w Jeziorze Ebinur, Chiny

Dlaczego te zakurzone, pustynne jeziora mają znaczenie

Jezioro Ebinur na dalekim północnym zachodzie Chin to płytkie, słone jezioro otoczone pustynią. Jego wody są gęste od zawieszonych cząstek mułu i soli. Te cząstki kształtują siedlisko dla solowców, zbieranych jako cenne „miękkie złoto”, zapychają systemy irygacyjne i — gdy dno jeziora wysycha — unoszą się jako pył wpływający na pobliskie miejscowości. Jednak śledzenie zmian tych cząstek na przestrzeni lat jest trudne w tak odległym, ubogim w dane regionie. W tym badaniu pokazano, jak połączyć różne czujniki satelitarne i podejścia modelowe, by wiarygodnie monitorować zawieszone cząstki stałe (SPM) przez ponad dekadę w Jeziorze Ebinur i w podobnym pobliskim jeziorze.

Chmury cząstek nad kurczącym się jeziorem

Jezioro Ebinur jest klasycznym przykładem tego, jak zmiany klimatu i presja człowieka przekształcają jeziora pustynne. Opadów jest mało, parowanie jest intensywne, a silne wiatry szarpią płytką taflę wody przez około dwa miesiące w roku. Te wiatry wzruszają osady dennne, zwiększając SPM, a następnie wysuszone materiały z dna wznoszą się w rozległe burze pyłowo‑solne. Jednocześnie obszar jeziora kurczy się, odsłaniając więcej nagich osadów. Zagraża to zarówno delikatnym ekosystemom mokradeł, jak i lokalnej gospodarce związanej z solowcami, które potrzebują odpowiedniej przejrzystości wody. Kierownictwo potrzebuje więc długoterminowych map SPM pokazujących, jak mętnieje woda w różnych częściach jeziora i w czasie — coś, co tylko satelity mogą dostarczać spójnie.

Odczytywanie koloru jeziora z kosmosu

Satellity takie jak Landsat i Sentinel‑2 regularnie obrazują Jezioro Ebinur w świetle widzialnym i bliskiej podczerwieni. W badaniu najpierw zmierzono, jak wyjątkowo słona i mętna woda Ebinur pochłania światło w różnych długościach fali, rozdzielając wkład cząstek zawieszonych i rozpuszczonych substancji organicznych. Autorzy stwierdzili, że w okolicach 695 nanometrów, w głębokim czerwonym obszarze, absorpcja wody w jeziorze jest niemal taka sama jak czystej wody, a SPM daje silne widmo w sąsiednich pasmach czerwieni. Ta obserwacja pomaga zakotwiczyć modele „półanalityczne”, które łączą to, co widzą satelity (odbite światło), z właściwościami fizycznymi, takimi jak zdolność cząstek do pochłaniania i rozpraszania światła, co z kolei wiąże się ze stężeniem SPM.

Mieszanie wglądu fizycznego i modeli opartych na danych

Zespół porównał dwie rodziny modeli. Modele półanalityczne, takie jak Quasi‑Analytical Algorithm (QAA), wykorzystują wiedzę o optyce wody do wyznaczania SPM z reflektancji satelitarnej. Modele empiryczne — w tym proste regresje wykładnicze i kilka podejść uczenia maszynowego — uczą się bezpośredniej relacji między reflektancją a mierzoną SPM w punktach terenowych. Korzystając z 227 próbek wody zebranych w latach 2011–2021, skalibrowano i przetestowano te modele na obrazach Landsat 8 i Sentinel‑2 Jeziora Ebinur, a następnie sprawdzono, jak dobrze modele przenoszą się na Jezioro Bosten, jaśniejsze jezioro o niższym SPM w tym samym regionie. Zastosowano także metodę fuzji ESTARFM do połączenia danych Landsat i MODIS, wypełniając luki w szeregu czasowym przy zachowaniu spójności reflektancji w paśmie czerwieni.

Wybór właściwego narzędzia dla każdego sensora

Wyniki pokazują, że żaden pojedynczy model nie sprawdza się najlepiej we wszystkich sytuacjach. Dla zwykle wysokich stężeń SPM w Jeziorze Ebinur modele półanalityczne wyraźnie przewyższały większość modeli empirycznych i uczenia maszynowego, dostarczając stabilnych map pasujących do przestrzennych wzorców widocznych na obrazach satelitarnych i osiągając dobrą zgodność z pomiarami in situ. Wariant QAA dostrojony do pasma czerwieni (około 655–665 nanometrów) sprawdził się szczególnie dobrze dla Landsat 8 i Sentinel‑2, podczas gdy starannie dobrana regresja wykładnicza (EXPM) była bardziej odpowiednia dla starszych sensorów Landsat 5/7 i dla obrazów z fuzji. Modele empiryczne trenowane na danych z Ebinur w dużej mierze zawodziły po zastosowaniu do jaśniejszego Jeziora Bosten, często generując nierealistyczne, „blokowe” wzory, gdzie wiele sąsiednich pikseli miało identyczne wartości — dowód na to, że modele uczone wyłącznie na bardzo mętnych wodach nie generalizują się do warunków niskiego SPM.

Od lokalnego studium przypadku do szerszych wskazówek

Analizując, jak woda Jeziora Ebinur oddziałuje ze światłem, harmonizując pomiary z różnych satelitów i systematycznie testując modele fizyczne i oparte na danych, autorzy proponują praktyczną receptę na długoterminowy monitoring SPM w surowych, ubogich w dane środowiskach. Stosować podejście QAA oparte na fizyce z nowoczesnymi satelitami tam, gdzie to możliwe; w przypadku starszych lub połączonych zestawów danych polegać na dobrze zachowujących się modelach empirycznych; i unikać bezpośredniego przenoszenia modeli uczenia maszynowego z bardzo mętnych do przejrzystych wód. Dla lokalnych społeczności i zarządzających środowiskiem oznacza to bardziej wiarygodne mapy, kiedy i gdzie jeziora stają się zmącone cząstkami, co wspiera lepszą ochronę siedlisk wodnych, efektywniejsze gospodarowanie wodą i wcześniejsze ostrzeganie przed ryzykiem burz pyłowych w suchych regionach na całym świecie.

Cytowanie: Liu, C., Xu, X., Wu, Y. et al. A hybrid empirical and semi analytical inversion approach for remote sensing estimation of SPM in Ebinur Lake China. Sci Rep 16, 10273 (2026). https://doi.org/10.1038/s41598-026-40250-x

Słowa kluczowe: zawieszone cząstki stałe, teledetekcja, jeziora w strefie suchej, Landsat Sentinel, monitoring jakości wody