一种用于中国艾比努尔湖悬浮颗粒物遥感估算的混合经验与半解析反演方法

为何这些尘土飞扬的沙漠湖泊至关重要

位于中国西北边陲的艾比努尔湖是一处浅而咸的湖泊，四周环绕着沙漠。湖水中充满了细土和盐等悬浮颗粒。这些颗粒影响着作为重要“软黄金”收获对象的盐水虾的栖息环境，会堵塞灌溉系统，并且在湖床暴露干燥后成为会影响附近城镇的扬尘来源。但在如此偏远且观测资料稀缺的地区，要追踪这些颗粒随年际变化的情况并不容易。本研究展示了如何结合不同卫星传感器与建模方法，可靠地在十余年尺度上监测艾比努尔湖及附近类似湖泊的悬浮颗粒物（SPM）。

收缩湖面上方的颗粒云

艾比努尔湖是气候与人类压力如何改造沙漠湖泊的典型示例。降水稀少、蒸发强烈，且每年约有两个月强风搅动浅水面。这些风将底部沉积物搅入水中，提升了SPM浓度，随后干涸的湖床物质又被吹起，形成大范围的盐尘风暴。与此同时，湖面面积不断缩小，暴露出更多裸露沉积物。这既威胁到湖泊脆弱的湿地生态系统，也危及依赖水质合适的盐水虾产业。因此，管理者需要长期的SPM地图，以显示浑浊度在湖内的空间分布及其随时间的变化，这只有卫星能够持续提供。

从太空“读”懂湖水颜色

Landsat 与 Sentinel-2 等卫星定期以可见光和近红外波段观测艾比努尔湖。研究首先测量了艾比努尔异常咸且浑浊的湖水在各波长上的光吸收特性，区分了悬浮颗粒和溶解有机物的贡献。作者发现，在约695纳米（深红区）处，该湖的吸收接近纯水水平，而SPM在相邻红光波段表现出明显的特征。这一认识有助于固定半解析模型的基准，将卫星观测到的反射光与颗粒对光的吸收与散射等物理性质联系起来，进而推算SPM浓度。

融合物理认知与数据驱动模型

研究团队比较了两类模型。半解析模型（如准解析算法QAA）利用水体光学知识从卫星反射率中反演SPM；经验模型——包括简单的指数回归和若干机器学习方法——则直接从现场测得的SPM与反射率之间学习对应关系。基于2011至2021年间采集的227个水样，他们在艾比努尔湖的Landsat 8与Sentinel-2影像上校准并测试这些模型，随后检验模型向同一区域但更清澈、SPM较低的博斯腾湖的可迁移性。他们还使用名为ESTARFM的融合方法将Landsat与MODIS数据结合，以在保持红光波段反射一致性的同时填补时间序列空缺。

为每种传感器选对工具

结果表明没有单一模型能在所有情形下都表现最好。对于艾比努尔湖通常较高的SPM水平，半解析模型明显优于大多数经验和机器学习模型，能给出与卫星影像中可见空间格局一致且与湖内实测值吻合的稳定地图。针对红光（约655–665纳米）调优的QAA变体在Landsat 8和Sentinel-2上表现尤其良好，而精心选择的指数回归（EXPM）则更适用于较老的Landsat 5/7传感器和融合影像。在艾比努尔数据上训练的经验模型在应用到更清澈的博斯腾湖时大多失败，常出现不真实的块状模式——相邻许多像元具有相同值——这表明仅在高度浑浊水体上训练的模型难以推广到低SPM条件。

从局部案例到更广泛的实践指导

通过解析艾比努尔湖水体与光的相互作用、协调不同卫星的测量并系统性测试物理与数据驱动模型，作者提出了在恶劣且数据匮乏环境中进行长期SPM监测的实用方案：在可能的情况下，对现代卫星优先采用物理驱动的QAA方法；对较旧或融合的数据集则采用行为良好的经验模型；并避免将仅在高度浑浊水体上训练的机器学习模型直接移植到清澈水域。对当地社区与环境管理者而言，这意味着能更可靠地绘制湖泊何时何地被颗粒浑浊的地图，从而支持更有效的栖息地保护、更高效的用水管理，以及提前预警干旱地区的扬尘风险。

引用: 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

关键词: 悬浮颗粒物, 遥感, 干旱湖泊, Landsat Sentinel, 水质监测