专栏名称: 生态遥感前沿
分享生态遥感领域实用教程、最新科研成果及资讯,交流、合作等事宜请加Novel_2020
目录
相关文章推荐
游戏研究社  ·  还有人能拯救式微的RTS游戏吗? ·  昨天  
游戏研究社  ·  莱莎的肉腿受欢迎 ,是因为全球经济下行? ·  昨天  
51好读  ›  专栏  ›  生态遥感前沿

ISPRS顶刊2025 | 北大李东锋团队重磅发文:卫星数据+动态机器学习新框架精准反演河流有机碳

生态遥感前沿  · 公众号  ·  · 2025-03-10 10:00

正文

01

论文标题

Tian S, Sha A, Luo Y, et al. A novel framework for river organic carbon retrieval through satellite data and machine learning[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2025, 221: 109-123.

图片

02

论文摘要


河流输送大量碳元素,在陆地、沿海及大气生物地球化学循环之间起着关键的纽带作用。 然而,我们对大尺度范围内河流碳动态的长期观测与理解仍然有限。将机器学习与遥感相结合,为从时空定量估算有机碳(Organic Carbon, OC)提供了一种有效的方法。 在本研究中,我们开发了一种动态机器学习反演框架——Aquatic-Organic Carbon (Aqua-OC),旨在利用近半个世纪的分析就绪型 Landsat 数据,对河流尺度的有机碳进行估算。 首先,我们整合了一个全球代表性的河流有机碳数据集,其中包括 299,330 条溶解性有机碳(Dissolved Organic Carbon, DOC)测量数据 和 101,878 条颗粒性有机碳(Particulate Organic Carbon, POC)测量数据。随后, 我们利用该数据集评估四种机器学习方法的性能,包括 随机森林(Random Forest, RF)、极端梯度提升(Extreme Gradient Boosting, XGBoost)、支持向量回归(Support Vector Regression, SVR)和深度神经网络(Deep Neural Network, DNN),并结合光学水体类型分类策略进行优化 。此外,我们通过引入多模态输入特征,综合考虑 OC 来源及环境条件,从而提升 Aqua-OC 框架的反演精度。 研究结果表明,Aqua-OC 能够有效估算 DOC(R² = 0.68,RMSE = 2.88 mg/L,Bias = 2.63%,Error = 12.52%)和 POC(R² = 0.76,RMSE = 1.76 mg/L,Bias = 6.31%,Error = 21.36%)。此外,以密西西比河流域为例的案例研究进一步验证了 Aqua-OC 在流域尺度上对近四十年河流 OC 变化的映射能力。 本研究提出了一种通用的方法,可用于基于卫星遥感的河流有机碳反演,在精细空间尺度和长期时间尺度上提供高效的定量工具,从而为评估河流在全球碳循环中的作用提供科学支撑。

03

关键图表


图片

图 1. Aqua-OC 框架的总体方法论 RIOS 蓝图增强了对河流在全球碳循环中作用的观测和量化能力。Aqua-OC 框架的开发整合了 40 多万条有机碳 (OC) 测量数据及多模态输入特征,评估不同机器学习方法,并确定针对不同光学水体类型 (OWTs) 的最优方案。Aqua-OC 已部署在 Google Earth Engine (GEE) 平台上,以支持长期时序分析及河流尺度的 OC 反演。

图片

图 2. 有机碳比对数据的时空分布 (a, b) 综合 OC 比对数据的空间分布。 (c, d) 1984 至 2020 年综合 OC 比对数据的时间分布。

图片

图3. OC 浓度的直方图 直方图展示所有比对数据的 OC 浓度分布。蓝色和灰色虚线分别表示均值和中位数。DOC 的均值和中位数分别为 5.3 mg/L 和 3.8 mg/L,而 POC 的均值和中位数分别为 2.3 mg/L 和 1.3 mg/L。

图片

图 4.







请到「今天看啥」查看全文