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.
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。
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 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 4.
机器学习算法中 OC 预测特征的重要性
。
不同 OWT 下的 OC 预测特征重要性。
图 5.
OC 比对数据的归一化表面反射率
。
归一化表面反射率数据按 k-means 聚类分析分为四类，灰色曲线表示平均反射率。
图 6.
不同 OWT 组别的实测 OC 分布
。
小提琴图展示 OWT 组别的实测 OC 值，其中白线表示中位数，粗线表示四分位距范围，须线延伸至最大 1.5 倍四分位距范围
。
图 7.
四种机器学习算法对 DOC 反演的表现
