Retrieval of Optically Active and Inactive Water Quality Parameters Using Remote Sensing and Machine Learning: Evidence from Water Hyacinth-Infested Lake Tana, Ethiopia
Lakachew Y. Alemneh · Daganchew Aklog · Ann van Griensven 等 11 人
用Sentinel-2与机器学习反演埃塞俄比亚塔纳湖四类水质参数并分析时空变化。
Sentinel-2影像、Google Earth Engine、858个实测点
RF与XGB精度最高（R²达0.91-0.94），水质参数呈显著季节与年际上升趋势。
可迁移至其他数据稀缺湖泊，探索水葫芦覆盖下水体光谱混合与多源遥感协同反演。
基于Sentinel-2与机器学习实现湖泊多参数水质反演，方法可迁移至国内农业面源污染与渔业水域监测，数据规模与精度均具参考价值。
监测水质对于保护淡水生态系统和支撑可持续水资源管理至关重要。埃塞俄比亚最大的淡水湖——塔纳湖（Lake Tana）面临着日益加剧的农业和城市压力，而传统监测手段仍然成本高昂且受空间限制。本研究开发了一套集成Sentinel-2遥感与机器学习的框架，利用858个原位观测数据和Google Earth Engine估算叶绿素a（Chl-a）、浊度（TU）、总氮（TN）和总磷（TP）。采用光谱波段、波段组合和指数，评估了随机森林（RF）、极端梯度提升（XGB）、人工神经网络（ANN）和支持向量回归（SVR）的性能。RF对Chl-a（R2 = 0.94 ± 0.01；RMSE = 2.11 ± 0.18 µg L−1；MARE = 5%）和TP（R2 = 0.91 ± 0.01；RMSE = 0.26 ± 0.01 mg L−1；MARE = 8.7%）的预测效果最佳，而XGB对TU（R2 = 0.93 ± 0.01；RMSE = 5.17 ± 0.43 NTU；MARE = 7%）和TN（R2 = 0.94 ± 0.02；RMSE = 0.18 ± 0.02 mg L−1；MARE = 9.9%）的预测效果最佳。RF和XGB在光学活性和非光学活性参数上均表现出强大的预测性能，表明该框架能够捕捉复杂的光谱水质关系并支持空间连续评估。显著的季节性差异（p < 0.001）显示旱季Chl-a较高（137.1%），雨季TP（21.7%）、TU（7.5%）和TN（3.9%）较高。长期配对观测进一步表明，从2016年12月至2025年12月，Chl-a（73.7%）、TN（30%）和TP（14.3%）均有所增加（p < 0.001）。空间热点分析揭示了TU、TN和TP的强烈聚集性，尤其是在支流河口和近岸区域，凸显了优先监测和干预区域。总体而言，整合实地观测、Sentinel-2影像和机器学习为监测多种水质参数提供了一种准确、可扩展且具有成本效益的方法。该框架为加强数据稀缺地区的淡水监测以及支持在水质压力日益增大背景下湖泊的可持续管理提供了一种可迁移的解决方案。