Operational monitoring of urban coastal pollution: integrating satellite remote sensing and machine learning to manage turbid and suspected sewage plumes

方法

用C2RCC处理器反演叶绿素a和悬浮物，结合随机森林与K-means++聚类分类

发现

雨季羽流浑浊度高且离岸延伸达5公里，混合方法可有效识别污染水团。

机会点

可将该遥感与机器学习框架迁移至农业流域面源污染及养殖尾水入海监测研究。

摘要 城市海岸带污染的有效管理往往受制于难以追踪来自溪流和运河的污水羽流的空间与季节动态。本研究针对这一管理缺口，为印度金奈大都市区的一条受污染溪流及孟加拉湾邻近海岸水域开发并验证了一个基于卫星的业务化监测框架。本研究利用2023年1月至2025年12月的逐月无云数据评估了水质和羽流动态。卫星反演的叶绿素a（Chlorophyll-a）和总悬浮物（Total Suspended Matter）采用Case 2 Regional Coast Colour处理器进行加工，浊度则通过半经验算法估算。反演产品与两次不同野外考察的同步现场测量结果进行了验证，显示出较强的正相关。时间序列分析表明，旱季浊度较低或未发生羽流事件，而在东北季风季节（10月至12月）出现范围广泛、高浊度的羽流，观测到羽流向外海延伸可达5 km。利用无监督K-means++聚类对一次代表性高排放事件（2024年11月15日）的80,000余条遥感反射率光谱进行聚类，并据此训练随机森林分类器，得到14种光谱上可区分的光学水类型，涵盖从清澈海水到以红光和近红外反射率升高为特征的异常污染类型。这种混合方法为海岸排放的空间探测与监测提供了稳健的框架。该框架能够实现污染事件的早期预警，支持环境法规的合规性追踪，并有助于采取有针对性的干预措施以减轻生态影响。该方法展示了如何将易于获取的卫星数据和机器学习投入业务化应用，以改善面临类似挑战的快速城市化地区的海岸水质管理。