基于Sentinel-2影像的多参数地表水水质估算的端到端定制CNN管道

《Remote Sensing》:End-to-End Customized CNN Pipeline for Multiparameter Surface Water Quality Estimation from Sentinel-2 Imagery Essam Sharaf El Din, Karim M. El Zahar and Ahmed Shaker

【字体: 大 中 小 】 时间:2026年03月06日 来源:Remote Sensing 4.3

编辑推荐:

  该项研究旨在解决利用遥感技术对地表水水质参数(Surface Water Quality Parameters, SWQPs)进行准确、连续监测的关键需求,克服现有模型通常依赖不适合复杂水生环境的预训练网络的局限性。研究人员提出了一种定制的卷积神经网络(Con

  
该项研究旨在解决利用遥感技术对地表水水质参数(Surface Water Quality Parameters, SWQPs)进行准确、连续监测的关键需求,克服现有模型通常依赖不适合复杂水生环境的预训练网络的局限性。研究人员提出了一种定制的卷积神经网络(Convolutional Neural Network, CNN)架构,在MATLAB环境中实现,旨在从2023年至2024年获取的十八幅Sentinel-2 Level-2A卫星图像中同时预测光学活性参数(总有机碳,Total Organic Carbon, TOC)和非光学活性参数(溶解氧,Dissolved Oxygen, DO)。该方法通过一个具有三个卷积层和两个全连接层的定制CNN整合空间和光谱数据,并通过自适应学习策略、数据增强和严格的正则化进行优化,以提高预测性能并防止过拟合。模型在卫星影像和现场测量的融合数据集上进行训练和验证,该数据集被组织成包含光谱、空间和样本维度的综合四维数组。结果显示高精度,训练、验证和测试子集的决定系数(coefficient of determination, R2)值超过0.97,均方根误差(Root Mean Square Error, RMSE)较低。生成的高分辨率空间预测图揭示了与纽宾士域省(New Brunswick)已知区域水质动态一致的真实生态和水文模式。研究人员的贡献在于开发了一个透明、适应性强且可复制的CNN框架,专门用于多参数水质估算,该框架超越了传统的经验性、站点特定的回归模型,能够通过卫星平台在大型、异质的省级范围内实现非侵入性、成本效益高且连续的监测。此外,通过SHapley Additive exPlanations(SHAP)分析增强了模型可解释性,识别了影响预测的关键光谱波段并提供了生态学见解,为未来传感器设计和数据缩减策略提供了指导。这项研究通过提供一个双参数聚焦的、端到端的深度学习解决方案,填补了重要的研究空白,该方案针对省级规模的遥感数据进行了优化,有助于更明智的环境管理。该研究可以为水资源管理者和机构提供支持,通过免费获取的Sentinel-2影像生成全省范围的DO和TOC地图,减少对稀疏野外采样的依赖,并帮助识别低氧或高有机碳区域。未来工作将在时间和空间上扩展该框架,并探索结合时间依赖性的混合CNN架构,以提高泛化能力和精度。
**论文解读:基于Sentinel-2影像的多参数地表水水质估算端到端定制CNN管道**

本研究针对地表水水质参数(Surface Water Quality Parameters, SWQPs)连续精确监测的迫切需求展开。传统现场采样方法耗时费力、覆盖有限,而现有遥感反演模型多依赖预训练网络或浅层机器学习算法,难以同时处理光学活性(如总有机碳,TOC)和非光学活性(如溶解氧,DO)参数,且缺乏空间上下文利用与模型可解释性。为克服这些局限,研究人员提出一种完全定制化的卷积神经网络(Convolutional Neural Network, CNN)架构,在MATLAB(R2024a)环境中开发,利用2023–2024年获取的18景Sentinel-2 Level-2A影像,结合纽宾士域省(New Brunswick)政府监测计划提供的现场数据(DO: n=326, TOC: n=270),实现TOC与DO的同步估算及省级尺度高分辨率空间制图。论文发表于《Remote Sensing》。

**主要技术方法**(不超过250字):
研究人员采用以下关键技术:影像镶嵌(mosaicking)生成覆盖全省的无缝多光谱底图;K均值聚类(k-means)结合手动细化的水体掩膜(water mask)提取水域像素;构建四维(4D)光谱-空间数据集(patch尺寸16×16像素,12个Sentinel-2波段),将每个站点作为中心提取局部邻域信息;定制CNN架构包含三个卷积层(滤波器数16→32→64,核大小3×3,ReLU激活,批归一化与最大池化)与两个全连接层(128→64神经元,30% dropout),输入为12波段×16×16 patch,输出连续SWQP值;采用Adam优化器(初始学习率0.005,每300轮衰减10%),数据增强(随机旋转±10°、缩放0.8×–1.2×)和早停策略;模型解释性通过SHAP(SHapley Additive exPlanations)分析(Deep Explainer)实现。样本来自纽宾士域省水质监测项目,经由加拿大河流研究所(CRI)获取。

**研究结果**:

**6.1 水体提取(Extraction of Water Bodies)**:通过K均值聚类与手动细化,得到高质量水体掩膜,经检查仅少量沿岸及窄河道像素需要修正,多数水体由算法直接识别。

**6.2 SWQPs浓度(Concentrations of SWQPs)**:基于95%置信水平(Z=1.96)剔除异常值后,DO浓度范围为4.28–12.6 mg/L(均值8.659 mg/L),TOC为0.50–18.30 mg/L(均值6.414 mg/L)。

**6.3 MATLAB实现:现场测量与卫星影像匹配(MATLAB Implementation: In Situ Measurements and Satellite Imagery Match-Up)**:开发的MATLAB匹配算法以卫星过境日期为中心,设定±7天时间窗口(对DO进行敏感性实验,±7天窗口与±14天窗口结果相近),将现场测量与对应影像像素对齐。

**6.4 MATLAB实现:4D数组构建(MATLAB Implementation: 4D Array Construction)**:自动化提取每个采样站点周边16×16像素patch,组织成B×K×K×W格式(B=12波段,K=16,W=SWQP值)的4D数组。

**6.5 CNN数据分割比例(CNN Data Splitting Ratios)**:数据集按70%训练、15%验证、15%测试随机划分(以站点为单位),实现动态分配。

**6.6 CNN模型分析(Analysis of the CNN Models)**:定制CNN在训练、验证、测试集上表现优异:DO的R2分别为0.980、0.975、0.974,RMSE为0.220、0.249、0.266 mg/L(相对误差3.07%),收敛于第4417轮(训练约9小时);TOC的R2分别为0.993、0.983、0.981,RMSE为0.330、0.603、0.440 mg/L(相对误差6.86%),收敛于第3866轮(约8.5小时)。结果表明模型能有效利用局部空间上下文捕捉水质动态。

**6.7 SHAP分析(SHAP Analysis of the Proposed CNN)**:通过SHAP量化各波段贡献。对DO而言,近红外(NIR)与红边波段(B8A、B6、B8)最重要,反映植被、悬浮物与藻类生物量间接指示;短波红外(SWIR)中等贡献,水汽波段(B9)贡献极小。对TOC而言,窄NIR(B8A)影响最强,蓝波段(B2)正向贡献,红边及SWIR波段中等。该分析识别关键波段,为传感器设计与数据缩减提供依据。

**6.8 CNN浓度空间制图(Spatial Mapping of Concentrations Using the Proposed CNN)**:由于全影像约68 GB,采用分块(tiling)逐块推理策略(Python与MATLAB协同)。生成的DO空间分布显示,西北内陆窄河道区域DO偏低(3.8–8.3 mg/L,绿色),而南部大湖与沿海区域较高(>10 mg/L,黄至红色),与水流缓慢、有机物分解以及光合作用/复氧差异吻合。TOC分布显示北部快速流动河流浓度较低(0.7–5.8 mg/L),南部湖泊与植被集水区较高(>7.9 mg/L),反映有机碳输入与滞留。

**讨论与结论**:
讨论部分强调,随机站点级划分可能因空间自相关导致性能乐观,未来需采用留水体法或地理分块验证;未与其他机器学习算法(如随机森林、支持向量回归)进行系统对比也是当前局限。CNN通过局部空间纹理间接捕捉非光学活性参数(DO)与生物地球化学过程的耦合。SHAP分析不仅增强模型透明度,还揭示了NIR与红边波段的生态关联性,为简化输入配置(剔除低贡献波段如B9)提供依据。生成的高分辨率空间图可支持低氧区预警与有机碳热点识别。研究结论翻译如下:“本研究开发了一种定制的CNN架构,用于从Sentinel-2多光谱影像同时估算和空间制图关键地表水水质参数(溶解氧DO与总有机碳TOC)。该模型综合光学与非光学特征,通过自适应训练、数据增强与正规化优化光谱-空间特征提取,展现出稳健的预测性能(R2 > 0.97),生成的空间分布模式与纽宾士域省已知水文生态动态一致。引入了从Sentinel-2预处理到省级制图的完整端到端管道,其基于patch的设计显式利用局部空间上下文,并在统一框架中处理光学活性与非光学活性参数。SHAP可解释性揭示了驱动预测的关键光谱波段,指导未来传感器设计与数据缩减。该管道具备透明、可扩展、可复制的特点,可实现连续、低成本的多参数水质评估,推动遥感水质监测领域的发展。未来工作将探索时空扩展、更多水质指标及混合深度学习架构。”
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号