俄亥俄河与伊利诺伊河卫星反演叶绿素a(CHOIR)
《Journal of Geophysical Research: Biogeosciences》:Satellite-Derived Chlorophyll-a of the Ohio and Illinois Rivers (CHOIR)
【字体:
大
中
小
】
时间:2026年09月24日
来源:Journal of Geophysical Research: Biogeosciences 3.5
编辑推荐:
## 摘要
叶绿素a是衡量水质的关键指标,常被用作淡水系统中藻类生物量的替代参数。然而,河流中的实地数据十分有限,尤其是位于美国中部的俄亥俄河流域,这阻碍了我们对河流藻类随时间变化规律及其对水质影响最显著区域的深入了解。我们构建了一个38年(1984–2022年)的卫星衍生
## 摘要
叶绿素a是衡量水质的关键指标,常被用作淡水系统中藻类生物量的替代参数。然而,河流中的实地数据十分有限,尤其是位于美国中部的俄亥俄河流域,这阻碍了我们对河流藻类随时间变化规律及其对水质影响最显著区域的深入了解。我们构建了一个38年(1984–2022年)的卫星衍生叶绿素a数据集,首次实现了对河流中叶绿素a长期趋势及沿下游方向的空间变化模式的定量分析。我们基于实地观测与卫星过境数据的匹配,训练并测试了一种机器学习模型,利用Landsat 5–9数据估算俄亥俄河和伊利诺伊河流域河流及水库中的叶绿素a浓度。俄亥俄河与伊利诺伊河叶绿素a数据库(CHOIR)包含从1984年到2022年间与全国水文数据库(NHD)关联的6,116个河段的观测数据,目前已生成3,211,825条观测记录。CHOIR在藻类监测和河流生态学方面具有广泛的实际和研究应用价值,如源水保护和历史水华评估,并提供了一套可应用于其他流域的工作流程。
## 通俗摘要
人们对日益增加的藻类对河流生态系统和饮用水供应造成危害的担忧不断上升。然而,河流叶绿素a(藻类生物量的指示指标)的历史记录很少,且仅限于少数地点。因此,目前一般不清楚河流中的藻类数量是否在发生变化。在此,我们利用卫星构建了俄亥俄河和伊利诺伊河流域所有主要河流从1984年到2022年的叶绿素a数据库。我们的数据库包含6,116个河段中超过300万个测量值,与公开可用的实地叶绿素a数据库相比,这些流域中叶绿素a观测的空间和时间覆盖范围增加了约18,000%。CHOIR与现有的河流位置和流域属性空间数据产品集成,索引至全国水文数据库,旨在快速分析叶绿素a随时间和空间的变化,帮助用户确定高浓度藻类通常出现在何处、出现频率如何以及随时间的变化情况。
## 利益冲突
作者声明没有与本研究相关的利益冲突。
## 可用性声明
CHOIR数据集及所有用于开发CHOIR的代码(GEE图像分析、匹配数据库构建、模型训练与开发、模型评估、SR数据库生成、模型应用及模型文件)已在环境数据倡议(Environmental Data Initiative)仓库中发布,其中还包含详细的文件描述、数据字典、变量名称和单位。请注意,EDI现在需要通过DOI链接登录免费账户才能访问数据库。此外,本论文中分析图表的开发代码以及用于加载、筛选和绘制CHOIR时间序列的简短R脚本已在Github上提供。Github: https://github.com/GardnerLab-Pitt/OhioRiver_SR/tree/main。EDI: https://doi.org/10.6073/pasta/fb1e48b0f1ed10857f5ffd842929274d。Sillen等(2025)。本信息根据创意共同许可协议——署名——CC BY发布。
## 来自支持信息的参考文献
Ali, K., Abiye, T., & Adam, E. (2022). 整合实地数据与当前代卫星数据进行南非哈特比斯波特大坝(鳄鱼河流域)有害藻类水华的时间与空间分析。遥感, 14(17), 4277. https://doi.org/10.3390/rs14174277
Allan, M. G., Hamilton, D. P., Hicks, B. J., & Brabyn, L. (2011). 利用Landsat遥感监测新西兰中北部岛屿湖泊的叶绿素a浓度。国际遥感杂志, 32(7), 2037–2055. https://doi.org/10.1080/01431161003645840
Arias-Rodriguez, L. F., Duan, Z., de Díaz-Torres, J. J., Basilio Hazas, M., Huang, J., Kumar, B. U., 等 (2021). 利用极限学习机整合遥感与墨西哥水质监测系统。传感器, 21(12), 4118. https://doi.org/10.3390/s21124118
Begliomini, F. N., Barbosa, C. C. F., Martins, V. S., Novo, E. M. L. M., Paulino, R. S., Maciel, D. A., 等 (2023). 利用PRISMA高光谱数据基于机器学习对热带城市水库蓝藻进行制图。摄影测量与遥感ISPRS杂志, 204, 378–396. https://doi.org/10.1016/j.isprsjprs.2023.09.019
Burket, M. O., Olmanson, L. G., & Brezonik, P. L. (2023). 两种水色算法的比较:对中高浓度类腐殖质溶解有机物质或叶绿素水体的遥感启示。传感器, 23(3), 1071. https://doi.org/10.3390/s23031071
Byrne, A., Lomeo, D., Owoko, W., Aura, C. M., Nyakeya, K., Odoli, C., 等,代表NSF-IRES维多利亚湖研究联盟。(2024). LAQUA:一种利用Landsat卫星数据的东非湖泊水质反演工具。遥感, 16(16), 2903. https://doi.org/10.3390/rs16162903
Cao, Z., Ma, R., Melack, J. M., Duan, H., Liu, M., Kutser, T., 等 (2022a). 利用Landsat卫星数据观测1984至2019年太湖叶绿素a的变化。国际应用地球观测与地理信息杂志, 106, 102642. https://doi.org/10.1016/j.jag.2021.102642
Chegoonian, A. M., Pahlevan, N., Zolfaghari, K., Leavitt, P. R., Davies, J. M., Baulch, H. M., & Duguay, C. R. (2023). 利用Sentinel-2和Landsat OLI数据进行叶绿素a提取的经验模型与机器学习模型比较分析:机遇、局限与挑战。加拿大遥感杂志, 49(1), 2215333. https://doi.org/10.1080/07038992.2023.2215333
Forget, P., & Ouillon, S. (1998). 利用可见光卫星图像反演罗讷河口的悬浮泥沙。海洋学学报, 21(6), 739–749. https://doi.org/10.1016/S0399-1784(99)80003-6
Hafeez, S., Wong, M. S., Ho, H. C., Nazeer, M., Nichol, J., Abbas, S., 等 (2019). 第二类水体水质指标反演中机器学习算法的比较:以香港为例。遥感, 11(6), 617. https://doi.org/10.3390/rs11060617
Huang, J. (2016). 利用Landsat 8影像检测哈沙湖蓝绿藻的空间分布模式。路易斯安那州立大学硕士论文。https://doi.org/10.31390/gradschool_theses.3645
Kwon, Y. S., Baek, S. H., Lim, Y. K., Pyo, J., Ligaray, M., Park, Y., & Cho, K. H. (2018). 利用机器学习模型监测沿海地区叶绿素a浓度。水, 10(8), 1020. https://doi.org/10.3390/w10081020
Lin, S., Novitski, L. N., Qi, J., & Stevenson, R. J. (2018). 利用Landsat TM/ETM+和机器学习算法进行内陆湖泊水文学研究和藻类水华管理。应用遥感杂志, 12(2), 026003. https://doi.org/10.1117/1.JRS.12.026003
Meng, H., Zhang, J., & Zheng, Z. (2022). 利用Landsat 8-9 OLI和Sentinel-2 MSI传感器结合经验多元回归反演内陆水库水质参数。国际环境研究与公共卫生杂志, 19(13), 7725. https://doi.org/10.3390/ijerph19137725
Nazeer, M., Bilal, M., Alsahli, M. M. M., Shahzad, M. I., & Waqas, A. (2017). 评估经验模型和机器学习算法在沿海水质参数估算中的应用。ISPRS国际地理信息期刊, 6(11), 360. https://doi.org/10.3390/ijgi6110360
Rodríguez-López, L., Duran-Llacer, I., González-Rodríguez, L., Abarca-del-Rio, R., Cárdenas, R., Parra, O., 等 (2020). 利用Landsat图像进行光谱分析以监测智利拉哈湖的叶绿素a浓度。生态信息学, 60, 101183. https://doi.org/10.1016/j.ecoinf.2020.101183
Siswanto, E., Ishizaka, J., Tripathy, S. C., & Miyamura, K. (2013). 利用MODIS数据检测有害藻类水华——以日本濑户内海为案例。环境遥感, 129, 185–196. https://doi.org/10.1016/j.rse.2012.11.003
Vargas-Lopez, I. A., Rivera-Monroy, V. H., Day, J. W., Whitbeck, J., Maiti, K., Madden, C. J., & Trasvi?a-Castro, A. (2021). 结合实地连续荧光测量与Landsat 8/OLI数据评估叶绿素a的时空分布模式——以美国路易斯安那州巴拉塔里亚盆地为例。水, 13(4), 512. https://doi.org/10.3390/w13040512
Xiao, Y., Chen, J., Xu, Y., Guo, S., Nie, X., Guo, Y., 等 (2023). 利用多源遥感测量监测光学复杂内陆河流中叶绿素a和悬浮泥沙浓度。生态指标, 155, 111041. https://doi.org/10.1016/j.ecolind.2023.111041
Yang, Y., Zhang, X., Gao, W., Zhang, Y., & Hou, X. (2023). 通过结合遥感光谱与纹理特征提高湖泊叶绿素a反演精度。环境科学与污染研究, 30(35), 83628–83642. https://doi.org/10.1007/s11356-023-28344-9
Yao, H., Huang, Y., Wei, Y., Zhong, W., & Wen, K. (2021). 利用梯度提升决策树模型反演广西北海沿海海域叶绿素a浓度。应用科学, 11(17), 7855. https://doi.org/10.3390/app11177855
Zhang, F., Li, J., Yan, B., Yu, J., Wang, C., Wang, S., 等 (2021). 基于Landsat系列传感器间归一化追踪中国北方官厅水库历史叶绿素a变化。国际遥感杂志, 42(10), 3918–3937. https://doi.org/10.1080/01431161.2021.1875149
Zhang, H., Xue, B., Wang, G., Zhang, X., & Zhang, Q. (2022). 基于深度学习和Landsat 8影像的蓄水湖泊水质反演:以东平湖为例。遥感, 14(18), 4505. https://doi.org/10.3390/rs14184505
Zhang, T., Huang, M., & Wang, Z. (2020). 基于SVM算法和Landsat 8 OLI影像估算湖泊叶绿素a浓度。环境科学与污染研究, 27(13), 14977–14990. https://doi.org/10.1007/s11356-020-07706-7
Zhao, X., Xu, H., Ding, Z., Wang, D., Deng, Z., Wang, Y., 等 (2021). 深度学习与几种典型方法在遥感反演叶绿素a预测评估中的比较:以中国太湖为案例研究。供水, 21(7), 3710–3724. https://doi.org/10.2166/ws.2021.137