+7 906 644 66 80 _____info@gisproxima.ru
Оставить заявку

Эффективный мониторинг концентрации хлорофиллa в городских водных объектах на основе мультиспектральных изображений БПЛА и ансамблевого метода машинного и глубокого обучения

Anqi He¹, Bin Yang², Qinghe Qu³, Fenfen Tian² и Bin Yang¹*
Цитирование: He A.; Yang B.; Qu Q.; et al. Efficient monitoring of chlorophyll-a concentration in urban water bodies based on UAV multispectral images and ensemble machine and deep learning method. AI Environ. 2026, 1(2): 93–105. https://doi.org/10.66178/aie-0026-0007
Получено: 10 декабря 2025 г. · Исправлено: 1 февраля 2026 г. · Принято: 5 марта 2026 г. · Опубликовано онлайн: 30 апреля 2026 г.

Аннотация

С ускорением урбанизации эвтрофикация водных объектов становится всё более серьёзной проблемой. Концентрация хлорофилла-a (Chla), являясь ключевым показателем эвтрофикации, непосредственно отражает экологическое состояние водных объектов, поэтому эффективный и точный мониторинг представляет собой важнейшую задачу городского экологического управления и устойчивого развития. В настоящем исследовании мультиспектральные изображения высокого разрешения, полученные с беспилотного летательного аппарата (БПЛА), и производные спектральные признаки были интегрированы в новый ансамблевый метод машинного и глубокого обучения (EMD) для высокоточного восстановления концентрации Chla. Метод EMD превзошёл отдельные модели, продемонстрировав высокую точность и устойчивость (среднее R² = 0,797; среднее RMSE = 18,96 мг/м³).
Дополнительно был проведён анализ землепользования для выявления основных факторов и механизмов эвтрофикации городских водных объектов. Между типами землепользования обнаружены значимые различия: средняя концентрация Chlaв реках, прилегающих к промышленным территориям, была существенно выше, чем в реках, испытывающих влияние сельскохозяйственных угодий либо смешанных зелёных насаждений и жилых зон; в последних двух случаях уровни были сравнительно близкими. Расширение промышленных территорий определено как основной фактор повышения концентрации Chla, тогда как рационально спланированные зелёные насаждения и жилая застройка эффективно снижали риски эвтрофикации.
Разработанные в настоящем исследовании метод дистанционного зондирования на основе БПЛА и метод EMDпредставляют собой инновационный инструмент точного мониторинга Chla в городских водных объектах. Учёт дифференцированных характеристик землепользования позволяет использовать полученные результаты как научную основу для разработки локально ориентированных стратегий контроля эвтрофикации и поддержки устойчивого управления городской окружающей средой.
Ключевые слова: концентрация хлорофилла-a; городская река; мультиспектральное изображение; глубокое обучение; БПЛА; меры по управлению эвтрофикацией

Основные положения

• Ансамблевый метод машинного и глубокого обучения обеспечивает более высокую точность и устойчивость оценки Chla.
• Мультиспектральная съёмка с БПЛА используется для мониторинга Chla с высоким пространственным разрешением.
• Показано, что расширение промышленных территорий является ключевым фактором повышения содержания Chla в городских водных объектах.
• Результаты позволяют обосновать адресные меры контроля эвтрофикации городских водных объектов.
* Автор для корреспонденции: Bin Yang (binyang@hnu.edu.cn). Полный перечень сведений об авторах приведён в конце статьи.

Графическая аннотация

Введение

Городские водные объекты являются неотъемлемой частью городских экосистем, играя незаменимую роль в регулировании климата, предоставлении экосистемных услуг, поддержке биоразнообразия и повышении качества жизни жителей. Однако с быстрым развитием урбанизации и индустриализации городские водные объекты сталкиваются со все более серьезными угрозами эвтрофикации [2], в первую очередь из-за чрезмерного поступления питательных веществ, таких как азот и фосфор, которые приводят к цветению водорослей и значительно влияют на качество воды и экосистемы [3]. Как основной фотосинтетический пигмент в водорослях, концентрация хлорофилла-а (Chla) широко рассматривается как важный биологический показатель для оценки эвтрофикации водоемов, непосредственно отражающий обилие и уровень активности водорослей [4].
Высокие концентрации Chla не только приводят к гипоксии и ухудшению качества воды, но и представляют угрозу безопасности питьевой воды [5]. Поэтому точный мониторинг концентрации Chla имеет первостепенное значение для оценки состояния воды и управления водной средой. В настоящее время мониторинг концентрации Chla в основном опирается на методы ручного отбора проб и лабораторного анализа [6]. Хотя эти методы имеют преимущества с точки зрения точности, их высокие затраты, ограниченное пространственное покрытие и низкое временное разрешение делают их непригодными для крупномасштабного, динамического и мониторинга в реальном времени [7].
С ростом спроса на контроль загрязнения воды в городах и управление окружающей средой существует настоятельная необходимость в эффективном и динамичном методе мониторинга, который может не только включать факторы, влияющие на окружающую среду, для анализа, но и использовать передовые методы моделирования для точного выявления пространственно-временных характеристик распределения концентраций Chla, тем самым обеспечивая надежную поддержку для принятия научных решений и разработки политики. Технология дистанционного зондирования (RS) является потенциальным решением для удовлетворения этой неотложной потребности, поскольку она играет решающую роль в обеспечении необходимой поддержки данных, и ее дальнейшее развитие продемонстрировало огромный потенциал для мониторинга окружающей среды [8].
От традиционного спутника RS (например, Landsat и Sentinel-2) до более недавнего появления беспилотного летательного аппарата (UAV) на основе RS, непрерывные технологические достижения значительно повысили точность и гибкость мониторинга окружающей среды [9]. Спутник RS, благодаря его широкому пространственному охвату и долгосрочным возможностям мониторинга, широко используется в мониторинге окружающей среды. Однако его ограничения во временном и пространственном разрешении ограничивают его применение в высокоточном мониторинге в режиме реального времени, особенно в районах, подверженных облачному покрову и дождю [10]. Напротив, технология многоспектральной визуализации UAV предлагает более высокое пространственное разрешение, гибкое временное планирование и более низкие затраты, что делает его особенно подходящим для мелкомасштабного мониторинга локализованных районов.
В последние годы она стала перспективной технологией мониторинга качества воды [11]. По сравнению с UAVгиперспектральная RS, мультиспектральная UAV мультиспектральная RS технология достигает благоприятного баланса между точностью мониторинга и экономической целесообразностью [12]. Поэтому мультиспектральная визуализация UAVпривлекла все большее внимание в мониторинге концентрации Chla и постепенно стала важным инструментом для достижения высокоточного мониторинга качества воды. Однако, опираясь исключительно на мультиспектральные данные UAV часто не удается выявить сложные закономерности эвтрофикации водоемов. Таким образом, внедрение моделей машинного обучения (ML) и глубокого обучения (DL) стало критическим решением этой проблемы [13,14].
Традиционные модели ML, такие как случайный лес (RF)[15], метод опорных векторов (SVM)[16] и адаптивный бустинг (Adaboost)[17], широко используются в мониторинге концентрации Chla из-за их превосходных возможностей отбора признаков и лучшей производительности нелинейного моделирования. Однако модели ML обычно полагаются на обширную разработку функций, требующую ручного проектирования и отбора признаков, что может привести к узким местам производительности при столкновении со сложными задачами извлечения функций и картирования [18]. Напротив, модели DL с их многослойной структурой сети и сильными возможностями автоматического обучения функциям лучше подходят для моделирования сложных нелинейных отношений, что делает их более подходящими для высокоточного мониторинга концентрации Chla [19].
Однако модели DL склонны к переоборудованию во время обучения, что ограничивает их широкое применение в ресурсо-сдержанных средах. Поэтому ансамблевые методы, интегрируя сильные стороны нескольких отдельных моделей, могут сохранять преимущества каждой базовой модели при частичном возмещении их ограничений[20,21]. Используя такие стратегии, как средневзвешенное, голосование или стекинг, ансамблевые методы агрегируют прогнозы нескольких моделей, тем самым повышая общую прогнозирующую точность и надежность модели. Это преимущество особенно очевидно при обработке мультиспектральных наборов данных UAV RSZ[22,23].
Кроме того, методы ансамбля демонстрируют определенную степень адаптивности, позволяя корректировать весы или параметры модели на основе различных характеристик данных и условий окружающей среды, тем самым еще больше улучшая способность обобщения модели. Поэтому методы ансамбля обеспечивают эффективное техническое решение для повышения стабильности модели, смягчения проблем переобучения и оптимизации прогнозных характеристик в мониторинге качества воды. Наряду с поддержкой, предоставляемой технологией UAV RS и методами ансамбля для мониторинга концентрации городского водоема Chla, движущие факторы, лежащие в основе эвтрофикации городской воды, также привлекли широкое внимание.
Экзогенное загрязнение (например, промышленные сточные воды, бытовые сточные воды и сельскохозяйственный стоки) [24] и высвобождение эндогенных питательных веществ [25] совместно влияют на пространственно-временное распределение концентрации Chla. Тип землепользования, как важный фактор поступления экзогенных питательных веществ, играет ключевую роль в процессе эвтрофикации, изменяя пути транспортировки загрязнителей и концентрации [26,27]. Например, сельскохозяйственные и промышленные земли, из-за стока пестицидов и удобрений, а также сброса сточных вод, обычно приводят к увеличению поступления питательных веществ [28], тогда как экологические типы земель, такие как леса и водно-болотные угодья, могут уменьшить поступления питательных веществ путем перехвата и поглощения загрязняющих веществ [29].
Этот механизм воздействия широко изучался в природных водоемах, таких как озера и реки [30,31], но исследования городских водоемов по-прежнему относительно ограничены, особенно с точки зрения конкретных механизмов управления типами землепользования по пространственному распределению Chla. Объединив мониторинг концентрации Chla с анализом землепользования, можно получить более глубокое понимание движущих факторов городской водной эвтрофикации и предоставить научные доказательства для оптимизации городского планирования земель и управления загрязнением. В целом это исследование объединяет мультиспектральные изображения UAV с передовыми моделями ансамбля ML и DL для разработки эффективного и динамичного метода мониторинга городской воды.
Метод направлен на достижение эффективного мониторинга концентраций Chla и дальнейшее изучение движущих эффектов и экологических механизмов различных типов землепользования на эвтрофикацию в городских водоемах. Основные инновации этого исследования включают: (1) оптимизацию применения изображений RS высокого разрешения на основе мультиспектральных данных UAV для достижения эффективного мониторинга концентрации Chla в городских водоемах; (2) разработку метода моделирования ансамбля для повышения точности и надежности мониторинга; и (3) систематический анализ взаимосвязи между моделями городского развития и изменениями качества воды, предоставляя целевые научные рекомендации для городского экологического управления.
Это исследование не только предлагает теоретическую поддержку и технические пути для эффективного мониторинга Chla, но и служит важным ориентиром для динамичного мониторинга и управления водными ресурсами в городах в глобальном масштабе, с широкими перспективами применения и практической значимостью.

Материалы и методы

Районы исследования

Провинция Хэйлунцзян, расположенная в северо-восточной части Китая (43°26′-53°33′N, 121°11′-135°05′E), характеризуется холодным умеренно-континентальным муссоном. Регион испытывает среднегодовое количество осадков примерно 755.2 mm и температурный диапазон от −53 °C до 37.5 °C. Эти уникальные географические и климатические условия наделяют область сложной водной экологической динамикой и выраженными сезонными характеристиками, обеспечивая разнообразные сценарии для исследования концентраций Chla в городских речных водоемах в холодных умеренных условиях. Это исследование фокусируется на трех репрезентативных городах в провинции Хэйлунцзян, а именно Харбине (HEB), Цикихаре (QQHE) и Суйхуа (SH), как область исследования (рис.1).
Городские реки и связанные с ними водные объекты в этих городах пересекаются крупными реками и служат критическими источниками воды для городских жителей, а также для сельскохозяйственной и промышленной деятельности. В столице провинции HEB проживает более 10 миллионов человек и высокий уровень урбанизации. Он сталкивается со значительными проблемами в поддержании здоровья городских водоемов и управлении воздействием на окружающую среду из-за его значительного внутреннего спроса на воду. QQHE, традиционный сельскохозяйственный центр с населением около 4,07 миллиона человек, борется с диффузным загрязнением, особенно от сельскохозяйственной деятельности, которая влияет на водные экосистемы. SH, жизненно важная сельскохозяйственная база и развивающийся промышленный город в провинции, имеет население около 3,56 миллиона человек.
Его быстрое экономическое развитие в последние годы привело к двойному напряжению городских речных водоемов, обусловленному как сельскохозяйственным стоком, так и промышленными сточными водами. В совокупности эти три города представляют собой типичные городские водные среды в холодных умеренных регионах, при этом проявляя значительные различия в интенсивности урбанизации, источниках загрязнения и моделях водопользования. Это разнообразие обеспечивает многомерную экспериментальную основу для оценки применимости и обобщенности предлагаемого метода для городских речных водоемов. С одной стороны, их разнообразные характеристики предлагают ценные ссылки на управление городской водной средой в кластерах городов холодного региона.
С другой стороны, исследование концентрации Chla в этих городских водоемах закладывает основу для экологического мониторинга и защиты в регионах с аналогичными географическими и климатическими условиями.
Рис. 1. Расположение района исследования и распределение точек отбора проб.

Отбор проб воды

Образцы воды были собраны независимо от трех исследуемых областей, 16 образцов были собраны 24 августа 2023 года в HEB, 16 образцов были собраны 23 мая 2023 года в QQHE, а 25 образцов были собраны 11 октября 2023 года в SH, в общей сложности 57 образцов. Все образцы были собраны на глубине 0.5 m ниже поверхности воды с использованием бутылок из полиэтилена. После сбора образцы воды были сохранены в охлажденных условиях (< 4 °C) и немедленно транспортированы в лабораторию для анализа концентрации Chla, следуя требованиям национального стандарта по охране окружающей среды HJ 897-2017 (Министерство экологии и окружающей среды Китайской Народной Республики, 2017).
До последующего анализа измеренные данные Chla подвергались базовому контролю качества для исключения недостающих или физически нереалистичных значений, и все оставшиеся образцы сохранялись для моделирования. Примечательно, что даже в пределах одной и той же области исследования концентрации Chla могут различаться в разных образцах воды, что указывает на значительную пространственную неоднородность в распределении Chla. Кроме того, в этом исследовании были приняты стандарты классификации концентрации Chla для оценки трофических состояний воды, опубликованные Организацией экономического сотрудничества и развития (OECD) (Дополнительная таблица S1). Этот подход обеспечивает более четкое описание состояния загрязнения различных водоемов в исследуемой области, служа в качестве окончательной ссылки для анализа пространственного распределения и движущих факторов эвтрофикации воды.

Сбор мультиспектральных данных дистанционного зондирования

Многоспектральные изображения RS были получены с помощью многоспектральной камеры AQ600 Pro (YUSENSE, Китай) (см. Дополнительную таблицу S2 для деталей), установленной на Matrice 300 RTK UAV (DJI, Китай) (рис.2) Высота полета была установлена на 100 m, а скорость контролировалась на 5 m/s для обеспечения стабильности изображения и минимизации атмосферных помех до ничтожного уровня. При этой настройке пространственное разрешение собранных изображений было примерно 4.5 cm. После получения данных мультиспектральные изображения были предварительно обработаны с использованием программного обеспечения Yusense Map, которое включало межканальную регистрацию, мозаику и радиометрическую калибровку для обеспечения качества и согласованности данных по полосам и областям исследования. Мультиспектральная камера AQ600 Pro была выбрана для этого исследования из-за ее широкого применения в лесном, речном и городском мониторинге [32,33].
Рис. 2. Схема платформы сбора мультиспектральных данных с использованием беспилотного летательного аппарата (БПЛА).

Спектральные индексы

Спектральные индексы играют решающую роль в анализах на основе мультиспектральных изображений UAV, в частности, в инверсии концентраций Chla в водоемах [34]. Эти индексы высокочувствительны к оптическим свойствам и биохимическому состоянию воды, обеспечивая критическую спектральную информацию для поддержки методов инверсии [35]. Для решения требований к спектральной чувствительности для инверсии концентрации Chla в этом исследовании синтезированы результаты предыдущих исследований и интегрированы характеристики полосы мультиспектральных изображений UAV с оптическими свойствами водоемов. В результате были идентифицированы 12 спектральных индексов, тесно связанных с концентрациями Chla в водоемах (Дополнительная таблица S3). Эти индексы охватывают различные отношения комбинаций полос, эффективно характеризующие концентрацию Chla и его динамические вариации.
До обучения модели все спектральные индексы использовались в качестве входных признаков после нормализации для уменьшения различий в масштабах между переменными и повышения надежности модели. Они обеспечивают научную основу и надежную поддержку данных для разработки метода и повышения точности.

Ансамблевый метод машинного и глубокого обучения

Для решения проблемы сложности, возникающей из нелинейных характеристик и локальных вариаций в мониторинге концентрации Chla, в данном исследовании предлагается метод ансамбля ML и DL (рис.3) В отличие от традиционных методов ансамбля, которые полагаются на фиксированные или глобально оптимизированные весы моделей, новизна предлагаемого метода EMD заключается в его пикселе-мудрой, динамически адаптивной стратегии слияния, которая позволяет гибко интегрировать несколько моделей в соответствии с локальными характеристиками. Метод EMDинтегрирует SVM, RF, AdaBoost и MLP, используя дополнительные сильные стороны этих моделей в извлечении признаков, распознавании образов и обобщении.
В частности, SVM превосходит в обработке нелинейных данных и малосимвольного обучения [36]; RF славится своей надежностью к многомерным признакам и шуму [37]; AdaBoost улучшает производительность на трудноклассифицируемых образцах посредством взвешенной итеративной оптимизации [38]; и MLP захватывает сложные нелинейные отношения между высокоразмерными функциями через свою многослойную архитектуру [39]. Для достижения эффективного сотрудничества между этими моделями метод EMD вводит стратегию взвешенного слияния на основе расстояния. Для каждого пикселя веса моделей динамически определяются в соответствии с сходством между целевым образцом и данными обучения в пространстве признаков, а также соответствующим поведением прогнозирования каждой базовой модели.
Этот механизм динамического взвешивания на уровне пикселей позволяет ансамблю адаптивно подчеркивать наиболее надежные модели для различных пространственных локаций, а не применять однородные веса по всей исследуемой области. Эта конструкция не только позволяет полностью использовать взаимодополняющие сильные стороны отдельных моделей, но и эффективно устраняет сильную пространственную неоднородность концентраций Chla в городских речных системах. Следовательно, предлагаемый метод EMD повышает как прогнозирующую точность, так и пространственную прочность, повышая надежность и практическую применимость мониторинга концентрации Chla. Предлагаемый метод EMD состоит из пяти конкретных шагов, которые заключаются в следующем:

(1) Прогнозирование отдельными моделями и построение пространства локальных выборок

Обучающий набор данных D_train и тестовый набор данных D_test определяются как D_train = {(x_i, y_i)}ᵢ₌₁ᴺ и D_test = {x_j}ⱼ₌₁ᴹ, где x_i ∈ ℝᵈ представляет d-мерное пространство признаков, а y_i ∈ ℝ — соответствующее значение метки. Для набора базовых моделей M = {M_k}ₖ₌₁ᴷ прогноз модели M_k для образца x_j выражается как:
ŷⱼ,ₖ = Mₖ(xⱼ), k = 1, 2, …, K. (1)
Ошибка прогнозирования ε_i по обучающим образцам определяется как:
εᵢ = yᵢ − ŷⱼ,ₖ, ∀i = 1, 2, …, N. (2)
Пространство соседних образцов N_j для тестового образца x_j строится путём оптимизации следующего выражения:
Nⱼ = arg min_{S ⊆ D_train, |S| = n} Σ_(xᵢ,yᵢ)∈S εᵢ. (3)
Здесь n обозначает число соседних образцов. Данная оптимизационная задача решается методом динамической взвешенной сортировки.

(2) Многомасштабная взвешенная метрика расстояния

Для повышения локальной согласованности образцов взвешенная комплексная функция расстояния между тестовым образцом x_j и соседним образцом (x_i, y_i), обозначаемая D(x_j, x_i), определяется как комбинация двух компонентов:
a. Взвешенное евклидово расстояние в пространстве признаков:
d_feat(xⱼ, xᵢ) = [Σₗ₌₁ᵈ wₗ · |xⱼ,ₗ − xᵢ,ₗ|ᵖ]¹ᐟᵖ. (4)
Здесь w_l > 0 представляет нормированный вес признака l при условии Σₗ₌₁ᵈwₗ = 1. Параметр p ≥ 1 регулирует степень нелинейности метрики расстояния; при p = 2 формула сводится к классическому евклидову расстоянию.
b. Метрика расхождения меток:
d_label(xⱼ, xᵢ) = [Σ_(xᵢ,yᵢ)∈Nⱼ (yᵢ − ŷⱼ,ₖ)²]¹ᐟ². (5)
Комплексное взвешенное расстояние определяется как линейная комбинация:
D(xⱼ, xᵢ) = [d²_feat(xⱼ, xᵢ) + λ · d²_label(xⱼ, xᵢ)]¹ᐟ². (6)
Здесь λ > 0 — весовой коэффициент, регулирующий относительную значимость двух компонентов расстояния.

(3) Динамическое назначение весов и объединение моделей

На основе комплексного расстояния D(x_j, x_i) динамический вес ω_k каждой базовой модели вычисляется как:
ωⱼ,ₖ = exp{α · [Σₖ₌₁ᴷ D²ⱼ,ₖ − D²ⱼ,ₖ]}. (7)
Здесь α > 0 — параметр регуляризации, регулирующий влияние расстояния. При α = ln(Σₖ₌₁ᴷD²ⱼ,ₖ − D²ⱼ,ₖ)/(Σₖ₌₁ᴷD²ⱼ,ₖ − D²ⱼ,ₖ), ωⱼ,ₖ = Σₖ₌₁ᴷD²ⱼ,ₖ − D²ⱼ,ₖ. Затем веса ωⱼ,ₖ нормируются:
ω′ⱼ,ₖ = ωⱼ,ₖ / Σₖ₌₁ᴷ ωⱼ,ₖ. (8)
Наконец, объединённый прогноз для тестового образца x_j вычисляется как:
ŷⱼ = Σₖ₌₁ᴷ ω′ⱼ,ₖ · ŷⱼ,ₖ. (9)

(4) Определение целевой функции оптимизации

Цель оптимизации модели объединения состоит в минимизации взвешенной суммы ошибки прогнозирования и регуляризационного члена. Целевая функция определяется как:
L(ω) = (1/M) Σⱼ₌₁ᴹ [yⱼ − Σₖ₌₁ᴷ ω′ₖ · ŷⱼ,ₖ]² + β · Ω(ω). (10)
Регуляризационный член Ω(ω) используется для обеспечения разреженности весов:
Ω(ω) = Σₖ₌₁ᴷ |ωₖ|ᵠ, q ≥ 1. (11)

(5) Оценка метода

Объединённые результаты прогнозирования оценивали с использованием коэффициента детерминации (R²) и среднеквадратичной ошибки (RMSE), определяемых следующим образом:
R² = 1 − [Σⱼ₌₁ᴹ(yⱼ − ŷⱼ)²] / [Σⱼ₌₁ᴹ(yⱼ − ȳ)²]. (12)
RMSE = √[(1/M) Σⱼ₌₁ᴹ(yⱼ − ŷⱼ)²]. (13)
Здесь ȳ — среднее значение целевой переменной.
Рис. 3. Структура ансамблевого метода машинного и глубокого обучения (EMD). Красным шрифтом выделены основные особенности данного исследования. SVM — метод опорных векторов; RF — случайный лес; AdaBoost — адаптивный бустинг; MLP — многослойный перцептрон.

Результаты и обсуждение

Обзор собранных наборов данных

На основании характеристик распределения мультиспектральных данных отражения UAV и соответствующих данных концентрации Chla было отмечено, что распределение отражения по различным полосам проявляло определенную изменчивость, отражая оптическую неоднородность водной среды в исследуемой области (рис.4) Значения отражения в синей и ближней инфракрасной (NIR) полосах были относительно низкими, что указывало на значительное поглощение и рассеивающее воздействие воды в этих спектральных областях. Напротив, полосы зеленого, красного и красного края (RedEdge) демонстрировали более высокую отражательную способность, подчеркивая их чувствительность к концентрациям Chla.
Дальнейший анализ среднего и стандартного отклонения (SD) для каждой полосы выявил центральную тенденцию и дисперсию распределения отражения, указывающую степень пространственной изменчивости оптических свойств водоемов в исследуемой области. Дополнительно, концентрации Chla преимущественно варьировались от 9 до 40 mg/m3, со средним значением приблизительно 20 mg/m3, что свидетельствует о значительной пространственной неоднородности в распределении Chla в пределах выборочной области. В этом исследовании использовался корреляционный анализ Пирсона для выяснения взаимосвязи между различными полосами мультиспектральных изображений UAV и их ассоциаций с концентрациями Chla, обеспечивающий критическое понимание оптических свойств водоемов и спектрального ответа концентраций Chla (рисунок 5).
Анализ показал, что коэффициенты корреляции Пирсона среди зеленых, красных и RedEdge диапазонов превышали 0,8, что указывает на сильную положительную корреляцию, вероятно, связанную с перекрывающимися областями спектрального ответа или аналогичными физическими свойствами. Между тем, синяя и красная полосы продемонстрировали коэффициенты корреляции Пирсона −0,41 и −0,35, соответственно, указывая на их чувствительность к концентрациям Chla. Напротив, полоса NIR показала более слабую корреляцию с концентрациями Chla (−0,18), в то время как полосы RedEdge не продемонстрировали значительной корреляции с концентрациями Chla. В целом характеристики распределения отражения и корреляционный анализ в совокупности выявляют сложную связь между оптическими свойствами водоемов и концентрациями Chla.
Эти результаты не только указывают на важность мультиспектральных полос для определения параметров качества воды, но и предоставляют важную информацию о характеристиках для моделей мониторинга Chla на основе мультиспектральных изображений UAV. Кроме того, они создают прочную основу данных для моделирования ML и DL.
Рис. 4. Статистические характеристики данных выборки: (a) данные коэффициента отражения для мультиспектральных изображений БПЛА; (b) данные концентрации Chla. SD — стандартное отклонение; RedEdge — красный краевой канал; NIR — ближний инфракрасный канал.
Рис. 5. Корреляционный анализ Пирсона между данными мультиспектральных изображений БПЛА и данными концентрации Chla.

Эффективность моделей

В этом исследовании использовались данные мультиспектральных изображений UAV и производные спектральные индексы (дополнительный фиг. S1−S3), объединенные с 70% полевых измеренных данных концентрации Chla в качестве обучающего набора, для построения метода EMD для инверсии концентрации Chla. Производительность этого метода сравнивалась с таковой у других моделей, включая SVM, RF, AdaBoost и MLP. Впоследствии 30% измеренных данных использовались в качестве набора валидации для комплексной оценки точности инверсии этих моделей. Для оптимизации ключевых параметров каждой модели и оценки их производительности на обучающем наборе было использовано десятикратное перекрестное валидирование.
Основные гиперпараметры были настроены в пределах заданных диапазонов, и одна оптимальная конфигурация параметров была определена на основе результатов перекрестной валидации и впоследствии зафиксирована для всех экспериментов по различным случайным семенам (дополнительная таблица S4). по 10 случайным семенам (random_state); преимущества выбора нескольких случайных семян подробно описаны в дополнительном тексте S1. Как показано в таблице, метод EMD превосходил другие с точки зрения точности и стабильности, со средним R2 0,797 (SD R2 = 0,039), средним RMSE 18.96 mg/m3 (SD RMSE = 5.65 mg/m3). Для сравнения, другие четыре модели продемонстрировали разную степень более низкой производительности.
В частности, хотя модель MLP достигла среднего значения R2 0,787, близкого к значению метода EMD, её единая модель DL более чувствительна к распределению данных и параметрам гиперпараметра, что приводит к несколько меньшей стабильности. Модель SVM, при этом пригодна для малосимвольных, высокоразмерных данных, имеет ограничения в захвате сложных отношений между многомерными признаками, учитывая запутанные ассоциации между спектральными индексами и концентрациями Chla. Модель RF, несмотря на свою устойчивость к случайным ошибкам или нерелевантной информации во входных данных, показала более слабые возможности разделения при работе с высокоразмерными непрерывными признаками, что привело к меньшей точности по сравнению с методом EMD.
Аналогичным образом, модель AdaBoost опирается на итеративный взвешивание базовых учащихся, что делает ее восприимчивой к влиянию индивидуальных весов признаков, тем самым ограничивая ее способность соответствовать сложным нелинейным отношениям. Эти результаты показывают, что метод EMD значительно повышает адаптивность и прогнозную производительность для сложных многомерных функций путем интеграции нескольких подходов ML и DL, демонстрируя высочайшую точность и стабильность. На рисунке 6 представлены графики рассеяния прогнозируемых и наблюдаемых значений для разных моделей под случайным семенем 9 (случайное состояние = 9). Это семя было выбрано, поскольку оно представляет общую удовлетворительную производительность для всех моделей.
Как показано на рисунке, метод EMD продемонстрировал наиболее концентрированное распределение точек фитинга, что указывает на более высокую точность и стабильность фитинга, что заметно превосходило другие модели.Этот вывод дополнительно подтвердил выводы, сделанные из Таблицы 1 и визуально подчеркнул преимущества метода EMD.
Таблица 1. Сравнение точности и стабильности различных моделей восстановления концентрации Chla в городских водных объектах.
Рис. 6. Диаграммы рассеяния прогнозов различных моделей, сопоставленных с измеренными значениями (при random_state = 9).

Прогнозирование качества воды

В этом исследовании использовались мультиспектральные изображения на основе UAV и метод EMD для систематического мониторинга и анализа концентраций Chla в репрезентативных реках в HEB, QQHE и SH. В исследовании изучалось влияние различных типов землепользования на качество речной воды и их основные механизмы. Благодаря сравнительному анализу этих трех городов и анализу профиля рек исследование выявило основные факторы эвтрофикации в водных объектах региона, обеспечивая научное руководство для дифференцированных стратегий управления. Результаты показали значительные различия в пространственном распределении и движущих факторах концентраций Chla среди трех городов.
Средняя концентрация Chla в реках HEB была 12.57 mg/m3, в реках QQHE 12.00 mg/m3 и значительно выше в реках SH, достигая 28.43 mg/m3 (рис. 7). В отличие от относительно равномерных распределений концентрации Chla в реках HEB и QQHE, реки SH демонстрировали концентрированные и устойчивые высокоценные районы, что указывает на потенциальную агрегацию источников загрязнения в этом городе (рис. 8). Дальнейший анализ типов землепользования выявил основные причины этих различий (рис. 9). В HEB комбинация землепользования заметно улучшила качество воды, поскольку растительность уменьшала вход азота и фосфора из поверхностного стока посредством физического перехвата, адсорбции и механизмов биологического поглощения [40,41].
Жилые районы получили выгоду от широко распространенных очистных сооружений, эффективно контролирующих сброс бытовых сточных вод [42,43]. Область среднего течения, характеризующаяся промышленными зонами, в основном включающими очистные и перерабатывающие объекты, продемонстрировала значительно более низкие концентрации Chla, что делает ее относительно чистой областью в реках HEB. Однако концентрации Chla увеличились вверх и вниз по течению с более высокой плотностью жилых помещений, хотя общие уровни оставались низкими. В QQHE сельскохозяйственные земли составляли более высокую долю берегов рек, но его влияние на концентрации Chla было относительно незначительным, со средними концентрациями даже ниже, чем в HEB. Это может быть связано с более низкой интенсивностью и рассеянным характером сельскохозяйственной деятельности в QQHE, наряду с внутренними возможностями экологического регулирования реки.
И наоборот, на берегах рек SH преобладали преимущественно промышленные и сельскохозяйственные земли. По сравнению с QQHE сельскохозяйственные земли вносили относительно меньший вклад в концентрации Chla в водах SH, в первую очередь потому, что концентрации Chla, на которые влияли исключительно сельскохозяйственные земли в QQHE, не были значительно высокими. Поэтому высокие концентрации Chla в реках SH были в основном связаны с промышленным загрязнением. Высокоинтенсивный сброс промышленных сточных вод, усугубляемый местным сельскохозяйственным стоком, привел к значительно более высоким концентрациям Chla в SH по сравнению с HEB и QQHE. Тенденции изменения Chla вдоль профилей рек подтвердили движущие эффекты типов землепользования (рис.10).
Реки HEB демонстрировали относительно стабильные концентрации Chla, в основном в диапазоне от 9 до 16 mg/m3, с небольшим увеличением вверх и вниз по течению в густонаселенных жилых районах. Район среднего течения, отличающийся плотными и хорошо функционирующими очистными сооружениями, поддерживал более низкие концентрации. В QQHE концентрации Chla были в целом стабильными, в основном в диапазоне от 10 до 14 mg/m3. Однако в районах промышленного землепользования наблюдались различные пики, подчеркивающие значительное влияние промышленной деятельности на качество воды. В районах землепользования в сельском хозяйстве не наблюдалось никаких очевидных изменений концентрации Chla. Реки SH последовательно демонстрировали высокие концентрации Chla, в диапазоне от 25 до 32 mg/m3, дополнительно подтверждая комбинированное давление от сброса промышленных сточных вод и сельскохозяйственного стока.
Комплексный анализ выявил существенную роль зеленых насаждений в улучшении качества воды за счет снижения поступления питательных веществ путем физического перехвата, адсорбции растительности и биологического поглощения. Жилые районы с широко распространенными очистными сооружениями оказывали относительно незначительное негативное воздействие на качество воды. Сельскохозяйственные земли, особенно в сезон дождей, значительно увеличивали выпуск азота и фосфора из-за оплодотворения и ирригационной деятельности, непосредственно способствуя увеличению концентрации Chla. Промышленные районы, из-за сложного состава и постоянных проблем сброса загрязняющих веществ, вызывали долгосрочные и глубокие негативные последствия для качества воды [46,47]. Для эффективного управления целевые стратегии должны быть приняты для каждого города.
В HEB увеличение охвата зелеными насаждениями и оптимизация планирования жилых районов и очистных сооружений вверх и вниз по течению могут снизить локализованное загрязнение. В QQHE усилия должны быть сосредоточены на контроле загрязнения сельскохозяйственных неточечных источников путем сокращения использования удобрений, содействия методам водосбережения и искусственного водно-болотного угодья для перехвата стока. В SH контроль за промышленным загрязнением должен быть приоритетным путем обеспечения соблюдения строгих правил выбросов. Кроме того, экологическая сельскохозяйственная практика должна поощряться в сельскохозяйственных районах для сокращения химических выбросов. Оптимизация планирования землепользования вдоль берегов рек SH, с предпочтением развития экологических земель, также имеет важное значение для смягчения двойного давления промышленной и сельскохозяйственной деятельности на водные объекты.
Рис. 7. Описательная статистика концентрации Chla в городских водных объектах.
Рис. 8. Пространственное распределение концентрации Chla в городских водных объектах, полученное методом EMD (при random_state = 9).
Рис. 9. Распределение типов землепользования по обоим берегам городских рек и результаты классификации Chla в городских водных объектах.
Рис. 10. Тенденции изменения концентрации Chla по профилям городских рек.

Эффективность параметров

Для исследования влияния спектральных индексов на мониторинг концентраций Chla методом EMD проводилась инверсия с использованием только мультиспектральных данных UAV. Результаты показали, что без включения спектральных индексов точность инверсии всех моделей была относительно низкой (таблица 2). Это явление можно в первую очередь отнести к моделям, опирающимся исключительно на базовые спектральные особенности, которые изо всех сил пытаются уловить сложную нелинейную связь между спектральными данными и концентрацией Chla, тем самым ограничивая точность инверсии. Напротив, после включения спектральных индексов точность инверсии моделей значительно улучшилась (таблица 1).
Например, средний R2 метода EMD увеличился с 0,767 до 0,797, а средний RMSE снизился с 21.24 mg/m3 до 18.96 mg/m3, что указывает на то, что спектральные индексы сыграли решающую роль в повышении способности модели представлять вариации концентрации Chla. Спектральные индексы, более точно отражая биофизические характеристики водного тела, помогают устранить помехи нецелевых факторов, позволяя модели больше концентрироваться на изменениях в Chla. Поэтому включение спектральных индексов не только оптимизировало входные характеристики, но и эффективно улучшало способность модели реагировать на сложные экологические явления, такие как эвтрофикация водного тела, тем самым улучшая точность инверсии.
Другие модели сравнения также показали улучшенные значения R2 после добавления спектральных индексов, что еще раз доказывает широкую применимость спектральных индексов в разных моделях. Эти результаты убедительно свидетельствуют о том, что спектральные индексы играют жизненно важную роль в повышении точности мониторинга концентрации Chla в водоемах. Количество соседних образцов значительно влияет на производительность метода EMD(таблица 3). Когда число соседних образцов было установлено на 7, метод EMD достигал оптимальной точности инверсии, при этом средняя точность инверсии R2 составляла 0,797, а средняя RMSE 18.96 mg/m3. Если количество соседних образцов слишком мало (например, один образец), взвешенный процесс синтеза метода не может полностью использовать пространственную информацию, что делает результаты инверсии более восприимчивыми к локальному шуму и, таким образом, снижает точность.
И наоборот, когда число соседних образцов превысило 7, включение избыточной информации и влияние пространственной неоднородности привело к отклонениям результатов взвешенного слияния от целевых признаков. Поэтому установление числа соседних образцов до 7 позволило достичь сбалансированного компромисса между использованием пространственной информации и ошибками управления. Этот вывод обеспечивает ценное руководство для соответствующего выбора соседних номеров образцов в региональном моделировании данных. Помимо эффективности параметров важна также переносимость предлагаемого метода EMD в другие городские водные системы. Метод EMDформулируется для моделирования взаимосвязи между мультиспектральными признаками и концентрациями Chla без использования эмпирических предположений, специфичных для региона.
Метод, основанный на изучении характеристик-паттернов реакции непосредственно из данных, фитопланктона, обеспечивает теоретическую основу для его применения за пределами исследуемой области. С точки зрения применения, метод EMD может быть развернут в других городских речных системах с сопоставимыми целями мониторинга. Для достижения оптимальной производительности в новых регионах адаптация модели может быть реализована на разных уровнях в зависимости от наличия данных. Когда доступны достаточные образцы, переподготовка модели позволяет точно представлять условия, характерные для конкретного участка. Когда размеры выборки ограничены, могут быть приняты стратегии обучения передаче, в которых метод, обученный в регионе-источнике, тонко настроен с использованием небольшого количества конкретных для региона образцов.
Эта гибкость позволяет методу EMD сбалансировать точность прогнозирования и эффективность данных, поддерживая его применение в различных городских водоемах.

Проблемы и возможности

Потенциал и проблемы использования многoисточниковых данных при мониторинге городских водных объектов

Наземные наблюдения, мультиспектральные изображения UAV и спутниковые изображения RS (т.е. данные о наземном пространстве-воздухе) обеспечивают решающую поддержку для точного мониторинга концентраций Chla в городских водоемах. Дополнительные преимущества этих источников данных, особенно в пространственном разрешении, временном разрешении и покрытии, демонстрируют значительный потенциал; однако их интеграция и эффективное использование сталкиваются со значительными проблемами. Данные наземного наблюдения, характеризующиеся высокой точностью, играют незаменимую роль в калибровке и валидации моделей, но ограничены ограниченным диапазоном выборки и высокими затратами на приобретение. Многоспектральные изображения UAV предлагают превосходное пространственное разрешение, позволяя осуществлять мелкомасштабный мониторинг в локализованных районах, но ограничены планированием полета, условиями связи и временем автономной работы.
Спутниковые изображения RS, напротив, охватывают большие площади и облегчают крупномасштабный мониторинг, но их относительно низкое пространственное разрешение и ограниченное временное разрешение, особенно в регионах с частым облачным покровом и осадками, снижают его удобство использования. Это исследование объединяет наземные наблюдения и изображения UAV, достигая высокой точности прогнозирования в локализованных регионах и подтверждая потенциал сотрудничества с данными из нескольких источников. Однако эффективное включение спутниковых изображений для устранения ограничений в охвате и временном разрешении остается критической задачей. Будущие исследования могут сосредоточиться на разработке подходов к совместному моделированию конкретных регионов и дифференцированных стратегий взвешивания данных для баланса пространственных, временных и спектральных различий в разрешении между источниками данных, тем самым повышая обобщаемость модели.
Благодаря достижениям в области оптимизации алгоритмов и высокопроизводительных вычислительных ресурсов, объединение данных из многоисточников наземного пространства и воздуха может обеспечить более полную техническую поддержку мониторинга городских водных объектов.

Проблемы применения и совместного использования крупномасштабных данных мониторинга городских водных объектов

Модели DL и ML в значительной степени опираются на высококачественные крупномасштабные наборы данных. Однако в настоящее время область прогнозирования концентрации городского водоема Chla сталкивается с узкими местами из-за недостаточности ресурсов данных. Это ограничение проявляется в нескольких аспектах: неравномерное пространственно-временное распределение наземных данных наблюдений, ограничения времени и сложности, связанные с получением и обработкой данных UAV, и проблемы, связанные с несоответствиями в разрешении и временной согласованности между наборами данных из нескольких источников. Поэтому решающее значение имеет создание единой платформы обмена данными из нескольких источников. Сотрудничество между исследовательскими учреждениями и агентствами по управлению окружающей средой должно быть усилено для обмена высококачественными данными RS и данными наблюдений.
Генеративные технологии искусственного интеллекта, такие как синтетическая генерация данных на основе физики или методы улучшения изображений на основе DL, могут в некоторой степени облегчить ограничения ресурсов данных [48]. Кроме того, интеграция облачных вычислений и краевых вычислительных технологий обеспечивает надежную техническую поддержку для обработки данных с многовременным и высоким разрешением [49]. Эти технологические подходы не только повышают эффективность прогнозирования модели и снижают вычислительные затраты, но и способствуют интеллекту и масштабируемости мониторинга водных объектов, закладывая прочную основу для динамического мониторинга городской водной среды в будущем.

Сезонные эффекты и ограничения, связанные с асинхронным отбором проб

Сезонные условия, в частности температура, влияют на рост фитопланктона и концентрации Chla, регулируя метаболическую активность и фотосинтетический КПД [50,51]. В этом исследовании выборка рек проводилась в разные месяцы в трех городах, соответствующих различным температурным условиям, со средними температурами примерно 16.3 °C в QQHE (май), 22.2 °C в HEB (август) и 9 °C в SH (октябрь). При сопоставимых питательных и гидрологических условиях такие перепады температур обычно благоприятствовали бы более высоким концентрациям Chla в более теплые периоды и сдерживали бы рост фитопланктона в более холодных условиях [52]. Однако, несмотря на менее благоприятные температурные условия в период выборки в SH, концентрации Chla были заметно выше, чем те, которые наблюдались в HEB и QQHE.
Этот контраст предполагает, что сезонные перепады температур оказывают вторичное влияние на изменчивость Chla по сравнению с антропогенными входами питательных веществ. Следовательно, хотя признаются сезонные эффекты, анализ в первую очередь фокусируется на пространственных факторах, связанных с урбанизацией и моделями землепользования, которые проявляют более сильную объяснительную силу для наблюдаемых распределений Chla в городских речных системах. Поэтому влияние моделей землепользования на концентрации Chla интерпретируется как отражающее относительно стабильное антропогенное давление, а не краткосрочные сезонные колебания [53]. Конфигурации землепользования вдоль городской речной формы интенсивность ввода питательных веществ и источники загрязнения, обеспечивая постоянное фоновое состояние, которое регулирует уровни эвтрофикации во время наблюдения.
Тем не менее, асинхронная выборка создает неопределенность в полном распутывании сезонной изменчивости от пространственно обусловленных воздействий. Будущие исследования выиграют от синхронизированной или повторной выборки в течение сезонов внутри городов и между ними, что позволит более четко количественно оценить сезонные эффекты, одновременно усиливая вывод о доминирующей роли антропогенной деятельности в эвтрофикации городских рек.
Таблица 2. Сравнение точности и стабильности различных моделей восстановления концентрации Chla в городских водных объектах без спектральных индексов.
Таблица 3. Сравнение точности и стабильности метода EMD при восстановлении концентрации Chla в городских водных объектах для различного числа соседних образцов.

Заключение

В данном исследовании предлагается эффективная методика мониторинга на основе мультиспектральных изображений UAV и интегрированный метод ML-DL, обеспечивающий надежную поддержку точного мониторинга концентраций Chla в городских водоемах. По сравнению с традиционными методами мониторинга этот метод преодолевает ограничения пространственного охвата и временного разрешения, демонстрируя значительные преимущества в обработке сложных многомерных характеристик данных и высокоточном моделировании. Между тем технология UAV с ее гибкостью и высоким пространственным разрешением значительно повышает эффективность и точность мониторинга. Объединив высокоточные данные о концентрации Chla, полученные путем инверсии с анализом типов землепользования, это исследование выявляет значительные различия в движущих эффектах различных типов землепользования на эвтрофикацию воды.
Эти результаты обеспечивают критическую теоретическую поддержку научно обоснованной политики городского планирования земель и борьбы с загрязнением воды. Кроме того, это исследование подчеркивает огромный потенциал технологии UAV в мониторинге окружающей среды, особенно в контексте быстрой урбанизации. Его высокое пространственное разрешение и гибкость обеспечивают сильную поддержку модернизации управления окружающей средой. Что еще более важно, предлагаемый метод мониторинга не только применим к мониторингу концентраций Chla в городских водоемах, но также обеспечивает эффективный технический метод оценки состояния здоровья других экосистем.
В будущем, при дальнейшем продвижении и применении этого метода, он будет использоваться в более широких географических регионах и интегрирован с дополнительными факторами окружающей среды, тем самым предлагая надежную поддержку для достижения интеллектуального и изысканного управления городскими водными ресурсами.

Дополнительная информация

Дополнительные материалы к статье доступны по адресу: https://doi.org/10.66178/aie-0026-0007.

Вклад авторов

Авторы подтверждают свой вклад в работу следующим образом: Anqi He: Conceptualization, Formal analysis, Methodology, Writing – review and editing, Writing – original draft. Bin Yang: Conceptualization, Formal analysis, Methodology, Writing – review and editing. Qinghe Qu: Writing – review and editing. Fenfen Tian: Writing – review and editing. Bin Yang: Writing – review and editing, Data curation, Funding acquisition, Resources, Project Administration, Supervision, Validation. Все авторы рассмотрели результаты и одобрили окончательную версию рукописи.

Доступность данных

Использованные данные являются конфиденциальными.

Финансирование

Исследование было поддержано Программой ключевых исследований и разработок провинции Хунань (2023SK2041).

Декларации

Конфликт интересов

Авторы заявляют, что у них нет известных конкурирующих финансовых интересов или личных отношений, которые могли бы повлиять на работу, представленную в этой статье.

Сведения об авторах

¹ Школа искусственного интеллекта и робототехники, Хунаньский университет, Чанша 410082, КНР; ² Yusense InformationTechnology and Equipment (Qingdao) Inc., Циндао 266000, КНР; ³ Институт экологического дистанционного зондирования, Академия наук об окружающей среде провинции Хэйлунцзян, Харбин 150000, КНР.

Список литературы

[1] Park CY, Park YS, Kim HG, Yun SH, Kim CK. 2021. Quantifying and mapping cooling services of multiple ecosystems. Sustainable Cities and Society 73:103123
[2] Yin ZY, Li JS, Zhang B, Liu Y, Yan K, et al. 2023. Increase in chlorophyll-a concentration in Lake Taihu from 1984 to 2021 based on Landsat observations. Science of the Total Environment 873:162168
[3] Zhang KL, Zhao XB, Xue J, Mo DQ, Zhang DY, et al. 2023. The temporal and spatial variation of chlorophyll a concentration in the China Seas and its impact on marine fisheries. Frontiers in Marine Science 10:1212992
[4] Harvey ET, Kratzer S, Philipson P. 2015. Satellite-based water quality monitoring for improved spatial and temporal retrieval of chlorophylla in coastal waters. Remote Sensing of Environment 158:417−430
[5] Wei Z, Yu YX, Yi YJ. 2022. Spatial distribution of nutrient loads and thresholds in large shallow lakes: The case of Chaohu Lake, China. Journal of Hydrology 613:128466
[6] Pinto AMF, von Sperling E, Moreira RM. 2001. Chlorophyll-a determination via continuous measurement of plankton fluorescence: methodology development. Water Research 35:3977−3981
[7] Busari I, Sahoo D, Jana RB. 2024. Prediction of chlorophyll-a as an indicator of harmful algal blooms using deep learning with Bayesian approximation for uncertainty assessment. Journal of Hydrology 630:130627
[8] Kattenborn T, Leitloff J, Schiefer F, Hinz S. 2021. Review on Convolutional Neural Networks (CNN) in vegetation remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing 173:24−49
[9] Piao SL, Wang XH, Park T, Chen C, Lian X, et al. 2020. Characteristics, drivers and feedbacks of global greening. Nature Reviews Earth and Environment 1:14−27
[10] Yang B, Qin L, Liu JQ, Liu XX. 2022. UTRNet: An Unsupervised Time- Distance-Guided Convolutional Recurrent Network for Change Detection in Irregularly Collected Images. IEEE Transactions on Geoscience and Remote Sensing 60:1−16
[11] Chen BT, Mu X, Chen P, Wang BA, Choi J, et al. 2021. Machine learningbased inversion of water quality parameters in typical reach of the urban river by UAV multispectral data. Ecological Indicators 133:108434
[12] Castro CC, Gómez JAD, Martín JD, Sánchez BAH, Arango JLC, et al. 2020. An UAV and Satellite Multispectral Data Approach to Monitor Water Quality in Small Reservoirs. Remote Sensing 12:1514
[13] Chen KY, Chen HX, Zhou CL, Huang YC, Qi XY, et al. 2020. Comparative analysis of surface water quality prediction performance and identification of key water parameters using different machine learning models based on big data. Water Research 171:115454
[14] Haggerty R, Sun JX, Yu HF, Li YS. 2023. Application of machine learning in groundwater quality modeling-A comprehensive review. Water Research 233:119745
[15] Shen M, Luo JH, Cao ZG, Xue K, Qi TC, et al. 2022. Random forest: An optimal chlorophyll-a algorithm for optically complex inland water suffering atmospheric correction uncertainties. Journal of Hydrology 615:128685
[16] Sun DY, Li YM, Wang Q. 2009. A Unified Model for Remotely Estimating Chlorophyll a in Lake Taihu, China, Based on SVM and In Situ Hyperspectral Data. IEEE Transactions on Geoscience and Remote Sensing 47:2957−2965
[17] Thompson KA, Dickenson ERV. 2021. Using machine learning classification to detect simulated increases of de facto reuse and urban stormwater surges in surface water. Water Research 204:117556
[18] Okujeni A, van der Linden S, Tits L, Somers B, Hostert P. 2013. Support vector regression and synthetically mixed training data for quantifying urban land cover. Remote Sensing of Environment 137:184−197
[19] Ren PZ, Xiao Y, Chang XJ, Huang PY, Li ZH, et al. 2022. A Survey of Deep Active Learning. ACM Computing Surveys 54:1−40
[20] Lv L, Chen T, Dou J, Plaza A. 2022. A hybrid ensemble-based deeplearning framework for landslide susceptibility mapping. International Journal of Applied Earth Observation and Geoinformation 108:102713
[21] Mohammed A, Kora R. 2023. A comprehensive review on ensemble deep learning: Opportunities and challenges. Journal of King Saud University, Computer and Information Sciences 35:757−774
[22] Jiang MQ, Liu JP, Zhang L, Liu CY. 2020. An improved Stacking framework for stock index prediction by leveraging tree-based ensemble models and deep learning algorithms. Physica A: Statistical Mechanics and its Applications 541:122272
[23] Dong XB, Yu ZW, Cao WM, Shi YF, Ma QL. 2020. A survey on ensemble learning. Frontiers of Computer Science 14:241−258
[24] Song C, Liu XL, Song YH, Liu RX, Gao HJ, et al. 2017. Key blackening and stinking pollutants in Dongsha River of Beijing: Spatial distribution and source identification. Journal of Environmental Management 200:335−346
[25] Zhao B, Hu YS, Yu HR, Chen SK, Xing T, et al. 2023. A method for researching the eutrophication and N/P loads of plateau lakes: Lugu Lake as a case. Science of the Total Environment 876:162747
[26] Allan JD. 2004. Landscapes and Riverscapes: The Influence of Land Use on Stream Ecosystems. Annual Review of Ecology, Evolution, and Systematics 35:257−284
[27] Conley DJ, Paerl HW, Howarth RW, Boesch DF, Seitzinger SP, et al. 2009. Controlling Eutrophication: Nitrogen and Phosphorus. Science 323:1014−1015
[28] Zheng WJ, Chen Y, Pang WH, Gao JL, Li T. 2024. Riverine seasonal rainfall event tracing of organic pollution sources using fluorescence fingerprint difference spectrum. Science of the Total Environment 949:175024
[29] Wang Q, Kang Q, Zhao B, Li HY, Lu HL, et al. 2022. Effect of land-use and land-cover change on mangrove soil carbon fraction and metal pollution risk in Zhangjiang Estuary, China. Science of the Total Environment 807:150973
[30] Hu RY. 2021. Sources and routes from terrestrial exogenous pollutants affect phytoplankton biomass in reservoir bays. Water Supply 21:3913−3931
[31] Lv SC, Li XH, Wang R, Wang Y, Dong ZJ, et al. 2022. Autochthonous sources and drought conditions drive anomalous oxygen-consuming pollution increase in a sluice-controlled reservoir in eastern China. Science of the Total Environment 841:156739
[32] Xia X, Lu H, Xu Z, Li X, Tian Y. 2023. Research on the Characteristic Spectral Band Determination for Water Quality Parameters Retrieval Based on Satellite Hyperspectral Data. Remote sensing 15:5578
[33] Tang Y, Pan Y, Zhang L, Yi H, Gu Y, Sun W. 2023. Efficient monitoring of total suspended matter in urban water based on UAV multi-spectral Images. Water Resources Management 37:2143−2160
[34] Santos VO, Guimaraes B, Neto IEL, de Souza FD, Rocha PAC, et al. 2024. Chlorophyll-a Estimation in 149 Tropical Semi-Arid Reservoirs Using Remote Sensing Data and Six Machine Learning Methods. Remote sensing 16:1870
[35] Sun DY, Hu CM, Qiu ZF, Cannizzaro JP, Barnes BB. 2014. Influence of a red band-based water classification approach on chlorophyll algorithms for optically complex estuaries. Remote Sensing of Environment 155:289−302
[36] Havlícek V, Córcoles AD, Temme K, Harrow AW, Kandala A, et al. 2019. Supervised learning with quantum-enhanced feature spaces. Nature 567:209−212
[37] Lundberg SM, Erion G, Chen H, DeGrave A, Prutkin JM, et al. 2020. From local explanations to global understanding with explainable AI for trees. Nature Machine Intelligence 2:56−67
[38] Xiao CJ, Chen NC, Hu CL, Wang K, Gong JY, Chen ZQ. 2019. Short and mid-term sea surface temperature prediction using time-series satellite data and LSTM-AdaBoost combination approach. Remote Sensing of Environment 233:111358
[39] Zhang C, Sargent I, Pan X, Li HP, Gardiner A, et al. 2019. Joint Deep Learning for land cover and land use classification. Remote Sensing of Environment 221:173−187
[40] Zhang RY, Band LE, Groffman PM. 2023. Balancing upland green infrastructure and stream restoration to recover urban stormwater and nitrate load retention. Journal of Hydrology 626:130364
[41] Xiong LL, Xi BR, Wu YC, Liu SL, Zhang L, et al. 2021. Nutrient input estimation and reduction strategies related to land use and landscape pattern (LULP) in a near-eutrophic coastal bay with a small watershed in the South China sea. Ocean and Coastal Management 206:105573
[42] Zhou HX, Li X, Xu GR, Yu HR. 2018. Overview of strategies for enhanced treatment of municipal/domestic wastewater at low temperature. Science of the Total Environment 643:225−237
[43] Zhou GL, Gu YF, Yuan HR, Gong Y, Wu YF. 2020. Selecting sustainable technologies for disposal of municipal sewage sludge using a multicriterion decision-making method: A case study from China. Resources, Conservation and Recycling 161:104881
[44] Min J, Lu KP, Zhao X, Sun HJ, Zhang HL, Shi WM. 2015. Nitrogen removal from the surface runoff of a field scale greenhouse vegetable production system. Environmental Technology 36:3136−3147
[45] Kettering J, Park JH, Lindner S, Lee B, Tenhunen J, Kuzyakov Y. 2012. N fluxes in an agricultural catchment under monsoon climate: A budget approach at different scales. Agriculture Ecosystems & Environment 161:101−111
[46] Xu HX, Gao Q, Yuan B. 2022. Analysis and identification of pollution sources of comprehensive river water quality: Evidence from two river basins in China. Ecological Indicators 135:108561
[47] Zhao J, Lin LQ, Yang K, Liu QX, Qian GR. 2015. Influences of land use on water quality in a reticular river network area: A case study in Shanghai, China. Landscape and Urban Planning 137:20−29
[48] Yang G, Yu SM, Dong H, Slabaugh G, Dragotti PL, et al. 2018. DAGAN: Deep De-Aliasing Generative Adversarial Networks for Fast Compressed Sensing MRI Reconstruction. IEEE Transactions on Medical Imaging 37:1310−1321
[49] Mohammed MA, Lakhan A, Abdulkareem KH, Almujally NA, Al-Attar B, et al. 2024. Edge-Cloud Remote Sensing Data-Based Plant Disease Detection Using Deep Neural Networks With Transfer Learning. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 17:11219−11229
[50] Bernhardt ES, Savoy P, Vlah MJ, Appling AP, Koenig LE, et al. 2022. Light and flow regimes regulate the metabolism of rivers. Proceedings of the National Academy of Sciences 119:e2121976119
[51] van de Poll WH, Maat DS, Fischer P, Visser RJW, Brussaard CPD, Buma AGJ. 2021. Solar radiation and solar radiation driven cycles in warming and freshwater discharge control seasonal and inter-annual phytoplankton chlorophyll a and taxonomic composition in a high Arctic fjord (Kongsfjorden, Spitsbergen). Limnology and Oceanography 66:1221−1236
[52] Gillooly JF, Brown JH, West GB, Savage VM, Charnov EL. 2001. Effects of Size and Temperature on Metabolic Rate. Science 293:2248−2251
[53] Stackpoole SM, Stets EG, Sprague LA. 2019. Variable impacts of contemporary versus legacy agricultural phosphorus on US river water quality. Proceedings of the National Academy of Sciences 116:20562−20567

Авторское право и лицензия

© 2026 автор(ы). Опубликовано NEW HORIZON PRESS LIMITED, Цим-Ша-Цуй, Гонконг. Статья распространяется на условиях лицензии Creative Commons Attribution (CC BY 4.0), которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии надлежащего цитирования оригинальной работы. https://creativecommons.org/licenses/by/4.0/
6 августа / 2026