總懸浮顆粒物（Total suspended matter, TSM）是水環境評價的重要參數之一，它直接影響水質狀況，決定著水下光場分布，進而影響水體的初級生產力，TSM是多種營養鹽與污染物吸附的載體。TSM具有強光譜信號，可以有效的通過大氣頂部及地表反射率進行估算。基于波段比的TSM濃度反演模型被廣泛應用于沿海和內陸水體的TSM估算。中國科學院東北地理與農業生態研究所水環境遙感學科組科研人員開發了基于谷歌引擎（Google Earth Engine，GEE）Landsat影像的湖庫TSM反演算法，在中國和全球尺度取得了相關研究進展。

　　在中國尺度上，基于2014-2020年中國湖泊實測秋季TSM濃度數據（圖1）和GEE平臺的Landsat 天頂角反射率產品，構建了精度較高的秋季TSM濃度遙感反演經驗模型（R² = 0.87，RMSE=10.16 mg/L，MAPE=38.37%），并獲取了1990-2020年中國50km²以上大型湖庫秋季TSM濃度結果。以2004年為時間節點分析了1990-2004年和2004-2020年這兩個時段TSM濃度時空動態變化，探索了自然和人為因素對湖泊秋季TSM濃度年際變化的響應。研究結果發現2004年以后在中國第一、第二階梯變清的湖泊數量在增加，而第三階梯變渾濁的湖泊數量在增加；在調控TSM年際變化的主導因素上，第一階梯以湖泊面積和風速為主，第二階梯以湖泊面積和NDVI為主，第三階梯以人類活動和NDVI為主（圖2）。

　　在全球尺度上，基于六大洲（除了南極洲）湖庫搜集了約16400個實測TSM樣點數據（圖3），通過同步星地匹配（時間窗口在7天以內），共配到9640對實測數據與Landsat影像地表反射率數據集。對比分析了多種機器學習和回歸方法在反演湖庫TSM濃度上的精度和差異性（圖4）。為了克服回歸中數據集不平衡的問題，本研究使用了一種合成少數類過采樣技術（Synthetic minority over sampling technique for regression with Gaussian Noise, SMOGN）。通過比較，發現梯度提升決策樹模型（Gradient boosting decision tree, GBDT）、隨機森林模型（Random forest, RF）和極度梯度提升樹模型（Extreme gradient boosting, XGBoost）與SMOGN處理后的數據集具有良好的時空可遷移性，具有在不同年份繪制高質量Landsat地表反射率圖像的潛力。在所有的模型中，GBDT模型精度（n = 6428, R² = 0.95, MAPE = 29.8%）和驗證精度（n = 3214, R² = 0.95, MAPE = 29.8%）最高，其次是RF模型（驗證精度為n = 3214, R² = 0.86, MAPE = 24.2%），應用這兩種模型對全球不同洲的典型湖庫進行驗證，均表現出穩定的性能。除此之外，GBDT模型被應用到Landsat不同傳感器（TM/ETM+/OLI）的影像用來評估反演的TSM結果與實測值的差異性，結果表明該模型在反演全球湖庫TSM濃度的長時序結果上具有潛力。

圖1 中國湖泊秋季TSM實測樣點分布

圖2 1990-2004年和2004-2020年中國湖泊不同類別秋季TSM濃度（a-d）、年際變化率（e-h）和年際變化趨勢（i-l）的數量分布

圖3 全球湖庫TSM實測樣點空間分布

圖4 對比分析反演湖庫TSM濃度的不同模型

　　上述研究成果發表在國際期刊Science of the Total Environment（IF = 10.753）和International Soil and Water Conservation Research（IF = 6.4）上，均為中國科學院SCI一區，第一作者分別為中國科學院東北地理與農業生態研究所陶慧博士和溫志丹副研究員，宋開山研究員為通訊作者。上述研究得到了國際重點研發項目（2021YFB3901101）資助。

　　文章信息：Tao, H., Song, K*., Liu, G., Wen, Z., Lu, Y., Hou, J., Lyu, L., Wang, Q., Shang, Y., Li, S., and Fang, C., 2023. Response of total suspended matter to natural and anthropogenic factors since 1990 in China's large lakes. Science of the Total Environment, 892, 164474. https://doi.org/ 10.1016/j.scitotenv.2023.164474.

　　Wen, Z., Wang, Q., Ma, Y., Jacinthe, P., Liu, G., Li, S., Shang, Y., Tao, H., Fang, C., Lyu, L., Zhang, B., and Song, K., 2023. Remote estimates of suspended particulate matter in global lakes using machine learning models. International Soil and Water Conservation Research, https://doi.org/10.1016/j.iswcr.2023.07.002