通过基于卫星的OWT（Ocean Wave Transform）分类和每类算法优化，提高在多种过渡水域中的SPM（Sea Surface Motion）反演精度

《International Journal of Applied Earth Observation and Geoinformation》：Improving SPM retrieval across diverse transitional waters through satellite-derived OWT classification and per-class algorithm optimization

　　林俊芳|伊丽莎白·C·阿特伍德|刘晓涵|埃马纽埃尔·恩沃科查|托马斯·杰克逊|史蒂夫·格鲁姆
普利茅斯海洋实验室，Prospect Place，The Hoe，普利茅斯 PL1 3DH，英国

**摘要**
卫星遥感提供了广泛的覆盖范围和频繁的重访能力，使其成为估算光学复杂水域中悬浮颗粒物（SPM）的重要工具。最近在卫星衍生的光学水类型（OWT）分类方面的进展为改进不同水体的SPM反演提供了新的机会，然而，对现有SPM算法的系统性逐类型重新校准和比较评估尚未得到充分评估。在这项研究中，我们采用了一个综合框架，对11种卫星衍生的OWT类别中的每种类别重新校准了17种广泛使用的SPM算法，并通过循环评估来确定每种类别的最佳算法，同时最小化跨类型性能的变异性。利用Sentinel-2多光谱仪器（MSI）的反射率，基于OWT的混合方案在光学多样化的过渡水域中实现了显著提高的准确性，其均方根误差（Ψ）约为4.6–8.2 g/m3，决定系数（r2）为0.87–0.91，当与实地观测结果进行验证时，包括未用于校准的区域的测量数据。该框架还通过两个过渡性沿海系统的空间映射和多年趋势分析得到了进一步验证。研究结果突显了卫星衍生的OWT在增强SPM反演的可转移性和稳健性方面的价值，并为水质监测和生态系统评估应用提供了一种可扩展的方法。

**1. 引言**
沿海和内陆水域中的悬浮颗粒物（SPM）受到多种因素的复杂相互作用的影响，包括河流排放、人为疏浚、自然沉积物再悬浮以及潮汐流的水动力作用（Manivanan, 2008; Sent et al., 2025; Wolanski and Elliott, 2015）。高浓度的SPM对水生生态系统有重大影响。除了降低水质清晰度和质量外，高SPM水平还会强烈影响光衰减、光合作用潜力、光合作用带的深度和营养动态（Turner and Millward, 2002）。因此，系统性和连续地监测SPM的变化对于维护生态系统的完整性和长期可持续性至关重要，特别是在光学复杂的环境中。
卫星和机载遥感技术已成为绘制SPM分布的不可或缺的工具，提供了对其空间和时间变化性的全面和可扩展的见解（Matthews, 2011; Odermatt et al., 2012）。多年来，卫星技术的进步显著提高了SPM反演的精度（例如分辨率）并扩展了其能力，促进了针对不同辐射数据集和水条件的多种算法的发展。这些算法大致分为半解析和经验方法，对推进我们对SPM动态的理解起到了重要作用。
半解析算法基于辐射传输理论，利用水的固有光学特性（IOPs）来建立与SPM浓度之间的关系。这些算法中的一个关键IOP——颗粒反向散射（bbp）已被广泛验证为SPM浓度的可靠代理，如Neukermans et al. (2012)和Tavora et al. (2020)的研究所示。相反，经验方法采取了一种实用的方法，直接将光谱反射率数据与SPM浓度相关联，绕过了IOP分析的复杂性。例如，Jorgensen (1999)的线性模型以及Nechad et al. (2010)和Ondrusek et al. (2012)的方法显著丰富了这一领域。值得注意的是，Doxaran et al. (2002)的研究表明，在特定环境中，某些遥感反射率（Rrs）的波段比率可以作为SPM浓度的有效代理。
尽管取得了这些进展，半解析和经验算法在通用性方面仍面临挑战。虽然许多算法是使用特定地区的数据开发的，以确保在这些范围内的最佳结果，但当扩展到其起源之外时，它们的适用性往往就会降低。这种限制源于不同水体的光学特性的固有变异性，这些特性可能会因河流流入和藻类繁殖等因素而随时间变化。这些波动受到各种环境动态的影响，可能会显著影响算法的准确性。此外，这些限制往往源于其开发背后的假设。例如，依赖近红外（NIR）反射率的算法假设这一光谱带能够可靠地捕获SPM信号。虽然在颗粒浓度高的浑浊水域中这是有效的，但在较清澈的水域中，NIR信号变得微不足道，导致估计不准确或不可用。这种特定于环境的假设限制了这些算法在多样化水环境中的适应性。
为了克服这些挑战，研究人员开发了基于光学水类型（OWTs）的算法，以提高遥感反演的准确性（Jiang et al., 2021; Moore et al., 2001; Novoa et al., 2017; Uudeberg et al., 2019）。这些方法旨在将具有相似光学特性的水体分组，并为每种OWT类别开发最佳算法。原则上，基于OWT的算法独立于地理位置和时间，比传统的区域算法具有更少的地理特异性。然而，其更广泛的实用性仍然受到OWT分类和当前使用的SPM估算算法的不足的限制。海洋颜色气候变化倡议（OC-CCI）产品中用于水质参数估算的OWT类别最初是使用实地反射率数据构建的（Moore et al., 2009）。在OC-CCI的后续迭代中，OWT被更新为基于卫星反射率数据，这些数据在空间和时间上具有更全面的覆盖范围，因为这提供了更平衡和更具代表性的训练数据集（Jackson et al., 2017）。基于实地反射率数据开发了淡水和沿海系统的OWT类别（Spirakos et al., 2018），并已证明当算法按OWT进行校准时，可以显著提高水质参数的估算精度（Neil et al., 2019）。与OC-CCI内的发展类似，关于实地训练数据集与具有更全面覆盖范围的卫星数据集的代表性问题也随之产生。最近的创新，如Atwood et al. (2024)采用的泛区域分类，在基于卫星遥感反射率的过渡水域系统的OWT分类中展示了有希望的性能。迄今为止，尚未基于卫星反射率数据集对OWT进行逐类型算法校准。这一进展可以进一步加速基于OWT原理的SPM估算方法的改进，特别是对于过渡水域系统。在这些发展的基础上，一个剩余的挑战是SPM算法在多样化光学环境中的可转移性。本研究的一个主要动机是，大多数之前的基于OWT的方法使用的OWT类别来自有限的实地反射率观测，这些观测通常具有地理偏见，不能完全代表过渡水域的光学多样性。这里使用的卫星衍生的OWT提供了更广泛的空间和时间覆盖范围，使得水类型的表征更具代表性。重要的是，尽管OWT已被应用于指导叶绿素-a的估算（Liu et al., 2021, Neil et al., 2019）在大规模海洋颜色产品中，但尚未对主要SPM算法进行系统的逐类型重新校准和比较评估。这一差距限制了现有SPM算法在多样化光学制度中的可转移性，特别是在高度动态的沿海水域中。
尽管SPM通常可以在个别区域内可靠地反演，但我们的分析和先前的研究表明，任何单一算法在不同OWT下的性能都有显著差异。这种跨类型的变异性是在将区域算法应用于光学多样化水域时的主要不确定性来源，导致在低浊度和高浊度条件下的反演质量不一致。解决这一实际限制需要一种明确考虑水体光学异质性的方法。通过逐OWT重新校准和选择算法，本研究旨在减少这种跨类型变异性，并提供在不同水环境中更稳定、可转移的SPM估算。

**2. 数据**
本研究编制了一个广泛的实地SPM测量数据集。测量地点包括七个区域：易北河、库罗尼亚海、塔古斯河、威尼斯、多瑙河、黑海和étang de Berre（图1和表1）。SPM浓度是按照既定协议使用重量法确定的（Strickland and Parsons, 1972）。水样从现场收集，运输到实验室，并通过47毫米GF/F过滤器过滤。过滤体积是从少量开始逐渐增加的，直到过滤速度明显减慢，同时根据沉积物负荷的不同进行调整。样品体积通常在50毫升到1000毫升之间，具体取决于水的清澈度。然后将在60°C下干燥24小时后再进行称重。通过比较干燥前后过滤器的质量，并考虑过滤水的体积，计算出SPM浓度。这些SPM测量值范围很广，从约0.3到约250 g/m3（表2总结了按OWT分层的SPM统计信息）。该数据集代表了多样化的水生环境，涵盖了过渡水域和沿海水域的广泛光学范围，包括相对清澈的近海水域。

**下载：**
下载高分辨率图像（382KB）
下载全尺寸图像

**图1. 用于Sentinel-2 MSI匹配研究的实地SPM样本的空间分布。洋红色标记表示卫星和实地观测之间的有效匹配。背景颜色表示水深（米）。面板显示：(a) 易北河，(b) 多瑙河，(c) 塔古斯河，(d) 威尼斯，(e) 库罗尼亚海，(f) étang de Berre，(g) 黑海；相应的纬度/经度范围、采样时间范围和匹配次数在表1中总结。**

**表1. 各区域的实地监测覆盖范围和采样日期。**
| 区域 | 纬度（°） | 经度（°） | 开始日期 | 结束日期 |
|------|--------|--------|--------|--------|
| 易北河 | 53.49 – 54.70 | 6.54 – 10.06 | 2018–10-17 | 2021–06-28 |
| 多瑙河 | 44.70 – 44.98 | 28.88 – 29.11 | 2021–04-22 | 2022–05-22 |
| 塔古斯河 | 38.67 – 38.88 | -9.25 – -8.98 | 2017–12-09 | 2022–09-21 |
| 威尼斯 | 45.31 – 45.48 | 12.28 – 12.51 | 2021–03-05 | 2022–09-27 |
| 库罗尼亚海 | 55.31 – 55.64 | 21.02 – 21.25 | 2020–09-29 | 2022–11-06 |
| 黑海 | 41.72 – 44.36 | 28.65 – 41.74 | 2023–05-01 | 2024–06-17 |
| étang de Berre | 43.40 – 43.53 | 5.02 – 5.21 | 2016–09-01 | 2019–07-24 |

**表2. 每个OWT的匹配次数，浊度由实地SPM表示。**
| OWT | 中位数SPM（g/m3） | 最小SPM（g/m3） | 最大SPM（g/m3） |
|------|------------|--------------|--------------|
| 14 | 30.8 | 0.3 | 0.98 |
| 24 | 51.1 | 2.0 | 3.8 |
| 30 | 3.6 | 0.3 | 7.4 |
| 42 | 30.3 | 1.0 | 8.8 |
| 36 | 0.3 | 5.9 | 0.8 |
| 72 | 10.4 | 2.7 | 9.0 |
| 13 | 3.6 | 3.2 | 2.2 |
| 49 | 11.1 | 3.4 | 4.0 |
| 38 | 20.1 | 4.7 | 0.2 |
| 50 | 23.2 | 5.6 | 7.2 |
| 12 | 11.8 | 9.5 | 4.2 |
| 30 | 14.0 | 3.9 | 5.9 |
| 13 | 82 | 20.1 | 4.7 | 0.2 |
| 25 | 0.0 | 10.5 | 0.3 |

**3. 处理方法**
MSI Level-1C图像使用两种互补的处理器进行了大气校正：POLYMER（v4.16；CERTO “minabs2”配置）和ACOLITE（通用版本20231023），在Dark Spectrum Fitting（DSF）模式下运行（Vanhellemont and Ruddick, 2018）。处理以60米的空间分辨率进行。两种产品都应用了共同的IdePIX云掩码（MSI标志：IDEPIX_CLOUD, IDEPIX_INVALID, IDEPIX_CLOUD_AMBIGUOUS, IDEPIX_CLOUD_BUFFER, IDEPIX_VEG_RISK, IDEPIX_CLOUD_shadow, IDEPIX_SNOW_ICE, IDEPIX_mountAIN_shadow, IDEPIX_CIRRUS_SURE）。对于POLYMER，有效的水像素还满足标准的POLYMER有效性表达式（bitmask & 10230）和所有光谱带的ρw<0.12。ACOLITE的输出进一步使用ρgli<0.01进行了太阳耀斑的屏蔽，其中ρgli是使用Cox和Munk（1954）模型在POLYMER中实现的根据风速预测的耀斑反射率。
最终的水面反射率ρw(λ)是通过POLYMER和ACOLITE的逐波段、逐像素合并生成的，遵循CERTO协议（https://certo-project.org/Resources/CERTO_D5.4_final.pdf），使用ρw,poly(865)作为混合指数：
(1) ρw(λ) = αρw,poly(λ) + (1-α)ρw,aco(λ)，
其中过渡阈值ρmin=0.005和ρmax=0.015；
(2) α = 1, 如果ρw,poly(865)<ρmin，则ρw,poly(865)>ρmax；
否则，ρmax-ρw,poly(865)。
过渡区（0<α<1）的像素必须同时满足polymer和acolite的质量掩码。>这种配方确保了在不同浊度范围内大气校正输出之间的平滑过渡，同时保持了质量控制的一致性。实施了一种程序来获取与每个现场SPM测量相对应的MSI衍生ρw数据匹配，共计1451个匹配对。卫星匹配统计是使用9最近邻方法得出的，该方法包括：•中心像素（最接近采样点的像素）的反射率值；•9个周围像素的描述性统计量（平均值、中位数和标准差）；•9最近邻集合内的有效像素数量；•现场采样与卫星过境之间的时间差。最近邻像素的平均值和标准差被用来计算匹配宏像素的变异系数。匹配的筛选标准包括三个关键因素：（1）变异系数小于0.2；（2）有效像素数量应超过5；（3）现场采样与卫星过境之间的时间差不应超过3小时。图1展示了一张地图，说明了采样和匹配位置的分布。此外，Atwood等人（2024年）的水体类型分类方法被用来识别与每个匹配对相关的主导OWT（Ocean Water Type）。相应的OWT成员评分也被记录下来，用于后续的SPM混合处理。为了对提出的算法进行全面和结构化的评估，数据集被分成了三个不同的子集。由于易北河和多瑙河具有广泛的时间和空间覆盖范围，因此只在这些区域内进行了随机分割，以保持独立的观测条件并减少自相关性。易北河和多瑙河区域的测量数据以2:1的比例随机分为数据集A（730个点）和数据集B（365个点）。数据集A用于算法重新校准和评估，而数据集B作为内部评估集，用于检查同一区域背景下的插值性能。选择2:1的比例是为了确保每个OWT类别内有足够的校准样本量，以实现稳定的OWT优化，同时保留一个独立的内部验证子集。我们使用其他分割比例（70/30和80/20）重复了整个工作流程。数据集B和C上的混合产品性能显示了相似的模式（表S1）。为了进一步评估算法在不同地理区域的通用性，使用了来自塔古斯河、威尼斯湖、库尔诺尼亚湖、黑海和埃当德贝雷湖区域的所有测量数据构建了第三个子集（数据集C，356个点）（表1）。黑海的测量数据来自三次研究巡航，并通过Zenodo公开可用（DOI：https://doi.org/10.5281/zenodo.15120079；https://doi.org/10.5281/zenodo.15119521；https://doi.org/10.5281/zenodo.14978829）。数据集C完全排除在算法重新校准过程之外，仅用于独立评估。这种基于区域的分割确保了在未在校准阶段代表的条件下对算法的可转移性进行评估，从而提供了对生态上不同区域的性能的更稳健估计。

3. 方法
3.1. SPM算法
本研究选择了17种SPM算法进行评估。这些算法涵盖了沿海和内陆水域中最广泛使用的半解析和经验性SPM算法，捕捉了反射率与SPM之间的各种光谱关系。这些算法由主要作者的名字和相应的发表年份表示：Jorgensen1999（Jorgensen, 1999）、Dekker1993（Dekker, 1993）、Nechad2010（Nechad et al., 2010）、Doxaran2002（Doxaran et al., 2002）、Yu2019（Yu et al., 2019）、Wei2021（Wei et al., 2021）、Novoa2017（Novoa et al., 2017）、Jiang2021（Jiang et al., 2021）、Siswanto2011（Siswanto et al., 2011）、Miller2004（Miller and McKee, 2004）、Ondrusek2012（Ondrusek et al., 2012）、Petus2010（Petus et al., 2010）、Balasubramanian2020（Balasubramanian et al., 2020）、Zhang2014（Zhang et al., 2014）、Vantrepotte2011（Vantrepotte et al., 2011）、Binding2010（Binding et al., 2010）和BinUstir（Binding et al., 2010）。在补充材料的A部分，我们概述了这17种SPM算法。一些算法以多波段/变体形式实现（例如，不同的波长），总共有22个模型变体。该部分总结了它们的独特特性、方法论方法以及与每种算法相关的任何值得注意的考虑因素。通过比较这些算法，我们旨在获得有关它们在不同水体类型中估计SPM能力的宝贵见解。

3.2. 循环评估
算法性能的评估采用了一种方法，该方法结合了通常用于将模型数据与现场测量数据进行比较的单变量统计测试。该方法涉及的统计量包括皮尔逊相关系数（r）、均方根误差（Ψ）、偏差（δ）、中心模式均方根误差（Δ）、类型2回归的斜率（S）和截距（I）以及可能检索的百分比（η）。这些统计量的定义可以在补充材料的B部分找到。每个指标都单独进行评估，并使用评分系统来确定每个算法（或模型）的性能。最后，执行了一种自助法和多指标评分程序。虽然这种方法基于Brewin等人（2015年）概述的方法，但一个关键区别在于我们与最佳模型性能进行比较，而不是平均性能。我们使用10,000次自助重采样来获得稳定的分数分布。更多细节可以在补充材料的B部分找到。

3.3. OWT分类
基于海洋颜色气候变化倡议（OC-CCI）和湖泊气候变化倡议（Lakes_cci），Atwood等人（2024年）提出了一种改进和增强的方法来分类OWT，以准确识别淡水和咸水区域之间的过渡带。这种创新方法利用先进的模糊聚类方法从卫星遥感产品生成OWT类别，有效地将分析时空期间观察到的光谱上不同的水体分组在一起。分析中涉及总共11种OWT（表2）。11类系统代表了Atwood等人（2024年）提出的过渡水域的最佳聚类解决方案。每个像素将被分配11个成员值，每个OWT一个。给定像素的主导OWT分类将通过选择11个分配值中成员值最高的OWT来确定。为了确保OWT分配适合后续的算法选择和基于成员权的混合，我们对模糊成员进行了简短的质量评估。因为OWT产品提供了跨越11个类别的连续像素成员向量，而不是监督的离散标签，我们使用（i）成员结构诊断和（ii）基于匹配数据集的物理一致性检查来评估OWT的可靠性。成员结构通过前3个最大成员之和S3=m1+m2+m3（每个匹配/像素的三个最大成员）和成员差异D=m1-m2来总结，其中小的D表示光学混合/过渡光谱。通过比较不同OWT类别之间的现场SPM（Kruskal–Wallis检验及事后检验）来评估物理一致性，支持OWT成员区分与SPM检索相关的光学制度。由于过渡/混合像素很常见，我们使用标准化的前3个最大成员来混合SPM估计，以提高类别边界的稳定性。这些诊断在补充图S1中提供。

3.4. SPM混合
遵循Liu等人（2021年）的方法，我们实现了一种基于OWT成员值的模糊成员加权混合程序，以生成连续的SPM产品并减少OWT之间的变异性。对于每个OWT类别k∈{1,?,11}，从循环评估（第3.2节）中识别出一个表现最佳的SPM算法fk(·)，并为其重新校准（第3.5节；表3）。对于给定的像素，OWT分类器为所有11个类别提供成员值mk（第3.3节）。我们选择了三个最大的成员值，并用K（top-3 OWTs）表示它们的索引。对于每个k∈K，计算了一个特定于OWT的SPM估计（C^k）：(3)C^k=fkρw(λ)，其中ρw(λ)是所需波段的MSI水离开反射率。最终的混合SPM估计是通过前3个OWT的成员加权平均得到的：(4)Error parsing MathML: error on line 1 at column 559: Entity 'nbsp' not defined" role="presentation">Error parsing MathML: error on line 1 at column 559: Entity 'nbsp' not definedError parsing MathML: error on line 1 at column 559: Entity 'nbsp' not defined这里，权重wk按像素进行了标准化，使得∑k∈Kwk=1。我们关注前3个混合策略，因为它在OWT测试中提供了稳定性和敏感性之间的最佳平衡，而使用较少成员（前2个）或所有成员的初步测试则产生了不太一致的性能。

表3. 每个OWT的最佳SPM算法查找表。
OWT 最佳算法 波长（λ0, λ1,.. λn） 重新校准的系数
Siswanto2011 c0-24 90, 560, 665 1.27, 25.62, ?2.19
Nechad2010 Aρ, Cρ 78 1798.7, 0.123
Jorgensen1999 m, n 560 14.27, ?4.974
Wei2021 c0-3, a 0-1, b 443, 490, 560, 665, 740, 865 0.26, 0.27, 1.15, 0.10, 20.41, 2.16, 0.48, 1.06, 0.435
Siswanto2011 c0-24 90, 560, 665 1.21, 9.78, ?0.806
Nechad2010 Aρ, Cρ 78 154 2.33, 2.057
Nechad2010 Aρ, Cρ 78 107 4.83, 2.168
Wei2021 c0-3, a 0-1, b 443, 490, 560, 665, 740, 865 0.38, 0.01, 4.01, 0.12, 20.42, 2.21, 0.52, 1.02, 0.459
Wei2021 c0-3, a 0-1, b 443, 490, 560, 665,740, 865 0.52, 0.01, 0.56, 20.52, 2.13, 0.47, 1.03, 0.48
Miller2004 c0, c 665 151 0.17
Wei2021 c0-3, a 0-1, b 443, 490, 560, 665, 740, 865 0.41, 0.92, 2.49, 0.10, 20.50, 2.12, 0.50, 1.01, 0.46

3.5. 算法重新校准
为了提高每个OWT类别的SPM算法的精度，我们对它们的系数进行了重新校准。这个重新校准过程依赖于MSI ρw匹配和现场SPM测量的整合。为此，我们使用了SciPy Python包（scipy.optimize）中的全局优化例程。用于此重新校准的成本函数定义如下：(5)Funcost=1n∑i=1nlogCspmS(i)-logCspmI(i)logCspmI(i)?WOWTi20.5其中CspmS和CspmI分别是卫星衍生和现场SPM；WOWT(i)是优化权重，对于OWT k内的重新校准设置为成员mk(i)，对于全局（非OWT分层）重新校准设置为1；n是匹配对的数量。选择对数相对公式是因为SPM的范围约为两个数量级，使得相对对数误差比绝对误差更稳定。

4. 结果
4.1. 为每个OWT重新校准的最佳算法的循环评估
在实施混合过程之前，确定每个OWT的最佳算法是至关重要的。为了支持这一选择，使用数据集A进行了循环评估。该程序涉及评估17种不同的SPM算法（总共22个SPM模型），每种算法都使用方程（5）为个别OWT重新校准。性能分数范围从0到1，根据补充材料B部分详细说明的评分方法进行分配。图2展示了应用于OWT7的候选算法的性能分数分布，这里作为一个代表性示例。分数范围大约从0.4到1.0，其中Nechad2010算法在783 nm处获得了最高的分数1.0。图3进一步比较了从MSI数据得出的SPM估计与OWT7的现场SPM浓度，确认Nechad2010算法在783 nm处提供了最准确的结果，r2约为0.88，Ψ约为7.3 g/m3。散点沿1:1线的紧密对齐进一步强调了这种检索的稳健性。

图2. 在数据集A的OWT7子集上评估的22个重新校准的SPM模型的循环评估分数分布（接近1的分数表示性能最佳）。
图3. 使用数据集A的OWT7子集的重新校准系数，比较了22个模型的现场SPM浓度与MSI衍生估计。

图4和图5分别展示了OWT9的第二个示例。在这种情况下，Wei2021和Yu2019算法获得了最高的性能分数，每个算法产生的Ψ值约为8.3 g/m3。值得注意的是，Wei2021是Yu2019的更新版本，并保留了类似的浑浊水配方；因此，相同的系数集被用于OWT9。
图4. 在数据集A的OWT9子集上评估的22个重新校准的SPM模型的循环评估分数分布（格式与图2相同）。
图5. 使用数据集A的OWT9子集的重新校准系数，比较了22个模型的现场SPM浓度与MSI衍生估计。

表3总结了为每个OWT选定的最佳算法。基于这些结果和第3.4节描述的混合框架，可以使用MSI数据以及表3中提供的查找表生成跨OWT类别的最佳SPM估计。

4.2. SPM算法的比较
4.2.1. 重新校准模型和混合的比较（数据集A）
为了评估17种SPM算法（22个模型）和提出的混合框架的性能，我们使用数据集A进行了定量评估。每个SPM模型都使用方程（5）和数据集A的数据进行了重新校准，结果系数列在表4中。混合算法也是使用相同的数据集（数据集A）进行调优的，针对每个OWT进行了最优模型选择，基于第4.1节中描述的轮询（Round-Robin）结果。表4显示了本研究中选定的SPM算法的原始系数和重新校准后的系数。

算法 | 参数 | 波长（λ0, λ1,.. λn） | 原始系数 | 重新校准后的系数 |
| --- | --- | --- | --- | --- |
| Jorgensen1999 | m, n | 560 | 269, 0.09 | 4.07, 0.001 |
| Dekker1993 | m, n | 705 | 331, 2.69 | 1098.8, 0.15 |
| Nechad2010 | Aρ, Cρ | 665 | 41.6, 0.19 | 253.7, 37.27 |
| 770 | 577.0, 0.21 | 359.6, 46.47 | 40326.1, 0.12 |
| 1069.3, 198.8 | 783237.1, 0.15 | 875.5, 361.58 | 65488.6, 0.22 |
| 1449.6, 508.5 | 359.6, 508.5 | 449.6, 508.5 | 261, 0.12 |
| Doxaran2002 | Am0, m | 1865 | 560 | 0.32, 0.96 | 33.8, 63.7 |
| Doxaran2002 | Bn0, n | 1865 | 665 | 0.19, 0.48 | 1.42, 2.59 |
| Yu2019 | c0-3, a0-1 | 490 | 560, 665, 740 | 865 | 0.04, 1.17, 0.4, 14.86, 20.43, 2.15 |
| 0.15, 0.37, 4.58, 0.01 | 20.51, 2.16 | 0.15, 0.37, 4.58, 0.01 | 20.51, 2.16 |
| Wei2021 | c0-3, a0-1 | 443, 490 | 560, 665, 740 | 865 | 0.04, 1.17, 0.4, 14.86, 20.43, 2.15, 0.52, 0.93, 0.43 |
| 0.15, 0.37, 4.58, 0.01 | 20.31, 2.12, 0.49, 1.03, 0.49 | 875.5, 361.58 | 65488.6, 0.22 |
| Novoa2017 | g0, r0, n0, n | 1560, 665, 865 | 96.6, 575.8, 321 | 10, 220 | 476.9, 247.6, 596.7, 352.1 |
| Jiang2021 | c0-3 | 560, 665, 740, 865 | 94.6, 114.0, 137.7, 166.2 | 54.1, 58.8, 41.1, 47.1 |
| Siswanto2011 | c0-2 | 490, 560, 665 | 0.65, 25.6 | ?0.65 | 1.21, 30.16, ?1.68 |
| Miller2004 | c0, c1 | 665 | 1140.25, 1.91 | 1800.41, 2.67 |
| Ondrusek2012 | c0-2 | 665 | 3.88, ?13.8, 19.6 | 10.06, 1.24, 3.46 |
| Petus2010 | c0-2 | 665 | 12450, 666.1 | 0.48 | 38873, 643.8, 0.76 |
| Balasubramanian2020 | ???? | ??? | ?? | ? |
| Zhang2014 | c0, c1 | 705 | 362507, 2.32 | 110267, 1.97 |
| Vantrepotte2011 | Aρ, Cρ | 665 | 1.09 | 2, 0.14 | 20.01, 0.17 |
| Binding2010b | SPM?,bb/b | 740 | 0.55 | 4, 0.019 | 0.553, 0.033 |
| BinUstirb | SPM?,bb/b | 740 | 0.66 | 4, 0.019 | 0.712, 0.018 |

图6全面比较了所有模型的检索精度，包括本研究中的混合方法。结果显示，经过重新校准后，几种单独的算法表现良好。例如，Wei2021和Yu2019算法与现场SPM浓度有很强的吻合度，Ψ值约为11.9 g/m3，r2值高达0.79。这些模型有效地捕捉了数据中的总体趋势，特别是在中等和高SPM浓度时，但在较低浓度范围（SPM < ～3 g/m3）仍存在挑战，此时仍存在高估的趋势。

图6显示了在标定数据集（数据集A）上所有模型的性能。散点图显示了22个重新校准的SPM模型和基于OWT的混合算法（图w）的MSI衍生SPM估计值与现场观测值。该数据集用于系数重新校准和混合优化。一些模型与现场数据有很好的一致性，而混合方法在全部光学条件下实现了最高的精度。

Nechad2010算法在783纳米波长的表现也类似，其Ψ值为12.9 g/m3，r2值为0.82。这种行为与783纳米波段模型的设计一致，该模型对中等至高度浑浊水体中的颗粒后向散射特别敏感，但在SPM非常高或非常低时，反射率接近噪声水平时，其信息量会减少。在SPM范围的低（<5 g/m3）和高（>30 g/m3）端观察到一些分散增加，表明在这些条件下检索一致性降低。像Jorgensen1999（图6a）和Doxaran2002A/B（图6h/i）这样的模型显示出相对较低的精度，具有较高的分散性和偏差。

几种现有的SPM检索算法，如Jiang2021（图6l）和Novoa2017（图6m），采用了其他OWT分类来提高估计性能。然而，在我们的评估中，这些基于OWT的方法并没有显示出比其他单独算法明显的优势。它们的检索结果具有较大的分散性和相对较低的精度。

相比之下，本研究中的基于OWT的混合算法表现优于所有其他算法（图6w）。通过整合每个OWT类别的最优算法，混合框架实现了显著较低的总体误差（Ψ = 6.9 g/m3）和最高的r2值（0.88）。这些结果表明，混合方法不仅保留了表现最佳模型的优势，还通过适应不同类型的水体光学变化来缓解了它们的弱点。

4.2.2 使用数据集B独立评估SPM模型

为了进一步评估重新校准的SPM模型和混合算法的能力，使用数据集B进行了额外的评估。该数据集包含与数据集A相同区域的独立样本，即易北河和多瑙河地区，但完全排除了个别SPM模型的重新校准和混合算法的调整。因此，数据集B在同一地理区域内提供了更稳健的验证场景，允许在空间和时间上独立的条件下的性能评估。

图7展示了数据集B的MSI衍生SPM估计值与现场测量值之间的比较。总体而言，结果证实了数据集A的发现，表明许多重新校准的模型在应用于同一区域的未见数据时仍保持良好的性能。例如，Wei2021和Nechad2010（783纳米）模型继续显示出高r2值（> 0.8）和相对较低的Ψ值（约10–13 g/m3），表明在独立样本间的检索行为稳定。

图7显示了使用数据集B在重新校准域内的独立验证，该数据集是易北河和多瑙河地区未用于模型重新校准和调整的独立子集。大多数模型保持了稳定的性能，而混合算法显示出更好的一致性和最低的误差，证实了其在已知区域条件内的稳健性。重要的是，混合算法再次优于单个模型。它实现了最高的r2值（0.91）和最低的Ψ值（8.2 g/m3），证实了其在校准域内的泛化能力，同时保持了优越的精度和一致性。散点与1:1线的紧密对齐以及SPM范围内的偏差减少进一步增强了混合框架的稳健性。

4.2.3 使用数据集C进行外部验证

为了评估重新校准的SPM模型和混合算法的空间可转移性，使用数据集C进行了独立验证，该数据集包括来自塔古斯河、威尼斯、库尔奥尼亚海和贝雷湖地区的测量数据。与数据集A和B不同，数据集C来自完全排除在算法重新校准和混合模型调整过程中的区域。因此，这项评估严格测试了算法在以前未见过的地理和光学条件下的泛化能力。

图8展示了数据集C的模型评估结果。与数据集A和B的结果相比，大多数模型的检索精度有所下降，反映了将模型转移到新环境所面临的挑战。这部分下降可能反映了独立验证站点间ρw–SPM关系的区域差异，可能与颗粒组成和浅水/底部效应有关（Martin等人，2025年）。例如，Nechad2010在705纳米（图8d）、Wei2021（图8j）和Yu2019（图8k）在整个浓度范围内都表现出低估SPM的趋势，r2值低于0.55，点偏离1:1参考线的程度明显。其他几个模型，包括Dekker1993、Zhang2014、Novoa2017和Ondrusek2012，也表现出较弱的性能，特征是较高的偏差和与现场观测值的相关性较低。这些结果突显了在没有重新校准的情况下直接将算法转移到新区域的挑战。

尽管存在这些挑战，混合算法在应用于数据集C时再次表现出优越的性能（图8w）。它实现了最佳的总体检索精度，最低的Ψ值为4.6 g/m3，最高的r2值为0.87。视觉检查确认散点在1:1线周围更紧密地聚集，表明在不同水体类型下的一致性得到了改善。

这些结果强调了基于OWT的混合方法在处理区域间光学变化方面的优势。通过动态适应当地水体类型并应用最合适的算法，混合框架提高了泛化能力和检索的稳健性。

4.3 应用于卫星图像

虽然该框架应用于图1中显示的所有研究区域，但我们以多瑙河三角洲-拉泽尔姆-西诺埃泻湖复合体和塔古斯-萨多系统作为两个代表性案例进行研究，因为它们展示了强烈的近岸-远岸浑浊度梯度，并提供了足够的多年无云Sentinel-2覆盖范围，以展示空间映射和时间变化。剩余区域（易北河、威尼斯、库尔奥尼亚海和贝雷湖）的额外SPM和OWT地图在补充图S2-S6中提供，使用相同的处理和可视化设置。

图9展示了在罗马尼亚多瑙河三角洲-拉泽尔姆-西诺埃泻湖复合体沿海地区应用SPM混合方法的情况。该地区的水环境以其复杂性为特征，SPM浓度范围从约0.1到约110 g/m3不等。值得注意的是，靠近海岸线和内陆水域的区域普遍存在浑浊像素，这主要归因于河流输入和底部悬浮过程的影响（图9a）。这些区域的主导OWT在7到11的范围内明显可见（图9b）。相比之下，该地区的远岸水域在当天表现出显著的清澈度，SPM水平在约0.1到1 g/m3的范围内。这些远岸区域的主导OWT倾向于在1到2的范围内。图10a所示的指定位置的SPM浓度月度时间序列数据显示，浓度范围从约4到20 g/m3，平均浓度约为11 g/m3。最高的SPM值通常出现在冬季月份，而最低值记录在夏季月份。这些时间趋势与主导OWT的变化相对应，冬季的主导OWT为10，夏季则为OWT 5和6的混合。

图11展示了在葡萄牙塔古斯地区的另一个应用实例，展示了两个河口对沿海地区SPM分布的显著影响。如图11a所示，受该地区相关河流系统影响的内陆水域可以表现出显著升高的SPM浓度，峰值约为80 g/m3。然而，当接近河口时，SPM水平逐渐下降，降至约4 g/m3，然后在远岸区域进一步减少至约0.1 g/m3。图11b让我们了解了该区域OWT的分布。内陆水域的主要OWT在7到11的范围内，而远岸区域则主要由1到2的OWT范围主导。此外，图12还提供了从萨多河口到远岸区域的SPM和OWT剖面的信息。沿着这条剖面，我们观察到SPM浓度从约3 g/m3急剧增加到约8 g/m3，然后随着我们进一步远离海岸而逐渐减少至约0.3 g/m3。同时，OWT沿着这条剖面从OWT 8转变为OWT 1。值得注意的是，在纬度38.44°的约200米距离内，OWT发生了从OWT 4到OWT 1的显著转变。尽管发生了这种OWT转变，SPM浓度仍然相对恒定。

图11与图9类似，展示了2022年4月29日在塔古斯地区的另一个应用实例。图12中的黑色虚线表示用于分析的剖面。

图12展示了在塔古斯地区的另一个应用实例，展示了两个河口对沿海地区SPM分布的显著影响。如图11a所示，受该地区相关河流系统影响的内陆水域可以表现出显著升高的SPM浓度，峰值约为80 g/m3。然而，当接近河口时，SPM水平逐渐下降，降至约4 g/m3，然后在远岸区域进一步减少至约0.1 g/m3。图11b让我们了解了该区域的OWT分布。内陆水域的主要OWT在7到11的范围内，而远岸区域的主要OWT范围为1到2。此外，图12还提供了从萨多河口到远岸区域的SPM和OWT剖面的信息。沿着这条剖面，我们观察到SPM浓度从约3 g/m3急剧增加到约8 g/m3，然后随着我们进一步远离海岸而逐渐减少至约0.3 g/m3。同时，OWT沿着这条剖面从OWT 8转变为OWT 1。值得注意的是，在纬度38.44°的约200米距离内，OWT发生了从OWT 4到OWT 1的转变。尽管发生了这种OWT转变，SPM浓度仍然相对恒定。这反映了卫星ρw的光谱形状和幅度——因此吸收和后向散射的相对影响——在不同的光学水类型（OWTs）之间存在显著差异，使得某些算法在特定光学条件下更具适应性。轮换评估系统地比较了不同OWTs上的算法，确保选择过程基于数据而非主观判断，这在环境监测中至关重要，因为准确的SPM估计可以用于水质评估和生态系统管理。除了优化算法选择外，轮换评估还指出了一个根本性的限制：为特定条件校准的算法在不熟悉的光学环境中往往表现不佳，这突显了需要开发具有适应性的模型。这些发现建议未来的算法开发应优先考虑灵活性和情境适应性，以确保在各种水生系统中的稳健性能。

5.2. 重新校准的模型性能和混合框架的作用
对22个重新校准的SPM模型以及提出的基于OWT的混合算法在三个独立数据集上的评估，为当前基于卫星的SPM反演策略的优势和局限性提供了关键见解。结果强调了特定情境下重新校准的重要性，并突显了在光学复杂水域中采用自适应多模型方法的优势。使用作为校准数据集的A数据集，许多算法在调整系数后表现相当好，尤其是在中等至高SPM浓度下。然而，一些模型仍然存在系统性偏差，例如在低SPM水平时高估或在过渡范围内低估。这些模式表明，虽然重新校准可以改善模型与局部光学条件的匹配度，但它并不能普遍解决SPM-ρw关系中的光谱多样性带来的挑战。使用来自相同区域但未进行重新校准的B数据集进行的评估证实了重新校准模型的内部一致性。尽管B数据集来自相同的广泛区域，但其采样时间和地点不重叠，减少了自相关或信息泄露的可能性。一些算法保持了稳健的性能，表明通过区域调整可以充分捕捉单一区域内的空间和时间变化。然而，在模型性能不稳定或不一致的情况下，仍存在差异，揭示了即使在熟悉的光学领域内也存在局限性。C数据集提供了最严格的测试，因为它评估了在模型开发过程中未考虑的完全新的地理区域中的性能。在这里，许多重新校准的算法的性能明显下降，偏差增加且相关性降低，尤其是在低浓度范围内。这些下降与已知由于沉积物矿物学和底部影响在不同区域之间的差异而导致的ρw-SPM关系变化一致。这些结果突显了传统模型转移的一个关键限制：为某一区域校准的算法往往无法泛化到具有不同固有光学特性和SPM动态的其他区域。

相比之下，混合算法在所有三个数据集中都表现出优越的性能。其优势在于利用了不同OWT之间的多样性：它不是依赖于ρw-SPM关系的单一参数化，而是动态选择最适合当地光学条件的算法，从而最小化了不同水体类型的系统偏差。通过为每种水体类型选择最合适的算法，基于OWT的混合框架缓解了任何单一模型的局限性，并在多种环境中提供了更稳定和准确的反演结果。值得注意的是，混合方法不仅在校准域（数据集A和B）内保持了高反演精度，而且在完全独立的条件下（数据集C）也是如此，这凸显了其作为可扩展、可转移的SPM监测解决方案的潜力。虽然基于OWT的方法已被用于叶绿素-a等水质变量的研究（Liu等人，2021年；Neil等人，2019年），但针对大量SPM算法的系统化OWT重新校准和比较评估却受到了较少的关注，特别是在使用卫星衍生的OWT时。重要的是，我们的方法利用了卫星衍生的水体类型分类，实现了完全远程和自适应的算法集成。这些发现进一步强调了在水生遥感中需要区域灵活的多模型策略，特别是对于受复杂和空间变化生物地球化学过程影响的变量如SPM。

5.3. 不确定性的来源和依赖于OWT的误差特性
5.3.1. 大气校正（AC）不确定性
在过渡水域中，MSI水反射率（ρw）的不确定性仍然是SPM反演的一个关键误差来源，因为邻近效应、薄云/雾、太阳眩光和空间变化的气溶胶都可能影响ρw的幅度和光谱形状。由于许多SPM算法应用非线性变换和/或波段比率，小的残余反射率误差可能会传播为系统的SPM偏差，尤其是在低SPM水平时，此时水离开信号接近噪声底限。在这项研究中，我们通过在CERTO风格的像素级质量筛选下混合POLYMER和ACOLITE的输出来减轻与AC相关的伪影；尽管如此，残余的AC不确定性可能仍然会导致场景间的变异性以及最低SPM范围内的分散。

5.3.2. OWT分类不确定性和过渡像素
OWT产品提供的成员资格是模糊的，而不是明确的标签，在水体质量边界（例如羽流边缘）处预期会有分类歧义。成员资格差异D=m1-m2（top-1减去top-2的成员资格）较低的像素代表多个OWT都同样合理的过渡光谱。在这种情况下，依赖单一主导类别可能会导致每个像素的算法分配不稳定，并增加反演不确定性。这直接促使我们采用了前三名成员资格混合策略，通过允许多个光学上合理的OWT对最终估计做出贡献来降低对边界效应的敏感性。与这一理由一致，成员资格结构诊断显示前三名成员资格捕获了大部分成员资格质量（高S3；补充图S1a），支持使用标准化的前三名成员资格混合。此外，基于OWT的分层验证指标（补充图S7）表明，反演误差和偏差模式在不同OWT之间有显著差异，这支持了在光学异质水域中使用模糊混合方法的必要性。

5.3.3. 算法结构限制
即使经过重新校准，个别算法仍然保留内在的结构限制。基于NIR的公式在清澈的水中可能会失去敏感性（信噪比限制），并且在非常高浊度时可能会饱和，而基于经验波段比率的方法可能对特定区域的颗粒组成和底部影响敏感。这些结构限制解释了为什么没有单一算法能够在所有OWT中一致表现，以及为什么结合成员资格加权的混合可以减少跨类型性能的变异性。

5.3.4. 校准样本的代表性
不确定性还来源于每个OWT内校准匹配的代表性。由于OWT类别在覆盖的SPM范围、空间/时间采样和底层光学条件上可能存在差异，因此每个OWT重新校准后的系数在应用于独立区域或季节时可能不具备相同的可转移性。这种行为反映在基于OWT的分层验证结果（补充图S7）中，结果显示不同OWT之间的误差幅度（Ψ）、解释方差（r2）和偏差（δ）存在显著差异。这些类别间的差异表明，在现有的匹配覆盖范围内，某些光学条件更难以进行稳健的参数化，这激发了未来努力扩大匹配多样性的需求——特别是对于代表性不足的光学条件和极端条件——以进一步提高每个OWT重新校准的稳定性和混合产品的稳健性。因此，提高匹配的代表性预计将主要减少OWT之间的性能变异性，并进一步增强基于OWT的混合框架的可转移性。

5.4. 混合方法在沿海监测中的应用
在多瑙河沿岸地区，该方法有效地识别了从浑浊的河流输入到较清澈的海水的梯度（图9）。这种精度对于识别易受污染或富营养化影响的区域至关重要，有助于有针对性的环境干预。此外，时间分析（图10）揭示了SPM浓度的季节性波动，例如冬季浊度的增加，提供了关于生态系统动态和季节变化对水质影响的见解。同样，在塔古斯-萨杜地区，该方法成功绘制了河口羽流及其对沿海SPM分布的影响（图11）。其解析SPM浓度和OWT的锐利梯度的能力凸显了其在监测陆海相互作用方面的适用性，其中动态的水体属性会产生复杂的模式。这种精度对于管理生物多样性丰富的河口生态系统特别有价值，这些生态系统对人为压力非常敏感。这些发现强调了混合方法在沿海监测中的广泛适用性。通过提供高分辨率的SPM估计，它可以增强对沉积物传输、水质和栖息地管理的评估。鉴于其在两个光学特征不同的过渡系统中的成功，该方法在更广泛的区域应用中显示出明显的潜力，尽管全球实施需要在对更广泛的光学条件下进行进一步验证。

5.5. 地理和光学适用范围
所提出的框架使用来自七个欧洲过渡/沿海地区（易北河、多瑙河、塔古斯河、威尼斯、库尔奥尼亚海、黑海和贝雷湖）的匹配数据进行校准和评估，代表了广泛的SPM范围，但不一定涵盖全球遇到的所有光学条件。因此，报告的性能和每个OWT的最佳算法选择预计最适用于与我们数据集中代表的光学条件相似的温带过渡/沿海水域。在这里代表性不足的光学环境——如极端浑浊的河流羽流、具有不同颗粒组成的热带水域或受CDOM主导的水域——可能会表现出不同的ρw-SPM关系和不同的OWT成员资格分布，这可能会影响成员资格结构和算法性能。虽然基于OWT的重新校准和成员资格加权混合框架是通用的，但全球应用需要额外的验证和必要时的重新训练：（i）更新或扩展OWT定义以更好地代表特定区域的光学条件，和/或（ii）使用这些区域的代表性匹配数据重新校准每个OWT的算法系数。因此，我们将当前的工作视为一个可扩展的框架，其稳健性可以通过纳入更多地理和光学多样化的数据集逐步提高。

5.6. 未来研究方向
未来研究的下一步是对混合方法进行全球验证。尽管该方法在研究的数据集中显示出稳健性，但其适用于更广泛的水体类型的适用性尚未得到测试。在多样化的水生环境中进行系统验证将提高其适应性，并有助于开发一个普遍适用的SPM估计模型。未来的工作还可以探讨OWT定义本身是否应该随着季节性或长期的光学变化而演变，而不是保持不变。在此基础上，未来的工作还应研究混合模型性能的时间动态。季节性变化、偶发的水文事件和颗粒组成的变化都可能影响水的光学特性，从而影响算法的适用性。研究这些条件下的混合框架的稳定性和适应性将提供对其长期操作潜力的见解。最后，多传感器集成代表了一个有前景的方向，可以进一步提高SPM反演的准确性和时空覆盖范围。结合具有更高光谱和空间分辨率的传感器可以提高精度，并提供对动态水生环境的更详细表征，特别是在光学特性复杂的区域。多传感器框架将能够更全面地描述SPM的变异性，提高模型在不同水体条件下的可靠性。将机器学习架构与基于OWT的物理约束相结合可能进一步提高稳健性，同时保持可解释性。

6. 结论
在这项研究中，我们对17种SPM算法进行了广泛的评估，使用了卫星衍生的ρw和现场SPM测量的独立匹配数据。我们的发现表明，即使经过使用匹配数据集的仔细重新校准，个别算法的性能仍然有限。为了解决这些限制，我们采用了基于OWT的SPM混合方法，旨在通过为每个特定OWT选择最合适的SPM算法来提高SPM估计的准确性。这一选择过程采用了严格的轮换评估方法。结果，整体SPM反演显示出显著改进，Ψ误差从4.6降至8.2 g/m3，r2值从0.87提高到0.91。为了证明这种创新混合方法的有效性，我们将其应用于在复杂沿海水域捕获的MSI图像，使我们能够揭示SPM的空间和时间变异性。混合框架为环境监测和气候相关应用提供了一种稳健且可扩展的方法，大大增强了我们在这些领域的能力。

CRediT作者贡献声明
林俊芳：写作——审阅与编辑、原始草稿撰写、可视化、验证、调查、正式分析。
伊丽莎白·C·阿特伍德：写作——审阅与编辑、项目管理、资金获取、数据管理。
刘晓涵：写作——审阅与编辑。
埃马纽埃尔·恩沃科查：数据管理。
托马斯·杰克逊：写作——审阅与编辑。
史蒂夫·格鲁姆：项目管理、资金获取。

资助
林俊芳、伊丽莎白·C·阿特伍德、埃马纽埃尔·恩沃科查、托马斯·杰克逊和史蒂夫·格鲁姆感谢EC Horizon 2020 CERTO（'Copernicus Evolution: Research for harmonised and Transitional water Observation'）项目的资助，项目协议编号870349。阿特伍德（Atwood）和史蒂夫·格鲁姆（Steve Groom）还感谢EC Horizon 2020项目DOORS（“为黑海地区提供最佳且开放的研究支持”）提供的资金支持，该项目授予编号为101000518。伊丽莎白·C·阿特伍德的部分研究经费来自英国自然环境研究委员会（UK Natural Environment Research Council）的“国家能力国际计划”（National Capability International Programme），具体通过“FOCUS：全球沿海海洋的未来状态：为解决方案提供理解”（FOCUS: Future States of the Global Coastal Ocean: Understanding for Solutions）项目获得资助（项目编号：NE/X006271/1）。史蒂夫·格鲁姆的部分研究经费则由英国自然环境研究委员会通过其下属的“地球观测数据分析与人工智能服务”（NERC Earth Observation Data Analysis and Artificial Intelligence Service，简称NEODAAS）提供，该服务由国家地球观测中心（National Centre for Earth Observation，简称NCEO）负责监管。