《Ecological Indicators》：Integrated SWAT–LSTM modeling with sentinel-2 for chlorophyll-a prediction under climate change in an estuarine reservoir
编辑推荐：
监测河口水库中叶绿素a（Chl-a）动态对于评估气候变化下的富营养化和藻华风险至关重要。本研究开发了一个集成预测框架，结合了哨兵-2（Sentinel-2）衍生的Chl-a数据、土壤和水评估工具（SWAT）以及长短期记忆（LSTM）网络，以评估韩国南洋水库在S
监测河口水库中叶绿素a（Chl-a）动态对于评估气候变化下的富营养化和藻华风险至关重要。本研究开发了一个集成预测框架，结合了哨兵-2（Sentinel-2）衍生的Chl-a数据、土壤和水评估工具（SWAT）以及长短期记忆（LSTM）网络，以评估韩国南洋水库在SSP1–2.6和SSP5–8.5情景下的未来Chl-a动态。研究人员对SWAT模型进行了校准和验证，以模拟入流和水质变量，包括悬浮固体、总氮、总磷和水温，并使用95%预测不确定性进一步评估了参数引起的不确定性。这些输出与气象变量和Sentinel-2衍生的Chl-a数据相结合，用于训练特定地点的LSTM模型进行网格化预测，并应用沙普利加性解释（SHAP）来解释预测因子的重要性。SWAT模型令人满意地重现了水文和水质条件，而LSTM框架捕捉了水库中Chl-a的整体量级和时间变异性。SHAP分析确定水温和气温为主要预测因子，营养相关变量在中游区域显示出更高影响力，而气象因素在下游区域占主导地位。在未来气候情景下，SSP5–8.5产生了更高的Chl-a浓度、更强的季节性峰值和扩展的上游热点区域，表明富营养化风险增加。该集成框架为脆弱系统中的气候适应性水库管理和适应性规划提供了一个实用工具。
论文解读文章
**研究背景与问题**
内陆水体水质变化监测对可持续水资源利用和环境管理政策制定至关重要。气候变化、城市化和农业活动加剧被公认为导致内陆水体富营养化和有害藻华（HABs）频率与严重程度增加的主要驱动因素（O'Neil等，2012）。由海堤拦截形成的河口水库尤其脆弱，因为频繁的流入-流出交换、复杂的水动力学以及相对较低的水位促进了降雨事件期间流域来源营养盐的滞留和积累，从而增加了富营养化和HABs风险（Lee等，2021）。过度藻类增殖会破坏水生生态系统并导致溶解氧耗尽，最终造成渔业损失和农业用水限制等经济损失（Reynolds，2006；Brenckman等，2025）。因此，定期监测和分析叶绿素a（Chl-a）（藻类生物量的关键指标）的时空变异性是水质管理的基础任务（Han等，2014；Jung等，2014）。尽管原位水质监测提供了准确观测，但受限于劳动力和成本，难以在大面积水体上实现密集空间覆盖，且无法快速响应突发藻华事件（Wang等，2024）。为克服这些限制，使用卫星遥感数据（如Sentinel-2和Landsat）进行Chl-a监测的研究显著增加（Ansper和Alikas，2018；Barraza-Moraga等，2022；Cao等，2020；Li等，2021；Markogianni等，2018）。特别是Sentinel-2的红边波段被报道可提高内陆和河口水域Chl-a估算精度（Toming等，2016；Yacobi等，2011）。然而，卫星方法在时间序列连续性上存在结构性限制，易受云层、雾污染和回访间隔干扰（Meraner等，2020），且未直接纳入控制Chl-a变异的环境驱动因子，如降雨、气温、水文条件和营养负荷（Llodrà-Llabrés等，2023）。此外，以往研究大多将卫星基Chl-a反演、流域尺度水文模拟和数据驱动水质预测视为独立任务，导致气候驱动的流域营养负荷、水文气象变异与河口水库中Chl-a空间异质响应之间的联系未被充分量化。
为解决此问题，本研究开发了一个综合Chl-a预测框架，集成土壤和水评估工具（SWAT）——能模拟流域尺度水文和水质过程（包括径流、泥沙输移和营养负荷）（Arnold等，2012；Bhatta等，2019）——与长短期记忆（LSTM）网络——适合时间序列学习（Abbas等，2023；Huang等，2024；Phetanan等，2024）。具体而言，SWAT导出的水文变量和Sentinel-2基Chl-a数据被用作LSTM模型的输入，以改进Chl-a预测。同时，全球气温上升和降水模式改变预计将加速营养输入并加剧藻华风险（Mooij等，2007；Paerl和Paul，2011）。因此，为主动评估未来气候条件下Chl-a的时空响应，本研究使用了IPCC第六次评估报告（AR6）中提出的共享社会经济路径（SSPs），并定量评估了未来Chl-a的长期变化和变异性（IPCC，2023；Mooij等，2007；O'Neill等，2014；Paerl和Paul，2011）。
**研究内容与结论**
研究人员开发了一个集成Sentinel-2衍生Chl-a数据、SWAT模拟变量和LSTM网络的预测框架，应用于韩国南洋水库，评估了SSP1–2.6和SSP5–8.5情景下未来Chl-a动态。SWAT模型令人满意地重现了入流和水质变量（悬浮固体、总氮、总磷），LSTM模型成功捕捉了水库中Chl-a的整体浓度水平和长期变异性。SHAP分析表明水温和气温是Chl-a的主要预测因子，营养相关变量在中游区域影响较大，气象因子在下游区域占主导，反映了与特定地点水文和水质特性相关的空间异质性。未来气候情景下，SSP5–8.5导致更高的Chl-a浓度、更强的季节性峰值和更明显的长期增长趋势，高浓度热点在上游和支流影响区域扩展。该研究为气候变化下水库管理的适应性规划提供了实用工具。论文发表在《Ecological Indicators》。
**主要关键技术方法**
本研究所用关键技术方法包括：1）基于Sentinel-2卫星遥感数据的Chl-a浓度反演模型（使用已发表验证模型，R2=0.71，RMSE=25.53 mg/m3），生成2021–2024年水库Chl-a空间分布数据（样本来源于韩国南洋水库）；2）土壤和水评估工具（SWAT）半分布式水文水质模型，基于30米分辨率数字高程模型（DEM）、土壤图、土地利用图及三个自动气象站数据（2010–2024年），模拟入流、悬浮固体、总氮、总磷和水温，并进行校准与验证；3）长短期记忆（LSTM）神经网络，针对53个代表性子网格点构建特定地点模型，输入包括前5个时间步（25天）的Chl-a值、5个气象变量（降水、气温、相对湿度、风速、太阳辐射）及5个SWAT输出变量，使用递归预测策略进行长期模拟；4）SHAP（沙普利加性解释）方法分析预测因子重要性；5）Getis-Ord G*i*统计方法识别Chl-a浓度空间热点/冷点区域（基于K-近邻权重矩阵和Z分数置信阈值）。
**研究结果**
**3.1 SWAT校准/验证结果及气候变化下长期模拟**
通过调整水文和水质参数（表1），SWAT模型在南洋水库出口实现了可接受的水文性能（校准期R2=0.63，RMSE=503.26×103 m3；验证期R2=0.60，RMSE=294.86×103 m3）。水质变量校准（2019–2021）和验证（2022–2024）显示悬浮固体（SS）、总氮（TN）和总磷（TP）的平均R2分别为0.79、0.92和0.93。基于SSP情景的未来模拟表明，SSP5–8.5下水温显著上升（历史平均14.77°C升至19.73°C，增加约25%），夏季峰值超过SSP1–2.6达3°C以上，同时SS、TN和TP负荷增加，表明富营养化风险加剧。
**3.2 基于LSTM的Chl-a预测模型性能与SHAP分析**
在中游代表性网格点，LSTM模型预测性能（R2=0.77，RMSE=20.92 mg/m3，MAE=13.23 mg/m3）优于随机森林（RF）、人工神经网络（ANN）和门控循环单元（GRU）模型。在53个网格点上训练（2021–2023）和验证（2024）后，LSTM模型在训练期R2范围0.75–0.93，测试期R2范围0.10–0.64，RMSE和MAE值较低。SHAP分析显示水温和气温为整个水库Chl-a预测的最强预测因子，营养相关变量（SS、TN）在中游区域影响更大，气象因子（太阳辐射、相对湿度）在下游区域贡献更强，表明空间异质性。
**3.3 气候变化下未来Chl-a时空分布**
基于K-means聚类（30类）和LSTM预测平均值，生成未来时期（S1–S4，每20年）Chl-a季节平均分布图。SSP5–8.5较SSP1–2.6产生更广的高浓度区域和更高Chl-a水平。Getis-Ord G*i*热点分析（使用K-近邻空间权重矩阵和90%、95%、99%置信水平）识别出上游和支流影响区域为持续高浓度热点，冬季在河口闸门附近也检测到较高Chl-a浓度。
**总结与讨论**
**讨论部分总结**
SWAT预测显示，SSP5–8.5下入流变率更大，SS负荷增加显著（由增强降水引起的地表侵蚀），TN和TP负荷持续增加，水温显著上升，共同加剧富营养化风险。LSTM模型虽优于其他模型，但测试期R2在极端事件处下降，表明对突发峰值预测能力有限，这源于训练数据中极端事件稀缺和级联不确定性（来自气候情景、SWAT输出、非稳态生态响应等）。SHAP分析中温度的主导作用可归因于其直接加速藻类代谢和间接促进热分层，而中游区域营养变量影响大、下游区域气象变量影响大反映了水动力学差异——下游滞留时间长（53天）使藻类动态从营养限制转向气象控制。未来预测中SSP5–8.5趋势更陡、峰值更高、变率更大，上游热点随时间扩大，冬季下游区域也有较高Chl-a，归因于低降水、闸门操作减少及冰下光合作用支持。
**研究结论翻译**
本研究通过整合Sentinel-2衍生的Chl-a空间数据与SWAT模型的水文和水质输出，为南洋水库开发了一个基于LSTM的预测框架，并评估了SSP1–2.6和SSP5–8.5情景下未来Chl-a的长期变化和时空分布。SWAT模型令人满意地重现了入流和水质变量（SS、TN、TP），而LSTM模型成功捕捉了南洋水库中Chl-a的整体浓度水平和长期变异性。SHAP分析确定水温和气温为Chl-a的主要预测因子，而营养相关变量在中游区域影响相对更大，气象变量在下游区域影响更强，表明与特定地点水文和水质特性相关的空间异质性。在未来气候变化情景下，SSP5–8.5路径较SSP1–2.6导致更高的Chl-a浓度、更强的季节性峰值和更明显的长期增长趋势，高浓度热点尤其在上游和支流影响区域扩展。这些结果表明，在高排放气候条件下，南洋水库的富营养化和藻华风险可能加剧。除了南洋水库案例外，所提出的框架为连接卫星观测、流域过程建模和可解释深度学习（以进行基于指标的水库管理）提供了一种可转移的方法。从管理角度，被重复分类为95–99% Getis-Ord G*i*热点的上游和支流影响区域应被视为藻华预防的优先管理区。通过耦合空间热点和高风险Chl-a阈值（>70 mg/m3），该框架为强化监测和管理干预提供了明确的空间触发条件。在中游区域（泥沙和营养相关变量影响较大），管理应优先考虑基于降雨事件的泥沙、氮和磷输入控制。在下游区域，在水温升高、入流低或长期滞留条件下，应考虑适应性水力运行和减少滞留时间。未来研究应明确纳入与气候情景、SWAT模拟和LSTM基Chl-a预测相关的级联不确定性，特别是应传播气候集合和水文建模的不确定性边界到预测框架中，并提高模型在重现突发藻华峰值方面的能力。后续研究应聚焦于集成先进数据同化技术与混合物理信息机器学习架构，这对量化误差传播、持续更新预测模型以及增强其应对前所未有气候异常下生态响应非稳态性的鲁棒性至关重要。
