《Ecohydrology & Hydrobiology》：Beyond water mapping: Spectral indices as cross-functional predictors of water quality in optically complex inland waters
编辑推荐：
火山湖Batur水质监测基于2019-2024年Sentinel-2数据，融合NDWI/MNDWI等5个光谱指数与9种机器学习算法，揭示时空动态特征：NDWI/MNDWI有效监测水域范围（R2=0.78-0.97），NDVI-NDCI强相关（r=0.947）反映植被-藻类动态，NDTI关联悬浮物；集成投票模型最优，支持系统化水质管理。
阿基拉·卢西亚（Akira Lusia）| 穆罕默德·伊克巴尔·哈比比（Muhammad Iqbal Habibie）| 伊斯坎达尔·伊斯坎达尔（Iskandar Iskandar）| 阿贡·里亚迪（Agung Riyadi）| 多尼·费尔南多（Doni Fernando）| 苏亨达尔·I·萨乔马（Suhendar I. Sachoemar）| 乔科·普拉伊特诺·苏桑托（Joko Prayitno Susanto）| 赛夫丁·赛夫丁（Syaefudin Syaefudin）| 伊夫·米夫塔胡尔·伊赫桑（Iif Miftahul Ihsan）| 莱斯塔里奥·维多多（Lestario Widodo）| 特古·普拉约戈（Teguh Prayogo）| 里亚尔迪·普拉蒂斯塔·德瓦（Riardi Pratista Dewa）| 里兹基·普拉塔玛·阿迪（Rizky Pratama Adhi）
环境与清洁技术研究中心，国家研究与创新机构（BRIN），KST BJ. 哈比比，印度尼西亚南万隆Puspiptek大道
摘要
本研究利用五种多时相光谱指数——NDWI、MNDWI、BGI、NDCI和NDTI——在包含九种算法的机器学习框架内，分析了2019年至2024年期间一个热带火山湖泊的时空动态和水质。这些算法包括随机森林（Random Forest）、XGBoost、LightGBM、SVR、人工神经网络（ANN）和集成投票回归器（Ensemble Voting Regressor）。对水敏感的光谱指数（NDWI、MNDWI）能够有效划分湖泊范围，并作为叶绿素（NDCI）、浊度（NDTI）和植被活力（BGI）的强预测因子，支持基于系统的综合监测方法。
年际分析显示水文、生态和光学特征存在显著变化（p < 0.001），空间自相关性（Moran’s I，p = 0.001）突显了地貌、水文循环和局部人为因素的影响。2022年NDCI与NDVI之间的强相关性（r = 0.947）表明植被活动和农业活动驱动了叶绿素动态，而中等的NDVI–NDTI关系则表明沉积物输送与土地利用有关。持续升高的NDCI和NDTI值反映了长期富营养化和沉积作用。
集成模型和基于树的模型优于线性和基于距离的方法，能够捕捉光谱预测因子之间的非线性相互作用。投票回归器在包括藻类爆发等极端事件时表现最为稳定，且轻量级优化保持了高准确率（R2 = 0.78–0.97），同时计算成本较低。
本研究提出了一个稳健、可解释的淡水评估框架，证明结合多光谱指数与集成学习可以捕捉湖泊的长期变化、生态压力和水质动态模式，为在变化的环境和土地利用条件下实现可持续管理提供可行见解。
引言
内陆水体，尤其是火山区域的湖泊，是支持生态系统、农业、渔业和人类居住的关键淡水资源。然而，它们面临着来自人类活动（如森林砍伐、农业集约化和城市化）以及气候变化引起的水文变化的日益增加的压力，这些因素常常导致富营养化、沉积物堆积和水质下降（Lake等人，2025；Sakti等人，2025）。在热带火山景观中，陡峭的地形和强烈的季节性降雨加剧了土壤侵蚀和养分流失，进一步恶化了水质。以巴图尔湖（Lake Batur）为例，周边苏巴克灌溉系统（Subak irrigation system）带来的养分输入（Apriyanto等人，2025）以及雨季火山灰沉积物的移动在改变湖泊的光学和生物地球化学性质方面起着关键作用（Perrone等人，2021）。此外，火山活动引起的水质变化（包括pH值、金属氧化物和硫酸盐化合物的变化）会影响光谱反射特性，给水质参数的持续监测带来挑战（Mohammed和Tometz，2025）。
关键的水质参数包括叶绿素-a（反映藻类生物量和富营养化程度）、浊度（反映沉积物负荷和颗粒散射）、养分浓度（如氮和磷，影响初级生产力）以及pH值或化学组成（影响水生生物健康和水质）（Kuo等人，2025）。准确监测这些参数对于管理火山湖泊系统的生态完整性、人类健康和资源利用至关重要（García-avila等人，2023）。
传统的现场采样监测方法虽然准确，但往往在空间上受到限制，时间上不频繁，且在偏远或地形复杂的地区操作难度大（Zhai等人，2025）。内陆水体遥感技术利用阳光与光学活性成分（如叶绿素-a、悬浮沉积物和有色溶解有机物）的相互作用，这些成分在特定波长下吸收和散射光线，产生可被卫星传感器检测到的特征光谱信号（Palmer等人，2015；Greb等人，2018）。常用的遥感方法包括：（1）经验性波段比或光谱指数方法，简单、计算效率高且易于解释，但可能受大气效应或水体成分变化的影响；（2）半解析生物光学反演模型，明确考虑光吸收和散射来反演叶绿素、悬浮沉积物或有色溶解有机物，但需要精确的现场校准和光学参数化；（3）机器学习或数据驱动方法，能够捕捉多光谱输入与水质参数之间的复杂非线性关系，但通常需要大型训练数据集和高计算资源（Mishra等人，2014；Bernacki，2025）。选择合适的光谱波段至关重要，因为内陆水体通常比沿海水体具有更高的浊度和更复杂的光学特性，这会影响数据反演的准确性。
在这些方法中，光谱指数方法在简单性、稳健性和可解释性之间取得了平衡，适用于持续监测光学复杂的热带湖泊。例如NDWI（Mcfeeters，2007）及其改进版本MNDWI（Xu，2006）通过利用绿色/NIR波段和绿色/SWIR波段之间的反射差异来划分开阔水域。同样，NDCI（Wilson等人，2024）利用红色和红边波段估算叶绿素-a浓度，而NDTI（Sankaran等人，2023）和BGI利用特定光谱波段差异分离水、叶绿素、浊度和生物信号，并已在多种水环境中成功应用（Carvalho等人，2025；Wang等人，2025）。与半解析模型相比，光谱指数对精确的光学参数化依赖性较低；与原始机器学习方法相比，光谱指数提供了物理上可解释的特征，有助于理解光谱-生物物理关系。然而，在受火山影响的湖泊中，独特的地球化学成分会改变反射模式，因此需要将光谱指数与机器学习结合以提高预测性能。
最近基于遥感的水质评估技术发展出了多种建模方法，每种方法都有其独特的优势和局限性。经验回归和波段比模型建立了光谱反射与水质参数之间的线性关系，具有简单性和计算效率，但在光学复杂的水体或非线性相互作用情况下性能可能下降（Mcfeeters，2007；Xu，2006）。半经验或生物光学反演模型通过模拟光吸收和散射过程来反演叶绿素-a、悬浮物质或有色溶解有机物等成分，具有更好的物理可解释性，但通常需要精确的现场校准和详细的光学参数知识，这可能限制其在不同湖泊系统间的通用性（Wu等人，2025）。
机器学习（ML）和数据驱动方法（包括随机森林和梯度提升机这样的集成方法、混合框架以及可解释AI（XAI）流程）旨在捕捉高度非线性关系，整合多源数据（光学、热学、辅助环境数据），并在异构条件下进行泛化。尽管这些方法通常需要较大的训练数据集和高计算资源，但它们能在火山影响湖泊等复杂环境中实现稳健的预测（Bernacki，2025；Magrì等人，2023；Assaf等人，2025）。通过将物理可解释的光谱指数与机器学习框架结合，本研究利用了可解释性和非线性建模能力，以应对火山湖泊系统的独特光学和地球化学条件。
基于这些进展，本研究使用五种关键光谱指数（NDWI、MNDWI、BGI、NDCI和NDTI）和九种机器学习算法，对巴图尔湖进行了为期六年的（2019–2024年）时空评估。研究系统地评估了：（1）水域范围和质量趋势；（2）各指数的特征重要性；（3）模型间的预测一致性；（4）模型的可解释性。目标是在具有挑战性的环境条件下，提供一个可扩展、物理上可解释且准确的水质监测框架。
方法部分
用于水质预测的机器学习方法
机器学习（ML）通过从多光谱和高光谱图像中数据驱动地估计水质指标，改变了环境监测的方式。与依赖线性关系的经验或半解析方法不同，ML模型能够学习叶绿素、悬浮沉积物、有色溶解有机物（CDOM）和大气变化之间的复杂非线性模式（Woo等人，2022）。
方法论
本研究利用Sentinel-2卫星图像和先进的机器学习技术，对巴图尔湖的时空变化进行了全面分析。方法论分为四个主要部分：（1）研究区域；（2）数据采集和预处理；（3）用于回归的机器学习建模；（4）时间序列预测。下面详细介绍了每个步骤。为了解决火山湖泊的光学和地球化学复杂性，本研究引入了两种
与水相关的光谱指数的空间分布
为了清晰了解巴图尔湖的光学和生物物理变化，生成了2019年至2024年每年选定的光谱指数（NDWI、MNDWI、BGI、NDCI和NDTI）的空间分布图。每个指数都突出了湖泊表面条件的不同方面：NDWI和MNDWI反映了水域范围和清澈度；BGI反映了滨水区的植被活力；NDCI表示叶绿素-a浓度；NDTI指示了悬浮沉积物
讨论
研究表明，多时相遥感指数（NDWI、MNDWI、BGI、NDCI和NDTI）能够捕捉内陆水体中的不同但相互关联的水文、生态和光学过程。对水敏感的光谱指数（NDWI和MNDWI）不仅能够划分水面范围，还能反映与植被活力（BGI）、叶绿素浓度（NDCI）和浊度（NDTI）相关的变化。这突显了基于系统的综合视角的重要性
结论
研究表明，2019年至2024年间，巴图尔湖的水面范围相对稳定，这一点通过水敏感指数NDWI和MNDWI得到了持续监测。其生态状况表现出显著的变化，主要受叶绿素-a和浊度变化的影响。NDVI与NDCI之间的强相关性（r = 0.947，p < 0.001），以及NDTI的负相关性（r = –0.555，p = 0.004）表明植被动态和藻类生物量
数据可用性
本研究使用的数据可向相应作者请求获取。然而，某些数据集可能因保密性或第三方协议而受到限制。
资助声明
本研究未获得外部资助。
CRediT作者贡献声明
阿基拉·卢西亚（Akira Lusia）：撰写 – 审稿与编辑、初稿撰写、可视化、验证、软件开发、方法论设计、数据整理、概念构建。穆罕默德·伊克巴尔·哈比比（Muhammad Iqbal Habibie）：撰写 – 审稿与编辑、初稿撰写、可视化、验证、监督、软件开发、资源管理、项目协调、方法论设计、调查、数据分析、概念构建。伊斯坎达尔·伊斯坎达尔（Iskandar Iskandar）：撰写 – 审稿与编辑、初稿撰写、验证、监督
