《Journal of Environmental Management》：Ensemble-based mapping and trophic characterization of lentic water bodies in the Middle Ganga Basin under climate and land use change
编辑推荐：
小型水体监测；多传感器机器学习；富营养化指数；土地利用变化；遥感监测
Pooja Singh|Basant Yadav
印度理工学院鲁尔基分校水资源开发与管理系，247667，印度
摘要
静水小型水体（LSWBs），如池塘和小湖泊，在淡水生态系统中发挥着重要作用，它们支持生物多样性、补充地下水并保障农村生计。然而，由于气候变化和土地利用变化，这些水体的规模和生态完整性正在受到影响，在大规模水资源评估中它们的代表性仍然不足。本研究考察了2013年至2024年间恒河中游哈里德瓦尔流域内LSWBs的十年动态变化，分析了环境和土地利用变化对其范围和营养状态的影响。该流域位于恒河中游，其广泛的池塘网络受到城市化、农业活动和季风变化的显著影响。为克服单一传感器技术的局限性，本研究结合了多传感器卫星数据集（Landsat-7/8、Sentinel-1/2）和重要的光谱指数，通过集成机器学习算法准确绘制了LSWBs的分布图（训练集准确率为96.89%，测试集准确率为87.27%）。与传统分类方法相比，集成技术提高了准确性、稳定性和抗云能力，实现了长期连续监测。营养状态指数（TSI）的绘制结果（准确率为78.57%，Kappa系数为0.74）表明，该地区以富营养化和超富营养化水体为主（占比超过70%），表明营养物质长期过量。低降雨量和高温与营养水平升高有关，而农业扩张和城市化则导致土地退化和水质下降。这些发现表明，气候变化和土地利用变化对LSWBs具有协同效应，所提出的集成多传感器算法为数据稀缺地区的小型淡水生态系统的持续监测和管理提供了可扩展且成本效益高的工具。
引言
水生生态系统包括永久或周期性浸没在水中的生态系统，是重要的自然资源，提供了多种生态、经济和社会效益（Xu等人，2020；Borsetto等人，2025；Dykes等人，2025a）。静水（静止水体）生态系统，如湖泊、池塘和水库，在淡水生态系统中尤为重要，因为它们在生物多样性保护、生物地球化学循环和气候调节方面起着关键作用（Vári等人，2021；Cook等人，2021；Mahdian等人，2024；Noori等人，2024）。全球范围内，静水生态系统对人为压力（如土地利用变化、污染和气候变异性）越来越敏感，因此需要持续监测和管理（Reid等人，2018；Stamenkovi?等人，2022；Guo等人，2024；Mozafari等人，2025；Dykes等人，2025b）。LSWBs的定义是地理面积较小（通常小于50,000平方米），在农业活动频繁和城市化加剧的地区发挥着重要的生态和社会经济功能（Biggs等人，2017）。
LSWBs为生物多样性、碳循环和水质安全提供了保障，但由于土地利用强度增加和极端气候条件，许多LSWBs正在消失或退化（联合国水资源署，2025）。最近的全球研究表明，淡水面积正在减少，温室气体排放量正在增加，小型湖泊特别容易受到升温引起的脱氧和有害藻类繁殖的影响（Jansen等人，2024；Piatka等人，2024）。在印度，池塘和蓄水池对农村水资源安全至关重要；第一次人口普查记录了242万个水体，其中大部分位于农村地区，但这些水体的数量正在减少，生产力也在下降（MoJS，2023）。实证研究表明，池塘的补水作用具有流域特异性，因此需要全面的空间评估（Brauns等人，2022）。尽管单个水体规模较小，但它们总体上对区域水文、水质和生物多样性有显著影响。在印度北部，尤其是恒河流域，LSWBs是农业、水产养殖、生活用水供应、渔业和宗教活动的重要淡水资源。最近的遥感研究发现，关键流域（如恒河流域）和沿海湖泊的叶绿素-a含量较高，富营养化风险增加，这凸显了利用卫星机器学习（ML）监测LSWBs的重要性（Mishra等人，2024；Das等人，2024）。因此，需要利用卫星和ML技术进行可扩展的监测，以便在数据稀缺的地区和政策相关尺度上持续监测和评估LSWBs的范围和营养状态，并为恢复工作提供依据（Sun等人，2024；Deng等人，2024）。然而，对这些重要水资源的准确地理普查仍然不足，阻碍了有效的保护规划和管理。
由于气候变化和土地利用的影响，LSWBs的状况正在迅速变化，因此必须对其进行持续监测。卫星数据显示，自20世纪90年代初以来，全球超过一半的湖泊失去了蓄水能力，这突显了流域对气候和过度使用的脆弱性（Yao等人，2023）。同时，研究表明内陆水体的温室气体排放量显著增加，湖泊脱氧现象加剧，这些影响对小型水体尤为严重（Lauerwald等人，2023；Jansen等人，2024）。这些变化强调了利用卫星-ML技术进行可扩展监测的必要性，该技术能够以适当的频率获取叶绿素-a和浊度等重要指标（Sun等人，2024；Deng等人，2024）。在印度，数百万个小型池塘和蓄水池对农村水资源安全至关重要，但最近的研究表明，通过遥感估算未测量小型水库的蓄水量既可行也存在局限性，这突显了长期、空间明确的监测对于管理和抗旱能力的重要性（Pascal等人，2024）。同时，沿重要河流和湖泊的案例研究显示叶绿素-a含量增加和间歇性藻类繁殖现象，表明需要持续、全面的监测来补充有限的实地采样（Bhattacharjee等人，2022；Mishra等人，2024）。综上所述，这些全球和国家层面的研究表明，需要建立一个集成的、多传感器的、基于ML的监测系统，以评估LSWBs的范围和营养状态，并针对日益增加的气候和人为压力提出应对措施。
传统的水体测绘方法通常包括实地调查，这些方法耗时、成本高昂，在流域尺度上往往不切实际（Martínez-Santos等人，2021；Tripathi等人，2024）。因此，遥感技术作为一种有效的替代方案被广泛应用，适用于大规模评估（Huang等人，2018）。然而，使用遥感技术精确划定LSWBs存在诸多困难：它们的面积小、水文周期不规律、植被覆盖密集且靠近建成区，使得从周围地形中识别水体表面变得困难（Pekel等人，2016；Van Deventer等人，2020）。此外，持续的云层覆盖和光谱混合也增加了精确检测和监测的难度（Huang等人，2018）。最近在机器学习和多传感器遥感方面的进展为这些限制提供了解决方案。基于集成的机器学习技术通过整合多个分类器的输出，提高了预测准确性和抗干扰能力，特别是在光谱混合复杂的景观中（Belgiu和Dr?gu?，2016；Maxwell等人，2018）。同样，结合光学和合成孔径雷达（SAR）数据可以在各种环境条件下提高水体识别能力，包括植被茂密和云层覆盖频繁的情况（Yilmaz等人，2023；Yang等人，2024）。除了有效绘制空间范围外，利用遥感指数测量LSWBs的水质也变得更加可行。卡尔森营养状态指数（TSI）以前是基于实地测量生成的，现在可以使用遥感数据替代指标（叶绿素-a浓度、总磷和水质透明度）进行修改（Cao等人，2022）。这种改进使得富营养化的连续、空间明确的评估成为可能，相比传统的实地监测方法具有显著优势。
尽管基于遥感的地表水测绘技术取得了显著进展，但LSWBs的监测仍存在重大空白。大多数以往的研究集中在大型湖泊或湿地上，忽略了小型、分散且季节性变化较大的水体，这些水体对局部水文和人为干扰非常敏感。水体普查往往缺乏由降雨和土地利用变化引起的年际变化数据（Martínez-Santos等人，2021；Yilmaz等人，2023）。此外，单一传感器或单一分类器技术受到光谱混淆、植被干扰和云层干扰的限制，导致对小型或植被覆盖的水体估计不准确。同样，基于卫星的水质模型（如TSI）往往缺乏充分的实地验证，在印度多样化和浑浊的水体条件下可信度较低（Sayers等人，2021；Cao等人，2022）。这些方法学和地理上的限制凸显了需要一个全面、多传感器的、基于集成的框架，以便高精度地监测LSWBs的数量和营养状态。考虑到这些局限性和可能性，本研究采用了一个集成的、基于ML的框架，结合多传感器遥感数据（Sentinel-1、Sentinel-2和Landsat-8），实现了两个主要目标：（i）绘制2013年至2024年哈里德瓦尔流域内LSWBs的时空动态；（ii）利用通过实地测量验证的TSI评估其营养状态变化。本研究旨在建立一个可扩展且可靠的科学框架，用于数据稀缺和生态敏感地区的LSWBs监测，采用严格的验证流程。研究结果有望为改进区域水资源管理策略、增强生态系统韧性以及指导印度北部及其他类似地区的可持续土地利用实践做出贡献。
虽然本研究采用的技术（机器学习分类、多传感器卫星数据整合、分类后过滤和准确性评估）已经成熟，但其创新之处在于将这些技术系统地整合到一个可扩展且可复制的框架中，用于LSWBs的长期监测。该工作流程能够适应不同的卫星任务和时间框架，克服了早期年份的数据可用性问题。它结合了基于集成的测绘方法、水文信息过滤和独立的实地验证。重要的是，本研究不仅展示了方法论，还在Google Earth Engine平台上提供了完整的、可复制的实现方式，便于在其他地方应用和复制。这一操作框架填补了大规模、一致监测LSWBs方面的重大空白，特别是在数据有限和景观复杂的地区。
材料与方法
用于哈里德瓦尔流域LSWBs测绘的方法主要分为两个步骤：（i）使用基于集成的机器学习模型进行LSWBs的时空测绘；（ii）利用Clarson营养状态指数（TSI）绘制LSWBs的质量。LSWBs的数量和质量测绘进一步通过2023年收集的实地控制点（GCPs）和物理水质采样数据进行了验证。方法概述如下
结果
本节解释了2013年至2024年哈里德瓦尔流域内LSWBs的集成测绘及其营养分类的结果。研究内容包括四个关键部分：LSWBs测绘的开发和验证、LSWBs分布范围的十年变化以及研究区域内LSWBs营养状态的时间变化。最后，进一步分析了面积和营养状态的时间变化与土地利用类型（LULC）和降雨量的关系
讨论
研究表明，即使在复杂地形条件下，基于集成的ML方法也能高精度地绘制LSWBs。测绘结果的总体准确率为87.27%，Kappa系数为0.69，表明集成分类器在水体识别方面的有效性。Belgiu和Dr?gu?（2016）的研究也得出了类似结论，强调了集成技术在遥感应用中处理光谱混淆的能力
对哈里德瓦尔流域的环境管理意义
研究结果为保护和恢复哈里德瓦尔流域内的LSWBs提供了实际策略。首先，每年更新的LSWBs范围和营养状态地图有助于优先处理问题区域，将资金投向持续富营养化/超富营养化或快速退化的地点；这些地点适合进行清淤、目标性大型植物管理、岸线清理以及安装植被缓冲带以拦截富含营养物质的径流。
结论
本研究提供了一个独特的基于集成的多传感器框架，用于在多种气象和土地利用条件下进行LSWBs的十年尺度测绘和营养特征分析。通过在Google Earth Engine环境中结合Sentinel-1 SAR、Sentinel-2和Landsat-7/8数据，该技术克服了云层覆盖、光谱混淆和尺度依赖性等限制，克服了单传感器分析的常见问题。集成模型展示了较高的测绘精度
CRediT作者贡献声明
Pooja Singh：撰写——原始草稿、可视化、方法论设计、调查、数据分析、概念化。Basant Yadav：撰写——审稿与编辑、监督、软件使用、资源协调、项目管理、方法论设计、调查、资金获取、概念化。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。
致谢
第一作者感谢印度政府教育部在博士研究期间提供的财政支持，以及印度理工学院鲁尔基分校水资源开发与管理系提供的设施支持。
