《Remote Sensing Applications: Society and Environment》：Enhanced Machine Learning Data Fusion for Landsat–Sentinel-2 Reflectance Prediction in Urban River Monitoring
编辑推荐：
城市河流的遥感监测对掌握水体范围和水质至关重要，但实现连续观测仍面临显著挑战。这些挑战源于许多河流宽度小于卫星数据的空间分辨率、河岸城乡与水体的混合像素效应，以及河流系统附近土地利用的动态变化。为解决上述问题，本研究开发了一种新型加权随机森林（RF-w）模型，
城市河流的遥感监测对掌握水体范围和水质至关重要，但实现连续观测仍面临显著挑战。这些挑战源于许多河流宽度小于卫星数据的空间分辨率、河岸城乡与水体的混合像素效应，以及河流系统附近土地利用的动态变化。为解决上述问题，本研究开发了一种新型加权随机森林（RF-w）模型，通过对Landsat与Sentinel-2（S2）反射率数据集进行融合，预测Landsat影像在10米空间分辨率下的光谱反射率，从而提升城市河流监测的时空数据可用性。研究区域位于泰国昭披耶河下游，流经曼谷大都市区。研究人员将RF-w模型的性能与多元线性回归（MLR）及独立随机森林（RF）模型进行了比较。基于Kling-Gupta效率系数（KGE）的评估结果表明，RF-w模型表现持续优于其他模型，在大多数光谱波段的KGE值在0.76至0.85之间，蓝波段为0.66。RF-w模型还改善了由预测反射率波段衍生的波段比值和水体指数的预测精度。相对百分比变化分析证实，沿河流的预测值平衡分布在±10%范围内，而MLR和独立RF模型则频繁出现±60%的低估和高估。该融合方法显著提升了雨季影像的可用性，2019年和2020年的增幅超过40%，2021年和2022年超过50%，2023年达到63%。这些发现凸显了基于机器学习的数据融合在为连续河流监测提供高分辨率、高频次数据集方面的潜力。
本研究针对城市河流监测中因河道狭窄、混合像素及动态土地利用导致遥感观测连续性不足的问题，在泰国昭披耶河下游流域开展探索，旨在突破传统单一卫星数据源在空间与时间分辨率上的限制，构建适用于复杂城市水体的高时空连续监测体系。研究发表于《Remote Sensing Applications: Society and Environment》，由Aye Khaing Mon、Mohana Sundaram Shanmugam、Sangam Shrestha、Natthachet Tangdamrongsub及Sushil Kumar Himanshu等研究人员完成。
研究人员提出了一种增强型加权随机森林（Random Forest-weighted, RF-w）模型，通过对Landsat 7、8、9与Sentinel-2（S2）的多源反射率数据进行融合，预测Landsat影像在10米分辨率下的光谱反射率，以提升城市河流监测的时空数据密度与精度。研究结果显示，RF-w模型在Kling-Gupta效率系数（Kling-Gupta Efficiency, KGE）评估中表现最优，大多数光谱波段的KGE值介于0.76至0.85之间，蓝波段为0.66，显著优于多元线性回归（Multiple Linear Regression, MLR）与独立随机森林（RF）模型。该方法有效减少了预测偏差，相对百分比变化控制在±10%以内，而对比模型常出现±60%的误差。此外，数据融合显著提高了雨季影像可用性，2019至2023年间增幅分别为40%、40%、50%、50%与63%。该研究为城市河流的高频、高精度遥感监测提供了可行的技术路径，对水资源管理与生态保护具有重要意义。
关键技术方法方面，研究人员选取泰国昭披耶河下游为研究区，采用2019–2023年的Landsat 7、8、9与S2光学反射率数据，将两者匹配至统一10米空间分辨率。通过引入基于标准化值（z-score）的加权层来减少混合像素影响，并分别构建MLR、独立RF与RF-w三种模型进行对比。模型训练与验证均在Google Earth Engine（GEE）平台完成，评估指标选用KGE与相对百分比变化分析，以确保结果在不同波段的稳定性与适用性。
研究结果部分，首先在光谱波段反射率预测性能方面，RF-w模型在所有波段均取得最高KGE值，其中红波段（B4）KGE从MLR的0.757、RF的0.630提升至0.826，短波红外波段（SWIR1、SWIR2）同样表现出明显优势。其次，在融合影像的时间序列可用性方面，雨季影像数量显著增加，尤其在2023年达到63%的提升，解决了云覆盖与重访周期导致的观测缺口。第三，在水体指数预测方面，由RF-w生成的反射率数据在归一化水体指数（Normalized Difference Water Index, NDWI）、改进归一化水体指数（Modified NDWI, MNDWI）及浊度相关指数（如NDTI、TI、NDSSI）的计算中均表现出更高的精度与一致性。
讨论部分指出，RF-w模型通过加权机制有效缓解了城市河流中常见的混合像素问题，并提升了反射率预测的稳健性。相比现有融合方法多用于大面积均质陆地表面，本研究将其成功应用于窄带状、异质性强的城市河流环境，拓展了机器学习数据融合的应用边界。结论部分表明，该增强型机器学习框架不仅能提高Landsat反射率的空间分辨率至10米，还能通过与S2数据的融合显著提升时间分辨率，形成连续的城市河流高时空监测数据集，为水资源管理、污染防控及可持续发展提供可靠的技术支撑。
