综述：从多尺度观测到集成应用：内陆水质监测遥感研究进展

《Frontiers in Environmental Science》：From multi-scale observations to integrated applications: a review of remote sensing for inland water quality monitoring

　　

水资源是人类生存与可持续发展的基础支撑，其保护是联合国可持续发展目标的核心议题之一。传统水质监测方法受限于时空覆盖能力与运维成本，难以满足大尺度动态监测需求。遥感技术凭借快速获取、广域覆盖和可重复观测的优势，已成为内陆水质监测的重要技术手段。本综述系统梳理了应用于水质监测的多尺度遥感技术研究进展，聚焦于关键参数反演方法及在大型湖泊流域的实践应用，提出内陆水质遥感正朝着物理信息驱动的多源智能监测范式转变。研究阐明目前已形成覆盖“全球–区域–局部–站点”尺度的成熟多尺度协同观测框架：中分辨率传感器（如MODIS）适用于污染事件的长期大尺度动态监测；高分辨率卫星（如Landsat、Sentinel?2）是流域及大型湖泊精细化监测的主力平台；甚高分辨率卫星与无人机平台则在小型水体精准调查中具备独特价值。此外，多源数据融合已成为提升水质监测能力的关键趋势。在参数反演方面，机器学习与深度学习算法显著提升了叶绿素a（Chl?a）、总悬浮物（TSS）、有色可溶性有机物（CDOM）和浊度等核心光学活性参数的反演精度与鲁棒性。针对北美五大湖藻华、中国大型湖泊富营养化等差异化湖泊生态环境问题，研究与实践已发展出因地制宜的多尺度监测策略。最后，基于对当前关键研究挑战的评估，本综述提出了以多源数据服务流域综合管理的未来研究方向。

1 引言

水资源是人类生存与社会经济发展的基础要素，也是联合国可持续发展议程的核心关切。内陆水体作为淡水系统的关键组成部分，其水质状况直接影响生态安全与人类健康。在气候变化、人口增长、工业化与农业集约化的多重压力下，内陆水污染已成为威胁水资源安全、公共健康与生态完整性的突出问题，因此动态监测内陆水质对支撑水质改善与管理至关重要。传统水质监测依赖实地采样与实验室分析，虽能获得准确数据，但耗时费力、成本高昂，且受天气、地形等限制，监测点位空间部署有限，导致湖泊监测的时空覆盖能力不足。遥感技术凭借快速获取、广域覆盖和高时空分辨率影像的优势，有效克服了传统方法的局限，通过获取水体离水反射率信号并构建水质参数反演模型，不仅能实现水质动态监测，还可识别污染源、污染物迁移路径及空间分布格局，为大尺度水质评估提供有力支撑。

光学纯水在蓝波段反射率高、红外波段吸收强，而含有有机或无机组分的水体光谱特征会发生显著改变：Chl?a在蓝、红波段有明显吸收峰，近红外波段存在明显反射峰，该特征是估算藻类生物量的核心依据；CDOM主要影响水体在蓝、紫外波段的特性，使水体呈黄褐色；高浓度TSS会提升可见光波段反射率，近红外波段尤为显著。这些独特的光学响应构成了各类水质参数遥感反演的理论基础。自1972年首颗Landsat卫星发射以来，光学卫星数据逐步应用于内陆水监测，1978年Nimbus?7搭载的沿岸带水色扫描仪（CZCS）首次实现了全球海洋水色遥感，虽面向海洋设计，但其成功验证了从可见光波段反演光学活性水体的可行性，为后续所有水色传感器奠定了理论基础。此后适用于内陆水监测的传感器持续演进，从MODIS、VIIRS等中分辨率水色传感器，发展到Sentinel?2 MSI、Landsat 8/9 OLI等高空间分辨率陆地观测卫星，再到新一代水色传感器Sentinel?3 OLCI，不同传感器在时空分辨率、光谱配置、辐射灵敏度和信噪比上的差异最终决定了其对不同尺度水体的适用性。

水质参数可分为光学活性参数（如Chl?a、TSS、CDOM）和光学非活性参数（如总氮、总磷、溶解氧）。光学活性参数因具备独特光谱特征可直接反演，光学非活性参数则通常通过其与光学活性参数的统计关系或模型算法间接估算。同时，水质参数反演的方法创新也在持续推进：从传统的解析技术、经验与半经验方法，发展到大数据时代的机器学习模型，随机森林、支持向量机、卷积神经网络等算法已成为遥感反演的前沿工具，在处理高维遥感数据、捕捉复杂非线性关系、提升反演精度与可靠性方面表现突出。尽管成果显著，内陆水质遥感仍面临大气校正不确定性、传感器配置固有局限、内陆水体光学复杂性及时空异质性显著等挑战。现有综述多聚焦特定传感器或特定区域，缺乏从“多尺度、多参数、多区域”维度的系统梳理，因此亟需开展系统性整合，以明确当前现状与瓶颈，为可推广的流域监测框架构建提供依据。

2 研究方法

本研究文献数据来源于Web of Science核心合集数据库，检索策略设定为“remote sensing AND water quality AND (lake OR river OR reservoir) NOT (coast OR coastal OR ocean OR sea)”，时间跨度为2000年1月1日至2025年12月31日，检索日期为2026年2月15日，共检索到2139篇文献，导出完整记录用于文献计量分析。采用VOSviewer（1.6.20版本）绘制研究趋势图谱，通过关键词共现分析可视化热点，梳理内陆水质遥感的研究现状、进展与重点领域。

2000至2025年相关发文量可分为三个阶段：2000–2007年为萌芽期，年发文量较低；2008–2018年为增长期，发文量从30篇逐步升至98篇；2019–2025年为快速上升期，年发文量从134篇增至284篇，占26年总发文量的69.89%，反映出学界对卫星遥感在水质评估与管理中价值的认可持续提升。全球发文地理分布差异显著，中国与美国处于最高产出梯队，印度、巴西、德国次之，西欧与亚洲部分国家为中等活跃区，非洲大部、中亚与东欧多数国家发文量较低。关键词共现网络可划分为四个聚类：红色聚类聚焦“水质”“遥感”“模型”“河流”“气候变化”，体现遥感与建模结合评估河流水质动态的研究主题；绿色聚类围绕“叶绿素a”“湖泊”“藻华”“富营养化”，反映对湖泊富营养化与有害藻华的持续关注；蓝色聚类包含“Landsat”“算法”“水库”，凸显Landsat数据与算法开发在水库监测中的应用；黄色聚类涵盖“机器学习”“分类”“MODIS”，展示机器学习与分类方法与MODIS数据的深度融合，各聚类间的关联体现了该研究的多学科交叉属性。

3 多尺度遥感技术

卫星传感器按设计目标分为水色传感器与陆地观测卫星：水色传感器（如MODIS、MERIS、OLCI）优化了弱水体光学信号探测能力，广泛应用于海洋与大型内陆湖泊水质监测；陆地观测卫星（如Landsat、Sentinel?2）依托大气校正与光谱归一化技术，也可有效服务于内陆水质监测。根据像素尺寸与空间分辨率，传感器可分为区域–全球分辨率、中分辨率与高分辨率三类，不同传感器的时空分辨率差异使其在大型水体或小型水域监测中各有优势与适用场景，高频重访能力为多时相分析与水质趋势追踪提供了重要支撑。

3.1 区域–全球分辨率

MODIS、MERIS、OLCI与VIIRS是全球至区域尺度水质监测的核心数据源。MERIS作为欧空局的水色传感器，空间分辨率300 m、重访周期3天，优化的波段配置与大气校正能力为中高浓度Chl?a与悬浮物反演提供了关键支撑。OLCI作为MERIS的继任者，空间分辨率300 m、重访能力提升，21个光谱波段增强了对高浑浊水体的监测能力，其709 nm与753 nm波段对藻华敏感，结合C2RCC、POLYMER等先进大气校正算法，在欧洲、北美湖泊与中国太湖、巴西水库等大型水体中实现了Chl?a、悬浮物、CDOM与藻华范围的稳定反演，哥白尼海洋服务提供的Level?3日网格大气校正反射率产品与Level?4月均连续场产品，有效填补了云覆盖导致的数据空缺，显著降低了模型不确定性。MODIS搭载于NASA两颗卫星，每1–2天实现全球覆盖，幅宽2330 km，空间分辨率为250 m、500 m与1000 m，标准地表反射率产品MOD09因高时间重访频率与大覆盖能力被广泛用于大尺度水质监测，但其标准大气校正算法（如近红外黑像元假设）针对开阔大洋设计，在内陆高悬浮泥沙湖泊中易失效，且邻域效应会干扰水体像素，因此高精度反演通常需采用ACOLITE、SWIR?based算法、POLYMER等内陆专用大气校正方案。研究已证实MODIS数据可用于北美五大湖Chl?a与TSS比值估算、俄亥俄河水质对气候变化的响应评估、威斯康星州湖泊硝酸盐浓度反演、亚马逊河表层沉积物时空分布刻画以及太湖溶解氧（DO）长时序监测，表明其在参数依赖性较强的大尺度水质监测中具备可行性与有效性。

3.2 中分辨率

Landsat 8/9 OLI与Sentinel?2 MSI是中分辨率传感器的代表，兼顾空间细节与重访频率，适合捕捉污染热点的精细变化，解析流域尺度人类活动影响。Landsat 8搭载OLI与热红外传感器（TIRS），提供11波段影像，1–7与9波段空间分辨率30 m，全色波段15 m，热红外波段100 m，虽最初面向陆地监测设计，但经大气校正与光谱归一化优化后已成功应用于内陆湖泊监测。相关研究利用Landsat OLI数据实现了全国500个湖泊透明度量化、1990–2020年中国中大湖泊TSS浓度反演、水库水质参数估算、东平湖水质变化评估以及长江沿线湖泊Chl?a、总氮、总磷反演，并基于1984–2023年时间序列构建了包含4600余幅透明度地图的长江中下游17个湖泊透明度数据集，为区域水资源管理提供了长时序支撑。Sentinel?2 MSI星座空间分辨率达10 m、20 m与60 m，双星重访周期5天，可更有效捕捉水体的短期变化与季节动态，虽辐射灵敏度低于专用水色传感器，但结合区域大气校正模型，在中型湖泊水质监测中表现优异，已在非洲湖泊水质参数时空变化监测、拉古纳湖台风前后水质对比、东南亚热带河流系统水质反演、鄱阳湖水质评估与滇池水质及藻华驱动因素分析中验证了高空间分辨率对降低反演尺度效应的作用。

3.3 高分辨率

针对小型湖泊或局地水体，常规多光谱卫星的混合像素与边界效应严重制约反演精度，需采用甚高分辨率卫星与无人机平台。PlanetScope、WorldView、IKONOS等甚高分辨率卫星系统已在小型湖泊水质监测中得到应用，搭载多光谱或高光谱传感器的无人机则提供了灵活的高分辨率成像能力，尤其适用于小型或难以到达的水体监测。无人机影像结合机器学习算法可实现小型水体Chl?a、DO、浊度等多参数反演，在印度城市小湖的TSS、总有机碳与化学需氧量反演、嘉兴湿地公园Chl?a与浊度估算等案例中均取得了满意精度。对比Sentinel?2、Landsat 8与无人机多光谱传感器的饮用水水库富营养化评估结果，发现不同空间分辨率（10 m、30 m、8 cm）数据间相关性显著，凸显了无人机遥感在小型水体监测中的潜力。但无人机受飞行时长、天气条件与正射影像生成要求的限制，实际应用中需根据目标水体尺度与参数光谱特征选择传感器与反演方法，未来应着力发展多平台、多传感器集成监测方案，充分释放高分辨率遥感在小型水生环境中的应用潜力。

4 水质参数与反演模型

4.1 叶绿素a

Chl?a是藻类、蓝细菌等水生生物的光合色素，作为藻类总生物量的关键代用指标，在评估初级生产力、营养状态与营养水平中具有核心地位，全球尺度湖泊Chl?a卫星监测对评价水质与生态系统健康至关重要。内陆湖泊Chl?a的光学特征主要表现为440 nm与675 nm两处吸收峰，其中675 nm附近受其他光学活性组分干扰较小，是反演的首选波段。Chl?a最佳波段选择高度依赖其浓度：浓度升高时绿、红波段反射率上升，蓝波段反射率下降，反射峰从约680 nm移至约715 nm，700 nm附近的特征对内陆水体Chl?a估算尤为关键。但内陆水体中Chl?a光谱信号易受悬浮颗粒、CDOM等其他光学活性物质干扰，大气校正的不确定性也会影响其估算精度，尤其在光学复杂的湖泊与水库中更为突出。

目前Chl?a遥感估算已形成经验、半分析与机器学习三类方法。经验波段比值模型实现简便但精度有限；三波段模型通过削弱CDOM与非藻类颗粒影响，在不同浑浊度水体中适应性更强；但经验与半分析方法普遍受限于大气校正精度与区域适用性，不确定性与鲁棒性不足。随着人工智能发展，机器学习算法在Chl?a反演中应用日益广泛：基于Landsat数据的神经网络模型在芬兰湾实现了R²=0.90的反演精度；耦合遗传算法（GA）与偏最小二乘（PLS）回归的GA?PLS模型，在四个地理差异显著的库中表现出优于传统三波段模型的跨区域传递性；卷积神经网络（CNN）模型R²可达0.879，兼顾高频时间监测与精细空间刻画；混合密度网络（MDN）在独立验证集上将平均对数误差与对数偏差降低40%–60%，均方根对数误差与中位数绝对百分比误差较最优现有算法提升2–3倍；基于Sentinel?2 MSI数据的支持向量机（SVM）模型在中国45个典型湖泊中表现优异，尤其在低中浓度Chl?a水体中优势明显；深度神经网络（DNN）模型在中国79个湖泊中显著优于传统算法与其他机器学习模型。但上述模型多在本地数据集上取得高精度，其泛化能力仍需系统评估，未来需加强模型鲁棒性与传递性的对比研究。

4.2 总悬浮物

TSS指水体中悬浮的无机与有机颗粒物，是内陆水质的重要指示指标，其光谱特征随颗粒组成（有机/无机比例）与浓度变化显著。有机颗粒占主导时，反射特征与Chl?a类似，存在相应吸收峰与后向散射极大值；无机TSS浓度升高时，峰值反射率从约550 nm向红或近红外波段移动，具体取决于当地Chl?a与CDOM条件。TSS还通过影响光穿透、溶解氧水平与水色间接调控水质，并可吸附营养物质加剧富营养化。

TSS遥感研究主要采用经验、半经验、解析与半分析方法。解析与半分析模型基于TSS与固有光学性质的关系构建，物理机制清晰但公式复杂，限制了广泛应用；经验与半经验模型因简便易行更为常用，例如利用Landsat红蓝波段比值反演松嫩平原1984–2019年TSS时空动态，基于Sentinel?2 MSI影像与实地测量校准的B4–B8b波段比值模型解释了鄱阳湖81%–93%的TSS变异。但TSS反射率随粒径与组成的时空变异性较高，制约了反演算法的空间传递性。近期研究尝试在大地理范围内应用机器学习方法提升TSS估算的可扩展性：基于随机森林回归（RFR）与DNN的分类反演模型，按悬浮颗粒物水平将水体分为低、中、高浑浊度类别，性能优于未分类模型；基于Sentinel?2影像10个光谱波段与19个光谱指数的Cubist回归模型，在TSS高浓度区域预测精度突出，清晰捕捉水质时间变化；结合马尔可夫链建模与遥感反演的中国南方内陆水库TSS回归模型，解释了约82%的TSS变异；针对三种卫星传感器训练的MDN模型，对TSS的反演性能较基准算法提升75%，为多源卫星任务协同水质反演提供了低敏感性解决方案。尽管TSS反演模型已相对成熟，内陆水体的光学复杂性仍阻碍通用算法的研发，未来需优先设计可适配区域、尺度、季节与光学水体类型的广义或自适应反演方案。

4.3 有色可溶性有机物

CDOM是总溶解有机碳（DOC）的光学活性组分，具有光化学反应活性，在水生生态系统生物地球化学循环与能量动态中起关键作用，厘清其时空分布对内陆水监测与管理至关重要。CDOM在紫外与蓝波段吸收太阳辐射，高浓度时吸收可延伸至约440 nm，但其遥感反演常受TSS、Chl?a等光学干扰组分的影响，因吸收特征重叠且对水体固有光学性质贡献显著，准确估算仍具挑战。

经验与半经验模型曾是CDOM反演的主流，通常采用单波段反射率（如蓝波段）或波段比值技术（如蓝绿、绿红波段）增强光谱对比，削弱水面反射与悬浮泥沙干扰，利用Landsat?8、MODIS、MERIS影像构建的510/560 nm、412/555 nm、670/571 nm等波段比值模型在特定区域应用中取得了满意精度，但区域与场景适用性有限。近年来，随机森林（RF）、高斯过程回归（GPR）、支持向量回归（SVR）、神经网络（NN）等机器学习算法展现出显著潜力：基于韩国淡水水库航空高光谱数据构建的RF模型，以355 nm吸收系数为CDOM浓度最优代用指标，R²达0.85；对比太湖与千岛湖不同营养状态下Landsat?8影像的四种机器学习算法，SVR在太湖表现最优，R²为0.76，且CDOM反演精度通常在生产力较低的水体中更高；考虑底质反射贡献的光学浅水生物光学算法，引入底效指数区分光学浅水与深水，将CDOM反演R²提升至0.81；基于三种卫星传感器数据的MDN模型，通过留出法与留一法验证，性能显著优于次优算法，且对反射率产品的不确定性敏感度相当或更低。总体而言，机器学习模型在精度与跨场景适应性上均优于传统经验方法，提升CDOM反演能力将有助于深化对内陆水体水质状况与生态过程的理解。

4.4 浊度

浊度表征水体光学清晰度，由悬浮颗粒物对光的散射与吸收共同决定，高浊度会降低水体透明度，抑制光合活性，阻碍水生植被生长与初级生产力，悬浮颗粒还可作为营养盐与污染物的载体，加剧富营养化与生态风险，是评估水生栖息地适宜性、水处理工艺监测与灌溉及饮用水供应管理的核心指标。

浊度遥感基于悬浮颗粒与入射辐射的相互作用，可见光透射率随浊度升高显著降低，研究表明600–800 nm波段对浊度变化尤为敏感，也可组合可见光与红外波段实现高精度预测。但传统经验与半经验反演模型多为区域与季节特异性，跨水体传递性有限。近期研究结合高分辨率卫星数据与机器学习算法提升浊度反演精度与鲁棒性：集成深度学习模型在Dooskal湖浊度预测中精度达92.7%，凸显了遥感与机器学习结合在城市水质监测中的潜力；基于Landsat?8影像的决策树回归模型可高精度估算Saki湖2014–2017年浊度；随机森林集成模型结合误差最小化剪枝策略，优化了河流浊度测量的性能；融合八种算法的堆叠模型，以归一化浊度指数（NDTI）与Sentinel?2衍生光谱组合为预测因子，可靠估算了南四湖2016–2022年Chl?a与浊度；基于Sentinel?2数据的简单回归（SR）、SVR、BPNN与RF模型中，RF模型在中国73个湖泊浊度动态监测中表现最优，进一步验证了机器学习技术在水质预测中的实用价值。

4.5 水质反演模型的发展与局限

4.5.1 光学活性参数反演

对比Chl?a、TSS、CDOM与浊度的反演模型R²箱线图可见，不同指标与模型类型间精度差异显著：Chl?a的三类模型整体R²较高且差异适中，经验/半经验模型中位数精度略高；TSS整体拟合性能最优，解析/半分析与机器学习方法表现相当且显著优于经验方法；CDOM的模型间差异最突出，机器学习模型在中位数R²与数据稳定性上优势显著，其次为解析/半分析模型，经验/半经验模型最弱；浊度整体精度最低且离散度最大，解析/半分析模型表现最差。综合来看，机器学习模型在四类参数反演中R²的均值与中位数均最优，四分位距更窄，表明其不仅预测精度更高，且在多变环境下稳定性更强。经验与半经验模型形式简单、计算高效，但缺乏物理机制、区域适用性差，当水体组分变化时精度下降、泛化能力减弱；半分析模型基于辐射传输理论与固有光学性质，物理基础清晰、传递性较好，但复杂度高，需大量实地固有光学性质测量，在高浑浊水体中仍需本地参数校准；机器学习与深度学习模型（如RF、SVM、NN、CNN）可自动学习非线性映射，在TSS、CDOM与浊度反演中精度与鲁棒性突出，但可解释性差、依赖大量高质量数据、易过拟合，且跨区域应用时性能显著下降，例如太湖构建的Chl?a模型应用到巢湖时R²可从最高0.91降至0.5以下，根源在于不同水体光学组分的差异导致光谱–参数映射关系不一致。三类方法的核心权衡在于精度、泛化能力与数据效率的平衡：数据稀缺时优先选经验模型，数据充足且需高精度时可尝试深度学习，但必须辅以严格独立验证。当前多数研究缺乏跨区域与跨时间验证，未来需加强模型传递性评估，针对不同参数开展差异化泛化研究。

4.5.2 光学非活性参数反演

水体离水信号主要由浮游植物、有机与无机悬浮固体、CDOM三类光学活性组分共同决定，因此本综述聚焦Chl?a、TSS、CDOM与浊度四类光学活性参数。总氮（TN）、总磷（TP）、DO等光学非活性指标也是水质评估的重要内容，受篇幅所限仅作简要讨论。当前光学非活性参数遥感反演主要依赖三类方法：间接反演法基于光学非活性与光学活性参数的统计相关关系建立代用联系，例如通过TSS或Chl?a间接估算TP，结合海表温度（SST）与Chl?a反演DO；经验与半经验回归模型建立遥感反射率波段（或波段组合）与实地测量数据的统计关系，例如利用MODIS反演的SST与Chl?a通过逐步多元线性回归（SMLR）成功估算韩国沿海DO浓度（R²=0.80），结合Landsat?8 OLI波段比值与逐步回归的方法实现了加拿大河流五日生化需氧量（BOD₅）的高精度反演；机器学习方法（如RF、SVM、XGBoost、BPNN）被广泛应用，例如基于Sentinel?2影像的集成机器学习模型实现了深圳湾DO的多场景反演，基于Landsat与MODIS遥感反射率的SVR模型在休伦湖DO反演中R²达0.88。尽管取得一定进展，当前研究仍面临模型泛化能力不足的瓶颈：基于Sentinel?3 OLCI与多传感器数据构建的2100余个DO反演机器学习模型，训练阶段K近邻、梯度提升与极限决策树模型R²>0.80，但用其他年份独立数据验证时R²<0.60，泛化能力受限，可能源于数据偏移问题。考虑到实地数据匮乏与最优遥感波段不明确等局限，先进机器学习与人工智能方法在提升光学非活性参数反演精度上潜力更大，未来需构建更广泛多样的训练与测试数据集，加强模型时空传递性的可靠性验证。

5 流域监测中的集成应用

5.1 北美五大湖

北美五大湖（苏必利尔湖、休伦湖、密歇根湖、伊利湖、安大略湖）总面积244100 km²，占全球可用地表淡水的21%，是地球最大的淡水系统，其水质监测具有极高经济社会与生态价值。遥感在该区域的核心应用之一是蓝藻有害藻华（cyanoHABs）的精准探测与趋势分析。早期研究利用MODIS、MERIS、SeaWiFS、VIIRS等多源卫星数据，基于cyanoHABs的独特光学特征开发反演算法，实现了五大湖流域大尺度、长时序藻华事件动态监测，结果显示长时序藻华趋势空间异质性显著：伊利湖西部近20年藻华强度显著上升，年均值、最大值与年际变率均增加，2011与2015年发生极端藻华事件；同期休伦湖萨吉诺湾与密歇根湖格林湾藻华范围相对稳定，萨吉诺湾甚至自2000年代初呈显著下降趋势；最清澈的苏必利尔湖藻华频率与规模远低于其他湖区，表明五大湖藻华动态主要受局地驱动而非统一的区域气候信号控制。

机器学习模型通过处理水质参数与光谱信号的复杂非线性关系，显著增强了Chl?a、TSS、浊度等指标的综合监测与预警能力，可更精准识别五大湖的历史异常事件，包括伊利湖藻华、休伦湖萨吉诺湾沉积物羽流与苏必利尔湖浮游植物藻华。一项研究利用Sentinel?3 OLCI影像的16个光谱波段构建随机森林模型，模拟伊利湖西部流域藻华相关水质条件，以Chl?a、藻蓝蛋白、微囊藻毒素与塞氏盘深度为目标，Chl?a反演精度最高，其余参数因光谱信号弱或干扰因素多而反演难度更大。风致沉积物