本次介绍的研究来源于一篇题为《Causes and Impacts of Decreasing Chlorophyll-a in Tibet Plateau Lakes During 1986–2021 Based on Landsat Image Inversion》的学术论文，由Pang, Shuyu; Zhu, Liping; Liu, Chong; Ju, Jianting等作者共同完成。作者单位包括中国科学院青藏高原研究所（Institute of Tibetan Plateau Research, Chinese Academy of Sciences）的“State Key Laboratory of Tibetan Plateau Earth System, Environment and Resources (TPESER)”、中国科学院大学（University of Chinese Academy of Sciences）以及北京派思信息技术有限公司（Piesat Information Technology Co., Ltd.）。该研究于2023年3月8日发表在开源学术期刊《Remote Sensing》（Remote Sens. 2023, 15, 1503）上，并于2023年3月6日被正式接收。

这项研究属于环境科学、遥感科学与湖泊生态学的交叉领域。研究背景在于，湖泊是连接大气圈、水圈和生物圈的关键纽带，其生态系统对全球气候变化、生物多样性保护和人类生存发展至关重要。叶绿素a（Chlorophyll-a, Chl-a）是浮游植物体内的关键色素，作为评估湖泊浮游植物生物量、营养状态和生态系统质量的核心指标。尽管已有大量研究关注全球海洋和内陆水体在气候变化及人类活动压力下的Chl-a变化，但由于青藏高原（Tibetan Plateau, TP）环境严酷、实地监测数据稀缺，针对该地区湖泊Chl-a变化及其驱动机制的研究非常有限。青藏高原湖泊大多处于贫营养（oligotrophic）状态，生产力较低，其水体光学特性不仅受Chl-a影响，还受其他悬浮颗粒物和有色溶解有机质（colored dissolved organic matter, CDOM）的干扰，这给精准反演带来了挑战。因此，本研究旨在：1）结合实地测量数据和Landsat卫星影像反射光谱，建立一个适用于青藏高原湖泊的、高精度的Chl-a浓度遥感反演模型；2）利用该模型反演并分析过去35年（1986-2021年）青藏高原大面积湖泊（>10 km²）Chl-a浓度的时空变化特征；3）结合气象水文数据、实测水质参数、冰川变化等，阐明影响青藏高原湖泊Chl-a变化的主要驱动因素。该研究有助于深化对青藏高原湖泊水质的认识，揭示高原地表水环境对气候变化的响应机理。

该研究的工作流程清晰，主要包括以下几个步骤：数据收集与处理、模型构建与验证、长时间序列反演与时空分析、驱动因子相关性分析。

第一步：数据收集与准备。 研究首先获取了多源数据。 1. 实地水质数据： 通过长期的野外观测，获取了95个湖泊的Chl-a浓度实测值（95个样本点），以及蓝绿藻浓度、浊度、pH值、溶解氧（Dissolved Oxygen, DO）、荧光溶解有机物（Fluorescent Dissolved Organic Matter, fDOM）、透明度、盐度、悬浮物总量（Total Suspended Solids, TSS）等水质参数，作为模型构建和验证的基准。 2. 遥感数据： 主要使用美国地质调查局（USGS）提供的Landsat-5和Landsat-8卫星的L1TP级别地表反射率产品（Landsat/LC05/C01/T1_SR 和 Landsat/LC08/C01/T1_SR）。选取了六个可见光、近红外和短波红外波段（R1-R6）用于后续分析。所有遥感数据的批量处理在Google Earth Engine（GEE）云平台上完成，极大地提高了处理效率。 3. 环境因子数据： 收集了研究时段内（主要为1986-2019年）的气象（基于China Meteorological Forcing Dataset, CMFD的湖泊流域年均气温和降水量）、水文（湖泊表面水温Lake Surface Water Temperature, LSWT、湖泊面积和水储量变化数据）以及地理信息（湖泊位置、海拔、基于第二次冰川编目数据确定的流域冰川融水补给状况）。这些数据用于与Chl-a变化进行相关性分析。

第二步：Chl-a反演模型的构建与精度验证。 这是本研究的技术核心。研究团队没有采用单一的线性回归模型，而是创新性地结合了传统波段组合与机器学习算法。 1. 特征参数构建： 利用六个Landsat波段，通过传统波段比值、组合、多元线性回归、逐步回归和指数算法，构建了200个波段组合参数。 2. 输入变量筛选： 计算这200个参数与95个实测Chl-a值之间的皮尔逊和距离相关系数，筛选出相关系数最高的8个函数，作为机器学习模型的输入特征集。 3. 模型算法比较与选择： 将这8个输入特征分别输入到四种机器学习算法中进行训练和比较，包括反向传播神经网络（Backpropagation Neural Network, BP神经网络）、支持向量回归（Support Vector Regression, SVR）、高斯过程回归（Gaussian Process Regression, GPR）和随机森林（Random Forest, RF）。通过计算决定系数（R²）、均方根误差（RMSE）、偏差（bias）等多个统计指标，发现BP神经网络模型的表现最佳。 4. 模型结构与验证： 最终确定的BP神经网络模型包含三层结构：输入层（8个节点，对应8个高相关特征）、隐藏层（6个节点，为防止因样本量较少导致的过拟合而设定）和输出层（1个节点，输出预测的Chl-a浓度）。研究采用十折交叉验证（10-fold cross-validation） 方法来评估模型的预测能力和避免过拟合。模型在训练集和测试集上都表现出优异的性能：训练集R²=0.83，RMSE=1.47 µg/L；测试集R²=0.85，RMSE=1.21 µg/L，表明该模型能够较好地捕捉Chl-a浓度与遥感反射率之间的非线性关系，反演误差在可接受范围内，适用于青藏高原湖泊。

第三步：长时间序列Chl-a反演与时空变化分析。 利用构建好的BP神经网络模型，在GEE平台上批量处理了1986-2021年间每年的平均湖泊水体反射率数据，反演得到了318个面积大于10 km²的青藏高原湖泊的年均Chl-a浓度序列（覆盖了高原湖泊总面积的95%）。 1. 总体时空趋势： 1986-2021年间，318个湖泊的年均Chl-a总体呈下降趋势（变化率为-0.03 µg/L/年）。但从阶段性看，呈现“升-降-缓降”的特点：1986-1995年略微上升（0.05 µg/L/年），1996-2004年显著下降（-0.18 µg/L/年），2005-2021年则缓慢下降（-0.02 µg/L/年）。 2. 空间异质性： 从单个湖泊变化率来看，63%的湖泊（202个）变化不显著，32%的湖泊（100个）显著下降，仅5%的湖泊（16个）显著上升。空间分布上，北部（特别是羌塘地区）许多湖泊Chl-a显著下降，而南部部分湖泊则呈现上升趋势。此外，面积大于200 km²的大型湖泊，其Chl-a的年际波动较弱，更趋于稳定。

第四步：驱动因素分析。 这是研究的另一个核心环节，旨在解释上述时空变化模式的成因。研究将反演得到的Chl-a时间序列与收集到的各类环境因子进行统计分析。 1. 气候因子的影响： 统计分析显示，湖泊年均Chl-a浓度与降水量、气温、湖面水温（LSWT）均呈显著负相关（R²分别为0.48， 0.31， 0.51， p<0.01）。研究对此进行了解释：尽管降水及其形成的径流可能带来营养物质，促进浮游植物生长，但在青藏高原，洁净的大气使得降水本身所含矿物营养盐很低，且稀疏的植被覆盖导致径流携带的陆源有机质很少。因此，降水增加导致的湖水体积扩张效应，超过了可能带来的营养盐输入效应，最终导致水体中营养盐和Chl-a密度被“稀释”而下降。关于气温，研究引用前人观点指出，对于青藏高原大多数缺乏鱼类等顶级捕食者（仅有浮游植物-浮游动物两个营养级）的咸水或盐湖，升温有利于浮游动物发育，进而抑制浮游植物生长，从而导致Chl-a下降。这也解释了为何只有约1/3的湖泊Chl-a显著下降，却主导了整体的下降趋势（其余2/3变化不显著）。 2. 湖泊水文形态变化的影响： Chl-a浓度与湖泊面积扩张、水储量增加呈显著负相关（R²分别为0.42和0.77， p<0.01）。其中，与水储量变化的相关系数最高，表明湖泊水量的增加是导致Chl-a下降的最主要直接原因。这与气候因子分析中“稀释效应”的解释逻辑一致，也符合北部湖泊（普遍扩张）Chl-a下降、南部部分湖泊（水量变化小或减少）Chl-a上升的空间格局。 3. 冰川融水补给的影响： 比较有冰川融水补给（180个湖）和无冰川融水补给湖泊的Chl-a，发现在大多数时段，非冰川融水补给湖泊的Chl-a高于冰川融水补给湖泊。这可能是因为冰川融水温度低、携带的悬浮颗粒物增加光衰减，抑制了浮游植物生长。但在降水显著偏高的时期（如2004-2013年），这种差异变得不显著，因为强降水对非冰川补给湖泊产生了更强的“稀释”作用，拉低了其Chl-a水平。 4. 与其他水质参数的关系： 基于实测数据的相关性分析表明，Chl-a与有机悬浮固体（OSS） 相关性最强（r=0.69），与总悬浮固体（TSS）和浊度正相关，与无机悬浮固体（ISS）关系不显著。这说明浮游植物生物量与水体中有机颗粒物关系密切。此外，Chl-a与荧光溶解有机物（fDOM） 和有色溶解有机物（CDOM） 也呈显著正相关，表明在贫营养湖泊中，浮游植物活动仍与溶解有机质的生产有紧密联系。

本研究的主要结论可概括为以下几点：1）基于BP神经网络的遥感反演模型能够有效、准确地反演青藏高原湖泊的Chl-a浓度；2）过去35年，青藏高原大面积湖泊的Chl-a浓度总体呈下降趋势，且具有明显的阶段性和空间异质性；3）湖泊Chl-a的下降与气候变暖（气温、LSWT升高）、降水增加以及由此导致的湖泊面积扩张、水储量增加密切相关，其中水储量增加引发的“稀释效应”可能是最主要的直接驱动机制；4）冰川融水补给通过降低水温和增加浊度，对湖泊Chl-a产生抑制作用；5）Chl-a的变化与湖泊生态系统中的悬浮物（尤其是有机部分）和溶解有机物含量相关联。

本研究的科学价值与应用意义重大。首先，它填补了青藏高原湖泊长期、大范围Chl-a动态监测数据的空白，为评估该区域湖泊生态系统对气候变化的响应提供了关键证据。其次，研究构建的高精度反演模型，为在数据稀缺的恶劣环境下利用中分辨率遥感数据监测水质提供了可行方案。再者，研究厘清了气候-水文过程如何通过改变湖泊物理状态（水量、面积、水温）来影响高原湖泊初级生产力的链条，深化了对寒区湖泊生态水文过程的理解。这些发现对于预测未来气候变化情景下青藏高原湖泊生态系统的演变趋势，以及制定高原生态环境保护和可持续管理策略具有重要的参考价值。

本研究的亮点突出。在方法上，创新性地将传统波段组合与机器学习中的BP神经网络相结合，有效解决了高原湖泊复杂光学特性下的非线性反演难题，并通过严格的交叉验证确保了模型的稳健性。在数据上，利用了长期实地观测数据作为模型根基，结合长达35年的Landsat卫星时序数据和多源环境数据集，构建了全面、长时间尺度的分析框架。在发现上，明确指出了在青藏高原这一特殊区域，气候变暖导致的湖泊扩张对浮游植物生物量产生的“稀释”抑制效应，这一结论与温带富营养化湖泊的常见响应模式（升温可能加剧藻类水华）形成鲜明对比，凸显了区域特殊性。在视角上，综合考量了气象、水文、冰川、水质等多维驱动因子，并识别出湖泊水储量变化是其中的关键环节，使结论更具系统性和说服力。此外，研究也坦诚指出了当前工作的局限性，例如遥感数据时间分辨率不足可能导致反演误差、对浮游植物生长所需具体营养盐认知有限、以及温度与Chl-a负相关关系的生理生态机制仍需深入探究等，为未来研究指明了方向。