湖泊水色遥感通过卫星观测水体离水辐射信号，反演叶绿素a、悬浮颗粒物和有色溶解有机物等关键水质参数，已成为湖泊水质监测和生态评估的重要技术手段。然而，湖泊光学类型多样，水色信号同时受到藻类、泥沙、有机物、大气校正、观测几何和传感器波段设置等多因素影响。不同水质组分组合可能产生相近光谱特征，使湖泊水质反演面临显著的非线性和多解性问题。传统算法在跨湖泊、跨季节和跨传感器应用时容易失稳。近年来，深度学习/机器学习能够从多源样本中学习复杂映射关系，为提升湖泊水色遥感反演能力提供了新工具。但纯数据驱动模型受训练样本代表性和输入反射率不确定性的制约，在面对新湖泊类型、极端过程或不同观测条件时存在外推能力不足、内部机制不易解释等问题。因此，将深度学习与水色辐射传输、生物光学模型等物理机理相结合，已成为提升湖泊水色遥感模型可靠性、可迁移性和可解释性的重要方向。

    围绕这一科学与技术难题，中国科学院南京地理与湖泊研究所段洪涛研究员团队曹志刚博士等在过去七年中持续开展湖泊水色遥感智能模型研究。该系列工作并非简单地将深度学习用于湖泊水质参数估算，而是沿着“卫星看到的水色是否可靠”、“机器学习如何抵抗反射率噪声和病态反演”、“如何将水色辐射传输机理嵌入神经网络”这一递进思路，推进湖泊水色遥感模型由数据驱动向机理-数据双驱动的发展。

    相关成果陆续发表在ISPRS P&RS、Earth-Science Reviews、Remote Sensing of Environment、IEEE Transactions on Geoscience and Remote Sensing、Water Research 和 Information Geography等期刊。

图1. 湖泊遥感智能模型从数据驱动走向机理-数据双驱动的总体示意

    一、从水色信号出发：厘清反射率质量与光谱信息边界

    湖泊水质参数反演依赖遥感反射率，其易受传感器带宽、信噪比、大气校正和观测几何等因素影响。从传感器观测和水色机理层面出发，通过辐射传输模拟和误差量化，系统分析不同传感器设置对湖泊水质反演的影响。宽波段传感器会削弱叶绿素a关键位置的光谱敏感性，导致部分传统算法产生较大误差，然而深度神经网络对波段宽度变化表现出更好的稳定性，说明机器学习在复杂光谱条件下具有一定抗扰动潜力（图2）。

    进一步将这一判断推广到全球近岸和内陆水体，评估常用MODIS陆地反射率产品直接用于水质监测的可行性。结果表明，机器学习能够明显改善悬浮颗粒物等与浊度相关参数的估算，但对于叶绿素a这类依赖特定光谱特征的指标，仍然受到波段缺失和反射率不确定性的限制。因此，湖泊水色智能反演不能只关注模型复杂度，还须同时评估反射率质量和传感器光谱信息是否足够。

图2. 不同类型算法水体吸收系数反演随传感器带宽的敏感性分析

    二、数据驱动模型：从单参数估算走向多输入、多输出反演

    在明确反射率质量和光谱信息边界后，研究团队进一步开展实用型湖泊水质智能反演模型研发。早期数据驱动模型通常以单一水质参数为输出，例如叶绿素a或悬浮颗粒物浓度。基于深度学习方法，团队建立了面向长江中下游湖泊群以及全国湖泊群的叶绿素a反演模型，生成了中国217个大型湖泊2012—2021年叶绿素a长时序数据记录，为全国尺度湖泊水色物质浓度估算和变化分析提供了数据基础（图3）。

图3. 中国大型湖泊叶绿素a的长期变化格局

    然而，湖泊水色信号并不是由单一物质决定的。叶绿素、悬浮颗粒物和有色溶解有机物会共同改变水体反射率，不同组分组合可能形成相似的光谱形态，从而造成湖泊水质反演中的多解性问题。针对这一问题，研究团队发展了同时反演叶绿素a和悬浮颗粒物的深度神经网络模型。与单一输出模型相比，多输出设计将相互关联的水质参数置于同一个解空间中联合约束，有助于缓解“相似反射率对应多种水质组合”的反演不确定性（图4）。这一阶段研究推动湖泊水色智能遥感从单参数、单任务估算走向多输入、多输出和多参数协同反演，为复杂湖泊水体的水质监测提供了更加稳健的模型框架。

图4. 多输出变量约束的深度神经网络框架

    三、机理-数据双驱动：嵌入水色辐射传输过程的神经网络（OCRT- Net）

    随着数据驱动模型能力不断提升，一个更深层的问题逐渐显现：神经网络可以学习从反射率到水质参数的复杂关系，但其内部映射不一定符合水色辐射传输规律。对于跨区域湖泊监测和长期变化评估而言，仅有较高统计精度还不够，模型还需要具备更好的物理一致性、可解释性和跨传感器迁移能力。为此，研究团队进一步将水色辐射传输理论、生物光学模型和深度学习相结合，探索机理-数据双驱动的湖泊水色遥感智能模型。

    研究人员以水体表观光学量与固有光学量之间的理论关系为约束，将可微分的光学过程嵌入神经网络(OCRT-Net)，使模型在前向传播过程中不仅输出叶绿素a、悬浮颗粒物和 CDOM吸收等水质参数，还能够在内部保持与水色光学过程相一致的中间状态（图5）。该模型通过水体光学模拟和全球实测数据训练，实现了OLCI、MSI和VIIRS等多源卫星传感器的同步应用。与传统纯数据驱动模型相比，这类机理-数据双驱动模型不再只是让“数据告诉模型答案”，而是进一步利用物理机理约束模型“如何得到答案”，从而增强模型在复杂湖泊类型和不同传感器条件下的解释能力与应用潜力。

图5. 嵌入水体辐射传输过程的神经网络（OCRT-Net）框架

    相关工作为湖泊水质遥感提供了一条由经验算法、数据驱动模型向机理-数据双驱动模型发展的技术路线：既不完全依赖固定经验公式，也不将深度学习简单视为黑箱，而是在观测数据与水色机理之间建立可解释连接。这一技术路线有助于推动湖泊水质监测从“单次估算”走向“连续观测”，从“大湖个案研究”走向“区域乃至全国尺度比较”，并为未来湖泊水质实时预警、长期生态变化评估和湖泊数字孪生模型建设提供方法基础。

    该系列论文由中国科学院南京地理与湖泊研究所、美国NOAA/NESDIS、厦门大学、美国加州大学圣塔芭芭拉分校、中国科学院地理科学与资源研究所、美国 NASA/GSFC等单位科研人员合作完成，主要作者包括曹志刚、段洪涛、马荣华、李忠平、Menghua Wang、苏奋振、John Melack、Nima Pahlevan 等。

    文章信息：

    1. Cao, Z., et al. (2019). Effects of broad bandwidth on the remote sensing of inland waters: Implications for high spatial resolution satellite data applications. ISPRS Journal of Photogrammetry and Remote Sensing. https://doi.org/10.1016/j.isprsjprs.2019.05.001

    2. Cao, Z., et al. (2026). OCRT-Net: A neural network embedding ocean color radiative transfer theory for retrieving optical water constituents. Information Geography. https://doi.org/https://doi.org/10.1016/j.infgeo.2026.100054

    3. Cao, Z., et al. (2022). What water color parameters could be mapped using MODIS land reflectance products: A global evaluation over coastal and inland waters. Earth-Science Reviews.

https://doi.org/10.1016/j.earscirev.2022.104154

    4. Cao, Z., et al. (2024). A decade-long chlorophyll-a data record in lakes across China from VIIRS observations. Remote Sensing of Environment. https://doi.org/10.1016/j.rse.2023.113953

    5. Cao, Z., et al. (2025). Seamless observations of chlorophyll-a from OLCI and VIIRS measurements in inland lakes. Water Research. https://doi.org/10.1016/j.watres.2024.122825

    6. Cao, Z., et al. (2022). Evaluating and Optimizing VIIRS Retrievals of Chlorophyll-a and Suspended Particulate Matter in Turbid Lakes Using a Machine Learning Approach. IEEE Transactions on Geoscience and Remote Sensing. https://doi.org/10.1109/tgrs.2022.3220529

    7. Duan, H., Cao, Z., et al. (2025). AI-driven opportunities and challenges in lake remote sensing. Information Geography. https://doi.org/10.1016/j.infgeo.2025.100014