学术动态

工程中心团队成员在IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing发表题为"Review on the Change Trend, Attribution Analysis, Retrieval, Simulation and Prediction of Lake Surface Water Temperature"

第一作者：贾庭芳（博士研究生），杨昆教授

通讯作者：罗毅教授

成果简介

2022年7月18日，工程中心罗毅教授带领其研究生在IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing（IF:4.715）上发表题为"Review on the Change Trend, Attribution Analysis, Retrieval, Simulation and Prediction of Lake Surface Water Temperature"的论文。该论文从湖泊表面水温（LSWT）长时间序列的时间和空间变化、LSWT变化对湖泊生态的影响、影响LSWT变化的自然和人为因素、LSWT的获取（原位监测、基于遥感影像的反演）、基于模型的LSWT模拟预测对LSWT进行系统的综述。

内容简介

1．LSWT的变化趋势及对生态的影响

1985-2009年期间，全球范围内湖泊表面水温的增长趋势为 0.034°C/a，接近或超过地表气温(AT，距离地面2m的气温)的增长趋势(0.025°C/a)，更是海洋升温趋势 (0.012°C/a)的两倍多。而且LSWT(7-9月和1-3月)的夜间平均升温速率为 0.045 ± 0.011°C/a，并且北半球的中纬度和高纬度地区的变暖程度要远远大于低纬度地区，也大于南半球所有地区，如：Piccolroaz等(2020) 对全球606个湖泊的表面水温的变化趋势按照主要气候类型进行了分析，结果表明20世纪上半叶出现了不同的趋势：北半球除热带湖泊以外所有的湖泊呈现明显的变暖，特别是在 ’sonw’ Köppen气象带的湖泊；南半球的湖泊在 1920 年代之后的特点是缓慢但持续升温，但是大约在1980年后，所有的湖泊都呈现快速的上升趋势。

LSWT是影响湖泊水生态环境的重要因素，LSWT升高使得湖泊正在经历重大的生态系统变化，导致了一系列的生态环境问题，例如，深水湖泊热力分层期延长，温跃层(水温垂直变化剧烈的水层)的深度和强度增加，湖泊底部缺氧，富营养化(水质因营养物质过量累积而恶化)加剧，蓝藻生长期延长和地理位置的扩散，生物栖息地和种群落结构的改变和温室气体排放的增加等。值得重视的是，如果LSWT已经接近湖泊生理最大值，即使温度上升速率低的湖泊也可能面临生态系统压力，LSWT的升高对湖泊水生态环境造成影响是动态、复杂的。

与其它湖泊水质参数相比LSWT的获取相对更容易，且当区域环境(包括气候环境及地貌环境)发生变化时，LSWT的响应最为敏感迅速，因此，研究气候变化及人类活动对生态影响可集中在LSWT的长期观测及变化趋势上(Coats et al., 2006)，这已成为目前淡水研究的焦点和热点问题。

2.  LSWT变化的归因分析

许多文献指出，影响LSWT升高的主要原因是区域性气候变化和地形地貌的改变。气候因素的影响是造成LSWT上升的主要原因之一。LSWT升温速率接近或超过AT变暖速率，这与湖泊表面热平衡的预期不一致，这说明还有其他因素加速了LSWT上升。很多学者研究发现LSWT的变化还与除AT以外的气侯因素，如：太阳辐射、风速、降雨等密切相关。而不同的湖泊属性，如：深度、透明度、纬度、冰层覆盖、混合分层等导致LSWT对气候因素变化的响应不同。除此之外，不同湖泊表现出不同的变暖特征，这在很大程度上受到湖泊周边地貌改变的影响。在湖泊流域众多的地貌要素中，城市IS变化和水利工程修建等行为对湖泊表面水温的影响较为突出。城市的IS是表征人类活动强度与城镇化进程的核心指标，也是造成短期内流域地貌剧烈改变的核心要素，所以研究地貌改变对LSWT影响可以集中在湖泊流域内城市IS的改变上。

图1.3

影响LSWT的因素如图1.3所示，根据能量平衡原理，图1.3中任何一个因素的变化都将反馈到LSWT的变化中。

3. LSWT的获取

湖泊表面水温的观测和获取有两种方法，一是通过原位观测获取，另一种是通过遥感数据进行观测，进而创建模型对湖泊水温进行反演。由于湖泊表面水温在时空领域内的变化是动态的，要获取长时间序列上，区域和全球尺度的湖泊表面水温数据，常规的地面定点观测难以实现，而卫星遥感是唯一可能的手段。

原位观测分可分为两种：定点、高频的连续观测；定期、低频的走航观测。原位观测结果准确、时间分辨率高、操作简单，所消耗的人力、物力和财力成本较低，且可以获取水温随深度变化的信息。原位监测获取的为点数据，而且在获取过程中由于各种原因可能造成数据的不连续，特别是大部分湖泊都没有原位观测数据。

国内外研究者对辐射传输方程（radiative transfer equation，RTE）和地表发射率（land surface emissivity，LSE）使用了不同的假设和近似，针对不同卫星搭载的不同传感器，提出了多种地表水温反演算法，主要可以分为：分步的地表水温反演方法，即先获得地表水体发射率和大气参数，再反演地表水温，如单窗算法和劈窗算法；多参数同步反演算法：在进行简单的大气校正下，同时反演地表水温和水体发射率，如多通道算法；大气参数未知的情况下，进行地表水温、地表发射率和大气参数同时反演，如基于人工神经网络的一体化物理反演。

4.LSWT的模拟与预测

水温模型的发展，经历了从简单的基于回归的模型到复杂的基于过程的数值模型的过程。但这两种类型的模型都有一些局限性：第一类基于学习的回归模型仅利用因素之间的相互关系，并没有考虑热交换过程，例如热分层；第二类基于过程的模型考虑了水温变化的机理过程，但对数据要求高，通常需要输入大量数据，而这些数据可能无法获得，即使获得所需要的数据，运算过程也很复杂，因此，在实际应用中会受到一定的限制。

随着计算机技术和机器学习的进一步发展，特别是将深度学习算法应用到LSWT模拟和预测的模型建设中，可很好的克服以上基于学习的模型和基于过程的模型的局限。进而出现了新的建模范式：过程引导机器学习的混合模型，将基于过程的模型与机器学习模型进行结合，使其优势互补，将在LSWT的模拟与预测方面得到进一步发展。然而，耦合模型的不确定性、泛化性、可迁移性，以及小样本情况下的联合建模等问题都是急需解决的问题。

总结与展望

由气候因素、湖泊自身的属性因素以及由人类活动造成的地貌改变，使得LSWT呈现比AT更快的变暖，尽管变暖的程度在空间和时间上存在变化，但可以预计这种变暖的长期趋势不仅会继续，而且在某些情况下会加速。例如，气温持续变暖，冰层覆盖继续减少，分层的更早开始等都会使LSWT加速变暖。

基于RS、地理信息技术、数理统计分析、机理过程和机器学习等方法，研究LSWT长时间序列的时空变化特征对湖泊水生态环境具有重要的指示作用，也可以为其它生态环境指标的研究提供数据基础。

然而，基于RS的LSWT的反演模型大多是基于地表温度的反演方法，专门针对湖泊的反演方法较少，直接使用LST的算法反演LSWT，会导致LSWT的区域依赖误差、虚假趋势以及多传感器之间反演的水温数据不一致性。同时在反演过程中受到云覆盖等干扰项较多，精度更是存在不确定性。因此优化已有的算法或开发专门针对LSWT反演的算法是非常有必要的。

另外，目前的LSWT预测模型大多属于基于气候变化下的短期的预测模型，这可以为水资源管理者做出反应性决策提供数据支持。而LSWT的变化属于长期协变的过程，需要长期预测模型来支持超出实际水资源管理时间的一般性决策，但是这方面相关的研究较少。另外，值得注意的是，目前关于城市IS热径流对LSWT产生影响的模型与气候变化对LSWT影响的模型是独立分析的。而LSWT的变化是由两者共同作用影响的，这在一定程度上会影响LSWT模型的精度，而且还会阻碍LSWT影响因素的定量理解，需要在建立模型时加以考虑。

值得庆幸的是，目前正处于地理大数据时代，多类型、高密度、大范围的数据为机器学习提供了有力的数据支撑，不仅使传统模型的精度有了极大的提高，而且还提供了新的模型创建方法，今后有望在保证精度的情况下建立长期预测模型。以过程理解为基础的机器学习或者机器学习与过程模型耦合的方法，已成为现在LSWT反演、模拟和预测模型研究的前沿和热点。

因此，将来关于LSWT的研究可能会集中在以下几个方面：  

第一，设计LSWT反演的一体化物理模型。结合多源RS影像和降尺度的方法，生产高精度连续长时间序列的高时间分辨以及高空间分辨率（空间分辨率小于50m）的全球水温数据集，为全球湖泊在精细的空间尺度上开展研究提供数据基础。

第二，使用高分辨率和高精度LSWT数据集，对全球范围内湖泊的均值、极大值、极小值和湖内差异进行时空分析。研究LSWT的时空变化对湖泊水生态环境的影响。

第三，在LSWT影响因素定性分析的基础上结合LSWT的时空分析，使用先验知识引导的机器学习方法，对影响LSWT的因素进行定量的归因分析。研究不同属性湖泊，对气候和地貌变化响应的异质性和潜在变化模式。

第四，在LSWT影响因素定性和定量分析的基础上，采用机理过程引导的深度学习方法建立长期(几十年)、中期(年、季度)、短期(天)相结合的预测模型对LSWT进行高精度的预测。然后，利用这个预测数据结合定量归因分析结果对湖泊生态环境的变化进行预估，设计预防、消除和缓解水生态环境恶化最有效的解决方案。

论文DOI: 10.1109/JSTARS.2022.3188788