面向复杂内陆水体总氮反演的可解释集成学习框架:以新丰江水库为例
监测饮用水水库的总氮(TN)对于防止富营养化至关重要,但在复杂内陆水体中,遥感反演常面临精度有限和决策过程不透明的问题。本研究提出了一种可解释框架,耦合了创新特征工程、集成学习算法(XGBoost、CatBoost、LightGBM)、模拟与观测指数距离(DISO)指标以及SHapley Additive exPlanations(SHAP)。通过对4270个Landsat 8–9波段组合进行特征优化,实现了超过99%的冗余度降低。利用新丰江水库2020–2024年的实测数据进行验证,LightGBM表现出优越性能(R² = 0.72,RMSE = 0.25 mg/L,BIAS = −0.02,DISO = 0.35)。SHAP分析揭示(B4 − B3)/(B3 − B6)和(B2 + B1)/(B1 + B4)为最具影响力的特征(SHAP值 > 0.1),证明了其与藻类生物量及水体光学特性相关的生物物理合理性。时空制图显示,TN浓度总体较低(>90%符合地表水II–III类标准),但上游存在持续热点区域,需采取针对性缓解措施。通过量化特征贡献,该可解释框架提高了反演精度和方法透明度,为水库水质管理和可持续生态治理提供了可操作的工具。
读懂这项研究





