在国家重点研发计划、国家自然科学基金等项目资助下，中国科学院南海海洋研究所热带海洋环境与岛礁生态全国重点实验室海洋动力热力过程及其环境效应研究团队，在河口营养盐遥感监测方面取得新进展，提出一种基于深度学习的复杂河口营养盐遥感监测新方法。相关成果近日发表于《国际应用地球观测与地理信息杂志》。

ST-KDE-DNN模型总体架构。研究团队供图，下同

陆源营养盐，尤其是溶解无机氮和溶解无机磷的过量输入，是引发河口及近海富营养化、赤潮等生态环境问题的重要因素。然而，氮、磷等营养盐属于非光学活性物质，缺乏可直接观测的光学信号，传统卫星遥感方法难以实现高精度反演。近年来，人工智能方法为营养盐遥感监测提供了新思路，但现有模型多以经纬度等简单空间信息表征河口环境，难以准确刻画复杂河口区多源输入、混合扩散与物质输运过程。

针对上述难题，研究团队提出了时空核密度估计深度神经网络模型（ST-KDE-DNN）。该模型以珠江口八个主要口门的位置及其年均径流量为基础，利用核密度估计算法构建陆源输入的空间连续影响场，并将其作为物理先验特征融入深度学习网络。这一设计使模型能够显式表征多口门营养盐输入的空间影响范围及其混合扩散特征，从而提升复杂河口水域营养盐遥感反演能力。

团队融合2013-2024年Landsat-8/9卫星影像与1700余个现场观测样本，对模型进行了系统训练与验证。结果表明，核密度特征的引入显著提升了模型精度。与仅使用经纬度、水深等常规时空特征的模型相比，溶解无机氮和溶解无机磷反演结果的均方根误差分别降低45%和29%。尤其在伶仃洋、磨刀门等多口门交汇、混合过程复杂的水域，该方法有效纠正了常规模型对高浓度营养盐的系统性低估。

基于Landsat OLI数据的2013-2024年珠江口DIN（a）与DIP（b）多年平均浓度空间分布。

为进一步增强模型的科学可解释性，研究团队引入可解释性人工智能方法，对模型预测机制进行了分析。结果显示，核密度特征与纬度是影响模型预测结果的关键因子，表明模型并非单纯依赖数据拟合，而是能够捕捉陆源输入空间格局及河口-海洋混合梯度等可辨识的物理过程。这一结果显著提升了模型预测结果的可信度和应用价值。基于该模型，研究团队构建了2013-2024年珠江口30米空间分辨率的营养盐长期时间序列数据集，并系统分析了该区域营养盐的时空演变特征。

该研究为复杂河口及近海区域非光学活性物质的高精度遥感监测提供了可迁移、可解释的新方法，对近海富营养化监测、赤潮风险预警和海岸带生态环境管理具有重要科学意义与应用前景。

相关论文信息: https://doi.org/10.1016/j.jag.2025.105025