基于PIE-Engine Studio的西藏典型湖泊總懸浮物反演

摘要：總懸浮物濃度是水環境評價的重要參數之一，并且能在各個方面影響水體其他參數。青藏高原湖泊環境正處于大幅變化的時期，而其分布與動態變化與湖泊的環境息息相關。基于西藏典型湖泊29個采樣點水質實測數據和LandSat 8 Collection 2遙感數據，使用PIE-Engine Studio平臺，對比分析了基于單波段和多波段組合的多種總懸浮物濃度反演模型，選出了最優的總懸浮物濃度反演模型，并運用該模型分析了色林錯、扎日南木錯以及塔若錯總懸浮物2013～2023年月度時空變化特征。分析結果表明：① 總懸浮物對綠光、紅光波段最為敏感，以波段反射率組合（B3+B4）、（B2/B3）（B2為藍光波段，B3為綠光波段，B4為紅光波段）為自變量，總懸浮物濃度為因變量的三波段模型為西藏典型湖泊總懸浮物濃度遙感反演最佳模型；② 總懸浮物濃度年內變化總體存在季節規律，夏季濃度高，而春秋季低。在色林錯，濃度在北部較高，高值夏季主要分布在西北岸，而秋冬季則在東北岸，受風向影響較大；在扎日南木錯的西部較高；在塔若錯，夏季在南部較高。3個湖泊均在11月時出現東部濃度重新升高的現象。③ 年降水量與各湖泊的懸浮物濃度相關性較高。年際變化中，2013～2023年，懸浮物濃度的年均值先是逐年升高，在2018年后隨著年降水量的減少而逐漸下降或穩定。另外，色林錯、扎日南木錯、塔若錯湖面面積分別增長了2.87%（約68.14 km2）、3.01%（約30.31 km2）、1.01%（約4.87 km2），色林錯持續擴張，扎日南木錯和塔若錯先快速擴張，而后萎縮，湖面面積與懸浮物濃度均值表現較同步，均是受降水量和徑流的影響。研究結果可為高原湖泊水質評價提供理論依據，為水土流失、水資源保護提供科學參考。

關 鍵 詞：總懸浮物； PIE-Engine Studio； 遙感反演； 云計算； 高原湖泊； 西藏

中圖法分類號： X87；X524

文獻標志碼： A

DOI：10.16232/j.cnki.1001-4179.2024.09.012

0 引 言

總懸浮物（Total Suspended Matter，TSM）是指懸浮在水中的固體物質，主要包括懸浮泥沙和浮游植物。TSM在多個方面影響水體，是營養鹽、重金屬等污染物的主要承載體。同時，TSM對光的吸收和散射影響水體的透明度和其他光學參數，直接對水下光場產生影響。此外，TSM在透明度、凝結核心以及垂直熱結構等方面均對湖冰的形成造成影響［1-2］。

近年來，遙感技術在內陸湖泊生態環境監測中扮演著至關重要的角色，監測產品的多樣性和準確性也在不斷提高［3-6］。然而，由于不同湖泊之間水體光學特性存在差異，這導致絕大多數反演算法都受到明顯的時空限制。目前，用于反演總懸浮物的方法包括基于經驗和半經驗的、非線性的機器學習方法（如神經網絡、遺傳算法和混合算法等），并且大量的遙感反演模型已被用于總懸浮物的定量反演以及時空分布特征的研究［7-12］。經驗方法利用特定時間的地面水質實測數據和同時期的遙感數據的反射率，建立線性回歸模型，以實現對懸浮物濃度的遙感反演。半經驗方法結合已知水質參數的光譜信息和統計模型，利用最佳波段組合建立數學統計模型，具有一定的物理意義，同時兼具分析方法和經驗方法的優ab45d9667cef867a26fe64ec917bb672點。然而，半經驗方法對實測數據和遙感數據的同步性要求較高，受到特定湖泊以及不同季節的限制。與此不同，機器學習方法通過算法根據已有數據不斷訓練模型，以利用模型對新數據進行分析和預測。然而，機器學習需要大量的訓練樣本數據，可能導致結果過度擬合，帶有一定的不確定性［13］。綜上所述，在區域范圍較小、實測數據不多或變異程度不高的情況下，經驗方法仍然是首選的水質遙感反演方法。

美國陸地衛星（Landsat）被廣泛應用于內陸湖泊水質參數的長時間序列遙感監測，波段范圍覆蓋了藍光到短波紅外。利用LandSat系列衛星進行內陸湖泊總懸浮物濃度的遙感監測已經有多年的歷史，其技術相對成熟［14-16］。李航等對比分析了Landsat 8、Sentinel-2和GF-1三類衛星遙感影像數據，研究了不同衛星的波段及波段組合與水體懸浮物濃度的相關關系，篩選出了三峽庫區水體中與懸浮物濃度相關的敏感波段，并進行了懸浮物反演［17］。況潤元等以鄱陽湖為研究區，基于實測的反射光譜數據形態特征，將鄱陽湖的水體分為特別渾濁、中等渾濁、輕度渾濁和清水區4個類別，并對每一類別的結果進行了詳細地分析［18］。具體而言，Landsat 8 Collection 2 Level 2科學產品是專門為滿足太陽天頂角小于76°的條件下，根據Landsat 8 Collection 2 Level 1輸入生成而設計的。這些產品是內陸環境監測的重要數據源。

PIE-Engine遙感計算云服務平臺結合海量遙感數據和計算資源，通過簡單代碼快速實現復雜圖像計算，為地球科學領域的研究提供開放數據和彈性計算力支持［19-20］。與Google Earth Engine相比，PIE-Engine以其詳細的中文幫助文檔、交流社區和友好的交互界面，以及同樣較高的效率與準確性，在國內具有較好的適用性［21］。

氣候變化對青藏高原湖泊的水環境造成顯著影響，正在導致青藏高原上的大多數湖泊面積以前所未有的速度增長［22］，還對湖泊演變、水體參數的穩定產生了一定的影響［23］。除此之外，氣溫升高冰川融化產生的徑流對下游湖泊變化也有一定的影響［24］。

本研究選擇西藏高原的典型湖泊作為研究對象，利用2015年和2017年的遙感反射率數據以及實測的總懸浮物濃度等數據，在PIE-Engine Studio平臺上基于Landsat 8 Collection 2 Level 2科學產品建立了總懸浮物濃度的遙感反演模型。然后，基于2013～2023的遙感影像，利用該模型分析色林錯、扎日南木錯以及塔若錯的總懸浮物時空分布特征及其影響因素。

1 研究區概況

西藏是中國湖泊個數最多、分布最密集的地域，湖水面總面積約為2.4萬km2，湖泊面積約占全中國湖泊總面積的34%，是世界上數量最多、范圍最大的高原湖區，也被稱為“亞洲的水塔”，被認為是世界上對氣候變化最為敏感的地區之一［25］。湖泊、河流和沿海水域中的總懸浮物濃度變化受到來自外部源的侵蝕或總懸浮物供應的驅動，總懸浮物的濃度也能在一定程度上反映區域的侵蝕［26］。因此，在高原湖區進行總懸浮物的水質參數監測與評估工作顯得格外關鍵［27］。研究區的典型湖泊以及實測數據采樣點的空間分布如圖1所示。

2 數據源及研究方法

2.1 總懸浮物實測數據

采用了2015、2017年西藏典型湖泊總懸浮物濃度實測數據，共涉及29個采樣點，在保證建模采樣點個數的情況下，在每個湖泊取一個以上采樣點進行驗證，共計8個驗證采樣點。采樣點位置基本是由湖邊向湖心作延伸狀，采樣時間集中在2015年和2017年的6～8月。在每個采樣點采集水樣1 000 mL，每個水樣都來自水體表層，并盡快進行測定分析。本研究使用稱重法測量懸浮物濃度，將湖水樣品通過玻璃纖維濾膜過濾后，將過濾后的樣品烘干，測量懸浮物的重量，并將其除以過濾樣品的體積，從而得到懸浮物的濃度。

2.2 遙感數據

數據來源于中國自主遙感云計算平臺PIE-Engine Studio提供的在線LandSat8 Collection2地表反射率數據集（https：∥engine.piesat.cn/datadetail），時間分辨率為16 d，空間分辨率為30 m［21］。由于遙感數據往往受到云、霧以及云影等因素的影響，為提高合成數據的準確性，研究使用LandSat8數據的BQA波段（質量控制波段）對數據中活躍度較高的云、霧以及云影進行了去除，以此提高合成數據結果的準確性。其中，共有8景影像參與懸浮物反演模型建模。

2.3 精度評估方法

采用皮爾遜相關系數（r）、決定系數（R2）和均方根誤差（RMSE）等多個指標，評估各模型的優劣，并驗證遙感反演產品的真實性，確定懸浮物濃度的最佳反演模型。

r=ni=1（Tobs，i-Tobs）（Tmod，i-Tmod）ni=1（Tobs，i-Tobs）2ni=1（Tmod，i-Tmod）2（1）

R2=1-ni=1（Tobs，i-Tmod，i）2ni=1（Tobs，i-Tobs）2（2）

MRE=ni=1Tobs，i-Tmod，iTobs，in×100%（3）

RMSE=ni=1（Tobs，i-Tmod，i）2n（4）

式中：Tobs，i為第i個實測值，Tobs為實測值的均值，mg/L；Tmod，i為第i個模型反演值，Tmod為模型反演值的均值，mg/L；n為樣本總數。

3 結果與分析

3.1 敏感波段分析

在懸浮物的反演中，主要對懸浮物的有機組分以及無機組分進行分析。在實測數據中，葉綠素a的濃度范圍為0.021～3.908 μg/L，均值為0.554 μg/L；懸浮物的濃度范圍為0.086～42 mg/L，均值為5.271 mg/L。此外，葉綠素a與懸浮物濃度的相關系數r為0.68，并通過了0.01級別的顯著性檢驗，表明在這些高原湖泊中，葉綠素a與懸浮物的濃度均處于低水平，且葉綠素a與懸浮物的相關性較顯著。在懸浮物反演的研究中，利用可見光和近紅外波段對懸浮物反演是主要手段，對于懸浮物中浮游藻類占比越高的水體，藍光主要被吸收，反射率較低；而紅光等較長波段在懸浮物顆粒的散射作用明顯，懸浮物濃度越高，反射率越高。此外，對于受無機顆粒物影響較大的水體，如黃河口水體，通常可見光與全波段呈現正相關關系。

利用PIE-Engine Studio提取采樣點實測對應的遙感反射率，與總懸浮物濃度以及總懸浮物濃度的自然對數進行線性擬合，結果如表1所列。從分析結果來看，綠光（B3）和紅光（B4）波段與懸浮物濃度和總懸浮物的自然對數的相關性較高，相反，海岸波段（B1）、藍光（B2）以及近紅外波段（B5）的相關性較低。另外，綠光波段對總懸浮物的自然對數的相關性相較于總懸浮物濃度更顯著；而在紅光波段，與總懸浮物濃度的相關性較好。

針對在懸浮物反演研究中常見的波段組合進行了總懸浮物濃度以及總懸浮物濃度的自然對數的相關性分析，具體結果如表2所列。結果表明：當因變量為總懸浮物濃度時，最優波段組合為B3+B4（r=0.866）；當因變量為總懸浮物濃度的自然對數時，最優波段組合為（B3+B4）/B1（r=0.771）。

3.2 反演模型比對分析

基于經典的經驗模型和本研究對懸浮物敏感波段以及各波段組合的篩選結果，對Landsat-8 OLI影像的波段進行運算和重組，篩選出了在高原湖泊懸浮物濃度估算方面表現最優的模型。針對各模型在建模數據上的擬合情況以及利用未參與建模的采樣點進行的精度評價，得到了M1～M15模型的精度評價結果，詳見表3。在懸浮物濃度線性坐標和自然對數坐標下，模型建模時R2最高達到了0.96，隨著波段數的增加，模型建模時的精度呈逐步上升趨勢，然而在驗證時，R2和RMSE的表現普遍較差。

此外，M10在建模時表現最佳，R2最高為0.96，RMSE最低為2.26 mg/L，但在驗證時表現稍差；M6在驗證時R2最高，為0.88，且在建模、驗證時表現較為穩定；驗證時RMSE最低4.60 mg/L為M8，但M8在建模時擬合精度并不高，M8不作為備選；M4和M12在建模時表現較好，但在驗證時高值點的預測效果不佳，過度高估懸浮物濃度導致整體精度下降。綜合考慮建模時和驗證時的精度，M6在建模時與驗證時的表現均超過M5，表現相對穩定，且線性模型對誤差具有簡單的線性響應。因此，最終選擇M6作為本研究最優的懸浮物反演模型。模型驗證期的反演濃度與實測濃度結果的對比見圖2。

此外，為了對比已有的針對中國以及高原湖泊的懸浮物濃度經驗模型，本研究將驗證數據（n=8）應用到這些模型中，得到如表4所示的結果。與其他青藏高原經驗模型相比，本文模型的R2更高，但RMSE較低［30］。由此可見，已構建的針對中國湖泊群或類似高原湖泊的懸浮物濃度經驗模型不適用于本研究中湖泊懸浮物濃度的反演，而本文模型在該地區具有相對較高的精度。

3.3 湖泊懸浮物月度合成時空變化分析

選取色林錯、扎日南木錯、塔若錯為例進行懸浮物反演，高原湖泊遙感同時受到冬季冰期以及數據質量的限制，選取2013～2023年5～11月，基于PIE-Engine Studio反演得到月度合成懸浮物濃度，如圖3～5所示。

色林錯總懸浮物濃度整體呈現北部高、其余地區低的空間分布特征。北部懸浮物濃度與扎加藏布攜帶較多的陸源物質影響有關；東、南部則長時間處在懸浮物濃度很低的狀態；西部總懸浮物最大的影響不是來自于扎根藏布，而是主要來自阿里藏布。色林錯5月懸浮物濃度均值最低，為5.93 mg/L，且濃度低于5 mg/L的湖面面積約占74%；從6月開始，懸浮物濃度逐步升高并存在波動，隨時間推移來自扎加藏布的陸源物質沿著西北岸擴散，與風向的影響有關。此外，在8、9月西部的懸浮物濃度也有一定的升高，主要來自阿里藏布的陸源物質；7月時，懸浮物濃度均值達到最大，為15.70 mg/L，其中濃度高于10 mg/L的湖面面積約為42.2%，而低于5 mg/L的湖面面積僅占14.01%。8月之后，相對較高懸浮物濃度的區域面積開始減小，并且西北岸的懸浮物濃度降低。11月，泥沙沉積物在東北岸懸浮，懸浮物濃度開始升高，與長吹程的西風有關［2］。

扎日南木錯總懸浮物濃度整體呈現西部高、其余地區低的空間分布特征。西部懸浮物主要來自于措勤藏布和淺水區的擾動，而東南突出部分懸浮物來自南部的河流，東部懸浮物來自流經達馬孜壤錯的河流帶來的陸源物質。從5月開始，扎日南木錯的總懸浮物均值呈現上升趨勢，并在8月達到最大，為12.49 mg/L，其中濃度高于10 mg/L的湖面面積約為44.8%，而低于5 mg/L的湖面面積占39.3%，集中在西部和東南的湖面突出部分，且夏季西部湖面面積的顯著擴張使得高濃度區域面積進一步增加。9～10月，總懸浮物濃度逐漸下降，其中10月懸浮物濃度均值最低，為6.10 mg/L，且濃度低于5 mg/L的湖面面積約占73.5%。然而，11月時，東部地區的懸浮物重新懸浮，使得均值下降趨勢停止。

塔若錯的總懸浮物濃度呈現明顯的季節性分布特征，布多藏布是塔若錯的懸浮物的主要來源。從5月開始，塔若錯的總懸浮物均值呈現上升趨勢；除7、8、9月外，其余月份懸浮物濃度均非常低，低于5 mg/L的平均湖面面積占97.2%。8月，懸浮物濃度均值達到最大，為3.85 mg/L，但其中濃度高于10 mg/L的湖面面積為6.2%，而低于5 mg/L的湖面面積達到76.2%。8月之后，隨著由布多藏布帶來的懸浮泥沙擴散、沉降，懸浮物濃度降低。同樣是在11月，在塔若錯的東北角也觀察到了懸浮物濃度的升高。

4 湖泊懸浮物年度合成時空變化分析

2013～2023年色林錯、扎日南木錯以及塔若錯遙感反演的湖泊面積與懸浮物均值如圖6所示。其中，色林錯湖泊面積每年增長約7.47 km2，并且在此期間增長趨勢穩定，并在2023年達到了約2 439.85 km2；扎日南木錯湖泊面積每年增長約4.46 km2，塔若錯湖泊面積每年增長約1.01 km2。自2013年以來，色林錯、扎日南木錯和塔若錯湖面面積分別增長了2.87%（約68.14 km2）、3.01%（約30.31 km2）、1.01%（約4.87 km2），與相關研究結論一致［27-29］。

氣象要素是驅動西藏高原湖泊面積變化的主要因素。降水量的增加對色林錯的湖泊面積擴張產生貢獻［31］。2015年，由于強烈的厄爾尼諾事件影響，降水減少導致湖泊面積減小，并在降水較少的2022年也觀察到湖泊面積減小。許多研究也表明，青藏高原冰川處于全面退縮狀態［32-33］，氣候變暖導致的冰川消融帶來徑流增加使得西藏湖泊不斷擴大。色林錯上游的格拉丹東地區冰川面積呈不斷退縮狀態，1986～2020年此地區冰川面積減少了90.75 km2［33］。此外，冰川消融水匯入徑流會帶來大量的細小顆粒，大型冰川的不斷消融，可能影響湖泊懸浮物濃度的變化。升高的氣溫增加冰川融水量，對湖泊面積和懸浮物濃度有一定的影響。色林錯湖泊面積不斷增長和穩定趨勢與其上游流域內的冰川不斷消融有關。相比之下，扎日南木錯、塔若錯湖泊面積變化受降水量影響更為顯著，當降水量水平較高時，如2016～2018年間，這兩個湖泊快速擴張，而來到2019年降水量與湖泊面積增長前水平較為一致，來自徑流的補給無法維持湖面面積擴大帶來的額外蒸散，2020年～2022年這兩個湖泊面積下降。此外，湖面面積與懸浮物濃度均值在扎日南木錯和塔若錯表現為同步，也是受徑流的影響。

2013～2023年色林錯、扎日南木錯以及塔若錯遙感反演的懸浮物濃度以及西藏年降水量，如圖7所示。年降水量與各湖泊的懸浮物濃度存在相關性，相關系數分別為0.74，0.52以及0.69。降水引起的徑流的增加可以增強從流域到湖泊的沉積物的搬運，相比之下，色林錯和塔若錯湖泊懸浮物濃度受降水量的影響更大。同時，色林錯擁有主要入湖河流有西藏最長內流河扎加藏布、流域面積最大的扎根藏布，河流徑流帶來泥沙是色林錯懸浮物濃度較為穩定且與降水量相關性較大的原因之一。除2015年降水量較少，徑流減少導致河流帶來的懸浮泥沙量減少外，在2018年之前3個湖泊均觀測到懸浮物濃度的持續增長，隨著懸浮物濃度的上升，湖泊濁度增加，可能對初級生產造成影響［26］；但這種湖泊懸浮物濃度的增加趨勢并未一直持續，隨著年降水量的減少，3個湖泊的懸浮物濃度均有不同程度的下降或穩定趨勢，且2022年年降水量減少，懸浮物濃度降低很多。其次，在這3個湖泊，根據懸浮物濃度均值的標準差，年降水量與懸浮物濃度變化的相關系數為0.63，表示在一定程度上年降水量較多的年份，一年中懸浮物濃度變化越大。

5 結 論

基于西藏典型湖泊29個采樣點水質實測數據和LandSat8 Collection2遙感數據，使用PIE-Engine Studio平臺，對比分析了基于單波段和多波段組合的多種總懸浮物濃度反演模型，最終選出了最優的總懸浮物濃度反演模型，并運用該模型分析了色林錯、扎日南木錯以及塔若錯2013～2023年月度合成時空變化特征。主要結論如下：

（1） 通過對LandSat8 Collection2地表反射率數據與總懸浮物濃度、總懸浮物濃度的自然對數的相關性進行分析，發現以波段反射率組合（B3+B4）、（B2/B3）（B2為藍光波段，B3為綠光波段，B4為紅光波段）為自變量的三波段模型為西藏典型湖泊總懸浮物濃度遙感反演最佳模型（建模時R2=0.815，RMSE=4.739 mg/L；驗證時R2=0.881，RMSE=5.616 mg/L），相比中國湖泊群以及類似高原湖泊的已有模型精度較高。

（2） 基于總懸浮物濃度遙感反演最佳模型，對色林錯、扎日南木錯和塔若錯的總懸浮物濃度進行時空變化分析。色林錯夏季總懸浮物濃度高，而春秋季低；其北部顯示出較高的總懸浮物濃度，夏季主要分布在西北岸，而秋冬季分布在東北岸，南部和東部相對較低，這種分布與北部受扎加藏布攜帶的陸源物質和風向的影響密切相關；總懸浮物濃度的峰值出現在7月，達到15.70 mg/L。扎日南木錯總懸浮物濃度在西部較高，夏季西部湖面面積明顯擴張，導致高值區域的增加；而東南突出部分和東部則較低；西部的懸浮物主要來自措勤藏布和淺水區的擾動，而東南突出部分和東部的懸浮物分別來自南部山脈的河流和流經達馬孜壤錯的河流；總懸浮物濃度8月最高，為12.49 mg/L。塔若錯總懸浮物濃度夏季在南部較高，而其他時間則較低，主要受布多藏布的影響；總懸浮物濃度8月最高，為3.85 mg/L。此外，3個湖泊均在11月時出現東部的懸浮物濃度重新升高的現象，這與風向有關。此外，年降水量與各湖泊的懸浮物濃度存在相關性，相關系數分別為0.74、0.52以及0.69。2013～2023年期間，懸浮物濃度的年均值先是逐年升高，在2018年后隨著年降水量的減少而逐漸下降或穩定。

（3） 自2013年以來，色林錯、扎日南木錯和塔若錯湖面面積分別增長了2.87%（約68.14 km2）、3.01%（約30.31 km2）、1.01%（約4.87 km2）。色林錯湖泊面積不斷增長和穩定趨勢與其上游流域內的冰川不斷消融有關。相比之下，扎日南木錯、塔若錯湖泊面積變化受降水量影響更為顯著，湖面面積表現為先減少后增加。升高的氣溫增加冰川融水量，會帶來更多的細小顆粒，對湖泊面積和懸浮物濃度也有一定的影響。扎日南木錯和塔若錯2016～2018年快速擴張，2020～2022年萎縮，湖面面積與懸浮物濃度均值表現較同步，受降水量和徑流的共同影響。

參考文獻：

［1］ 李淵，郭宇龍，程春梅，等.基于OLCI數據的杭州灣懸浮物濃度估算及其產品適用性分析［J］.海洋學報，2019，41（9）：156-169.

［2］ 邰雪楠，王寧練，吳玉偉，等.近20 a色林錯湖冰物候變化特征及其影響因素［J］.湖泊科學，2022，34（1）：334-348.

［3］ 王波，黃津輝，郭宏偉，等.基于遙感的內陸水體水質監測研究進展［J］.水資源保護，2022，38（3）：117-124.

［4］ 王思夢，秦伯強.湖泊水質參數遙感監測研究進展［J］.環境科學，2023，44（3）：1228-1243.

［5］ 盧東爍，李建，FILIPPI A.基于長時序Landsat影像的東湖水體懸浮物濃度分析［J］.武漢大學學報（工學版），2019，52（10）：854-861.

［6］ 趙冉，楊鳳蕓，孟慶巖，等.GF-1與GF-6 WFV影像在滇池懸浮物濃度反演中的對比分析［J］.光譜學與光譜分析，2023，43（1）：198-205.

［7］ 王昉，王巍，史明，等.基于遙感的北京城區水體懸浮物濃度監測［J］.水資源保護，2013，29（4）：82-86.

［8］ 邢曉達，申茜，李俊生，等.基于HJ-CCD的漫灣壩區河流懸浮物濃度遙感反演［J］.遙感技術與應用，2016，31（4）：682-690.

［9］ 江輝，劉瑤.基于MODIS數據的鄱陽湖總懸浮物濃度監測分析［J］.人民長江，2011，42（17）：87-90.

［10］周正，萬茜婷，龍超.基于MODIS數據的懸浮物遙感反演研究［J］.人民長江，2014，45（18）：95-99.

［11］CHEN J，CUI T W，QIU Z F，et al.A three-band semi-analytical model for deriving total suspended sediment concentration from HJ-1A/CCD data in turbid coastal waters［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2014（93）：1-13.

［12］祝令亞.湖泊水質遙感監測與評價方法研究［D］.北京：中國科學院大學（遙感應用研究所），2006.

［13］徐宗寶.基于混合優化 BP 神經網絡的水質預測系統的研究與實現［D］.北京：北京工業大學，2020.

［14］HARRINGTON J A，SCHIEBE F R，NIX J F Remote sensing of Lake Chicot，Arkansas：monitoring suspended sediments，turbidity，and secchi depth with landsat MSS data［J］.Remote Sensing of Environment，1992，39 （1）：15-27.

［15］DEKKER A G，PETERS S W M.The use of the thematic mapper for the analysis of eutrophic lakes：a case study in the Netherlands［J］．International Journal of Remote Sensing，1993，14 （5）：799-821.

［16］馬榮華，戴錦芳.結合 Landsat ETM 與實測光譜估測太湖葉綠素及懸浮物含量［J］.湖泊科學，2005，17（2）：97-103.

［17］李航，范莉，徐維新，等.基于多源衛星數據的三峽庫區水體懸浮物濃度遙感監測［J］.長江流域資源與環境，2023，32（3）：611-625.

［18］況潤元，羅衛，張萌.基于實測數據與遙感影像的鄱陽湖水體光學分類［J］.長江流域資源與環境，2015，24（5）：773-780.

［19］CHANG D，WANG Z Y，NING X G，et al.Vegetation changes in Yellow River Delta wetlands from 2018 to 2020 using PIE-Engine and short time series Sentinel-2 images［J］.Frontiers in Marine Science，2022，9（1）：1-16.

［20］FENG T S，PANG Z G， JIANG W，et al.Remote sensing monitoring of cyanobacteria density in Taihu Lake based on PIE-engine［C］//International Conference on Cloud Computing，Internet of Things，and Computer Applications，2022：12303.

［21］程偉，錢曉明，李世衛，等.時空遙感云計算平臺PIE-Engine Studio的研究與應用［J］.遙感學報，2022，26（2）：335-347.

［22］龍笛，李雪瑩，李興東，等.遙感反演2000～2020年青藏高原水儲量變化及其驅動機制［J］.水科學進展，2022，33（3）：375-389.

［23］ZHU L P，WANG J B，JU J T，et al.Climatic and lake environmental changes in the Serling Co region of Tibet over a variety of timescales［J］.Science Bulletin，2019，64（7）：422-424.

［24］ZHANG G Q，BOLCH T，CHEN W F，et al.Comprehensive estimation of lake volume changes on the Tibetan Plateau during 1976—2019 and basin-wide glacier contribution［J］.Science of the Total Environment，2021，772：145463.

［25］LEI Y，YAO T，YANG K，et al.Lake seasonality across the Tibetan Plateau and their varying relationship with regional mass changes and local hydrology［J］.Geophysical Research Letters，2017，44 （2）：892-900.

［26］MI H，FAGHERAZZI S，QIAO G，et al.Climate change leads to a doubling of turbidity in a rapidly expanding Tibetan Lake［J］.Science of the Total Environment，2019，688：952-959.

［27］者萌，張雪芹，孫瑞，等.西藏羊卓雍錯流域水體水質評價及主要污染因子［J］.湖泊科學，2016，28（2）：287-294.

［28］陶慧.中國近30年湖泊秋季懸浮物濃度時空演變及其驅動因素［D］.長春：中國科學院大學（中國科學院東北地理與農業生態研究所），2020.

［29］張志軍，王茹，姚月，等.基于資源一號02D高光譜衛星影像的青海湖懸浮物濃度反演研究［J］.遙感技術與應用，2023，38（5）：1159-1166.

［30］TAO H，SONG K，LIU G，et al.Variation of satellite-derived total suspended matter in large lakes with four types of water storage across the Tibetan Plateau，China［J］.Science of The Total Environment，2022，846：157328.

［31］曾林，牛曉俊，李林.塔若錯水域變化數據集（1975-2020）的研發［J］.全球變化數據學報（中英文），2021，5（1）：73-7873-78.

［32］普布次仁，白瑪央宗，洛桑曲珍，等.2002-2017年扎日南木錯湖面面積變化分析［J］.高原山地氣象研究，2018，38（4）：67-70.

［33］德吉央宗，尼瑪吉，強巴歐珠，等.近40年西藏色林錯流域湖泊面積變化及影響因素分析［J］.高原山地氣象研究，2018，38（2）：35-41，96.

（編輯：劉 媛）

Inversion of total suspended matter in typical lakes in Tibet based on PIE-Engine Studio

ZHAO Shuang1，LIU Jinbao1，GENG Wei2，TAO Xingyu3，WANG Wanwei1

（1.School of Resources and Environment，Chengdu University of Information Technology，Chengdu 610225，China； 2.Sichuan Provincial Meteorological Disaster Defense Technology Center，Chengdu 610072，China； 3.Pingshan County Meteorological Office，Yibin 645350，China）

Abstract：

The concentration of total suspended matter （TSM） is one of the key parameters for water environment assessment and can significantly influence other parameters of the water body in various aspects.The lakes on the Qinghai-Tibet Plateau are currently undergoing significant environmental changes，and the distribution and dynamic variation of TSM concentration are closely related to the environmental conditions of these lakes.Based on the in-situ water quality data from 29 sampling points in typical lakes in Tibet and Landsat 8 Collection 2 remote sensing data，a comparative analysis was conducted using the PIE-Engine Studio remote sensing cloud computing platform to evaluate various TSM concentration retrieval models that based on single-band and multi-band combinations.The optimal TSM concentration retrieval model was selected and subsequently used to analyze the spatiotemporal variations of TSM in Siling Co，Zhari Namco，and Taro Co from 2013 to 2023.The results indicated that：① TSM was most sensitive to the green and red light bands.A three-band model using band reflectance combinations （B3+B4），（B2/B3） （where B2 represented the blue band，B3 represented the green band，and B4 represented the red band） as independent variables and TSM concentration as the dependent variable，was the optimal model for remote sensing retrieval of TSM concentration in typical lakes of Tibet.② The annual variation in TSM concentration generally followed a seasonal pattern，with higher concentrations in summer and lower concentrations in spring and autumn.In Siling Co，the concentration was higher in the northern region，with high values mainly distributed along the northwest shore in summer and shifting to the northeast shore in autumn and winter，significantly influenced by wind direction.In Zhari Namco，higher concentrations were observed in the western part，while in Taro Co，the southern region showed higher concentrations during summer.All three lakes exhibited a phenomenon that the TSM concentrations rose again in the eastern regions in November.③ There was a high correlation between annual precipitation and TSM concentration in these lakes.From 2013 to 2023，the annual average TSM concentration initially increased year by year but began to gradually decrease or stabilize after 2018 as the annual precipitation decreased.Additionally，the surface areas of Siling Co，Zhari Namco，and Taro Co expanded by 2.87% （approximately 68.14 km2），3.01% （approximately 30.31 km2），and 1.01% （approximately 4.87 km2），respectively.Siling Co continued to expand，while Zhari Namco and Taro Co initially expanded rapidly and then contracted.The changes in lake surface area were closely synchronized with the average TSM concentration，influenced by precipitation and runoff.The findings can provide a theoretical basis for assessing water quality in plateau lakes and offer scientific guidance for soil erosion control and water resource protection.

Key words：

total suspended matter； PIE-Engine Studio； remote sensing inversion； cloud computing； plateau lakes； Tibet