東北地理所在耦合多源數(shù)據(jù)、機(jī)器學(xué)習(xí)和過(guò)程模型的研究中取得進(jìn)展
在氣候變化與人類(lèi)活動(dòng)雙重壓力下，水質(zhì)問(wèn)題日益嚴(yán)峻。傳統(tǒng)監(jiān)測(cè)手段存在局限，中國(guó)科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所水環(huán)境健康與模擬學(xué)科組在綜述性研究中提出，融合遙感（RS）、機(jī)器學(xué)習(xí)（ML）與過(guò)程模型（PBMs）的綜合方法，提升監(jiān)測(cè)精度與智能化管理水平，拓展時(shí)空覆蓋，降低成本，并支持科學(xué)決策。
本研究通過(guò)文獻(xiàn)綜述，系統(tǒng)研究梳理了遙感、機(jī)器學(xué)習(xí)、過(guò)程模型在水質(zhì)監(jiān)測(cè)與預(yù)測(cè)中的優(yōu)勢(shì)和不足，指出它們分別具備大范圍觀(guān)測(cè)、智能預(yù)測(cè)和機(jī)理模擬等優(yōu)勢(shì)，但也存在分辨率權(quán)衡、數(shù)據(jù)依賴(lài)性強(qiáng)、計(jì)算開(kāi)銷(xiāo)大等局限；同時(shí)回顧了現(xiàn)有的集成探索，如：RS + ML、PBMs + ML,雖然在復(fù)雜參數(shù)反演、模型校準(zhǔn)等方面有所改進(jìn)，但仍面臨“黑箱”屬性突出、對(duì)數(shù)據(jù)質(zhì)量依賴(lài)度高等挑戰(zhàn)。基于此，文章提出了一種綜合框架，通過(guò)多源遙感觀(guān)測(cè)擴(kuò)展過(guò)程模型（PBMs）與機(jī)器學(xué)習(xí)（ML）的數(shù)據(jù)基礎(chǔ)，借助過(guò)程模型的機(jī)理約束提升機(jī)器學(xué)習(xí)的預(yù)測(cè)可靠性，同時(shí)利用機(jī)器學(xué)習(xí)優(yōu)化遙感數(shù)據(jù)與過(guò)程模型的校準(zhǔn)和預(yù)測(cè)精度。該框架實(shí)現(xiàn)了“多源數(shù)據(jù)—機(jī)理建模—智能預(yù)測(cè)和管理”的融合范式，不僅彌補(bǔ)了單一及雙技術(shù)集成的局限，還提升了水質(zhì)監(jiān)測(cè)的效率、準(zhǔn)確性、可解釋性與智能化水平，為全球水治理中的科學(xué)決策提供新支撐。
圖1. 耦合多源數(shù)據(jù)、機(jī)器學(xué)習(xí)與過(guò)程模型的水質(zhì)監(jiān)測(cè)、預(yù)測(cè)、管理協(xié)同框架圖
圖2. 遙感技術(shù)、機(jī)器學(xué)習(xí)和過(guò)程模型集成的概念圖
研究成果以題為《Advancing Water Quality Management: Harnessing the Synergy of Remote Sensing,Process-Based Models,and Machine Learning to Enhance Monitoring and Prediction》，近期發(fā)表于Remote Sensing（影響因子IF=4.1），由水環(huán)境健康與模擬組的碩士研究生汪培鑫（第一作者）、特別研究助理鞠含俞以及張敬杰研究員（通訊作者）等共同完成。研究得到了國(guó)家自然科學(xué)基金面上項(xiàng)目以及國(guó)際(地區(qū))合作與交流項(xiàng)目（42471089，4231101419）、吉林省國(guó)際科技合作項(xiàng)目（20240402026GH）及吉林省青年人才托舉工程（QT202330）的資助。
論文信息及鏈接如下：
Wang P,Zou S,Li J,Ju H,Zhang J. Advancing Water Quality Management: Harnessing the Synergy of Remote Sensing,Process-Based Models,and Machine Learning to Enhance Monitoring and Prediction. Remote Sensing. 2025;17(18):3157. https://doi.org/10.3390/rs17183157
附件下載：
吉公網(wǎng)安備22017302000214號(hào)
