总悬浮颗粒物（Total suspended matter, TSM）是水环境评价的重要参数之一，它直接影响水质状况，决定着水下光场分布，进而影响水体的初级生产力，TSM是多种营养盐与污染物吸附的载体。TSM具有强光谱信号，可以有效的通过大气顶部及地表反射率进行估算。基于波段比的TSM浓度反演模型被广泛应用于沿海和内陆水体的TSM估算。中国科学院东北地理与农业生态研究所水环境遥感学科组科研人员开发了基于谷歌引擎（Google Earth Engine，GEE）Landsat影像的湖库TSM反演算法，在中国和全球尺度取得了相关研究进展。

　　在中国尺度上，基于2014-2020年中国湖泊实测秋季TSM浓度数据（图1）和GEE平台的Landsat 天顶角反射率产品，构建了精度较高的秋季TSM浓度遥感反演经验模型（R² = 0.87，RMSE=10.16 mg/L，MAPE=38.37%），并获取了1990-2020年中国50km²以上大型湖库秋季TSM浓度结果。以2004年为时间节点分析了1990-2004年和2004-2020年这两个时段TSM浓度时空动态变化，探索了自然和人为因素对湖泊秋季TSM浓度年际变化的响应。研究结果发现2004年以后在中国第一、第二阶梯变清的湖泊数量在增加，而第三阶梯变浑浊的湖泊数量在增加；在调控TSM年际变化的主导因素上，第一阶梯以湖泊面积和风速为主，第二阶梯以湖泊面积和NDVI为主，第三阶梯以人类活动和NDVI为主（图2）。

　　在全球尺度上，基于六大洲（除了南极洲）湖库搜集了约16400个实测TSM样点数据（图3），通过同步星地匹配（时间窗口在7天以内），共配到9640对实测数据与Landsat影像地表反射率数据集。对比分析了多种机器学习和回归方法在反演湖库TSM浓度上的精度和差异性（图4）。为了克服回归中数据集不平衡的问题，本研究使用了一种合成少数类过采样技术（Synthetic minority over sampling technique for regression with Gaussian Noise, SMOGN）。通过比较，发现梯度提升决策树模型（Gradient boosting decision tree, GBDT）、随机森林模型（Random forest, RF）和极度梯度提升树模型（Extreme gradient boosting, XGBoost）与SMOGN处理后的数据集具有良好的时空可迁移性，具有在不同年份绘制高质量Landsat地表反射率图像的潜力。在所有的模型中，GBDT模型精度（n = 6428, R² = 0.95, MAPE = 29.8%）和验证精度（n = 3214, R² = 0.95, MAPE = 29.8%）最高，其次是RF模型（验证精度为n = 3214, R² = 0.86, MAPE = 24.2%），应用这两种模型对全球不同洲的典型湖库进行验证，均表现出稳定的性能。除此之外，GBDT模型被应用到Landsat不同传感器（TM/ETM+/OLI）的影像用来评估反演的TSM结果与实测值的差异性，结果表明该模型在反演全球湖库TSM浓度的长时序结果上具有潜力。

图1 中国湖泊秋季TSM实测样点分布

图2 1990-2004年和2004-2020年中国湖泊不同类别秋季TSM浓度（a-d）、年际变化率（e-h）和年际变化趋势（i-l）的数量分布

图3 全球湖库TSM实测样点空间分布

图4 对比分析反演湖库TSM浓度的不同模型

　　上述研究成果发表在国际期刊Science of the Total Environment（IF = 10.753）和International Soil and Water Conservation Research（IF = 6.4）上，均为中国科学院SCI一区，第一作者分别为中国科学院东北地理与农业生态研究所陶慧博士和温志丹副研究员，宋开山研究员为通讯作者。上述研究得到了国际重点研发项目（2021YFB3901101）资助。

　　文章信息：Tao, H., Song, K*., Liu, G., Wen, Z., Lu, Y., Hou, J., Lyu, L., Wang, Q., Shang, Y., Li, S., and Fang, C., 2023. Response of total suspended matter to natural and anthropogenic factors since 1990 in China's large lakes. Science of the Total Environment, 892, 164474. https://doi.org/ 10.1016/j.scitotenv.2023.164474.

　　Wen, Z., Wang, Q., Ma, Y., Jacinthe, P., Liu, G., Li, S., Shang, Y., Tao, H., Fang, C., Lyu, L., Zhang, B., and Song, K., 2023. Remote estimates of suspended particulate matter in global lakes using machine learning models. International Soil and Water Conservation Research, https://doi.org/10.1016/j.iswcr.2023.07.002