東北地理所在耦合多源數據、機器學習和過程模型的研究中取得進展
在氣候變化與人類活動雙重壓力下，水質問題日益嚴峻。傳統監測手段存在局限，中國科學院東北地理與農業生態研究所水環境健康與模擬學科組在綜述性研究中提出，融合遙感（RS）、機器學習（ML）與過程模型（PBMs）的綜合方法，提升監測精度與智能化管理水平，拓展時空覆蓋，降低成本，并支持科學決策。
本研究通過文獻綜述，系統研究梳理了遙感、機器學習、過程模型在水質監測與預測中的優勢和不足，指出它們分別具備大范圍觀測、智能預測和機理模擬等優勢，但也存在分辨率權衡、數據依賴性強、計算開銷大等局限；同時回顧了現有的集成探索，如：RS + ML、PBMs + ML,雖然在復雜參數反演、模型校準等方面有所改進，但仍面臨“黑箱”屬性突出、對數據質量依賴度高等挑戰。基于此，文章提出了一種綜合框架，通過多源遙感觀測擴展過程模型（PBMs）與機器學習（ML）的數據基礎，借助過程模型的機理約束提升機器學習的預測可靠性，同時利用機器學習優化遙感數據與過程模型的校準和預測精度。該框架實現了“多源數據—機理建模—智能預測和管理”的融合范式，不僅彌補了單一及雙技術集成的局限，還提升了水質監測的效率、準確性、可解釋性與智能化水平，為全球水治理中的科學決策提供新支撐。
圖1. 耦合多源數據、機器學習與過程模型的水質監測、預測、管理協同框架圖
圖2. 遙感技術、機器學習和過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》，近期發表于Remote Sensing（影響因子IF=4.1），由水環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。研究得到了國家自然科學基金面上項目以及國際(地區)合作與交流項目（42471089，4231101419）、吉林省國際科技合作項目（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：
吉公網安備22017302000214號
