全球气候变化加剧及人类活动加深，使得内陆水体蓝藻水华频发，对水生态系统造成严重威胁。作为蓝藻特有的诊断性色素，藻蓝蛋白（Phycocyanin,PC）在蓝藻水华的检测和预警中具有重要作用。然而，受光学信号弱、内陆水体复杂性高等因素制约，大规模准确估测PC浓度仍面临挑战。近日，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开发出一种基于光学分类与集成机器学习算法的PC遥感新方法，实现了对北方224个湖泊的高精度监测。

研究团队利用2021至2023年在105个湖泊和水库采集的1210份实测水样，构建了基于基线高度分类的集成模型（EMBBC），将水体划分为清水、浑浊水、高PC及中等PC四类，并通过十种机器学习算法融合输出，实现了跨水体类型的高准确率预测（R²=0.95，MAPE=32.21%）。模型应用于Sentinel-3 OLCI影像生成了北方湖泊的PC时空分布图，结果显示，东部湖泊（115°E–120°E）PC浓度普遍较高，呈波动上升趋势，而西部湖泊相对较低。

分析表明，PC浓度变化受自然和人为因素共同影响：人口密度、GDP及化肥施用量与PC浓度正相关，而夏季温度、降水及风速等自然条件也显著促进蓝藻生长。不同流域表现出差异性，人类活动对黄河、淮河及松辽流域湖泊的影响尤为突出。

该研究不仅提出了高适用性、高精度的PC遥感估测方法，还为水华监测与水环境管理提供了科学依据，对实现联合国可持续发展目标6（SDG6，清洁水与卫生设施）具有重要支撑作用。

相关成果已发表在国际期刊《ISPRS Journal of Photogrammetry and Remote Sensing》上。东北地理所联合培养硕士研究生刘世卓为论文第一作者，房冲项目副研究员为通讯作者。研究获得国家自然科学基金联合基金、国家重点研发计划及中国科学院战略性先导科技专项等共同资助。

论文信息如下：

A novel method for remote sensing phycocyanin leveraging optical classification and an integrated machine learning algorithm

论文链接：

https://www.sciencedirect.com/science/article/pii/S0924271625004162

图1基于基线高度分类的集成模型（EMBBC）框架图

图2 LHR B11/B7′算法在不同水体类别中藻蓝蛋白浓度验证框架图