浮游植物吸收光谱 a_ph(λ) 是揭示湖泊生态系统中生物量、色素组成及群落结构变化的重要光学信息。然而，当前主流多光谱卫星仅提供有限离散波段观测，难以捕捉400—700 nm范围内连续光谱特征；同时，内陆湖泊复杂的光学环境进一步增加了光谱解析难度。如何利用有限的卫星观测信息恢复连续浮游植物吸收光谱，是推动湖泊生态遥感精细化监测面临的重要科学挑战。

    针对这一难题，本研究提出一种结合高斯光谱分解与机器学习的可解释反演框架，让 Sentinel-3 OLCI 多光谱卫星也能重建湖泊 400—700 nm 连续浮游植物吸收光谱。相关成果被 IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 接收。

    研究团队设计了一条“先分解、再反演、后重建”的技术路线。首先，将实测 aph(λ)光谱分解为 8 个高斯分量，发现 490.0 nm、540.1 nm 和 622.4 nm 三个关键峰值可以约束其余五个峰值，从而把复杂的连续光谱重建问题简化为三个关键峰的反演。随后，比较随机森林、XGBoost 和深度神经网络等机器学习模型，最终 XGBoost 表现最佳：利用OLCI遥感反射率和多种光谱指数，可较稳定地反演三个关键高斯峰值，再据此重建完整连续光谱。

图1. 研究技术路线：实测 a_ph(λ)高斯分解—机器学习反演三个关键峰—连续光谱重建—OLCI 卫星应用

    使用了 2008—2024 年覆盖中国 25 个湖泊的 1016 条实测生物光学数据，结果表明，独立实测验证的平均偏差为 0.07 m⁻¹，均方根误差为 0.28 m⁻¹，绝对百分比差异为 44.56%；在 OLCI 匹配验证中，平均偏差为 -0.02 m⁻¹，均方根误差为 0.32 m⁻¹，绝对百分比差异为 49.18%。红波段反演更稳定，蓝绿波段不确定性相对更高，主要与大气校正、有色可溶性有机物干扰以及色素分离误差有关。与传统的单参考波长拟合方法相比，新框架明显提升了连续光谱重建能力；与 QAA 等离散波段反演方法相比，其在多数匹配波段表现相当，同时还能给出连续光谱结构。

图2. 2016—2024 年太湖、巢湖、洱海 a_ph(665)月均变化，呈现夏秋高、冬春低的季节特征

    在此基础上，处理了2016—2024年太湖、巢湖、洱海共 6172 景 OLCI 影像，生成了连续浮游植物吸收光谱数据集。结果显示，三个湖泊的 a_ph(λ)总体在蓝光波段较高、560 nm 附近较低，并表现出明显时空差异。

    该研究将多光谱卫星观测从“离散波段反演”拓展到“连续光谱重建”，为长期监测湖泊浮游植物色素组成、群落结构和功能类群提供了新的遥感工具。研究也指出，当前框架属于降维重建方案，蓝绿波段及 670—680 nm 附近仍存在较大不确定性，未来需引入更多全球湖泊数据和 PACE 等高光谱卫星观测，进一步提升模型普适性和光谱细节刻画能力。论文第一作者为中国科学院南京地理与湖泊研究所硕士生隗晓琪，通讯作者为薛坤副研究员。

    论文信息：Xiaoqi Wei, Kun Xue, Xinhui Chen, et al. Reconstructing Continuous Phytoplankton Absorption Spectra in Lakes from Sentinel-3 OLCI Using Gaussian Decomposition and Machine Learning. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2026, DOI: 10.1109/JSTARS.2026.3719295.

    论文链接：https://ieeexplore.ieee.org/abstract/document/11636229