基于PIE-Engine Studio的西藏典型湖泊总悬浮物反演

摘要：总悬浮物浓度是水环境评价的重要参数之一，并且能在各个方面影响水体其他参数。青藏高原湖泊环境正处于大幅变化的时期，而其分布与动态变化与湖泊的环境息息相关。基于西藏典型湖泊29个采样点水质实测数据和LandSat 8 Collection 2遥感数据，使用PIE-Engine Studio平台，对比分析了基于单波段和多波段组合的多种总悬浮物浓度反演模型，选出了最优的总悬浮物浓度反演模型，并运用该模型分析了色林错、扎日南木错以及塔若错总悬浮物2013～2023年月度时空变化特征。分析结果表明：① 总悬浮物对绿光、红光波段最为敏感，以波段反射率组合（B3+B4）、（B2/B3）（B2为蓝光波段，B3为绿光波段，B4为红光波段）为自变量，总悬浮物浓度为因变量的三波段模型为西藏典型湖泊总悬浮物浓度遥感反演最佳模型；② 总悬浮物浓度年内变化总体存在季节规律，夏季浓度高，而春秋季低。在色林错，浓度在北部较高，高值夏季主要分布在西北岸，而秋冬季则在东北岸，受风向影响较大；在扎日南木错的西部较高；在塔若错，夏季在南部较高。3个湖泊均在11月时出现东部浓度重新升高的现象。③ 年降水量与各湖泊的悬浮物浓度相关性较高。年际变化中，2013～2023年，悬浮物浓度的年均值先是逐年升高，在2018年后随着年降水量的减少而逐渐下降或稳定。另外，色林错、扎日南木错、塔若错湖面面积分别增长了2.87%（约68.14 km2）、3.01%（约30.31 km2）、1.01%（约4.87 km2），色林错持续扩张，扎日南木错和塔若错先快速扩张，而后萎缩，湖面面积与悬浮物浓度均值表现较同步，均是受降水量和径流的影响。研究结果可为高原湖泊水质评价提供理论依据，为水土流失、水资源保护提供科学参考。

关 键 词：总悬浮物； PIE-Engine Studio； 遥感反演； 云计算； 高原湖泊； 西藏

中图法分类号： X87；X524

文献标志码： A

DOI：10.16232/j.cnki.1001-4179.2024.09.012

0 引 言

总悬浮物（Total Suspended Matter，TSM）是指悬浮在水中的固体物质，主要包括悬浮泥沙和浮游植物。TSM在多个方面影响水体，是营养盐、重金属等污染物的主要承载体。同时，TSM对光的吸收和散射影响水体的透明度和其他光学参数，直接对水下光场产生影响。此外，TSM在透明度、凝结核心以及垂直热结构等方面均对湖冰的形成造成影响［1-2］。

近年来，遥感技术在内陆湖泊生态环境监测中扮演着至关重要的角色，监测产品的多样性和准确性也在不断提高［3-6］。然而，由于不同湖泊之间水体光学特性存在差异，这导致绝大多数反演算法都受到明显的时空限制。目前，用于反演总悬浮物的方法包括基于经验和半经验的、非线性的机器学习方法（如神经网络、遗传算法和混合算法等），并且大量的遥感反演模型已被用于总悬浮物的定量反演以及时空分布特征的研究［7-12］。经验方法利用特定时间的地面水质实测数据和同时期的遥感数据的反射率，建立线性回归模型，以实现对悬浮物浓度的遥感反演。半经验方法结合已知水质参数的光谱信息和统计模型，利用最佳波段组合建立数学统计模型，具有一定的物理意义，同时兼具分析方法和经验方法的优ab45d9667cef867a26fe64ec917bb672点。然而，半经验方法对实测数据和遥感数据的同步性要求较高，受到特定湖泊以及不同季节的限制。与此不同，机器学习方法通过算法根据已有数据不断训练模型，以利用模型对新数据进行分析和预测。然而，机器学习需要大量的训练样本数据，可能导致结果过度拟合，带有一定的不确定性［13］。综上所述，在区域范围较小、实测数据不多或变异程度不高的情况下，经验方法仍然是首选的水质遥感反演方法。

美国陆地卫星（Landsat）被广泛应用于内陆湖泊水质参数的长时间序列遥感监测，波段范围覆盖了蓝光到短波红外。利用LandSat系列卫星进行内陆湖泊总悬浮物浓度的遥感监测已经有多年的历史，其技术相对成熟［14-16］。李航等对比分析了Landsat 8、Sentinel-2和GF-1三类卫星遥感影像数据，研究了不同卫星的波段及波段组合与水体悬浮物浓度的相关关系，筛选出了三峡库区水体中与悬浮物浓度相关的敏感波段，并进行了悬浮物反演［17］。况润元等以鄱阳湖为研究区，基于实测的反射光谱数据形态特征，将鄱阳湖的水体分为特别浑浊、中等浑浊、轻度浑浊和清水区4个类别，并对每一类别的结果进行了详细地分析［18］。具体而言，Landsat 8 Collection 2 Level 2科学产品是专门为满足太阳天顶角小于76°的条件下，根据Landsat 8 Collection 2 Level 1输入生成而设计的。这些产品是内陆环境监测的重要数据源。

PIE-Engine遥感计算云服务平台结合海量遥感数据和计算资源，通过简单代码快速实现复杂图像计算，为地球科学领域的研究提供开放数据和弹性计算力支持［19-20］。与Google Earth Engine相比，PIE-Engine以其详细的中文帮助文档、交流社区和友好的交互界面，以及同样较高的效率与准确性，在国内具有较好的适用性［21］。

气候变化对青藏高原湖泊的水环境造成显著影响，正在导致青藏高原上的大多数湖泊面积以前所未有的速度增长［22］，还对湖泊演变、水体参数的稳定产生了一定的影响［23］。除此之外，气温升高冰川融化产生的径流对下游湖泊变化也有一定的影响［24］。

本研究选择西藏高原的典型湖泊作为研究对象，利用2015年和2017年的遥感反射率数据以及实测的总悬浮物浓度等数据，在PIE-Engine Studio平台上基于Landsat 8 Collection 2 Level 2科学产品建立了总悬浮物浓度的遥感反演模型。然后，基于2013～2023的遥感影像，利用该模型分析色林错、扎日南木错以及塔若错的总悬浮物时空分布特征及其影响因素。

1 研究区概况

西藏是中国湖泊个数最多、分布最密集的地域，湖水面总面积约为2.4万km2，湖泊面积约占全中国湖泊总面积的34%，是世界上数量最多、范围最大的高原湖区，也被称为“亚洲的水塔”，被认为是世界上对气候变化最为敏感的地区之一［25］。湖泊、河流和沿海水域中的总悬浮物浓度变化受到来自外部源的侵蚀或总悬浮物供应的驱动，总悬浮物的浓度也能在一定程度上反映区域的侵蚀［26］。因此，在高原湖区进行总悬浮物的水质参数监测与评估工作显得格外关键［27］。研究区的典型湖泊以及实测数据采样点的空间分布如图1所示。

2 数据源及研究方法

2.1 总悬浮物实测数据

采用了2015、2017年西藏典型湖泊总悬浮物浓度实测数据，共涉及29个采样点，在保证建模采样点个数的情况下，在每个湖泊取一个以上采样点进行验证，共计8个验证采样点。采样点位置基本是由湖边向湖心作延伸状，采样时间集中在2015年和2017年的6～8月。在每个采样点采集水样1 000 mL，每个水样都来自水体表层，并尽快进行测定分析。本研究使用称重法测量悬浮物浓度，将湖水样品通过玻璃纤维滤膜过滤后，将过滤后的样品烘干，测量悬浮物的重量，并将其除以过滤样品的体积，从而得到悬浮物的浓度。

2.2 遥感数据

数据来源于中国自主遥感云计算平台PIE-Engine Studio提供的在线LandSat8 Collection2地表反射率数据集（https：∥engine.piesat.cn/datadetail），时间分辨率为16 d，空间分辨率为30 m［21］。由于遥感数据往往受到云、雾以及云影等因素的影响，为提高合成数据的准确性，研究使用LandSat8数据的BQA波段（质量控制波段）对数据中活跃度较高的云、雾以及云影进行了去除，以此提高合成数据结果的准确性。其中，共有8景影像参与悬浮物反演模型建模。

2.3 精度评估方法

采用皮尔逊相关系数（r）、决定系数（R2）和均方根误差（RMSE）等多个指标，评估各模型的优劣，并验证遥感反演产品的真实性，确定悬浮物浓度的最佳反演模型。

r=ni=1（Tobs，i-Tobs）（Tmod，i-Tmod）ni=1（Tobs，i-Tobs）2ni=1（Tmod，i-Tmod）2（1）

R2=1-ni=1（Tobs，i-Tmod，i）2ni=1（Tobs，i-Tobs）2（2）

MRE=ni=1Tobs，i-Tmod，iTobs，in×100%（3）

RMSE=ni=1（Tobs，i-Tmod，i）2n（4）

式中：Tobs，i为第i个实测值，Tobs为实测值的均值，mg/L；Tmod，i为第i个模型反演值，Tmod为模型反演值的均值，mg/L；n为样本总数。

3 结果与分析

3.1 敏感波段分析

在悬浮物的反演中，主要对悬浮物的有机组分以及无机组分进行分析。在实测数据中，叶绿素a的浓度范围为0.021～3.908 μg/L，均值为0.554 μg/L；悬浮物的浓度范围为0.086～42 mg/L，均值为5.271 mg/L。此外，叶绿素a与悬浮物浓度的相关系数r为0.68，并通过了0.01级别的显著性检验，表明在这些高原湖泊中，叶绿素a与悬浮物的浓度均处于低水平，且叶绿素a与悬浮物的相关性较显著。在悬浮物反演的研究中，利用可见光和近红外波段对悬浮物反演是主要手段，对于悬浮物中浮游藻类占比越高的水体，蓝光主要被吸收，反射率较低；而红光等较长波段在悬浮物颗粒的散射作用明显，悬浮物浓度越高，反射率越高。此外，对于受无机颗粒物影响较大的水体，如黄河口水体，通常可见光与全波段呈现正相关关系。

利用PIE-Engine Studio提取采样点实测对应的遥感反射率，与总悬浮物浓度以及总悬浮物浓度的自然对数进行线性拟合，结果如表1所列。从分析结果来看，绿光（B3）和红光（B4）波段与悬浮物浓度和总悬浮物的自然对数的相关性较高，相反，海岸波段（B1）、蓝光（B2）以及近红外波段（B5）的相关性较低。另外，绿光波段对总悬浮物的自然对数的相关性相较于总悬浮物浓度更显著；而在红光波段，与总悬浮物浓度的相关性较好。

针对在悬浮物反演研究中常见的波段组合进行了总悬浮物浓度以及总悬浮物浓度的自然对数的相关性分析，具体结果如表2所列。结果表明：当因变量为总悬浮物浓度时，最优波段组合为B3+B4（r=0.866）；当因变量为总悬浮物浓度的自然对数时，最优波段组合为（B3+B4）/B1（r=0.771）。

3.2 反演模型比对分析

基于经典的经验模型和本研究对悬浮物敏感波段以及各波段组合的筛选结果，对Landsat-8 OLI影像的波段进行运算和重组，筛选出了在高原湖泊悬浮物浓度估算方面表现最优的模型。针对各模型在建模数据上的拟合情况以及利用未参与建模的采样点进行的精度评价，得到了M1～M15模型的精度评价结果，详见表3。在悬浮物浓度线性坐标和自然对数坐标下，模型建模时R2最高达到了0.96，随着波段数的增加，模型建模时的精度呈逐步上升趋势，然而在验证时，R2和RMSE的表现普遍较差。

此外，M10在建模时表现最佳，R2最高为0.96，RMSE最低为2.26 mg/L，但在验证时表现稍差；M6在验证时R2最高，为0.88，且在建模、验证时表现较为稳定；验证时RMSE最低4.60 mg/L为M8，但M8在建模时拟合精度并不高，M8不作为备选；M4和M12在建模时表现较好，但在验证时高值点的预测效果不佳，过度高估悬浮物浓度导致整体精度下降。综合考虑建模时和验证时的精度，M6在建模时与验证时的表现均超过M5，表现相对稳定，且线性模型对误差具有简单的线性响应。因此，最终选择M6作为本研究最优的悬浮物反演模型。模型验证期的反演浓度与实测浓度结果的对比见图2。

此外，为了对比已有的针对中国以及高原湖泊的悬浮物浓度经验模型，本研究将验证数据（n=8）应用到这些模型中，得到如表4所示的结果。与其他青藏高原经验模型相比，本文模型的R2更高，但RMSE较低［30］。由此可见，已构建的针对中国湖泊群或类似高原湖泊的悬浮物浓度经验模型不适用于本研究中湖泊悬浮物浓度的反演，而本文模型在该地区具有相对较高的精度。

3.3 湖泊悬浮物月度合成时空变化分析

选取色林错、扎日南木错、塔若错为例进行悬浮物反演，高原湖泊遥感同时受到冬季冰期以及数据质量的限制，选取2013～2023年5～11月，基于PIE-Engine Studio反演得到月度合成悬浮物浓度，如图3～5所示。

色林错总悬浮物浓度整体呈现北部高、其余地区低的空间分布特征。北部悬浮物浓度与扎加藏布携带较多的陆源物质影响有关；东、南部则长时间处在悬浮物浓度很低的状态；西部总悬浮物最大的影响不是来自于扎根藏布，而是主要来自阿里藏布。色林错5月悬浮物浓度均值最低，为5.93 mg/L，且浓度低于5 mg/L的湖面面积约占74%；从6月开始，悬浮物浓度逐步升高并存在波动，随时间推移来自扎加藏布的陆源物质沿着西北岸扩散，与风向的影响有关。此外，在8、9月西部的悬浮物浓度也有一定的升高，主要来自阿里藏布的陆源物质；7月时，悬浮物浓度均值达到最大，为15.70 mg/L，其中浓度高于10 mg/L的湖面面积约为42.2%，而低于5 mg/L的湖面面积仅占14.01%。8月之后，相对较高悬浮物浓度的区域面积开始减小，并且西北岸的悬浮物浓度降低。11月，泥沙沉积物在东北岸悬浮，悬浮物浓度开始升高，与长吹程的西风有关［2］。

扎日南木错总悬浮物浓度整体呈现西部高、其余地区低的空间分布特征。西部悬浮物主要来自于措勤藏布和浅水区的扰动，而东南突出部分悬浮物来自南部的河流，东部悬浮物来自流经达马孜壤错的河流带来的陆源物质。从5月开始，扎日南木错的总悬浮物均值呈现上升趋势，并在8月达到最大，为12.49 mg/L，其中浓度高于10 mg/L的湖面面积约为44.8%，而低于5 mg/L的湖面面积占39.3%，集中在西部和东南的湖面突出部分，且夏季西部湖面面积的显著扩张使得高浓度区域面积进一步增加。9～10月，总悬浮物浓度逐渐下降，其中10月悬浮物浓度均值最低，为6.10 mg/L，且浓度低于5 mg/L的湖面面积约占73.5%。然而，11月时，东部地区的悬浮物重新悬浮，使得均值下降趋势停止。

塔若错的总悬浮物浓度呈现明显的季节性分布特征，布多藏布是塔若错的悬浮物的主要来源。从5月开始，塔若错的总悬浮物均值呈现上升趋势；除7、8、9月外，其余月份悬浮物浓度均非常低，低于5 mg/L的平均湖面面积占97.2%。8月，悬浮物浓度均值达到最大，为3.85 mg/L，但其中浓度高于10 mg/L的湖面面积为6.2%，而低于5 mg/L的湖面面积达到76.2%。8月之后，随着由布多藏布带来的悬浮泥沙扩散、沉降，悬浮物浓度降低。同样是在11月，在塔若错的东北角也观察到了悬浮物浓度的升高。

4 湖泊悬浮物年度合成时空变化分析

2013～2023年色林错、扎日南木错以及塔若错遥感反演的湖泊面积与悬浮物均值如图6所示。其中，色林错湖泊面积每年增长约7.47 km2，并且在此期间增长趋势稳定，并在2023年达到了约2 439.85 km2；扎日南木错湖泊面积每年增长约4.46 km2，塔若错湖泊面积每年增长约1.01 km2。自2013年以来，色林错、扎日南木错和塔若错湖面面积分别增长了2.87%（约68.14 km2）、3.01%（约30.31 km2）、1.01%（约4.87 km2），与相关研究结论一致［27-29］。

气象要素是驱动西藏高原湖泊面积变化的主要因素。降水量的增加对色林错的湖泊面积扩张产生贡献［31］。2015年，由于强烈的厄尔尼诺事件影响，降水减少导致湖泊面积减小，并在降水较少的2022年也观察到湖泊面积减小。许多研究也表明，青藏高原冰川处于全面退缩状态［32-33］，气候变暖导致的冰川消融带来径流增加使得西藏湖泊不断扩大。色林错上游的格拉丹东地区冰川面积呈不断退缩状态，1986～2020年此地区冰川面积减少了90.75 km2［33］。此外，冰川消融水汇入径流会带来大量的细小颗粒，大型冰川的不断消融，可能影响湖泊悬浮物浓度的变化。升高的气温增加冰川融水量，对湖泊面积和悬浮物浓度有一定的影响。色林错湖泊面积不断增长和稳定趋势与其上游流域内的冰川不断消融有关。相比之下，扎日南木错、塔若错湖泊面积变化受降水量影响更为显著，当降水量水平较高时，如2016～2018年间，这两个湖泊快速扩张，而来到2019年降水量与湖泊面积增长前水平较为一致，来自径流的补给无法维持湖面面积扩大带来的额外蒸散，2020年～2022年这两个湖泊面积下降。此外，湖面面积与悬浮物浓度均值在扎日南木错和塔若错表现为同步，也是受径流的影响。

2013～2023年色林错、扎日南木错以及塔若错遥感反演的悬浮物浓度以及西藏年降水量，如图7所示。年降水量与各湖泊的悬浮物浓度存在相关性，相关系数分别为0.74，0.52以及0.69。降水引起的径流的增加可以增强从流域到湖泊的沉积物的搬运，相比之下，色林错和塔若错湖泊悬浮物浓度受降水量的影响更大。同时，色林错拥有主要入湖河流有西藏最长内流河扎加藏布、流域面积最大的扎根藏布，河流径流带来泥沙是色林错悬浮物浓度较为稳定且与降水量相关性较大的原因之一。除2015年降水量较少，径流减少导致河流带来的悬浮泥沙量减少外，在2018年之前3个湖泊均观测到悬浮物浓度的持续增长，随着悬浮物浓度的上升，湖泊浊度增加，可能对初级生产造成影响［26］；但这种湖泊悬浮物浓度的增加趋势并未一直持续，随着年降水量的减少，3个湖泊的悬浮物浓度均有不同程度的下降或稳定趋势，且2022年年降水量减少，悬浮物浓度降低很多。其次，在这3个湖泊，根据悬浮物浓度均值的标准差，年降水量与悬浮物浓度变化的相关系数为0.63，表示在一定程度上年降水量较多的年份，一年中悬浮物浓度变化越大。

5 结 论

基于西藏典型湖泊29个采样点水质实测数据和LandSat8 Collection2遥感数据，使用PIE-Engine Studio平台，对比分析了基于单波段和多波段组合的多种总悬浮物浓度反演模型，最终选出了最优的总悬浮物浓度反演模型，并运用该模型分析了色林错、扎日南木错以及塔若错2013～2023年月度合成时空变化特征。主要结论如下：

（1） 通过对LandSat8 Collection2地表反射率数据与总悬浮物浓度、总悬浮物浓度的自然对数的相关性进行分析，发现以波段反射率组合（B3+B4）、（B2/B3）（B2为蓝光波段，B3为绿光波段，B4为红光波段）为自变量的三波段模型为西藏典型湖泊总悬浮物浓度遥感反演最佳模型（建模时R2=0.815，RMSE=4.739 mg/L；验证时R2=0.881，RMSE=5.616 mg/L），相比中国湖泊群以及类似高原湖泊的已有模型精度较高。

（2） 基于总悬浮物浓度遥感反演最佳模型，对色林错、扎日南木错和塔若错的总悬浮物浓度进行时空变化分析。色林错夏季总悬浮物浓度高，而春秋季低；其北部显示出较高的总悬浮物浓度，夏季主要分布在西北岸，而秋冬季分布在东北岸，南部和东部相对较低，这种分布与北部受扎加藏布携带的陆源物质和风向的影响密切相关；总悬浮物浓度的峰值出现在7月，达到15.70 mg/L。扎日南木错总悬浮物浓度在西部较高，夏季西部湖面面积明显扩张，导致高值区域的增加；而东南突出部分和东部则较低；西部的悬浮物主要来自措勤藏布和浅水区的扰动，而东南突出部分和东部的悬浮物分别来自南部山脉的河流和流经达马孜壤错的河流；总悬浮物浓度8月最高，为12.49 mg/L。塔若错总悬浮物浓度夏季在南部较高，而其他时间则较低，主要受布多藏布的影响；总悬浮物浓度8月最高，为3.85 mg/L。此外，3个湖泊均在11月时出现东部的悬浮物浓度重新升高的现象，这与风向有关。此外，年降水量与各湖泊的悬浮物浓度存在相关性，相关系数分别为0.74、0.52以及0.69。2013～2023年期间，悬浮物浓度的年均值先是逐年升高，在2018年后随着年降水量的减少而逐渐下降或稳定。

（3） 自2013年以来，色林错、扎日南木错和塔若错湖面面积分别增长了2.87%（约68.14 km2）、3.01%（约30.31 km2）、1.01%（约4.87 km2）。色林错湖泊面积不断增长和稳定趋势与其上游流域内的冰川不断消融有关。相比之下，扎日南木错、塔若错湖泊面积变化受降水量影响更为显著，湖面面积表现为先减少后增加。升高的气温增加冰川融水量，会带来更多的细小颗粒，对湖泊面积和悬浮物浓度也有一定的影响。扎日南木错和塔若错2016～2018年快速扩张，2020～2022年萎缩，湖面面积与悬浮物浓度均值表现较同步，受降水量和径流的共同影响。

参考文献：

［1］ 李渊，郭宇龙，程春梅，等.基于OLCI数据的杭州湾悬浮物浓度估算及其产品适用性分析［J］.海洋学报，2019，41（9）：156-169.

［2］ 邰雪楠，王宁练，吴玉伟，等.近20 a色林错湖冰物候变化特征及其影响因素［J］.湖泊科学，2022，34（1）：334-348.

［3］ 王波，黄津辉，郭宏伟，等.基于遥感的内陆水体水质监测研究进展［J］.水资源保护，2022，38（3）：117-124.

［4］ 王思梦，秦伯强.湖泊水质参数遥感监测研究进展［J］.环境科学，2023，44（3）：1228-1243.

［5］ 卢东烁，李建，FILIPPI A.基于长时序Landsat影像的东湖水体悬浮物浓度分析［J］.武汉大学学报（工学版），2019，52（10）：854-861.

［6］ 赵冉，杨凤芸，孟庆岩，等.GF-1与GF-6 WFV影像在滇池悬浮物浓度反演中的对比分析［J］.光谱学与光谱分析，2023，43（1）：198-205.

［7］ 王昉，王巍，史明，等.基于遥感的北京城区水体悬浮物浓度监测［J］.水资源保护，2013，29（4）：82-86.

［8］ 邢晓达，申茜，李俊生，等.基于HJ-CCD的漫湾坝区河流悬浮物浓度遥感反演［J］.遥感技术与应用，2016，31（4）：682-690.

［9］ 江辉，刘瑶.基于MODIS数据的鄱阳湖总悬浮物浓度监测分析［J］.人民长江，2011，42（17）：87-90.

［10］周正，万茜婷，龙超.基于MODIS数据的悬浮物遥感反演研究［J］.人民长江，2014，45（18）：95-99.

［11］CHEN J，CUI T W，QIU Z F，et al.A three-band semi-analytical model for deriving total suspended sediment concentration from HJ-1A/CCD data in turbid coastal waters［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2014（93）：1-13.

［12］祝令亚.湖泊水质遥感监测与评价方法研究［D］.北京：中国科学院大学（遥感应用研究所），2006.

［13］徐宗宝.基于混合优化 BP 神经网络的水质预测系统的研究与实现［D］.北京：北京工业大学，2020.

［14］HARRINGTON J A，SCHIEBE F R，NIX J F Remote sensing of Lake Chicot，Arkansas：monitoring suspended sediments，turbidity，and secchi depth with landsat MSS data［J］.Remote Sensing of Environment，1992，39 （1）：15-27.

［15］DEKKER A G，PETERS S W M.The use of the thematic mapper for the analysis of eutrophic lakes：a case study in the Netherlands［J］．International Journal of Remote Sensing，1993，14 （5）：799-821.

［16］马荣华，戴锦芳.结合 Landsat ETM 与实测光谱估测太湖叶绿素及悬浮物含量［J］.湖泊科学，2005，17（2）：97-103.

［17］李航，范莉，徐维新，等.基于多源卫星数据的三峡库区水体悬浮物浓度遥感监测［J］.长江流域资源与环境，2023，32（3）：611-625.

［18］况润元，罗卫，张萌.基于实测数据与遥感影像的鄱阳湖水体光学分类［J］.长江流域资源与环境，2015，24（5）：773-780.

［19］CHANG D，WANG Z Y，NING X G，et al.Vegetation changes in Yellow River Delta wetlands from 2018 to 2020 using PIE-Engine and short time series Sentinel-2 images［J］.Frontiers in Marine Science，2022，9（1）：1-16.

［20］FENG T S，PANG Z G， JIANG W，et al.Remote sensing monitoring of cyanobacteria density in Taihu Lake based on PIE-engine［C］//International Conference on Cloud Computing，Internet of Things，and Computer Applications，2022：12303.

［21］程伟，钱晓明，李世卫，等.时空遥感云计算平台PIE-Engine Studio的研究与应用［J］.遥感学报，2022，26（2）：335-347.

［22］龙笛，李雪莹，李兴东，等.遥感反演2000～2020年青藏高原水储量变化及其驱动机制［J］.水科学进展，2022，33（3）：375-389.

［23］ZHU L P，WANG J B，JU J T，et al.Climatic and lake environmental changes in the Serling Co region of Tibet over a variety of timescales［J］.Science Bulletin，2019，64（7）：422-424.

［24］ZHANG G Q，BOLCH T，CHEN W F，et al.Comprehensive estimation of lake volume changes on the Tibetan Plateau during 1976—2019 and basin-wide glacier contribution［J］.Science of the Total Environment，2021，772：145463.

［25］LEI Y，YAO T，YANG K，et al.Lake seasonality across the Tibetan Plateau and their varying relationship with regional mass changes and local hydrology［J］.Geophysical Research Letters，2017，44 （2）：892-900.

［26］MI H，FAGHERAZZI S，QIAO G，et al.Climate change leads to a doubling of turbidity in a rapidly expanding Tibetan Lake［J］.Science of the Total Environment，2019，688：952-959.

［27］者萌，张雪芹，孙瑞，等.西藏羊卓雍错流域水体水质评价及主要污染因子［J］.湖泊科学，2016，28（2）：287-294.

［28］陶慧.中国近30年湖泊秋季悬浮物浓度时空演变及其驱动因素［D］.长春：中国科学院大学（中国科学院东北地理与农业生态研究所），2020.

［29］张志军，王茹，姚月，等.基于资源一号02D高光谱卫星影像的青海湖悬浮物浓度反演研究［J］.遥感技术与应用，2023，38（5）：1159-1166.

［30］TAO H，SONG K，LIU G，et al.Variation of satellite-derived total suspended matter in large lakes with four types of water storage across the Tibetan Plateau，China［J］.Science of The Total Environment，2022，846：157328.

［31］曾林，牛晓俊，李林.塔若错水域变化数据集（1975-2020）的研发［J］.全球变化数据学报（中英文），2021，5（1）：73-7873-78.

［32］普布次仁，白玛央宗，洛桑曲珍，等.2002-2017年扎日南木错湖面面积变化分析［J］.高原山地气象研究，2018，38（4）：67-70.

［33］德吉央宗，尼玛吉，强巴欧珠，等.近40年西藏色林错流域湖泊面积变化及影响因素分析［J］.高原山地气象研究，2018，38（2）：35-41，96.

（编辑：刘 媛）

Inversion of total suspended matter in typical lakes in Tibet based on PIE-Engine Studio

ZHAO Shuang1，LIU Jinbao1，GENG Wei2，TAO Xingyu3，WANG Wanwei1

（1.School of Resources and Environment，Chengdu University of Information Technology，Chengdu 610225，China； 2.Sichuan Provincial Meteorological Disaster Defense Technology Center，Chengdu 610072，China； 3.Pingshan County Meteorological Office，Yibin 645350，China）

Abstract：

The concentration of total suspended matter （TSM） is one of the key parameters for water environment assessment and can significantly influence other parameters of the water body in various aspects.The lakes on the Qinghai-Tibet Plateau are currently undergoing significant environmental changes，and the distribution and dynamic variation of TSM concentration are closely related to the environmental conditions of these lakes.Based on the in-situ water quality data from 29 sampling points in typical lakes in Tibet and Landsat 8 Collection 2 remote sensing data，a comparative analysis was conducted using the PIE-Engine Studio remote sensing cloud computing platform to evaluate various TSM concentration retrieval models that based on single-band and multi-band combinations.The optimal TSM concentration retrieval model was selected and subsequently used to analyze the spatiotemporal variations of TSM in Siling Co，Zhari Namco，and Taro Co from 2013 to 2023.The results indicated that：① TSM was most sensitive to the green and red light bands.A three-band model using band reflectance combinations （B3+B4），（B2/B3） （where B2 represented the blue band，B3 represented the green band，and B4 represented the red band） as independent variables and TSM concentration as the dependent variable，was the optimal model for remote sensing retrieval of TSM concentration in typical lakes of Tibet.② The annual variation in TSM concentration generally followed a seasonal pattern，with higher concentrations in summer and lower concentrations in spring and autumn.In Siling Co，the concentration was higher in the northern region，with high values mainly distributed along the northwest shore in summer and shifting to the northeast shore in autumn and winter，significantly influenced by wind direction.In Zhari Namco，higher concentrations were observed in the western part，while in Taro Co，the southern region showed higher concentrations during summer.All three lakes exhibited a phenomenon that the TSM concentrations rose again in the eastern regions in November.③ There was a high correlation between annual precipitation and TSM concentration in these lakes.From 2013 to 2023，the annual average TSM concentration initially increased year by year but began to gradually decrease or stabilize after 2018 as the annual precipitation decreased.Additionally，the surface areas of Siling Co，Zhari Namco，and Taro Co expanded by 2.87% （approximately 68.14 km2），3.01% （approximately 30.31 km2），and 1.01% （approximately 4.87 km2），respectively.Siling Co continued to expand，while Zhari Namco and Taro Co initially expanded rapidly and then contracted.The changes in lake surface area were closely synchronized with the average TSM concentration，influenced by precipitation and runoff.The findings can provide a theoretical basis for assessing water quality in plateau lakes and offer scientific guidance for soil erosion control and water resource protection.

Key words：

total suspended matter； PIE-Engine Studio； remote sensing inversion； cloud computing； plateau lakes； Tibet