渤海底层水体的季节性缺氧对海洋生态系统的威胁日益严重。由于底层水层难以直接观测，通过卫星遥感进行监测仍面临挑战。表层生物光学信号并不直接反映底层水体溶解氧（DO）的变化，二者之间存在明显的时间滞后。基于此，中国科学院烟台海岸带研究所海岸带环境灾害遥感与评估研究组，构建了一个多源遥感数据与决策树机器学习模型的反演框架，用于估算底层水体DO浓度。研究评估了多个卫星衍生生物光学变量的滞后区间，并确认14天滞后为表层过程对底层DO延迟影响的代表性值。

图1 （a-c）不同滞后时间下模型在测试集上的表现（平均超过100次训练重复）；（d,e）延迟14天的XGB和CB的性能；(d)XGB模型；(e)CB模型

通过遗传算法（GA）优化的特征集训练XGBoost模型，该模型表现出较高的预测性能（R²=0.86，RMSE=0.79 mg/L，MAPE=8.89%）。可解释性分析表明，海表温度是渤海底部水体DO变化的主导因素。该框架成功重现了2022年至2024年渤海底部溶解氧的时空变化，并准确捕捉到了夏季低氧区的位置。进一步分析表明，引入基于物理机制的底层变量（温度、盐度）可显著提高模型准确性（R²=0.89，RMSE=0.68 mg/L，MAPE=7.85%），凸显了它们在调节底层水体DO浓度中的关键作用。

表1 使用不同特征子集的XGB和CB模型的预测性能

图2 在考虑底水体参数的条件下：(a) XGB模型的性能；(b)解释变量的SHAP值

基于已建立的反演框架，整合扩展的现场和卫星观测数据，研究团队重建了2014年至2025年渤海底部DO的长期时间序列。分析发现，每年最小DO浓度发生在7 - 9月，数值常低于4 mg/L的缺氧阈值，多年记录的最低值达2-3 mg/L，局部地区更低。2014-2025年期间，夏季缺氧并未呈现系统性恶化趋势，但季节性发生凸显了对渤海生态风险进行持续监测的必要性。

图3 (a)利用XGB模型反演得到的渤海底部DO浓度的年际变化（2014 - 2025年）（每个点对应当月最优反演日期）。(b)在2022年至2024年间，选择了180个日期，并使用XGB模型进行长期和短期反演。左图为两种反演方式下测试集中每个样本的R²值分布，右图为相应的RMSE值分布。

图4 2022 - 2024年反演DO浓度时空分布

该研究表明，多源遥感数据在近海海域底层水体溶解氧状况监测方面具有巨大潜力。相关研究成果以“Inversion and interpretability analysis of bottom-water dissolved oxygen in the Bohai Sea using multi-source remote sensing data”为题，发表于期刊Remote Sensing，论文通讯作者为过杰研究员。该研究工作得到了国家自然科学基金与“蓝海101”航次计划的支持。

论文信息：

Li T, Guo J, Liu S, Jin Y, Ji D, Hou C, Tang H. Inversion and Interpretability Analysis of Bottom-Water Dissolved Oxygen in the Bohai Sea Using Multi-Source Remote Sensing Data. Remote Sensing. 2026, 18, 838. https://doi.org/10.3390/rs18050838