机器学习揭示了由土壤侵蚀类型驱动的独特水生有机物质模式

科学领域:

• 环境科学 环境科学
• 遥感 遥感 遥感 遥感
• 地质化学 地质化学

背景情况:

• 染色体溶解有机物 (CDOM) 对于理解水生有机物动态和全球碳循环至关重要.
• 土壤侵蚀是湖泊中CDOM的主要来源,改变其特性并影响水生生态系统.
• 湖泊CDOM的空间模式与各种土壤侵蚀类型的关系仍然在很大程度上未被探索.

研究的目的:

• 开发一种机器学习模型,使用卫星数据估计湖泊中的CDOM度.
• 在不同土壤侵蚀地区绘制湖泊中CDOM的空间分布图.
• 研究土壤侵蚀类型与水中溶解有机物 (DOM) 的组成之间的关系.

主要方法:

• 开发了一个机器学习框架,将1300多个现场水样与Landsat 8 OLI表面反射率数据集成在一起,以估计CDOM.
• 应用了验证的模型来绘制2020年大于0.1公里2的湖泊中的CDOM度.
• 利用主要成分分析 (PCA) 和化学表征来分析不同侵蚀类型的CDOM变化和组成.

主要成果:

• 观察到CDOM的独特空间模式,355nm的平均吸收系数在融 (3.73m-1),风 (6.31m-1) 和水力 (3.72m-1) 侵蚀区域之间显著变化.
• PCA分析表明,两个轴解释了与不同土壤侵蚀类型相关的CDOM变化的48%以上.
• 化学分析显示,在风力和水力侵蚀区域中,多环芳香物占主导地位,而和不和的阿里法酸化合物在融侵蚀区域中更为普遍.

结论:

• 陆地土壤侵蚀过程对水中溶解的有机物质的组成产生重大影响.
• 该研究提供了关于土壤侵蚀和水生DOM之间的关联的关键见解,有助于评估全球碳循环.
• 这些发现强调了考虑侵蚀类型对于了解内陆水域的碳储存和生物地球化学过程的重要性.