在气候变化与人类活动双重压力下，水质问题日益严峻。传统监测手段存在局限，中国科学院东北地理与农业生态研究所水环境健康与模拟学科组在综述性研究中提出，融合遥感（RS）、机器学习（ML）与过程模型（PBMs）的综合方法，提升监测精度与智能化管理水平，拓展时空覆盖，降低成本，并支持科学决策。
本研究通过文献综述，系统研究梳理了遥感、机器学习、过程模型在水质监测与预测中的优势和不足，指出它们分别具备大范围观测、智能预测和机理模拟等优势，但也存在分辨率权衡、数据依赖性强、计算开销大等局限；同时回顾了现有的集成探索，如：RS + ML、PBMs + ML,虽然在复杂参数反演、模型校准等方面有所改进，但仍面临“黑箱”属性突出、对数据质量依赖度高等挑战。基于此，文章提出了一种综合框架，通过多源遥感观测扩展过程模型（PBMs）与机器学习（ML）的数据基础，借助过程模型的机理约束提升机器学习的预测可靠性，同时利用机器学习优化遥感数据与过程模型的校准和预测精度。该框架实现了“多源数据—机理建模—智能预测和管理”的融合范式，不仅弥补了单一及双技术集成的局限，还提升了水质监测的效率、准确性、可解释性与智能化水平，为全球水治理中的科学决策提供新支撑。
图1. 耦合多源数据、机器学习与过程模型的水质监测、预测、管理协同框架图
图2. 遥感技术、机器学习和过程模型集成的概念图
研究成果以题为《Advancing Water Quality Management: Harnessing the Synergy of Remote Sensing,Process-Based Models,and Machine Learning to Enhance Monitoring and Prediction》，近期发表于Remote Sensing（影响因子IF=4.1），由水环境健康与模拟组的硕士研究生汪培鑫（第一作者）、特别研究助理鞠含俞以及张敬杰研究员（通讯作者）等共同完成。研究得到了国家自然科学基金面上项目以及国际(地区)合作与交流项目（42471089，4231101419）、吉林省国际科技合作项目（20240402026GH）及吉林省青年人才托举工程（QT202330）的资助。
论文信息及链接如下：
Wang P,Zou S,Li J,Ju H,Zhang J. Advancing Water Quality Management: Harnessing the Synergy of Remote Sensing,Process-Based Models,and Machine Learning to Enhance Monitoring and Prediction. Remote Sensing. 2025;17(18):3157. https://doi.org/10.3390/rs17183157
