基于梯度提升回归树与遥感分析的武汉东湖总氮磷时空变化研究

武汉东湖作为典型城市湖泊，长期面临富营养化问题。研究人员通过对比线性回归(LR)、岭回归(RR)、决策树回归(DTR)、随机森林(RF)和梯度提升回归树(GBRT)等模型性能，发现GBRT模型能精准反演总氮(TN)和总磷(TP)浓度变化(R2>82%)。研究揭示了1990-2020年间东湖TN/TP先升后降的演变规律，为湖泊水质管理提供了新型遥感监测方案。

　　

在武汉东湖这片城市水域中，总氮(TN)和总磷(TP)这对"营养双雄"正导演着一场持续三十年的生态大戏。科研团队搬出了机器学习界的"全明星阵容"——从传统的线性回归(LR)到新锐的梯度提升回归树(GBRT)，通过卫星遥感这把"天眼"，成功破译了水体光谱与营养盐浓度的密码。

最具戏剧性的是GBRT模型的惊艳表现，其预测精度(R²>82%)堪比实验室检测。时间轴上，1990-2013年间TN/TP浓度如同过山车般剧烈波动，而2014年后则上演了"逆袭"剧情：TN骤降50%，TP回落25%。空间分布上，湖湾和近岸区域就像两个"营养盐蓄水池"，浓度始终高于湖心区。

这项研究为湖泊治理提供了"上帝视角"，让卫星遥感与机器学习这对黄金搭档，实现了对水体营养盐的"隔空把脉"。当传统监测手段还在"盲人摸象"时，GBRT模型已经绘制出整个东湖的营养盐时空地图，为精准治污装上了"导航系统"。