DOI: https://doi.org/10.22161/ijeab.112.1
تاريخ النشر: 2026-01-01
المؤلف: Haoxian Liang وآخرون
الموضوع الرئيسي: ديناميات السواحل والبحار
نظرة عامة
تستكشف هذه الدراسة توزيع وتنوع الملوحة في مصب نهر اللؤلؤ (PRE)، مع تسليط الضوء على أهميتها لفهم تطور النظام البيئي الساحلي. تتناول الأبحاث التحديات المتعلقة بالحصول على بيانات ملوحة مستمرة وطويلة الأمد في البيئات المصبّة التي تتميز بالديناميات الهيدروليكية المعقدة. للتغلب على هذه التحديات، يستخدم المؤلفون بيانات استشعار عن بعد متعددة المصادر من 2015 إلى 2025 على منصة Google Earth Engine (GEE)، ويطورون إطار عمل لتعلم الآلة غير المراقب يستفيد من الميزات متعددة الأبعاد.
يتضمن الإطار أنواع بيانات مختلفة، بما في ذلك المواد الصلبة المعلقة الكلية المستمدة من Landsat 8 (TSS)، والمواد العضوية المذابة الملونة (CDOM)، ومؤشر الفرق الطبيعي للكلوروفيل (NDCI)، ومعاملات الانكسار الخلفي لـ Sentinel-1 ($\sigma^0$)، وبيانات نموذج الارتفاع الرقمي (DEM). من خلال استخدام تجميع K-means وتحليل XGBoost-SHAP، تصنف الدراسة ميزات المياه السطحية وتقييم العوامل المساهمة فيها. تكشف النتائج عن ثلاثة هياكل مائية متميزة—تسيطر عليها المياه العذبة، وتسيطر عليها مياه البحر، ومزيج انتقالي—تظهر تباينًا كبيرًا بين السنوات مرتبطًا بظروف الجريان في حوض نهر اللؤلؤ وعوامل المناخ الإقليمي، خاصة خلال سنوات الجفاف الشديدة.
مقدمة
تؤكد مقدمة ورقة البحث على أهمية ملوحة المصب كمعلمة حاسمة تؤثر على العمليات الهيدرومائية وديناميات النظام البيئي، خاصة في مصب نهر اللؤلؤ (PRE)، وهي منطقة معقدة وحيوية اقتصاديًا في جنوب الصين. تسلط الدراسة الضوء على ضرورة فهم الديناميات المكانية والزمنية للملوحة، بما في ذلك الاتجاهات طويلة الأمد والتغيرات بين السنوات، لتقييم آثار تغير المناخ والأنشطة البشرية مثل التحضر ومشاريع إدارة المياه. تواجه طرق المراقبة التقليدية تحديات في المناطق الكبيرة والمعقدة هيدرولوجيًا مثل PRE، مما يدفع لاستكشاف تكنولوجيا الاستشعار عن بعد كبديل قابل للتطبيق للمراقبة الشاملة والفعالة من حيث التكلفة.
يشير المؤلفون إلى أنه بينما تقدم تكنولوجيا الاستشعار عن بعد مزايا، مثل المراقبة في جميع الأحوال الجوية، إلا أن لها أيضًا قيودًا بسبب تعقيد البيئات المصبّة. استخدمت الأبحاث السابقة بشكل أساسي بيانات استشعار عن بعد من مصدر واحد، مما قيد فهم ديناميات الملوحة في PRE. تهدف هذه الدراسة إلى معالجة هذه الفجوات من خلال استخدام مجموعات بيانات استشعار عن بعد متعددة المصادر من 2015 إلى 2025، مستفيدة من تحليل التجميع القائم على تعلم الآلة لتصنيف مستويات الملوحة وإعادة بناء تطور الهيكل المائي من حيث الزمان والمكان. من المتوقع أن تؤكد النتائج فعالية دمج بيانات الاستشعار عن بعد متعددة المصادر في مراقبة الأنظمة المصبّة المعقدة وتوفير رؤى حول الاستجابة طويلة الأمد للبيئة المائية في منطقة الخليج الكبرى للتغيرات الهيدرولوجية والمناخية.
طرق البحث
تحدد قسم المنهجية نهجًا منظمًا لتحليل بيانات الاستشعار عن بعد متعددة المصادر لتحديد ميزات الكتلة المائية المعتمدة على الملوحة وعواملها الدافعة على مدى سلسلة زمنية هيدرولوجية تمتد لعقد من الزمن. يتكون سير العمل من ثلاث مراحل متتالية، كما هو موضح في الشكل 2، الذي يمثل الأساس للتحليلات المكانية والزمنية اللاحقة. تم إجراء تقييم نقدي لخطط تجميع K-means، مما كشف أن تكوين K=3 هو الأمثل. يلتقط هذا الاختيار بفعالية الأنظمة الأساسية التي تسيطر عليها المياه العذبة، والانتقال المختلط، وتلك التي تسيطر عليها مياه البحر، مما يتماشى مع الهيكل الثلاثي الكلاسيكي للمصب ويوفر أساسًا قويًا للمقارنات طويلة الأمد.
في هذه الدراسة، يتم استخدام معامل الانكسار الخلفي لـ Sentinel-1 C-band VV-polarized، المرموز له بـ $\sigma^0$، ليس كبديل مباشر للملوحة ولكن كموصوف لحالات الهيدروديناميكية السطحية والخشونة. تظهر الكتل المائية المتميزة داخل مصب نهر اللؤلؤ (PRE) أنظمة ديناميكية فريدة: الكتل المائية التي تسيطر عليها المياه العذبة تتأثر بالتيارات المدية وتصريف الأنهار، مما يؤدي إلى أسطح مضطربة، بينما الكتل المائية التي تسيطر عليها مياه البحر تتأثر بمجالات الرياح، مما يؤدي إلى أسطح أكثر سلاسة. يتميز العلاقة بين $\sigma^0$ والملوحة بالتغاير الإحصائي بدلاً من السببية المباشرة، مما يعزز عملية التجميع غير المراقب من خلال توفير قيد مادي مستقل إلى جانب معلومات لون المياه البصرية. يهدف هذا الإطار المنهجي في النهاية إلى تحسين فهم العمليات البيئية والبصرية التي تؤثر على توزيع العوالق النباتية في البيئة المصبّة.
النتائج
تسلط نتائج هذه الدراسة الضوء على التطور المكاني والزمني لديناميات الكتلة المائية في حوض نهر اللؤلؤ، التي تم تحديدها من خلال دمج البيانات البصرية (المواد الصلبة المعلقة الكلية، وبديل المواد العضوية المذابة الملونة، ومؤشر الفرق الطبيعي للكلوروفيل)، والميكروويف (الانكسار الخلفي لـ Sentinel-1)، والبيانات الطبوغرافية (نموذج الارتفاع الرقمي). تم تصنيف ثلاث كتل مائية متميزة: تسيطر عليها المياه العذبة، وتسيطر عليها مياه البحر، ومنطقة انتقالية مختلطة. أشار تحليل عقدي إلى تباين كبير بين السنوات في الامتداد المكاني لهذه الكتل المائية، مرتبطًا ارتباطًا وثيقًا بظروف الجريان.
من الجدير بالذكر أنه خلال الجفاف الشديد في السنة الهيدرولوجية 2021-2022، أدى الانخفاض الكبير في تصريف المياه العذبة إلى توسع كبير في المنطقة التي تسيطر عليها مياه البحر. تؤكد هذه النتيجة حساسية الإطار للأحداث الهيدرومناخية الشديدة. من المهم ملاحظة أن النتائج تعكس التغيرات النسبية في هيكل الكتلة المائية المرتبطة بتدرجات الملوحة بدلاً من قيم الملوحة المطلقة. ومع ذلك، فإن هذه الأنماط الملاحظة توضح بفعالية الاتجاهات في ديناميات ملوحة المصب.
المناقشة
تستكشف الدراسة ديناميات الملوحة في مصب نهر اللؤلؤ (PRE) من خلال استخدام إطار عمل يدمج بيانات الاستشعار عن بعد متعددة المصادر مع تقنيات تعلم الآلة. يتميز PRE، الواقع في جنوب الصين، بتفاعلات معقدة بين تصريف الأنهار، وتأثيرات المد، وهطول الأمطار، والتيارات البحرية، مما يؤدي إلى تباينات زمنية ومكانية كبيرة في الملوحة. تستخدم الأبحاث مؤشرات استشعار عن بعد متنوعة، بما في ذلك المواد الصلبة المعلقة الكلية (TSS)، والمواد العضوية المذابة الملونة (CDOM) الممثلة بنسبة الأزرق والأخضر (BGR)، والانكسار الخلفي للرادار ذي الفتحة الاصطناعية (SAR)، ومؤشر الفرق الطبيعي للكلوروفيل (NDCI)، لتحليل هياكل الكتلة المائية وعلاقاتها بالملوحة.
يتم استخدام خوارزمية تجميع K-means لتصنيف الكتل المائية إلى ثلاثة أنواع متميزة: تسيطر عليها المياه العذبة، وتسيطر عليها مياه البحر، والمناطق الانتقالية المختلطة. تشير النتائج إلى وجود تدرج مكاني واضح يتوافق مع مستويات الملوحة، حيث يكون تأثير المياه العذبة أقوى بالقرب من مصبات الأنهار، بينما يتم ملاحظة هيمنة مياه البحر بعيدًا عن الشاطئ. تكشف الدراسة عن هياكل هرمية متسقة بين الكتل المائية على مدى عقد من الزمن، حيث تكون تركيزات TSS وCDOM أعلى في الكتلة المائية التي تسيطر عليها المياه العذبة، ويظهر الانكسار الخلفي لـ SAR تدرجًا يعكس الطاقة الهيدروديناميكية. تؤكد النتائج على فائدة بيانات الاستشعار عن بعد في توضيح ديناميات الملوحة المعقدة في البيئات المصبّة، مما يوفر رؤى قيمة للتقييمات البيئية والهيدرولوجية المستقبلية.
DOI: https://doi.org/10.22161/ijeab.112.1
Publication Date: 2026-01-01
Author(s): Haoxian Liang et al.
Primary Topic: Coastal and Marine Dynamics
Overview
This study investigates the distribution and variation of salinity in the Pearl River Estuary (PRE), highlighting its significance for understanding coastal ecosystem evolution. The research addresses the challenges of acquiring long-term, continuous in-situ salinity data in estuarine environments characterized by complex hydrodynamics. To overcome these challenges, the authors utilize multi-source remote sensing data from 2015 to 2025 on the Google Earth Engine (GEE) platform, developing an unsupervised machine learning framework that leverages multi-dimensional features.
The framework incorporates various data types, including Landsat 8-derived Total Suspended Solids (TSS), Colored Dissolved Organic Matter (CDOM), Normalized Difference Chlorophyll Index (NDCI), Sentinel-1 backscatter coefficients ($\sigma^0$), and Digital Elevation Model (DEM) data. By employing K-means clustering and XGBoost-SHAP analysis, the study classifies surface water features and evaluates their contributing factors. The findings reveal three distinct water mass structures—freshwater-dominated, seawater-dominated, and transitional mixtures—demonstrating significant interannual variability linked to runoff conditions in the Pearl River Basin and regional hydroclimatic factors, particularly during extreme drought years.
Introduction
The introduction of the research paper emphasizes the significance of estuarine salinity as a critical parameter influencing hydrochemical processes and ecosystem dynamics, particularly in the Pearl River Estuary (PRE), a complex and economically vital region in southern China. The study highlights the necessity of understanding the spatiotemporal dynamics of salinity, including long-term trends and interannual variations, to assess the impacts of climate change and human activities such as urbanization and water management projects. Traditional monitoring methods face challenges in large-scale and hydrologically intricate areas like the PRE, prompting the exploration of remote sensing technology as a viable alternative for comprehensive and cost-effective monitoring.
The authors note that while remote sensing offers advantages, such as all-weather observation, it also has limitations due to the complexity of estuarine environments. Previous research has primarily utilized single-source remote sensing data, which has constrained the understanding of salinity dynamics in the PRE. This study aims to address these gaps by employing multi-source remote sensing datasets from 2015 to 2025, utilizing machine learning-based cluster analysis to categorize salinity levels and reconstruct the water mass structure’s spatiotemporal evolution. The findings are expected to validate the effectiveness of multi-source remote sensing fusion in monitoring complex estuarine systems and provide insights into the Greater Bay Area’s aquatic environment’s long-term responses to hydrological and climatic changes.
Methods
The methodology section delineates a structured approach for analyzing multi-source remote sensing data to identify salinity-based water mass features and their driving factors over a decadal hydrological time series. The workflow consists of three sequential stages, as depicted in Figure 2, which serves as the foundation for subsequent spatiotemporal analyses. A critical evaluation of K-means clustering schemes was conducted, revealing that the K=3 configuration is optimal. This choice effectively captures the essential freshwater-dominated, mixing transition, and seawater-dominated regimes, aligning with the classical estuarine tripartite structure and providing a robust basis for long-term comparisons.
In this study, the Sentinel-1 C-band VV-polarized backscattering coefficient, denoted as $\sigma^0$, is employed not as a direct salinity proxy but as a descriptor of surface hydrodynamic states and roughness. Distinct water masses within the Pearl River Estuary (PRE) exhibit unique dynamic regimes: freshwater-dominated masses are influenced by tidal currents and river discharge, resulting in turbulent surfaces, while seawater-dominated masses are modulated by wind fields, leading to smoother surfaces. The relationship between $\sigma^0$ and salinity is characterized by statistical covariance rather than direct causation, enhancing the unsupervised clustering process by providing an independent physical constraint alongside optical water-color information. This methodological framework ultimately aims to improve the understanding of ecological and optical processes affecting phytoplankton distribution in the estuarine environment.
Results
The results of this study highlight the spatiotemporal evolution of water mass dynamics in the Pearl River Basin, identified through the integration of optical (Total Suspended Solids, Chromophoric Dissolved Organic Matter proxy, Normalized Difference Chlorophyll Index), microwave (Sentinel-1 backscatter), and topographic (Digital Elevation Model) data. Three distinct water masses were characterized: freshwater-dominated, seawater-dominated, and a mixed transitional zone. A decadal analysis indicated significant interannual variability in the spatial extent of these water masses, closely linked to runoff conditions.
Notably, during the severe drought of the 2021-2022 hydrological year, a substantial decrease in freshwater discharge resulted in a significant expansion of the seawater-dominated area. This finding underscores the framework’s sensitivity to extreme hydrometeorological events. It is important to note that the results reflect relative changes in water mass structure associated with salinity gradients rather than absolute salinity values. Nonetheless, these observed patterns effectively illustrate the trends in estuarine salinity dynamics.
Discussion
The study investigates the salinity dynamics of the Pearl River Estuary (PRE) by employing a framework that integrates multi-source remote sensing data with machine learning techniques. The PRE, located in southern China, is characterized by complex interactions between river discharge, tidal effects, precipitation, and ocean currents, leading to significant spatiotemporal variations in salinity. The research utilizes various remote sensing indicators, including Total Suspended Solids (TSS), Colored Dissolved Organic Matter (CDOM) represented by the Blue-Green Ratio (BGR), Synthetic Aperture Radar (SAR) backscatter, and the Normalized Difference Chlorophyll Index (NDCI), to analyze the water mass structures and their relationships with salinity.
The K-means clustering algorithm is employed to categorize the water masses into three distinct types: freshwater-dominated, seawater-dominated, and mixed transitional zones. The results indicate a clear spatial gradient correlating with salinity levels, where freshwater influence is strongest near river mouths, while seawater dominance is observed further offshore. The study reveals consistent hierarchical structures among the water masses over a decade, with TSS and CDOM concentrations being highest in the freshwater-dominated mass, and SAR backscatter showing a gradient reflective of hydrodynamic energy. The findings underscore the utility of remote sensing data in elucidating the complex salinity dynamics of estuarine environments, providing valuable insights for future ecological and hydrological assessments.