Rivers transport large amounts of carbon, serving as a critical link between terrestrial, coastal, and atmospheric biogeochemical cycles. However, our observations and understanding of long-term river carbon dynamics in large-scale remain limited. Integrating machine learning with remote sensing offers an effective approach for quantifying organic carbon (OC) from space. Here, we develop the Aquatic-Organic Carbon (Aqua-OC), a dynamic machine learning retrieval framework designed to estimate reach-scale river OC using nearly half a century of analysis-ready Landsat archives. We first integrate a globally representative river OC dataset, comprising 299,330 measurements of dissolved organic carbon (DOC) and 101,878 measurements of particulate organic carbon (POC). This dataset is then used to evaluate the performance of four machine learning methods, i.e., random forest (RF), extreme gradient boosting (XGBoost), Support vector regression (SVR), and deep neural network (DNN), using an optical water type classification strategy. We further leverage multimodal input features to enhance the Aqua-OC framework and OC retrieval accuracy by considering various factors related to OC sources and environmental conditions. The results demonstrate that the Aqua-OC can effectively estimate DOC (R2 = 0.68, RMSE = 2.88 mg/L, Bias = 2.63 %, Error = 12.52 %) and POC (R2 = 0.76, RMSE = 1.76 mg/L, Bias = 6.31 %, Error = 21.36 %). Additionally, the Mississippi River Basin case study demonstrates Aqua-OC’s capability to map nearly four decades of reach-scale OC changes at a basin scale. This study provides a generalized method for satellite-based river OC retrieval at fine spatial and long-term temporal scales, thus offering an effective tool to quantify the rivers’ role in the global carbon cycle.

中文翻译：

---

基于卫星数据和机器学习的河流有机碳反演新框架


河流输送大量碳，是陆地、沿海和大气生物地球化学循环之间的关键纽带。然而，我们对大规模河流长期碳动态的观测和理解仍然有限。将机器学习与遥感相结合为量化太空中的有机碳 （OC） 提供了一种有效的方法。在这里，我们开发了水生有机碳 （Aqua-OC），这是一个动态机器学习检索框架，旨在使用近半个世纪的分析就绪 Landsat 档案来估计达到范围的河流 OC。我们首先整合了一个具有全球代表性的河流 OC 数据集，其中包括 299,330 次溶解有机碳 （DOC） 测量和 101,878 次颗粒有机碳 （POC） 测量。然后，该数据集用于评估四种机器学习方法的性能，即随机森林 （RF）、极端梯度提升 （XGBoost）、支持向量回归 （SVR） 和深度神经网络 （DNN），使用光学水型分类策略。我们进一步利用多模态输入功能，通过考虑与 OC 来源和环境条件相关的各种因素，提高 Aqua-OC 框架和 OC 检索的准确性。结果表明，Aqua-OC 可以有效地估计 DOC （R2 = 0.68，RMSE = 2.88 mg/L，偏差 = 2.63 %，误差 = 12.52 %）和 POC （R2 = 0.76，RMSE = 1.76 mg/L，偏差 = 6.31 %，误差 = 21.36 %）。此外，密西西比河流域案例研究展示了 Aqua-OC 在流域范围内绘制近四十年来达到的 OC 变化的能力。 本研究为基于卫星的精细空间和长期时间尺度河流 OC 反演提供了一种通用方法，从而为量化河流在全球碳循环中的作用提供了有效的工具。