Submerged aquatic vegetation (SAV) is one of the main producers in inland lakes. Tracking the temporal and spatial changes in SAV is crucial for the identification of state changes in lacustrine ecosystems, such as changes in light, nutrients, and temperature. However, the available SAV classification algorithms based on remote sensing are highly dependent on field survey data and/or human interventions, prohibiting the extraction of large-scale and/or long-term patterns. Here, we developed an automatic SAV classification algorithm using Landsat imagery, where the thresholds of two key parameters (the floating algae index (FAI) and reflectance in the shortwave-infrared (SWIR) band) are automatically determined. The algorithm was applied to eight Landsat images of four Yangtze Plain lakes and obtained a mean producer accuracy of 82.9% when gauged against field-surveyed datasets. The algorithm was further employed to obtain long-term SAV areal data from Changdang Lake on the Yangtze Plain from 1984 to 2018, and the result was highly consistent with lake transparency data. Numerical simulations indicated that our developed algorithm is insensitive to the Chl-a concentration of the water column. Yet, it has a detection limit of ~0.35 m below the water surface, and such a limit changes with different fractions of vegetation coverage within a pixel. The automatic classification algorithm proposed in this study has the potential to obtain the temporal and spatial distribution patterns of SAV in other shallow lakes where SAV grows in lakes sharing similar hydrological characteristics as the lakes in the Yangtze Plain.

水下水生植物（SAV）是内陆湖泊的主要生产者之一。跟踪SAV的时空变化对于确定湖泊生态系统的状态变化（例如光，养分和温度的变化）至关重要。但是，基于遥感的可用SAV分类算法高度依赖于实地调查数据和/或人为干预，从而禁止提取大规模和/或长期模式。在这里，我们使用Landsat影像开发了一种自动SAV分类算法，该算法可自动确定两个关键参数（浮藻指数（FAI）和短波红外（SWIR）波段的反射率）的阈值。该算法应用于四个长江平原湖的八张Landsat图像，平均生产者精度为82。根据现场调查的数据集进行评估时为9％。该算法被进一步用于获取1984年至2018年长江平原长塘湖的SAV长期面数据，其结果与湖泊透明度数据高度一致。数值模拟表明，我们开发的算法对水柱中Chl-a浓度不敏感。然而，它在水面以下的检测极限为〜0.35 m，并且该极限随着像素内植被覆盖率的不同而变化。本研究提出的自动分类算法有可能获得SAV在其他浅水湖泊中SAV的时空分布格局，在这些浅水湖泊中，SAV的生长具有与长江平原湖泊相似的水文特征。该算法被进一步用于获取1984年至2018年长江平原长塘湖的SAV长期面数据，其结果与湖泊透明度数据高度一致。数值模拟表明，我们开发的算法对水柱中Chl-a浓度不敏感。然而，它在水面以下的检测极限为〜0.35 m，并且该极限随着像素内植被覆盖率的不同而变化。本研究提出的自动分类算法有可能获得SAV在其他浅水湖泊中SAV的时空分布格局，在这些浅水湖泊中，SAV的生长具有与长江平原湖泊相似的水文特征。该算法被进一步用于获取1984年至2018年长江平原长塘湖的SAV长期面数据，其结果与湖泊透明度数据高度一致。数值模拟表明，我们开发的算法对水柱中Chl-a浓度不敏感。然而，它在水面以下的检测极限为〜0.35 m，并且该极限随着像素内植被覆盖率的不同而变化。本研究提出的自动分类算法有可能获得SAV在其他浅水湖泊中SAV的时空分布格局，在这些浅水湖泊中，SAV的生长具有与长江平原湖泊相似的水文特征。结果与湖泊透明度数据高度一致。数值模拟表明，我们开发的算法对水柱中Chl-a浓度不敏感。然而，它在水面以下的检测极限为〜0.35 m，并且该极限随着像素内植被覆盖率的不同而变化。本研究提出的自动分类算法有可能获得SAV在其他浅水湖泊中SAV的时空分布格局，在这些浅水湖泊中，SAV的生长具有与长江平原湖泊相似的水文特征。结果与湖泊透明度数据高度一致。数值模拟表明，我们开发的算法对水柱中Chl-a浓度不敏感。然而，它在水面以下的检测极限为〜0.35 m，并且该极限随着像素内植被覆盖率的不同而变化。本研究提出的自动分类算法有可能获得SAV在其他浅水湖泊中SAV的时空分布格局，在这些浅水湖泊中，SAV的生长具有与长江平原湖泊相似的水文特征。并且这种限制会随着像素内植被覆盖率的不同而变化。本研究提出的自动分类算法有可能获得SAV在其他浅水湖泊中SAV的时空分布格局，在这些浅水湖泊中，SAV的生长具有与长江平原湖泊相似的水文特征。并且这种限制会随着像素内植被覆盖率的不同而变化。本研究提出的自动分类算法有可能获得SAV在其他浅水湖泊中SAV的时空分布格局，在这些浅水湖泊中，SAV的生长具有与长江平原湖泊相似的水文特征。