近日，我院黄金良教授课题组在国际期刊Journal of Environmental Management上在线发表了题为“Dynamic patterns and potential drivers of river water quality in a coastal city: Insights from a machine-learning-based framework and water management”的研究论文。该研究构建了基于机器学习的耦合建模框架，通过融合自组织映射神经网络（SOM）和随机森林（RF）以解析沿海城市河流水质时空变化的动态模式和驱动机制。

研究背景

河流水质直接反映了流域的健康状况，在可持续水资源管理中发挥着核心作用。在气候变化和人类活动的共同作用下，河流水质变得更加不稳定并持续退化。水质恶化可能导致河流富营养化和缺氧，不利于河流生态系统的健康和服务，并对水生生物和人类健康造成损害。过去20年，随着城市化的进程和复杂的气候影响，中国东南沿海的水质动态发生了显著变化。系统分析河流水质的时空变化，深入掌握河流水质退化的主要过程和关键潜在驱动机制，对于制订流域可持续水资源管理策略至关重要。

本研究构建了一种基于机器学习的模型框架来表征河流水质的动态，并应用于受人类活动和气候变化双重的扰动的中国东南沿海城市—漳州市。首先利用自组织映射神经网络（SOM）探究漳州市河流水质长期的时空变化模式，随后将随机森林的机器学习模型与事后解释技术结合，探究漳州市河流水质与区域环境变量之间的非线性关系。论文旨在解决两个主要研究问题：（1）沿海城市河流水质的长期时空动态模式是什么？（2）河流水质动态的关键潜在驱动机制是什么？

图1 研究区域

图2 技术路线

研究结果

研究涉及漳州市域内34个河流水质站点，监测时间为2010-2020年，监测频率为逐月或逐两月，水质指标包括COD_Mn、NH₃-N 和TP。本研究采用基于机器学习的建模框架来解析河流COD_Mn、NH₃-N和TP的时空动态模式及其与多源变量的复杂非线性关系。SOM模型用于探索研究区内河流水质的空间分布、年际和季节性分布模式，而随机森林模型则捕捉了水质动态规律，并解释了人类活动、气候、水文、植被、土壤和土地利用等环境变量的贡献程度。研究区河流水质很大程度受到上游流域内人类活动的影响，特别是人口、肥料、污水和碳排放等因素，同时也与植被覆盖、土地利用等因素高度相关。

本研究表明，机器学习建模是一种稳健的方法，可揭示水质动态模式，表征驱动因素及其贡献度，深化对区域河流水质动态的基本理解。通过机器学习方法揭示相关的驱动因子可以帮助决策者在区域层面划定热点区域，识别需要更深入监测和管控区域，并设计恢复区域河流水质的最佳管理实践。

图3 河流水质时空变化模式：(a) COD_Mn、(b) NH₃-N和(c) TP的空间聚类结果；(d) COD_Mn、(e) NH₃-N和(f) TP的年聚类结果；

(g) COD_Mn、(h) NH₃-N和(i) TP的季节聚类结果

图4 测试阶段RF模型的性能：监测点内(a) COD_Mn、(b) NH₃-N和(c) TP的R²值；

监测点内(d) COD_Mn、(e) NH₃-N和(f) TP的NSE值；(g) COD_Mn, (h) NH₃-N, (i) TP在两个聚类内的R²和NSE值的差异

图5 基于SHAP的水质指标驱动因素分析：(a) COD_Mn、(b) NH₃-N和(c) TP驱动因子蜂群图；(d) COD_Mn、(e) NH₃-N、(f) TP驱动因子柱状图。

百分比值表示每个驱动程序的全局重要性

图6 使用SHAP方法对水质指标驱动因素的空间展示：六个类别的饼状图，包括(a) COD_Mn、(b) NH₃-N和(c) TP的21个驱动因素；

(d) COD_Mn、(e) NH₃-N和(f) TP主要驱动因素的点状图

图7 (a) COD_Mn、(b) NH₃-N和(c) TP在SOM模型划分的两个聚类中的全局重要性差异

研究团队

我院2021级博士生黄以程与陈胜粤作为论文共同第一作者，通讯作者为黄金良教授，共同作者包括我院2022级硕士生唐玺、孙畅扬、以及已毕业博士张祯宇。研究得到了国家自然科学基金（No. 41971231; 42376225）、厦门大学研究生田野调查基金（NO. 2023FG008）和2024谷歌气候行动学生研究项目（中国）（No. PJ240067）的资助。

论文来源：https://doi.org/10.1016/j.jenvman.2024.122911

Yicheng Huang, Shengyue Chen, Xi Tang, Changyang Sun, Zhenyu Zhang, Jinliang Huang. Dynamic patterns and potential drivers of river water quality in a coastal city: Insights from a machine-learning-based framework and water management[J]. Journal of Environmental Management, 2024, 370, 122911.

图、文 | 黄以程、陈胜粤

审核 | 黄金良