L&O 港科大（广州）余柳倩课题组：机器学习分离珠江口低氧年际变化的层化与富营养化贡献。
文献速读
近海低氧受层化与富营养化共同驱动，二者常受同一外部因素（如径流）影响而高度相关，传统统计方法难以分离其贡献。本研究构建可解释机器学习框架，应用于珠江口下游29年水质数据，以表观耗氧量AOU为指标，分离两类过程对低氧年际变率的贡献。结果表明，全时段非层化因素（主要为富营养化）主导AOU变化，但2007年后富营养化相关变量（浊度、磷酸盐）变率下降，AOU波动趋稳，主导因子反转为层化。该框架为近海低氧提供数据驱动归因方案。
图1 研究区域与监测站点。（a）珠江口地理位置；（b）珠江口及邻近海域水深；（c）珠江口下游69个监测站点。点色表示29年夏季平均溶解无机氮（DIN）浓度，紫色虚线划分羽流区与非羽流区
研究背景
近海低氧是全球海洋生态系统面临的重大威胁，其形成主要取决于水体层化与富营养化的共同作用：层化抑制底层氧补充，富营养化导致初级生产增强、氧消耗加剧。低氧的严重程度和时空范围存在显著年际变率，其驱动因素既包括淡水输入、热通量和风场等自然因素，也涉及人为营养盐输入。前者主要通过调控层化影响低氧，后者则主要通过驱动富营养化起作用。厘清二者的相对贡献有助于指导管理决策：若人为负荷主导，营养盐削减可带来可测改善；若自然因素（如层化）主导，则需更严格的削减措施且恢复更慢。
难点在于，层化和富营养化常受同一外部因素影响而在时间上高度相关。例如河流径流同时通过淡水输入影响层化、通过营养盐负荷影响富营养化。传统统计方法难以拆分这类共变因子。
研究方法
图2 机器学习分析框架
研究以珠江口下游为研究区，使用香港环境保护署69个站点1995-2023年月度水质数据，计算表观耗氧量（AOU；氧饱和浓度与实测氧浓度之差，正值表示耗氧）。研究聚焦夏季（6–8月）底层低氧最显著时段，并单独分析9月以探究季节差异，按表层DIN浓度划分羽流区和非羽流区。
在此基础上，研究构建三步分析框架：（1）用LightGBM模型，以7个层化相关指标（表底层盐度、表底层温度、盐度差、温度差、水深）和年度二分类变量为预测因子，预测底层AOU；（2）用SHAP方法量化各预测因子对AOU预测的贡献，将层化指标的年际贡献与年度偏移项（即非层化贡献）分离；（3）用线性回归分析浊度、硝酸盐+亚硝酸盐、磷酸盐和叶绿素a对非层化贡献年际变率的解释能力。
该框架的分离逻辑在于：层化指标捕捉随层化强弱变化的AOU部分，年度二分类变量则捕捉同一年内所有站点共有的、层化指标未能解释的年际变化，这部分即归为非层化因素的贡献；SHAP则进一步量化各因子的贡献大小。此外，通过固定终止年份为2023、逐年推进起始年份的滑动窗口分析，探究驱动贡献随分析时段的变化。
主要发现
1. 全时段（1995–2023）非层化因素主导夏季耗氧年际变率
全时段非层化因素主导AOU年际变率，其年际波动幅度（时间标准差）为层化贡献的1.3倍（羽流区）至1.8倍（非羽流区）。这说明以富营养化相关过程为主的非层化因素是夏季AOU年际变化的主控因子。
图3 模型预测的层化与非层化因素对AOU的贡献。(a-b) 逐年贡献时间序列，图例给出全时段（1995–2023）标准差（代表波动幅度）；(c-d) 1995-2006年（空心）与2007-2023年（实心）的均值与标准差对比
2. 2007年后耗氧趋于高位稳定，年际变率的主导因子反转为层化
2007年后，富营养化相关变量（浊度、磷酸盐）变率下降，AOU维持在更高水平但波动趋稳，主导因子由非层化反转为层化。层化贡献的 AOU略有下降（羽流区 8%、非羽流区 3%），但波动幅度增大；非层化贡献则大幅上升（分别增加 25% 和 45%），波动幅度急剧下降（分别减少 28% 和 67%）。因此，2007年后非层化贡献虽量级更高，其年际波动已小于层化贡献，年际风险的预测将更依赖气候敏感的水动力因子。
图4 不同时间窗下AOU及其驱动因素的波动幅度（以标准差SD衡量，值越大表示年际波动越剧烈）。（a）实测AOU的波动幅度；（b）层化与非层化贡献的波动幅度；（c-f）浊度、磷酸盐、硝酸盐+亚硝酸盐和叶绿素a波动幅度相对于全时段基准的变化
3. 富营养化主控因子由浊度转向营养盐，且存在季节反转
2007年前浊度（光照条件）是非层化贡献年际变率的主控因子，2007年后磷酸盐、硝酸盐等营养盐变得关键，这可能与浊度下降、光照改善后系统对营养盐输入更敏感有关。
9月（初秋）层化对全时期AOU年际变率的贡献超过非层化，可能源于夏季累积的有机质在初秋继续分解、抬高底层氧需求，使系统对物理氧供给更敏感。这表明低氧主控因子随季节而变。
研究意义与管理启示
对珠江口下游而言，长期治理应把削减营养盐输入放在首位，以降低偏高的耗氧本底；同时，年际风险预判需加强对径流、增温、风场与层化的监测预报。本研究构建的可解释机器学习框架，为分离时间上共变的层化与富营养化贡献提供了定量归因方案，可应用于全球长期多站点监测的河口与海湾，识别驱动转换、支撑适应性管理。
论文信息
Isolating the impacts of stratification and eutrophication on interannual variability in coastal oxygen depletion
刘周啸, 余柳倩*, 陈政
Limnology and Oceanography
DOI：10.1002/lno.70443
原文链接
https://aslopubs.onlinelibrary.wiley.com/doi/10.1002/lno.70443
扫码阅读全文
期刊介绍
Limnology and Oceanography (LO) 是发表湖沼学与海洋学各领域研究成果的国际期刊，聚焦水生生态系统的科学理解，欢迎物理、化学与生物方向、实证或理论方法的研究论文、报告、综述与评论，研究尺度涵盖元素到地质、生态到进化、物种到生态系统、局部到全球，是水科学领域的重要学术交流平台。
2025 JIF：3.5 ｜ CiteScore：6.9
https://aslopubs.onlinelibrary.wiley.com/journal/19395590
扫码进入期刊主页
来源：Limnology and Oceanography
