综述：集成提升方法（Ensemble Boosting Methods）在地表水质建模中的应用综述

本综述系统评述了集成提升算法（如AdaBoost、CatBoost、LightGBM、SGBoost、梯度提升、XGBoost和NGBoost）在河流与径流、农业与灌溉、沿海水域、水库与湖泊及废水等地表水质建模五大领域的应用。基于PRISMA指南检索Scopus、Web of Science和Google Scholar（2010年1月1日至2025年9月1日），分析156篇研究显示，XGBoost凭借其可扩展性与正则化优势，在58%比较研究中表现最优，成为预测物理、化学、重金属及生物水质参数的核心算法。

　　

引言

地表水质建模是环境科学与公共健康领域的核心课题，涉及物理、化学、重金属及生物等多类参数监测。随着机器学习技术的发展，集成提升方法（Ensemble Boosting Methods）因其高精度与强泛化能力被广泛应用于水质预测。本综述通过系统分析2010年至2025年间相关研究，探讨Boosting算法在五大水域场景中的实践价值与局限性。

研究方法

基于PRISMA系统评价指南，从Scopus、Web of Science和Google Scholar数据库中筛选2010年1月1日至2025年9月1日发表的文献。初始检索获得592项研究，经去重、筛选与全文评估后，最终纳入156篇进行深度分析。研究聚焦AdaBoost、CatBoost、LightGBM、随机梯度提升（SGBoost）、梯度提升（Gradient Boosting）、XGBoost及自然梯度提升（NGBoost）等算法，对比其在水质参数预测中的性能。

算法应用与性能比较

河流与径流水质建模

在河流环境中，XGBoost（eXtreme Gradient Boosting）被频繁用于预测溶解氧（DO）、生化需氧量（BOD₅）及总氮（TN）等参数。其正则化机制有效抑制过拟合，在处理高维水文数据时表现突出。LightGBM则因高效计算特性，在实时径流预测中应用广泛。

农业与灌溉水质评估

农业径流中的硝酸盐（NO₃^-）与农药残留监测常采用梯度提升类算法。XGBoost在整合多源遥感数据与地面传感器数据时，准确率较传统统计模型提升约23%。CatBoost则因其对类别特征的原生支持，在作物类型与水质关联分析中具独特优势。

沿海水域与富营养化预测

沿海区域藻华与富营养化现象建模中，NGBoost（Natural Gradient Boosting）在概率预测方面表现优异，能够输出参数不确定性区间。研究显示，XGBoost对叶绿素a（Chl-a）浓度预测的均方根误差（RMSE）比支持向量机（SVM）低34%。

水库与湖泊生态建模

湖泊水质预测侧重总磷（TP）、总氮（TN）及透明度（SD）等指标。AdaBoost与SGBoost在中小规模数据集上表现稳定，但XGBoost在处理季节性波动数据时鲁棒性更强，其并行计算设计显著缩短模型训练时间。

废水处理与重金属监测

工业废水中重金属（如铅Pb²⁺、镉Cd²⁺）浓度预测是Boosting算法的重点应用场景。XGBoost通过特征重要性排序，可识别关键污染源因子，在58%的对比研究中精度超越随机森林（Random Forest）与神经网络（NN）。

讨论与挑战

尽管XGBoost在多数场景中领先，但其计算资源需求较高，且对超参数调优敏感。LightGBM与CatBoost在训练效率与类别数据处理方面各有优势，但应用于小样本数据集时易出现偏差。未来研究需结合迁移学习与多任务学习框架，以提升算法在稀缺数据条件下的表现。

结论

Boosting算法已成为地表水质建模的核心工具，其中XGBoost因 scalability 与正则化能力成为主流选择。未来发展方向包括算法轻量化设计、多模态数据融合及不确定性量化，以支撑环境决策与健康风险预警。