机器学习与多同位素技术联用揭示长江流域农业-城市梯度下磷酸盐来源解析及其驱动机制

本研究针对流域磷污染源解析精度受潜在驱动因素影响的问题，结合机器学习与多同位素技术，在长江流域开展磷酸盐来源解析研究。通过δ18O(PO4)同位素示踪与受体模型，量化了农业排放（66.1%）、畜牧源（33.9%）和磷矿开采（54.7%）等主要贡献源，发现中下游SRP浓度（0.111-0.066 mg/L）显著高于上游（0.058 mg/L）。该研究为大型流域磷污染治理提供了数据驱动的新范式。

　　

磷作为水体富营养化的关键限制因子，其过量输入已对全球河流生态系统构成严重威胁。在人类活动加剧的背景下，农业施肥、畜牧养殖和磷矿开采等活动导致大量磷进入水体，尤其在中国这样的农业大国，流域磷污染治理面临严峻挑战。长江作为亚洲最长河流，流经11个省市自治区，流域内人口密集、工农业发达，其磷污染来源复杂且具有明显的空间异质性。传统受体模型在解析磷来源时存在局限性，难以准确识别驱动因素，导致源解析结果存在不确定性。

发表于《Agricultural Water Management》的这项研究，创新性地将机器学习算法与多同位素技术相结合，首次在长江全流域尺度上开展了磷酸盐来源的精准解析。研究人员在2022年枯水期（3-5月）沿长江干流、支流及湖泊设置了130个采样点，采集了包括溶解性活性磷（SRP）、总磷（TP）、氮化合物及主要离子等水化学参数，并从中筛选62个样本进行磷酸盐氧同位素（δ¹⁸O_(PO4)

通过系统研究，团队揭示了长江流域磷污染的空间分布规律和主要来源贡献：上游地区以磷矿开采（54.7%）和畜牧源（33.9%）为主；中游地区农业源贡献显著增加至66.1%；下游则呈现农业源（48.3%）与混合源（33.3%）共同主导的格局。δ¹⁸O_(PO4)同位素分析进一步证实了不同区段的污染源特征，上游同位素值与磷岩特征相似，中下游则更接近化肥和污水处理厂出水特征。

3.1. 空间分布特征

SRP浓度呈现中游（0.111 mg/L）>下游（0.066 mg/L）>上游（0.058 mg/L）的空间分布模式，最高值出现在湖南常德站点（0.771 mg/L）。五大淡水湖中洞庭湖SRP浓度最高（0.183 mg/L），太湖水质相对较好（0.038 mg/L）。与国际主要河流相比，长江流域SRP平均浓度（0.076 mg/L）处于中等水平，显著低于恒河（0.51 mg/L）和密西西比河（0.13 mg/L），但高于亚马逊河（0.011 mg/L）和欧洲修复河流。

3.2. SOM聚类分析

SOM聚类结果显示上游SRP与NO₃^-、TP和F^-强相关，中游与NH₄⁺和TP聚类明显，下游则与NH₄⁺和TP保持强关联。氟元素与上游磷矿开采活动密切相关，而氮磷的共现特征揭示了农业活动的显著影响。

3.3. 磷酸盐氧同位素特征

δ¹⁸O_(PO4)值在上游（13.6±2.7‰）、中游（11.4±1.5‰）和下游（13.5±1.3‰）存在显著差异（p<0.01）。大多数样本的δ¹⁸O_(PO4)值偏离理论平衡值（Eδ¹⁸O_(PO4)），偏差范围-15.7‰至4.7‰，表明微生物磷循环不完全且受到外源输入的强烈影响。

3.4. 受体模型源解析

三种受体模型一致性显示：上游以磷矿源为主导（54.7%），中游农业源贡献最大（66.1%），下游农业源和混合源（工业与生活污水）共同主导。UNMIX模型在下游表现最佳（MIN R2=0.91），验证了模型在复杂人为活动区域的适用性。

研究结论表明，长江流域磷污染来源具有明显的空间梯度特征，从上游的矿业驱动逐步转变为中下游的农业和城市污染主导。机器学习与同位素技术的结合有效提升了源解析的准确性，揭示了景观格局与人类活动对磷循环的驱动机制。该研究为流域精准治磷提供了科学依据，建议通过提高磷肥利用率、加强畜禽粪污资源化利用、提升污水处理效能等措施，实现磷污染的源头控制和资源循环利用。研究成果对全球大型流域的营养盐管理具有重要借鉴意义，特别是在农业-城市梯度明显的流域系统中，这种多技术融合的方法为复杂环境污染物的源解析提供了新范式。