利用多源数据和LSTM-eKAN模型揭示秦江二十年的水质变化动态及其驱动机制

《Ecological Indicators》：Revealing two decades of water quality dynamics and driving mechanism in the Qinjiang river using multi-source data and LSTM-eKAN model

水环境时空动态与驱动机制研究：提出CE-MSI-ED方法及LSTM-eKAN模型，实现珠江流域秦江河流体形态与水质参数（DO、NH3-N、CODMn）的时空解析，揭示非线性演变规律及人类活动、气候、水文协同驱动效应。

　　在河流生态系统中，水体形态和水质的时空动态变化对于水资源管理、生态保护和可持续发展具有重要意义。然而，这些系统的复杂性常常限制了对其变化机制的理解。为此，本研究提出了一种创新的水体提取方法——多光谱指数与高程数据协同增强（CE-MSI-ED）方法，实现了对秦江河上游、中游和下游季节性水体的高精度提取，时间跨度为2003年至2023年。研究分析表明，水体面积和宽度呈现非线性时间趋势，初期增长随后下降，这种变化在不同河段和季节间表现出显著的空间差异。为了更准确地解析水体质量参数（WQPs）的时空变化，我们开发了一种创新的长短期记忆增强Kolmogorov-Arnold网络（LSTM-eKAN）模型，该模型在2003年至2023年期间，利用Landsat 5–9和Sentinel-2多光谱图像数据，实现了对溶解氧（DO）、氨氮（NH?-N）和化学需氧量（COD??）的时间序列反演，其R2值在0.52至0.85之间，相较于传统卷积神经网络-长短期记忆网络（CNN-LSTM）模型，平均R2值提升了0.13。研究还发现，流域范围内的水质显著改善：DO浓度增加了0.32至1.03 mg/L，NH?-N和COD??则分别降低了0.01至1.28 mg/L和0.04至1.01 mg/L。通过Mantel检验和结构方程模型（SEM）分析，识别了人类活动、气候和水文因素对水质变化的关键驱动机制。其中，人类活动（路径系数=0.54，p<0.001）和水文因素（路径系数=0.70，p<0.001）对水质动态的影响尤为显著。此外，气象因素通过调节水文过程间接负向影响水质，其中降水的影响比气温更为显著。这些发现为大规模、长期的海岸河流水质监测提供了宝贵的科学支持，并为水生生态系统管理提供了理论依据。

随着沿海水域污染问题日益受到国际社会的关注，河流作为陆地和海洋生态系统之间的关键纽带，在维持区域生态平衡、保护生物多样性和支持沿海经济发展方面发挥着重要作用。然而，快速的城市化、工业废水排放和沿海水产养殖的扩张，导致了流入海洋的河流水质持续恶化，这对生态系统和人类健康构成严重威胁。遥感技术因其大规模、连续监测的优势，已成为水环境研究的重要工具。多光谱遥感数据在水体质量参数反演方面显示出特别高的可靠性，但河流流入海洋的遥感监测面临独特挑战，如淡水与海水的混合、潮汐和洋流等动态过程，导致水体光谱特征出现显著的时空变化，增加了遥感解释和水质反演的复杂性和不确定性。

目前，水体提取的主要方法包括阈值法、水体光谱指数法、面向对象方法、基于机器学习的方法以及深度学习方法。其中，面向对象方法需要复杂的参数配置，而机器学习和深度学习方法则需要大量的数据和显著的计算资源，这在一定程度上限制了它们的应用范围。相比之下，阈值法因其简单性和计算效率而被广泛使用，但单一固定阈值常导致水体分割过度或不足。水体光谱指数法作为对阈值法的改进，通过使用如归一化差异水体指数（NDWI）和改进的归一化差异水体指数（MNDWI）等指数，提高了分割的鲁棒性。然而，这种方法仍易受城市暗色建筑和植被的干扰。为了解决上述限制，本研究提出了一种综合方法，将阈值分割与高程约束优化相结合，利用多种水体光谱指数和数字高程模型（DEM）数据，构建了适合复杂环境的水体提取系统。

传统水质反演方法主要包括物理建模、统计经验方法和半物理分析。这些方法依赖于物理或统计原理和大量的实测数据，但在处理复杂的非线性问题和光学复杂的水体时表现不佳。相比之下，机器学习方法通过优化特征选择和非线性建模，有效弥补了传统方法的不足。随机森林、支持向量机和反向传播神经网络已被应用于水质参数估计，但传统机器学习方法仍存在模型参数复杂性和处理非线性能力有限的问题。深度学习因其自动特征提取和优越的非线性建模能力，相较于传统机器学习方法，在准确性和泛化能力上有所提升，成为水质反演的主导方法。例如，Xue等人（2021）证明了卷积神经网络（CNN）在叶绿素a反演中的准确性优于传统的线性回归和偏最小二乘回归模型。然而，传统深度学习方法存在计算效率低、数据需求大和难以捕捉时空水质参数的长期依赖关系等问题。为克服这些局限，Liu等人（2023）提出的CNN-LSTM模型结合了CNN的时间序列建模能力和LSTM的长期依赖捕捉能力，实现了有机碳的准确中长期预测。然而，该模型仍然面临参数数量多、训练复杂和泛化能力有限等问题。最新研究表明，LSTM-eKAN模型通过整合LSTM的时间序列建模能力和增强的Kolmogorov-Arnold网络（KAN）的非线性逼近优势，显著提升了对非光学参数的时空变化分析能力。该模型在长期船舶轨迹预测中表现出优于CNN-LSTM和CNN-GRU模型的性能，但在时间序列水质反演中的应用尚未得到验证。

在遥感水质参数反演领域，如叶绿素a、浊度和悬浮物浓度等光学活性参数的反演相对成熟。相比之下，非光学活性参数如DO、总磷（TP）的研究进展较为缓慢。这主要是由于这些参数缺乏直接的光学响应特性，反演需要依赖与光学参数的间接相关性或大量的地面实测数据。然而，实测数据的高成本和时空限制显著制约了进一步研究。其中，DO、NH?-N和COD??作为水体生态状态和污染水平的关键指标，其遥感反演面临重大挑战。近年来，时间序列深度学习模型的兴起和持续优化为分析非光学参数的时空动态提供了新的途径。特别是，LSTM-eKAN模型凭借其优越的时间序列建模和非线性逼近能力，显示出显著的潜力。

科学的水环境管理不仅需要对水质的时空变化进行精确评估，还需要明确其关键驱动机制。快速的城市化、工业扩张和沿海水产养殖的发展加剧了沿海水域的污染。尽管研究表明，水质演变受到多种因素的影响，如气候变化、水文过程、土地利用和人类活动，但其时空机制仍不清晰。具体而言，这些因素之间的相互作用以及主导驱动因素的识别仍需进一步分析。传统方法如多元回归和主成分分析（PCA）能够识别水质参数与驱动因素之间的关系，但在处理复杂相互作用方面存在局限。相比之下，Mantel检验能够有效量化环境因素与水质之间的时空关联，而结构方程模型（SEM）通过因果推断揭示了直接和间接效应，从而增强了解释力。结合这些方法可以提供对水质变化驱动因素的更全面分析。

为了应对上述挑战，本研究提出了一种新颖的多光谱指数与高程数据协同增强（CE-MSI-ED）方法，用于准确提取秦江河2003年至2023年期间的季节性水体。我们开发了LSTM-eKAN时间序列反演模型，通过与主流CNN-LSTM模型的对比分析，揭示了DO、NH?-N和COD??在秦江河全流域的时空模式。此外，我们还整合了Mantel检验和SEM，以定量探讨人类活动、气候和水文因素对水质参数时空演变的驱动机制。本研究的主要贡献包括：（1）提出了CE-MSI-ED方法，实现了秦江河全流域20年期间季节性水体的高精度提取，并量化分析了水体面积和宽度的时空变化；（2）开发了LSTM-eKAN反演模型，通过与CNN-LSTM的对比分析，验证了其在DO、NH?-N和COD??估计中的稳健性；（3）实现了秦江河全流域水质参数的时间序列反演，明确了DO、NH?-N和COD??在不同河段的时空差异特征，并揭示了其水质演变趋势；（4）整合了Mantel检验和SEM，定量分析了人类活动、气候和水文因素对DO、NH?-N和COD??时空演变的个体和协同机制。

在研究区域，秦江河位于中国第三大珠江流域，是平陆运河项目的出海口。流域面积为2457平方公里，长度179公里。该河流属于亚热带海洋季风气候，年平均气温为22℃，年降水量为2104.2毫米。显著的季节性降水导致了年际径流的大幅波动。流域内的快速城市化，受到北部湾经济区国家发展战略和钦州港保税区发展的推动，加剧了工业和水产养殖活动。这种增长引发了污染物排放的显著增加。二十年的监测表明，有机物、氮和磷的浓度显著增加，而溶解氧的浓度下降，显示出明显的水质恶化。这种长期的恶化对关键生态系统，如茅尾海红树林和中华白海豚栖息地构成了严重威胁。因此，加强秦江河流域的水资源保护和管理对于北部湾沿海生态系统的可持续发展和珠江流域生态平衡的维护具有重要意义。监测水质动态并分析其驱动机制具有重要的科学和实践价值。

为了系统地探索秦江河重要水质参数（WQPs）的动态演变模式和驱动机制，本研究的主要研究步骤包括：（1）提出了一种新的CE-MSI-ED方法，以实现2003年至2023年期间秦江河上游、中游和下游的高精度水体提取，并进行准确度验证；（2）构建了一种新型的LSTM-eKAN模型，通过与主流CNN-LSTM模型的对比分析，揭示了DO、NH?-N和COD??的时空演变模式；（3）利用LSTM-eKAN模型对秦江河全流域的WQPs进行了时空演变分析，明确了DO、NH?-N和COD??在不同河段的演变趋势；（4）结合Mantel检验和SEM，定量评估了人类活动、气候因素和水文因素对WQPs时空演变的个体和协同机制。完整的技术流程详见图2。

在研究区域，秦江河（108°30′–109°30′E, 21°50′–22°36′N）是平陆运河项目的出海口，流域面积2457平方公里，长度179公里。该河流属于亚热带海洋季风气候，年平均气温22℃，年降水量2104.2毫米。显著的季节性降水导致了年际径流的大幅波动。流域内的快速城市化，受到北部湾经济区国家发展战略和钦州港保税区发展的推动，加剧了工业和水产养殖活动。这种增长引发了污染物排放的显著增加。二十年的监测表明，有机物、氮和磷的浓度显著增加，而溶解氧的浓度下降，显示出明显的水质恶化。这种长期的恶化对关键生态系统，如茅尾海红树林和中华白海豚栖息地构成了严重威胁。因此，加强秦江河流域的水资源保护和管理对于北部湾沿海生态系统的可持续发展和珠江流域生态平衡的维护具有重要意义。监测水质动态并分析其驱动机制具有重要的科学和实践价值。

为了系统地探索秦江河重要水质参数（WQPs）的动态演变模式和驱动机制，本研究的主要研究步骤包括：（1）提出了一种新的CE-MSI-ED方法，以实现2003年至2023年期间秦江河上游、中游和下游的高精度水体提取，并进行准确度验证；（2）构建了一种新型的LSTM-eKAN模型，通过与主流CNN-LSTM模型的对比分析，揭示了DO、NH?-N和COD??的时空演变模式；（3）利用LSTM-eKAN模型对秦江河全流域的WQPs进行了时空演变分析，明确了DO、NH?-N和COD??在不同河段的演变趋势；（4）结合Mantel检验和SEM，定量评估了人类活动、气候因素和水文因素对WQPs时空演变的个体和协同机制。完整的流程详见图2。

本研究通过使用Google Earth Engine（GEE）平台，整合了Landsat 5–9和Sentinel-2 MSI传感器的多光谱图像数据，以2003–2023年期间的水体光谱指数计算为基础，构建了多光谱数据集。通过使用不同的波段组合，如双波段、三波段和四波段，生成了951个光谱特征数据集。随后，通过主成分分析（PCA）和特征选择，对高维的多光谱图像特征进行了降维和优化，以提高模型的预测精度和鲁棒性。具体步骤包括：（1）使用Pearson相关分析筛选出与实测WQPs显著相关的波段，应用初始相关系数阈值0.15至0.45，筛选出20–30个候选变量；（2）通过迭代试错方法，反复优化变量集，直到模型性能达到预设标准，即训练集R2超过0.7，测试集R2超过0.5，最终得到一组特征变量。随后，通过模型参数的微调，确定了最优配置。

为了评估模型对不同水质参数的反演准确性，本研究使用了决定系数（R2）和均方根误差（RMSE）作为标准验证指标。这些指标的定义如下：R2为实测值与预测值之间的相关系数，RMSE为实测值与预测值之间误差的平方根。模型训练过程包括：（1）使用滑动窗口（时间步长n）构建输入序列（样本数×n×特征数）；（2）通过LSTM层提取长期依赖特征，通过KAN层输出预测的WQP浓度；（3）使用均方误差（MSE）作为损失函数，通过Adam优化器进行最小化。

在研究区域，秦江河的水体提取结果通过CE-MSI-ED方法获得了显著的准确性和鲁棒性，总体准确率（OA）在0.96至0.99之间，Kappa值在0.73至0.94之间，表明该方法在不同水文时期和河段均表现出良好的性能，尽管其准确度受到水文条件的影响。上游区域的OA平均值为0.988，Kappa平均值为0.860，范围在0.79至0.92之间，只有2008年、2011年和2017年干旱季节的Kappa值低于0.80。中游区域的性能相对稳定，OA平均值为0.985，Kappa平均值为0.860，范围在0.82至0.94之间，所有时期均保持Kappa值大于0.80。下游区域表现出最大的波动性，OA平均值为0.977，Kappa平均值为0.853，范围在0.73至0.94之间，其Kappa值波动幅度（0.21）比上游和中游分别高0.08和0.09。在湿季，水体提取的Kappa值最高，范围在0.81至0.94之间，超过了正常季（0.73至0.94）和干季（0.79至0.94）的Kappa值，最高提升了0.08。

本研究还定量分析了秦江河上游、中游和下游的水体面积和河流宽度的时空变化（2003–2023），选取了2003年、2013年和2020年作为代表年份。从2003年至2013年，秦江河的水体显著扩张。总水体面积从8.386–11.220平方公里增加到10.576–12.518平方公里，增长了17.79%。上游水体面积增长最为显著，从2.105–3.067平方公里增加到2.970–3.814平方公里（+31.18%），河流宽度从60.73–62.99米增加到62.89–65.66米（+3.90%）。中游次之，水体面积从3.964–5.001平方公里增加到5.210–5.552平方公里（+20.04%），河流宽度从74.14–77.16米增加到77.30–78.45米（+2.94%）。下游变化最小，水体面积从2.317–3.144平方公里增加到2.397–3.252平方公里（+3.45%），河流宽度从129.66–132.91米增加到129.97–133.54米（+0.36%）。从2013年至2020年，水体总体收缩。总水体面积从10.576–12.518平方公里减少到8.874–10.338平方公里（-16.81%）。上游水体面积从2.970–3.814平方公里减少到2.535–2.803平方公里（-21.32%），河流宽度从62.89–65.66米减少到61.23–62.42米（-3.81%）。中游水体面积从5.210–5.552平方公里减少到4.057–4.577平方公里（-19.77%），河流宽度从77.30–78.45米减少到74.22–75.71米（-3.74%）。下游的变化最为轻微，水体面积从2.397–3.252平方公里减少到2.282–2.958平方公里（-7.23%），河流宽度从129.97–133.54米减少到129.44–132.28米（-0.68%）。水体面积和宽度沿秦江河（上游、中游、下游）表现出显著的时空异质性，特征为所有河段的夏季峰值和冬季最小值。上游的平均面积为2.85平方公里（范围：2.076–3.814平方公里），夏季平均面积（3.13平方公里）超过春季、秋季和冬季分别0.20、0.34和0.58平方公里。年际变化中，2003年的平均面积相对较低（2.674平方公里），2013年达到峰值（3.435平方公里，+10.03%），2020年下降至2.680平方公里（-8.79%），并在2023年反弹至2.895平方公里。中游的平均面积最大，为4.86平方公里（范围：3.964–5.961平方公里），夏季（5.23平方公里）超过其他季节0.31–0.71平方公里。其平均面积在2003年相对较低（4.360平方公里），2018年达到峰值（5.451平方公里），2020年急剧下降至4.333平方公里（-16.04%），并在2023年降至最低值（4.248平方公里）。下游的平均面积最小，为2.69平方公里（范围：2.238–3.392平方公里），夏季（3.18平方公里）超过其他季节0.53–0.81平方公里。其平均面积在2003年相对较小（2.680平方公里），2006年达到峰值（2.782平方公里），2020年下降至2.553平方公里（-7.31%），并在2023年恢复至2.766平方公里。河流宽度的变化与面积趋势高度一致，但波动幅度较小，从上游到下游逐渐增加，范围分别为60.59–65.66米（上游）、74.14–79.24米（中游）和129.51–134.29米（下游）。

本研究还对秦江河五处监测站的水质参数进行了反演分析，使用LSTM-eKAN模型评估了DO、NH?-N和COD??的浓度。模型表现出较强的性能，R2值范围在0.52至0.85之间，RMSE值在0.20至0.37之间，表明其在预测中具有较高的准确性和稳定性。结果显示：（1）对于DO反演，模型在不同监测站的性能差异显著，其中钦州站（R2=0.68，RMSE=0.23）和恒丰站（R2=0.72，RMSE=0.34）表现最佳，而灵山站表现最差（R2=0.52，RMSE=0.25），其R2值比恒丰站低0.20。 （2）对于NH?-N反演（R2=0.52–0.77），钦州站表现出最高精度（R2=0.77，RMSE=0.20），其次是恒丰站（R2=0.72，RMSE=0.21），而灵山站表现最差（R2=0.52，RMSE=0.28），其R2值比钦州站低0.25。 （3）总体而言，COD??的反演表现最佳（R2=0.57–0.85，R2平均值=0.716），比DO和NH?-N分别高出0.094和0.09，其中钦州站的结果尤为突出（R2=0.85，RMSE=0.21），其R2值比其他站点高出0.12–0.28，而所有监测站（除吕吴站R2=0.57外）均保持高精度（R2>0.70）。

本研究还使用CNN-LSTM模型对秦江河五处监测站的DO、NH?-N和COD??浓度进行了反演分析（图11）。模型的R2值范围在0.26至0.71之间，RMSE值在0.08至2.81之间。对于DO反演，R2值从0.34到0.59不等。恒丰站表现最佳（R2=0.59），而清 niên Shuizha站表现最差（R2=0.34），其R2值比其他站点低0.11–0.25。在NH?-N反演中，R2值从0.35到0.68不等。恒丰站（R2=0.66，RMSE=0.08）略优于钦州站（R2=0.68，RMSE=1.07），因为其RMSE显著较低。清 niên Shuizha站表现最差（R2=0.35），其R2值比其他站点低0.14–0.33。COD??的反演整体表现最佳，R2值从0.26到0.71不等。钦州站表现最佳（R2=0.71），比其他站点高出0.04–0.45。

通过比较LSTM-eKAN和CNN-LSTM模型在2003年至2023年期间对WQPs的反演性能（图12），LSTM-eKAN在准确性和稳定性方面均优于CNN-LSTM，R2值（0.52–0.85）高于CNN-LSTM（0.26–0.71），RMSE值（0.20–0.37）低于CNN-LSTM（0.08–2.81）。对于DO和COD??的反演，LSTM-eKAN在所有站点均优于CNN-LSTM，其中在清 niên Shuizha站，R2值分别提高了0.28和0.46。对于NH?-N的反演，LSTM-eKAN在大多数监测站的R2值比CNN-LSTM高出0.05–0.19，仅在灵山站略低0.03。在RMSE方面，LSTM-eKAN在灵山和钦州站的值显著降低，分别减少了0.48和0.87。相比之下，Luwu、清 niên Shuizha和恒丰站的RMSE值略微上升，范围在0.08至0.15之间。在所有站点中，COD??的反演效果最佳，LSTM-eKAN（R2平均值=0.716）比CNN-LSTM（R2平均值=0.550）提高了0.166。NH?-N的反演次之，LSTM-eKAN（R2平均值=0.622）比CNN-LSTM（R2平均值=0.546）提高了0.076。对于DO，LSTM-eKAN（R2平均值=0.626）比CNN-LSTM（R2平均值=0.486）提高了0.140。其中，钦州站表现出最高的精度，LSTM-eKAN（R2平均值=0.767，RMSE平均值=0.213）显著优于CNN-LSTM（R2平均值=0.643，RMSE平均值=1.363），R2值提高了0.123。恒丰站排名第二，LSTM-eKAN（R2平均值=0.720，RMSE平均值=0.273）也优于CNN-LSTM（R2平均值=0.640，RMSE平均值=0.467）。综上所述，LSTM-eKAN模型在WQP时间序列反演中表现出优越的性能。

本研究进一步分析了秦江河2003年至2023年期间的水质时空动态。从2003年至2013年，秦江河的水质显著改善。DO浓度在全流域范围内增加，上游从0.51–7.55 mg/L增加到0.64–7.91 mg/L（最大增加0.36 mg/L）；中游从1.32–8.21 mg/L增加到1.52–9.23 mg/L（最大增加1.02 mg/L），高浓度区域（DO > 8 mg/L）扩展；下游从0.66–6.98 mg/L增加到1.24–7.32 mg/L（最大增加0.58 mg/L），低浓度区域（DO < 2 mg/L）减少。从2013年至2020年，DO浓度的增长放缓，上游继续上升至0.83–8.33 mg/L（最大增加0.42 mg/L）；中游略有下降至1.82–8.87 mg/L，高浓度区域保持稳定；下游改善至1.69–7.64 mg/L（最大增加0.45 mg/L），低浓度区域升至4–6 mg/L。空间上，上游DO浓度主要分布在4–8 mg/L（偶尔<2 mg/L）；中游浓度通常高于上游，2013年中游浓度比上游高1.32 mg/L，通常在5–8 mg/L之间，而中游是唯一浓度超过9 mg/L的区域；下游浓度较低（2013年比中游低1.91 mg/L，通常在4–6 mg/L之间），但靠近城市污染源的区域经常降至2–4 mg/L或以下2 mg/L。季节性变化显示，春季和冬季的浓度较高（6–9 mg/L），而夏季和秋季的浓度较低（4–7 mg/L），这归因于溶解氧饱和度的降低。

本研究还进一步探讨了2003年至2023年期间NH?-N浓度的时空动态。从2003年至2013年，全流域的NH?-N浓度呈现出轻微的下降趋势。上游浓度从0.16–4.86 mg/L略微上升至0.13–4.99 mg/L，中游从0.13–0.79 mg/L下降至0.08–0.77 mg/L（下降0.05 mg/L），稳定在低于0.8 mg/L的水平，而下游从0.31–5.23 mg/L略微上升至0.25–5.34 mg/L。从2013年至2020年，浓度继续下降，高浓度区域（NH?-N > 2 mg/L）缩小，低至中浓度区域（NH?-N < 2 mg/L）扩大。上游从0.15–4.89 mg/L下降至0.1 mg/L，中游从0.05–0.81 mg/L上升，但仍然低于1 mg/L，而下游显示出最显著的下降至0.18–3.95 mg/L，最大下降1.39 mg/L。空间上，上游表现出最大的波动（0.13–4.99 mg/L），中游保持最低且最均匀的水平（0.05–0.81 mg/L），2013年的浓度比上游和下游分别低4.22 mg/L和4.57 mg/L。下游显示出高且波动的浓度（0.18–5.34 mg/L），受局部点源影响。季节性变化显示，浓度在春季和冬季较低（0.2–2 mg/L），而在夏季和秋季较高（1–4 mg/L）。

本研究还探讨了2003年至2023年期间COD??浓度的时空演变。全流域的浓度在2003年至2013年之间总体呈下降趋势。上游浓度从0.62–9.13 mg/L下降至0.43–8.87 mg/L（最大下降0.26 mg/L），浓度超过9 mg/L的区域完全消失。中游的浓度下降最为显著，从0.68–5.60 mg/L下降至0.64–4.76 mg/L（最大下降0.84 mg/L）。下游浓度从0.86–7.88 mg/L下降至0.67–7.68 mg/L（最大下降0.20 mg/L）。从2013年至2020年，下降趋势减缓。上游浓度略有上升至0.69–9.07 mg/L，尽管中低浓度区域（COD?? < 6 mg/L）扩展。中游浓度略微上升至0.55–4.89 mg/L，而下游浓度显著下降至1.02–6.87 mg/L（最大下降0.81 mg/L），高浓度区域（COD?? > 6 mg/L）缩小。空间上，上游保持最高且最波动的浓度（0.43–9.13 mg/L），而中游显示出最低且最均匀的水平（0.55–5.60 mg/L），2013年的浓度比上游和下游分别低4.11 mg/L和2.92 mg/L。下游浓度范围从0.67–7.88 mg/L。季节性变化显示，浓度在春季和冬季较低（1–4 mg/L），而在夏季和秋季较高（2–7 mg/L）。

通过分析2003年至2023年期间秦江河流域三种WQPs的时空变化，本研究揭示了显著的整体改善。DO浓度从0.51–8.21 mg/L增加到0.83–8.87 mg/L，而NH?-N和COD??浓度从0.13–5.23 mg/L下降到0.05–4.89 mg/L和0.62–9.13 mg/L下降到0.55–9.07 mg/L，分别（表5）。空间上，中游水质最好，其次是上游；下游尽管受污染源影响更大，但显示出显著的改善。季节性差异显著，春季和冬季的水质优于夏季和秋季。

人类活动构成了水质变化的主要驱动因素，表现出显著的空间异质性。这些活动在上游和中游对水质有积极影响，但在下游却产生了负面影响。这种差异归因于工业结构的梯度：农业和小型工业在上游和中游占主导地位，经济发展（GDP增长）促进了污水处理和农业管理的改善。相比之下，下游的工业中心由于工业、港口物流和水产养殖活动，产生了大量污染物。加上生态流量受限，工业扩张与经济发展进一步加剧了水质的恶化。此外，气象因素通过调节水文过程间接对水质产生负面影响，其中降水的影响比气温更为显著。这些发现不仅揭示了人类活动和自然因素对水质变化的综合影响，还为水生生态系统管理提供了科学依据。

在研究区域，秦江河的水体面积和宽度呈现出明显的季节性变化，表现为夏季丰水和冬季枯水的模式。平均总水体面积在夏季（11.54平方公里）比冬季（9.44平方公里）增加了22.25%，这主要受到亚热带海洋季风气候降水模式的调节。集中夏季降水增加了径流并扩展了河流通道，而冬季降水减少则导致了水体收缩。值得注意的是，自平陆运河项目于2022年启动以来，其拓宽的渠道增强了洪水排放能力，进一步放大了夏季水体的扩展。年际分析揭示了2003年、2013年和2020年期间水体的显著变化。2003年由于降水不足，水体面积相对较低，但在2013年因降水增加而达到峰值。到2020年，由于降水减少、城市化和水利工程，水体面积急剧下降。

本研究通过使用CE-MSI-ED方法，实现了对秦江河2003年至2023年期间季节性水体的高精度提取，明确了水体面积和宽度的非线性时间趋势（初始增加后下降），并在不同河段和季节间表现出显著的空间差异。研究还通过LSTM-eKAN模型，对DO、NH?-N和COD??进行了时间序列反演，揭示了其在全流域的时空演变模式。通过整合Mantel检验和SEM，定量分析了人类活动、气候和水文因素对水质变化的个体和协同机制。研究结果表明，GDP、径流和水温对水质具有特别显著的影响。气象变量通过调节水文过程间接对水质产生负面影响，其中降水的影响比气温更为显著。这些发现为大规模、长期的沿海河流水质监测提供了有价值的科学支持，并为水生生态系统管理提供了依据。

本研究还探讨了人类活动、气候和水文因素对水质变化的驱动机制。人类活动是水质变化的主要驱动因素，表现出显著的空间异质性。这些活动在上游和中游对水质有积极影响，但在下游却产生了负面影响。这种差异归因于工业结构的梯度：农业和小型工业在上游和中游占主导地位，经济发展（GDP增长）促进了污水处理和农业管理的改善。相比之下，下游的工业中心由于工业、港口物流和水产养殖活动，产生了大量污染物。加上生态流量受限，工业扩张与经济发展进一步加剧了水质的恶化。此外，气象因素通过调节水文过程间接对水质