京杭大运河水质时空演变特征、污染源解析及驱动机制研究

《Ecological Indicators》：Evaluation of water quality characteristics, spatiotemporal variations, and pollution sources apportionment in the Beijing-Hangzhou Grand Canal, Eastern China

本研究针对京杭大运河这一重要人工水道面临的水质恶化问题，通过构建WQI-DET指数系统评估了其水质时空变化特征，并创新性地结合随机森林回归（RFR）与SHAP可解释性方法，揭示了灌溉面积、化肥施用、气温、降水及畜禽养殖等是影响水质超标的关键驱动因子，为流域精准治理提供了科学依据。

　　

京杭大运河，作为世界上最长的人工河流，蜿蜒穿越中国东部多个核心城市，不仅承载着千年的历史文脉，更是当今区域经济发展的“黄金水道”。然而，随着沿线城市工业化、城镇化的快速推进，这条古老运河的水生态环境正面临着日益严峻的挑战。水质恶化不仅威胁着水生生态系统的健康，也直接关系到南水北调东线工程的供水安全以及沿线地区的可持续发展。尽管已有研究关注运河局部河段的水质状况，但从全流域尺度系统揭示其水质时空演变规律及背后驱动机制的研究仍较为缺乏。尤其是在当前经济社会深刻变革的背景下，影响水质的主导因素可能已发生转变，亟需基于最新的监测数据，采用先进的分析方法进行深入探究。为此，一篇发表在《Ecological Indicators》上的研究，对京杭大运河的水质特征、时空变化及污染源进行了一次全面的“体检”和“病因”追溯。

为了精准把脉京杭大运河的水质健康状况，研究人员综合运用了几项关键技术。首先，他们采用了改进的水质指数（WQI-DET）对水质进行综合评价，该指数能有效识别导致水质恶化的关键污染物指标。其次，研究团队收集了涵盖环境、社会经济和产业结构三大维度的30个潜在驱动因子数据。最后，他们构建了随机森林回归（RFR）机器学习模型来模拟水质与驱动因子间的复杂非线性关系，并引入SHAP（SHapley Additive exPlanations）这一可解释性人工智能方法，定量解析各驱动因子对水质指标的影响贡献度，从而清晰揭示“病因”及其“影响力”大小。

3.1. 水质指标特征和时空变化

研究人员首先对京杭大运河20个监测断面2021年至2024年的六项关键水质指标（溶解氧（DO）、高锰酸盐指数（COD_Mn）、化学需氧量（COD）、五日生化需氧量（BOD₅）、氨氮（NH₃-N）和总磷（TP））进行了详细分析。结果显示，DO整体状况良好，平均值达到7.78 mg/L，多数断面符合I-III类水质标准。COD_Mn和COD的平均值分别为3.68 mg/L和14.01 mg/L，大部分样本处于II类或更好水平，但COD_Mn在S5、S9和S16等断面出现了明显的浓度峰值，表明存在局部污染。BOD₅平均值（2.25 mg/L）符合I类标准，但数据中存在较多异常值，稳定性相对较差。NH₃-N平均浓度为0.26 mg/L（I类），整体控制较好。TP是六项指标中表现最差的，平均浓度为0.11 mg/L，仅达到III类标准，且多数值分布在II-IV类之间，是主要的污染约束因子。从季节变化看，夏季（6-8月）水质普遍较差，DO浓度在7月达到最低谷，BOD₅在夏季也呈现较高值，反映出高温季节水体自净压力增大。

3.2. WQI-DET值的时空变化

基于WQI-DET指数的综合评价表明，京杭大运河整体水质处于中等水平（平均值为69.35），但存在显著的时空差异。时间上，WQI-DET值呈现明显的季节性波动，夏季水质最差，其中2023年7月的月平均WQI-DET值低至41.53，而冬季水质最佳，WQI-DET值通常在75-80之间。空间上，运河水质呈现“北优南劣”的格局。长江以北的10个断面中，有7个断面的平均WQI-DET值高于70，水质相对较好；而长江以南的10个断面中，有6个断面的平均值低于70，水质相对较差。进一步分析导致WQI-DET值降低的关键变量发现，夏季水质恶化的“罪魁祸首”主要是DO含量降低，而在其他季节，TP则成为主导因素。从空间分布看，COD_Mn相关污染在运河北段（S1-S9）更为突出，而NH₃-N污染则在南段（S13-S20，主要位于江苏和浙江境内）占主导。综合四年平均情况，影响水质的关键污染物主要是TP（12个断面）、COD_Mn（6个断面）和DO（2个断面）。

4.2. 水质主要指标的时空驱动因素分析

为了深入探究上述水质时空格局背后的原因，研究团队利用SHAP方法对30个潜在驱动因子进行了重要性排序和影响方向分析。结果显示，不同水质指标的主导驱动因素各异。DO浓度与金属制品行业（MPI）资产、化肥施用量、皮革毛羽鞋业（LFFPFI）资产、工业总资产以及年平均气温等因素关系密切，工业有机废水消耗和农业面源引发藻类耗氧是主要原因。COD_Mn和COD均与灌溉面积显示出最强关联，表明农业活动是有机污染的重要来源，此外，有色金属冶炼（NFMSRI）、畜牧业（羊年末存栏量）和水产品产量也对COD有显著影响。BOD₅则主要受年降水量、城镇面积占比、水域面积占比和化肥施用量的影响，反映了自然水文过程和土地利用方式的综合作用。NH₃-N浓度与年平均温度和家禽年屠宰量高度相关，高温促进转化以及禽类养殖废弃物排放是重要途径。TP浓度与猪年末存栏量、家禽年屠宰量、水产品产量和化肥施用关联最强，凸显了畜禽养殖业对磷污染的突出贡献。

综上所述，这项研究系统描绘了京杭大运河水质时空演变的清晰图景，并精准识别了不同区域、不同季节影响水质的关键污染物和主要驱动因素。研究表明，运河水质管理需要采取分区、分类、分季的精准策略。在北段，应重点关注COD_Mn和TP污染，控制与灌溉和特定工业排放相关的有机物和营养盐输入；在南段，则需着力管控TP和NH₃-N污染，加强对畜禽养殖和城镇生活污染的治理。特别需要注意的是，夏季的DO降低问题要求关注水温升高和富营养化带来的生态风险。该研究将传统水质评价指数与前沿的机器学习可解释性技术相结合，为复杂环境下河流水质的驱动机制解析提供了方法学示范，其研究成果不仅对京杭大运河的保护与治理具有直接的指导意义，也为其他类似流域的水环境精细化管理提供了有益参考。未来，随着气候变化和人类活动压力的持续，动态监测和评估这些驱动因素的变化，对于保障京杭大运河这一重要水道的生态安全与可持续利用至关重要。