基于可解释机器学习的赤道大型潮汐河口浮游植物对ENSO极端事件的动态响应机制研究

《Science of The Total Environment》：Decoding climate-induced phytoplankton dynamics in a tropical macrotidal estuary using explainable machine learning

本研究利用可解释机器学习（XAI）揭示ENSO极端事件对热带大型潮汐河口浮游植物动态的非线性驱动机制，发现水温、溶解无机氮（DIN）和降雨通过情境依赖性作用重构群落结构，为气候变化下河口生态系统适应性管理提供新范式。

　　

^章节亮点

^{极端ENSO事件重塑河流径流与悬浮颗粒物动态}

过去40年的历史数据表明，强厄尔尼诺事件（1.5 < 多变量ENSO指数 > 2）的发生频率约为拉尼娜事件的两倍。2011-2020年间，2011年出现极端拉尼娜（MEI = -1.69），而2015-2016年发生强厄尔尼诺（MEI = 1.95），末期以-1.17的拉尼娜事件收官。这些事件导致年降水量偏离幅度达-648.99毫米至+417.31毫米，显著改变悬浮颗粒物（SPM）输运模式。厄尔尼诺期间河流径流减少引发盐度跃层向陆地方向迁移，而拉尼娜阶段淡水输入增加则增强营养盐脉冲式输入，特别是溶解无机氮（DIN）的显著提升造成DIN:DIP化学计量比失衡。

^讨论

基于生态学理论，我们假设2015-2016年极端厄尔尼诺会降低浮游植物密度并简化群落结构，而拉尼娜条件将促进密度提升和复杂集群形成。但结果呈现相反图景：厄尔尼诺后密度反而升高并伴随显著结构重组，表明热带大型潮汐河口浮游植物对气候胁迫的响应存在非线性阈值效应。SHAP分析揭示水温、DIN和降雨作为关键预测因子，通过复杂交互作用驱动群落更替，其中微型浮游植物比例下降与硅藻门（Bacillariophyta）多样性降低共同印证了“体型缩小的低效物种占优”假说。

^结论

本研究表明ENSO驱动的水文气候变异强烈影响圣马科斯河口复合体（SMEC）的浮游植物动态。极端ENSO相位通过改变营养盐化学计量比和痕量金属有效性，引发生物响应分化：厄尔尼诺后密度上升但功能群简化，拉尼娜仅能实现部分生物量恢复而未回归原始状态。时间β多样性以2015-2016事件为转折点呈现显著周转，证实群落重构的不可逆性。可解释机器学习框架成功解析了环境因子的非线性作用路径，为预测气候极端事件下的生态系统演变提供新视角。