在河口环境中应用因果发现方法来研究影响溶解氧的因素

《Journal of Environmental Sciences》：Application of Causal Discovery of Factors Driving Dissolved Oxygen in Estuarine Environments

通过分析1994-2022年长岛声8站月度水质数据，研究发现表面水温是底水溶解氧（DO）的主要负驱动因素，其次是水体分层。生物地球化学因子如叶绿素a、硝态氮及颗粒碳通过即时和滞后效应影响DO，其中颗粒碳的影响具有滞后性且周期性变化。采用PCMCI+因果发现方法构建的预测模型准确率（R2>0.9）显著优于传统方法，有效解决了多变量共线性问题，为近岸生态系统DO调控提供了新框架。

　　溶解氧（DO）浓度是评估沿海生态系统健康的重要指标，其变化受到多种物理和生物地球化学过程的共同作用。然而，要明确识别这些过程对DO浓度的独立贡献，仍是一个具有挑战性的任务。本文通过分析1994年至2022年间长岛湾（Long Island Sound, LIS）八个监测站点的月度水质数据，采用因果发现框架PCMCI+以及变量转换方法，旨在识别并分离对底部溶解氧具有因果影响的变量，并通过减少过拟合和多重共线性来优化预测模型。研究结果表明，表层水温是影响底部溶解氧浓度最重要的负面因素，其次是水体分层现象。风事件仅在短时间内通过混合和输送作用缓解DO浓度的下降，而河流径流则没有直接的因果关系，因此其影响可能被高估。生物地球化学变量，如叶绿素-a（Chl-a）、硝酸盐和亚硝酸盐，以及颗粒有机碳，通过同时期和滞后路径影响DO浓度，其作用方向可能因过程的不同而变化。所构建的模型在技能评分、均方误差和赤池信息准则（AIC）等方面表现良好，部分站点使用仅3-5个预测变量时，决定系数（R2）超过了0.90。研究指出，表层水温、分层、Chl-a和颗粒碳是最佳的因果预测变量。这种方法为改进预测模型和理解控制DO季节性变化的机制提供了一个可扩展的框架。

在沿海生态系统中，溶解氧浓度不仅影响生物的生存，还对生态系统的结构和功能起着关键作用。低溶解氧浓度，即缺氧状态，是全球沿海水域普遍存在的水质问题之一。缺氧现象通常具有季节性，尤其在河口地区更为明显。长岛湾作为这样一个典型的河口生态系统，其底部水体长期受到缺氧问题的困扰。过去三十年，长岛湾的底部溶解氧水平有所改善，平均缺氧区域也有所减少。然而，季节性缺氧现象依然存在，特别是在长岛湾的西部区域。此外，水体质量仍受到过度生产力的影响，这可能与营养物质的输入有关。营养物质的增加会促进初级生产，进而导致有机物的大量积累。这些有机物在微生物分解过程中消耗大量氧气，最终形成缺氧条件。因此，理解影响DO浓度的物理和生物地球化学因素对于预测和管理河口地区的缺氧现象至关重要。

在许多研究中，通常会引入大量环境预测变量，以捕捉可能影响底部溶解氧浓度的各种驱动因素。然而，这种高维方法可能会引入多重共线性问题，即高度相关的变量会增加模型的方差估计，降低其可解释性。此外，这种方法还可能增加计算成本，特别是在处理长时间序列或高频数据时。为了应对这些问题，一些研究采用降维技术，如主成分分析（PCA），或者使用线性回归模型选择更少的预测变量。然而，这些方法在区分因果关系与统计相关性方面存在局限，可能导致虚假关联（即两个变量可能在统计上相关，但其关系可能是间接的或由第三个变量中介的）以及预测值的高估。因此，识别真正具有因果关系的因素对于提高缺氧预测的准确性至关重要。

本研究的主要目标是确定与底部溶解氧浓度具有因果关系的变量，并在两种不同方法之间选择最佳的预测变量。研究涵盖了1994年至2022年间长岛湾底部溶解氧浓度的年度变化，强调了从大量影响DO浓度的变量中识别因果关系的能力。这些变量包括物理参数、生物指标、化学营养物质和淡水输入等。通过同时分析多个相互关联的变量，本研究突破了以往研究在数据或方法上的限制，提供了更为全面的分析。与其他专注于物理驱动因素或营养/生物驱动因素的研究相比，本研究整合了所有已知影响沿海缺氧现象的主要因素，确保没有遗漏任何潜在的重要驱动变量，并考虑了变量之间的相互作用。这种方法使得我们可以直接比较物理和生物地球化学因素的相对重要性。

研究数据来自康涅狄格州能源与环境部（CTDEEP），自1991年起，CTDEEP每月对长岛湾进行水质监测，收集了包括水文和生物地球化学参数在内的多种数据。这些参数包括温度、盐度、密度、溶解氧、叶绿素-a、营养物质、悬浮沉积物和光合有效辐射（PAR）等。水文变量如温度、盐度和密度在全年范围内被持续监测，数据覆盖了16个主要站点。通过长期、全年范围的数据收集，研究人员能够捕捉到更广泛的环境变化模式，从而更准确地识别影响DO浓度的因果因素。此外，这种数据收集方式也有助于揭示长期趋势，例如气候变暖对DO浓度的影响，以及年际变化的模式。

在因果关系分析中，研究使用了PCMCI+方法，这是一种能够识别变量之间因果关系的统计工具。通过构建过程图，研究人员展示了不同PCMCI模型的结果，其中箭头表示变量之间的因果关系，箭头的方向表示影响的方向。直接的因果关系由直线箭头表示，而具有滞后效应的因果关系则由曲线箭头表示，并标注了滞后时间。如果两个变量之间无法确定直接因果关系，则可能无法导向（即无法明确箭头方向）。这种方法能够有效地区分因果关系与统计相关性，避免了传统方法可能产生的虚假关联问题。研究发现，表层水温是影响底部溶解氧浓度最重要的负面因素，其次是水体分层现象。风事件仅在短时间内通过混合和输送作用缓解DO浓度的下降，而河流径流则没有直接的因果关系，因此其影响可能被高估。生物地球化学变量如叶绿素-a、硝酸盐和亚硝酸盐，以及颗粒有机碳，通过同时期和滞后路径影响DO浓度，其作用方向可能因过程的不同而变化。

本研究的讨论部分强调了其研究时间跨度的显著性。与许多早期研究相比，本研究覆盖了近三十年的数据，这使得研究人员能够观察到更长期的趋势，如气候变暖对DO浓度的影响，以及年际变化的模式。这种长时间尺度的分析有助于区分持久趋势与短期波动，从而更准确地预测DO浓度的变化。此外，全年范围的监测也增加了研究的可靠性，使结果更具代表性。研究还指出，通过整合物理和生物地球化学因素，所采用的方法能够更全面地评估它们对DO浓度的相对贡献，为未来的研究提供了新的视角和工具。

本研究的结论部分总结了其应用PCMCI+因果发现方法在河口环境中的首次尝试。研究发现，PCMCI+在减少多重共线性、识别更精简的独立预测变量集方面优于其他方法，同时在缺氧站点的预测准确性上提高了约4%。这一结果表明，PCMCI+能够更有效地识别影响DO浓度的因果因素，而不仅仅是相关因素。此外，研究指出，通常报告的底部水温并不是影响DO浓度的主要因素，而是表层水温在主导其动态变化。这与以往研究中的结论有所不同，强调了表层水温在河口系统中对DO浓度的决定性作用。研究还提到，水体的垂直分层是夏季控制DO浓度的关键因素，因为它抑制了富含氧气的表层水向深层水体的输送。因此，理解这些因果关系对于制定有效的管理措施和预测模型至关重要。

本研究的贡献不仅在于识别了影响底部溶解氧浓度的关键变量，还在于提供了一种可扩展的框架，用于改进预测模型和深入理解控制DO季节性变化的机制。通过采用PCMCI+方法，研究人员能够更准确地捕捉变量之间的因果关系，从而提高模型的预测能力和解释力。此外，研究强调了表层水温、分层、叶绿素-a和颗粒碳在预测DO浓度中的重要性，这为未来的环境监测和管理提供了新的思路。研究还指出，随着气候变化和人类活动的加剧，河口地区的DO浓度变化可能会变得更加复杂和不可预测，因此需要更精确的模型和更全面的分析方法。最后，研究团队感谢了所有为本研究提供支持和帮助的机构和个人，包括CTDEEP提供的数据、同事J. Collier和J. Aller对论文的审阅，以及Jakob Runge在理解PCMCI代码方面的指导。