通过集成监测和建模方法，实现河流监测网络设计的适应性管理和优化

《Journal of Hydrology》：Adaptive management and optimisation of stream monitoring network design through an integrated monitoring and modelling approach

河流监测网络优化方法研究通过整合监测数据与地理统计模型（Kriging），解决了现有网络的三项自适应管理挑战：冗余站点削减、新站点高效增补及采样中断优先恢复。基于澳大利亚东南部河流温度监测案例，研究显示保留66个站点即可达到89个站点的预测精度（RMSPE等效），替换冗余站点为高不确定性区域站点可使预测误差降至原网络的40%以下，优先恢复高优先级站点对误差降低效果显著。方法支持多优化准则，适用于水质、生物群落及流量监测。

　　

作者：Vaughn Grey、Kate Smith-Miles、Belinda E. Hatt、Rhys A. Coleman、Tim D. Fletcher

澳大利亚维多利亚州里士满市Yarra大道500号，墨尔本大学科学学院农业、食品与生态系统科学学院

摘要

河流监测网络提供了理解水道状况和指导管理行动所需的数据。然而，针对建立后河流监测网络的自适应管理和优化方法仍然有限。本研究提出了一种方法，将监测数据与基于河流的地理统计模型相结合，以评估在现有监测网络中添加或移除观测点（站点）对模型预测性能的影响，并确定最佳网络设计。该方法旨在解决水道管理者面临的关键自适应管理问题：1. 消除冗余并减少网络中的站点数量；2. 高效获取额外站点以改善模型预测；3. 有效优先处理采样中断问题。我们将该方法应用于从澳大利亚东南部一条大型河流水质监测网络收集的河流温度数据。研究发现，从现有网络中选取66个站点作为最优子集，其预测性能与原有的89个站点网络相当。通过利用模型不确定性（克里金方差）策略性地替换冗余站点，可将预测误差降低到原始网络的40%以下。将该方法应用于模拟的采样中断情况，结果表明，优先恢复高优先级站点的采样比恢复低优先级站点的采样更能显著改善预测效果。该方法可根据不同的优化标准进行调整，并应用于常见的测量参数，如水质、大型无脊椎动物或流量，为现有河流监测网络的自适应管理提供了一种实用且实用的方法。

引言

河流监测网络为了解和管理河流健康状况提供了重要数据（Hampton等人，2019年；Kuehne等人，2023年；Reid等人，2019年）。河流监测网络由多个观测点组成，可以覆盖广泛的目标条件和参数，包括水质（Chapman等人，2016年；Davies-Colley等人，2011年）、流量（Grey等人，2025年；Guo等人，2020年）和大型无脊椎动物（Tango和Batiuk，2016年；Vaughn和Gotelli，2019年）。随着时间的推移，这些网络收集的信息有助于了解河流健康状况并确定管理优先事项（Chapman等人，2016年；Davies-Colley等人，2011年；Hampton等人，2019年）。良好的监测实践包括监测网络的初始设计，以及对其有效性的持续评估和改进，这些过程统称为自适应管理（Webb等人，2017年）。尽管关于新河流监测网络设计的文献很多，但关于现有网络的自适应管理的指导却很少（例如Behmel等人，2016年；Jiang等人，2020年；Nguyen等人，2019年），并且在实际应用中的案例也很少（O’Donnell和Galat，2008年；Webb等人，2017年）。尽管目前关注度有限，但由于长期监测期间自然环境和管理环境的不可避免变化，有效的自适应管理对于河流监测网络尤为重要（Davies-Colley等人，2011年；Grey等人，2023年；Hampton等人，2019年）。 许多事件可能影响河流监测网络，从而需要自适应管理以确保在有限资源下持续有效地收集数据。例如，管理组织的财务状况可能会发生变化（Behmel等人，2016年）。网络建立后的数据收集可能会发现需要修改初始设计或移除提供冗余信息的站点（Andrews和Grantham，2024年；Behmel等人，2016年）。中断可能导致站点暂时或永久无法访问，恢复采样的工作需要优先处理或甚至重新选址（Grey等人，2024年）。在有限且波动的维护预算下，可能需要优先安排维护活动以避免采样中断（Schoolmaster和Piazza，2019年）。因此，自适应管理对于支持网络管理者确保河流监测网络持续高效地收集数据至关重要（Webb等人，2017年）。河流监测网络的自适应管理挑战包括以下几点： - 减少网络中的观测点数量，同时对网络数据的使用影响最小； - 高效获取可能对网络数据使用带来最大改进的额外站点； - 理解各个站点对网络数据使用的相对重要性（以便优先安排维护工作或进一步投资）。 因此，需要针对河流监测网络的具体情况，开发可靠且易于实施的方法来支持这些关键的自适应管理措施。 现有的优化河流监测网络的努力通常集中在通过多元统计方法（如聚类分析和主成分分析）识别和移除冗余站点（Behmel等人，2016年；Chapman等人，2016年；Jiang等人，2020年）。地理统计学提供了另一种采样网络优化的方法（Falk等人，2014年；Pearse等人，2020年；Sabzipour等人，2019年）。地理统计学利用观测数据、流域特征以及站点之间的空间关系，在未观测位置进行预测（克里金方法），并伴随一个称为克里金方差的空间变化不确定性度量（Cressie，1993年；Som等人，2014年）。空间流网络（SSN）模型是一种专门为河流网络设计的地理统计技术，考虑了它们的蜿蜒流动路径、分支结构、方向性流动和嵌套流域（Peterson和Ver Hoef，2010年；Ver Hoef和Peterson，2010年）。适用于河流的地理统计模型已被证明可以可靠地预测河流参数（如河流温度（Isaak等人，2017年）和流量（Grey等人，2025年），并有助于采样设计（Falk等人，2014年；Pearse等人，2020年；Som等人，2014年）。 “最佳网络”的定义可能取决于采样目标和可用数据集，但主要目标是减少或避免观测点之间的共线性。河流监测网络的一个设计目标可能是以最低成本准确预测河流参数（Jiang等人，2020年）。在这种目标下，最佳网络可能是使现有网络中所有站点的预测误差最小化的网络。使用地理统计模型，最优性可以定义为最小化流域内的平均或最大不确定性（克里金方差）（K-最优性）或最小化与固定效应参数相关的不确定性（D-最优性）（Falk等人，2014年；Pearse等人，2020年；Som等人，2014年）。不同的最优性定义可能导致不同的最佳设计，因此选择最优性标准需要仔细考虑（Falk等人，2014年；Pearse等人，2020年；Som等人，2014年）。对于任何给定的最优性标准，从大量可能站点中找到最优的观测点子集是一个具有挑战性的问题。即使对于中等预算，也有多种组合可能性，评估每种组合的优度所需时间较长，使得穷举搜索不可行（Korte等人，2011年；Smith-Miles和Lopes，2012年）。虽然贪婪算法可能无法总是找到全局最优解，但它们能够快速找到接近最优的设计，因此提供了一种比穷举搜索更实用的方法（Calvin和Leung，2003年；Falk等人，2014年；Pearse等人，2020年）。 本文提出了一种结合监测和地理统计建模的方法，以解决现有河流监测网络的自适应管理和优化问题，为这一领域的有限研究做出了新的贡献。该方法利用现有网络收集的数据训练和测试地理统计模型，使用贪婪交换算法评估观测点的存在与否对模型预测性能的影响，并在指定预算内确定最佳站点子集。通过应用该算法获得的信息可用于高效减少或增加网络中的站点数量，或为各个站点分配相对优先级。根据不同的最优性标准，该方法可适用于不同的应用（如识别冗余站点或网络扩展）和监测目标。本文通过澳大利亚东南部大墨尔本地区长期水质监测网络收集的河流温度数据案例研究，展示了该方法的实际效用，并重点介绍了该地区水道管理者面临的自适应管理挑战。这项研究填补了支持河流监测网络有效持续管理和数据收集的重要知识空白。

监测网络

本研究使用了由墨尔本水务公司管理的澳大利亚东南部大墨尔本地区的长期河流水质监测网络（图1）。河流温度测量是作为更广泛的水质参数监测的一部分，大约每月或每两个月在河流站点进行一次，采用Grey等人（2023年）描述的程序。用于本研究的温度数据来自2007年至2021年期间的130个站点。

在减少网络中观测点数量的同时最小化模型性能下降

使用K-最优性标准，发现由66个站点组成的最优子集提供了与现有89个站点网络相当的RMSPE性能。站点数量的减少（减少了24%）表明，尽管站点数量减少，模型在多个性能指标上仍然保持稳定（图3，表2，表S3）。K-最优性的相对较小变化（增加了4.3%）和D-最优性的相对较小变化（增加了5.5%）表明模型性能保持稳定。

结论

河流监测网络的自适应管理对于确保其在不断变化的环境、社会和经济环境中长期高效运行至关重要。本文提出了一种新的方法，该方法结合了监测网络设计和地理统计建模，并考虑了预测误差（P-最优性和D-最优性）等指标，有效实现了现有河流监测网络的关键自适应管理措施。

声明

声明

生成式AI或任何其他数字编辑辅助工具均未用于本手稿的编写过程。

作者贡献声明

Vaughn Grey：撰写——初稿、可视化、验证、项目管理、方法论、研究、资金获取、正式分析、数据管理、概念化。 Kate Smith-Miles：撰写——审稿与编辑、验证、监督、方法论、概念化。 Belinda E. Hatt：撰写——审稿与编辑、验证、监督、方法论、概念化。 Rhys A. Coleman：撰写——审稿与编辑、验证、监督、方法论、概念化。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

我们衷心感谢Alan Pearse在SSN模型理论基础方面的专业知识，以及他对本手稿的深刻评论和批评，这些都有助于提高手稿的质量。本研究部分由墨尔本水务公司通过墨尔本水道研究-实践合作伙伴关系（http://mwrpp.org）和澳大利亚政府通过澳大利亚研究委员会工业转型培训中心在优化技术、综合方法论和应用方面的支持资助（

）