揭示受围湖长期健康动态：结合水分调控行为的浮游生物完整性指数与机器学习方法

《Environmental Research》：Unraveling long-term health dynamics of impounded lakes integrating water diversion-adapted planktonic index of biotic integrity and machine learning

水生态完整性评估与机器学习预测模型在南水北调东线湖泊的应用研究。通过十年监测数据开发了适应水漫的P-IBI指标体系，整合密度/组成、多样性、耐受性等12个核心参数，结合XGBoost模型实现空间异质性和时间恢复轨迹的科学解析，验证了水质改善与浮游生物群落重构的耦合效应，为大型调水工程管理提供决策支持。

　　水体生态系统的健康评估是实现适应性水资源管理的关键环节，尤其是在长期受到水体调控影响的湖泊中。水体调控不仅改变了湖泊的水文条件，还对湖泊中的生物群落产生了深远影响。因此，准确识别水体调控对湖泊生态系统健康的影响机制，对于制定科学合理的水资源管理策略具有重要意义。本研究聚焦于中国南水北调东线工程（SNWDP）沿线的典型湖泊，利用十年的长期监测数据，构建了一个适用于水体调控环境的浮游生物完整性指数（P-IBI），并结合监督机器学习（SML）方法，实现了对湖泊生态健康状态的定量评估和动态预测。通过这一研究，我们不仅揭示了水体调控对湖泊生态系统健康的影响路径，还为大型水体调控工程的可持续管理提供了科学依据。

湖泊作为地球生态系统的重要组成部分，在社会、经济、文化和生态服务方面发挥着不可替代的作用。然而，由于湖泊具有较大的面积和较差的水体流动性，其水体质量和水生生态系统的自我净化能力相对有限。这使得湖泊生态系统更容易受到人类活动的影响，进而影响到人类自身的健康。因此，如何科学地评估湖泊生态系统的健康状况，成为生态管理领域的重要课题。在这一背景下，生态完整性指数（IBI）作为一种有效的评估工具，已被广泛应用于水体健康评估。IBI基于鱼类、底栖无脊椎动物、浮游植物、浮游动物和细菌等生物群落，能够全面反映水体受到各种干扰后的生态响应。然而，传统的IBI方法往往依赖于一次性或短期采样，难以捕捉到长期水体调控对湖泊生态系统的影响。

随着水体调控项目的规模不断扩大，湖泊生态系统面临的挑战也日益复杂。水体调控通常涉及长期、持续的水资源调配，这可能导致湖泊水体的物理、化学和生物条件发生显著变化。例如，水体调控可能会改变湖泊的水位、流速、温度和营养物质的输入输出，进而影响湖泊中浮游生物的组成、多样性和功能。这些变化不仅可能对湖泊的生态系统造成影响，还可能对依赖湖泊资源的人类社会产生连锁反应。因此，为了更准确地评估水体调控对湖泊生态系统健康的影响，需要构建一个能够反映长期调控效果的评估体系。

本研究提出的P-IBI框架，正是为了应对这一挑战而设计的。P-IBI不仅考虑了浮游生物的密度和组成，还引入了多样性、功能、耐受性和关键物种等维度，从而能够更全面地反映湖泊生态系统的健康状况。通过将P-IBI与监督机器学习（SML）方法相结合，我们不仅能够预测湖泊生态系统的健康状态，还能够解释P-IBI变化的驱动因素。这种结合方法在处理复杂生态数据方面具有显著优势，因为它能够从大量的观测数据中提取关键特征，并建立有效的预测模型。

在实际应用中，水体调控对湖泊生态系统的影响往往是多尺度的。从空间上看，水体调控可能会导致相邻湖泊之间的生态条件趋于一致，同时在湖泊内部的子区域之间增加生态异质性。这种空间异质性的变化，可能对湖泊生态系统中的生物多样性产生深远影响。从时间上看，湖泊生态系统的健康状态可能在水体调控初期受到冲击，随后逐渐恢复并趋于稳定。这种时间上的动态变化，使得传统的静态评估方法难以全面捕捉水体调控对湖泊生态系统的影响。因此，构建一个能够反映湖泊生态系统长期变化的评估框架，对于理解水体调控的生态效应至关重要。

本研究采用的P-IBI框架，经过系统的筛选和优化，最终确定了12个核心指标。这些指标涵盖了浮游生物的密度、组成、多样性、功能、耐受性和关键物种等多个方面，能够全面反映湖泊生态系统的健康状况。通过将这些指标纳入评估体系，我们不仅能够量化水体调控对湖泊生态系统的影响，还能够识别出关键的水体质量参数，如悬浮物和叶绿素a浓度，这些参数对湖泊生态系统的健康状态具有显著影响。此外，我们还利用监督机器学习方法，特别是极端梯度提升（XGBoost）算法，对P-IBI的变化进行了建模和预测。XGBoost在多个数据集划分下表现出优异的预测性能和稳定性，为湖泊生态健康评估提供了有力的技术支持。

在水体调控的背景下，湖泊生态系统的健康评估不仅需要关注水质的变化，还需要考虑浮游生物群落的结构和功能。水体调控虽然在一定程度上改善了湖泊的水质，但同时也改变了浮游生物的组成和多样性。这种变化可能导致湖泊生态系统的功能受到一定程度的干扰，进而影响到整个水体生态系统的稳定性。因此，构建一个能够反映湖泊生态系统多尺度时空变化的评估框架，对于理解水体调控的生态效应具有重要意义。

此外，本研究还强调了在水体调控过程中选择合适的参考站点和候选指标的重要性。传统的参考站点选择往往基于地理位置或水质条件，而忽视了水体调控过程中生态系统的动态变化。因此，我们需要在水体调控期间选择具有代表性的参考站点，并在候选指标的选择上更加全面，以确保评估结果的准确性和可靠性。通过这种方法，我们能够更有效地识别水体调控对湖泊生态系统的影响，并为未来的水资源管理提供科学依据。

综上所述，本研究通过构建水体调控适应性的P-IBI框架，并结合监督机器学习方法，实现了对湖泊生态系统健康状态的定量评估和动态预测。这一方法不仅能够揭示水体调控对湖泊生态系统的影响机制，还能够为大型水体调控项目的可持续管理提供科学支持。通过长期监测和系统分析，我们能够更全面地理解湖泊生态系统的复杂性，并为制定更加科学和合理的水资源管理策略提供依据。这一研究为湖泊生态健康评估提供了新的视角和方法，具有重要的理论和实践意义。