沉积物铵态氮(NH4-Nsed)对溪流底栖叶绿素a(Chl-a)的促进作用：基于SHAP集成机器学习模型的生态机制解析

针对淡水生态系统健康评估中底栖叶绿素a(Chl-a)预测模型忽视沉积物参数的现状，宁波大学团队通过集成XGBoost、RF等机器学习算法与SHAP可解释性分析，首次揭示沉积物铵态氮(NH4-Nsed)是驱动Chl-a动态的核心因子（SHAP值≈0.28），其预测效能超越传统水化学指标，为流域生态管理提供了沉积物-水界面过程的新认知。

　　

在淡水生态系统中，底栖藻类作为初级生产者扮演着至关重要的角色，其生物量常通过叶绿素a(Chl-a)浓度来表征。然而，现有研究多聚焦于水体化学参数对Chl-a的影响，却长期忽视沉积物这一"隐藏的营养库"的关键作用。这种认知局限导致生态模型预测偏差，也制约了流域精准管理策略的制定。

针对这一科学盲区，宁波大学地理与空间信息技术系的研究团队在《Ecological Genetics and Genomics》发表创新成果。研究人员在中国瓯江流域设置15个采样点，系统采集135组涵盖水化学、水文特征和沉积物参数的多维数据。通过比较极端梯度提升树(XGBoost)、随机森林(RF)、支持向量机(SVM)和CatBoost四种机器学习算法，发现XGBoost模型展现出最优预测性能（R²=0.97，RMSE=1.7）。结合SHAP可解释性分析，首次量化了沉积物参数对底栖Chl-a的决定性影响。

研究采用三大关键技术方法：1) 野外同步采集水体和沉积物样本，测定NH₄-N_sed、TP_sed等沉积物指标；2) 应用集成机器学习算法进行特征筛选与模型优化；3) 采用SHAP值解析变量贡献度，结合双向偏依赖图揭示交互效应。

研究结果揭示多项重要发现：

3.1 描述性统计与相关性分析

沉积物铵态氮(NH₄-N_sed)浓度显著高于水体（均值2.28 mg/g），且呈现右偏分布（偏度1.81），表明研究区域存在明显的沉积物氮富集现象。

3.2 模型性能

XGBoost在验证集表现优异（RMSE=0.14，R²=0.94），其预测精度较RF模型提升6%，且对极端值具有更强鲁棒性。

3.3 特征重要性解析

SHAP分析显示NH₄-N_sed贡献度最高（SHAP=0.28），远超水相NH₄-N（SHAP=0.04）。河流宽度作为第二重要特征（SHAP=0.17），暗示水文形态对营养盐释放的调控作用。

3.4 SHAP-PDP分析

偏依赖图揭示非线性关系：当NH₄-N_sed>5 mg/L时，其对Chl-a的促进效应呈指数增长，而pH>7.5时则产生抑制效应。

3.5 双向交互效应

宽度与NH₄-N_sed的协同效应最显著，在宽河道（>25m）中，高NH₄-N_sed可使Chl-a浓度提升3倍，这归因于缓流促进沉积物-水界面的营养交换。

讨论部分深入阐释了生态学机制：沉积物作为"缓释肥库"，其NH₄-N通过两种途径促进藻类生长：1) 宽河道减缓流速，延长颗粒物停留时间，促进沉积物氮释放；2) 增强的光照条件提升藻类光合固氮效率。该研究突破传统水化学监测的局限，证实沉积物参数可使Chl-a预测模型精度提升7%，为流域生态修复提供了新靶点——控制沉积物内源氮负荷可能比单纯限制外源氮输入更具成本效益。

这项研究的意义不仅在于发现NH₄-N_sed的核心作用，更开创性地将可解释AI技术引入淡水生态学研究。SHAP算法如同"生态系统的X光机"，清晰揭示了沉积物-水-生物三者间的隐秘联系，为复杂生态过程的机制解析提供了范式转移。未来研究可拓展至不同气候带流域，并纳入浮游动物捕食等生物因子，以构建更全面的预测模型。