《Journal of Hydro-environment Research》：Spatiotemporal dynamics of non-point source pollution risks driven by heavy rainfall in response to reticular river network structural changes: A complex network perspective
编辑推荐：
基于可靠性-韧性-脆弱性（R-R-V）框架与复杂网络理论的耦合模型，结合XGBoost可解释机器学习，量化分析李下河地区1960-2016年雨季NPSP风险时空演变机制。研究发现降雨强度主导风险总量，人类活动改造的河流网络拓扑结构（如回路连通性指数HCCI、离心率ECC、接近中心度CC）通过非线性关系显著调控风险空间分布与时间动态。提出融合网络拓扑动态监测与机器学习归因的污染风险预警新范式。
作者：华祖林、黄善生、王鹏、郭鹏、董月阳、谢阳村
中国江苏省南京市河海大学环境学院，教育部浅水湖泊综合调控与资源开发重点实验室，邮编210098
摘要
在网状河流网络中，非点源污染（NPSP）的风险受到网络结构配置的强烈影响，通常由强降雨触发。然而，其背后的时空机制尚未得到充分量化。本研究提出了一个综合框架，将可靠性、韧性和脆弱性（R-R-V）评估与复杂网络理论和可解释的机器学习相结合，以阐明这些机制。以中国蠡霞河流域为例，我们研究了从20世纪60年代到2016年的五个历史时期，在五种百年一遇的降雨情景下进行评估。首先应用水文和水质耦合模型模拟污染物传输，然后使用R-R-V框架量化NPSP风险的时空演变。随后，采用结合Shapley加性解释（SHAP）的XGBoost模型来识别和解释河流网络拓扑的非线性效应。结果表明，降雨模式主要决定了NPSP风险的大小，而人为改变河流网络结构则影响了其空间和时间模式。三个拓扑指标被确定为关键驱动因素：偏心率（ECC）、接近中心性（CC）和水力容量连通性指数（HCCI）。偏心率的增加表明由于渠道化和闸门关闭导致流路径更长且更孤立，从而显著提高了局部脆弱性；HCCI的提高反映了纵向连通性的改善，通过促进污染物扩散加剧了风险；而CC值高的节点在管理条件下表现出双重作用，最初集中风险随后又缓解风险。总体而言，本研究表明，将复杂网络指标与可解释的机器学习相结合，超越了描述性风险映射，提供了关于特定结构变化如何调节水文韧性和污染热点的机制性见解。所提出的框架为受人类活动影响的河流流域的预测性风险评估和有针对性的干预提供了新方法。
引言
河流网络是陆地水系统的重要组成部分，负责水资源的输送和分配，同时对区域气候调节、生物多样性维护和社会经济发展具有重要影响（Grill等人，2019年；Poff和Zimmerman，2010年）。然而，快速的工业化和城市化日益威胁着河流水质，非点源污染（NPSP）已成为破坏水环境的主要因素（Strokal等人，2021年；Tong和Chen，2002年；Hu和Cheng，2013年）。强降雨加速了地表污染物进入水体的过程，包括农业营养物质和城市径流，导致水生环境急性恶化（Chang等人，2023年；Dupas等人，2024年）。目前减轻NPSP的方法主要集中在源头减少（如优化施肥和土壤保护措施）和过程拦截（如河岸缓冲带和人工湿地），同时数值模型如SWAT和HSPF被广泛用于负荷模拟、情景预测和水质评估（Bi等人，2025年；Chen等人，2019年）。然而，这些方法往往忽略了河流网络结构演变与污染物传输效率之间的动态联系，限制了它们在变化的水文系统中全面捕捉水质风险的能力。尽管许多研究从土地利用变化和污染源强度变化的角度量化了非点源污染负荷的空间异质性，但由河流网络变化引起的水质风险的时空差异模式尚未得到充分阐明（Bi等人，2025年；Wang等人，2024a）。
在高度城市化的平原地区，河流网络经常因人类活动（如渠道化、支流填埋以及水闸和泵站的建造）而发生改变。这些干预从根本上重塑了网络的拓扑结构，改变了流路径和水动力稳定性（Dong等人，2025年；Harvey等人，2019年；Wang等人，2024b年；Yu等人，2022年）。传统的形态指标（如排水密度、分支比）能有效描述静态几何特征，但无法捕捉网状网络内的功能连通性和动态流量分布（Huang等人，2024a年；Lu等人，2020年；Shi等人，2022年）。这一限制至关重要，因为网状网络中的污染物扩散是由复杂的多向流动控制的，而不仅仅是简单的下游传输。为了解决这个问题，复杂网络理论提供了一个强大的概念框架，将河流系统表示为图，使得拓扑分析超越了简单的几何考虑。网络指标（如介数中心性）可以作为流量效率、污染物传输速度和局部滞留能力的物理代理（Huang等人，2024b年；Rodríguez-Alarcón和Lozano，2019a年；Sun等人，2021年；Yu等人，2023年）。因此，将这些拓扑指标与物理水文过程相结合，对于识别河流网络结构如何影响非点源污染至关重要。
传统的环境风险评估方法，包括概率模型和水质指数方法，通常依赖于静态或片面的视角。这些局限性阻碍了对极端天气事件期间与NPSP相关的高度动态风险的全面理解（Huang等人，2021年；Li等人，2019年；?ener等人，2017年；Zhang等人，2020年）。为了解决这些挑战，可靠性-韧性-脆弱性（R-R-V）指标作为一种评估生态风险、水文动态、供水效率和整体流域健康的关键工具应运而生（Ahmad和Choi，2024年；Hoque等人，2012年）。R-R-V框架的优势不仅在于评估系统对干扰的敏感性，还在于整合其维持功能和从扰动中恢复的能力。这种综合方法提供了对环境风险的更动态和全面的评估。
然而，河流网络的拓扑变化与水质的R-R-V之间的关系本质上是非线性和多维的。标准回归模型往往无法捕捉网络拓扑、降雨强度和污染风险之间的复杂相互作用（Feng等人，2025年；Wan等人，2025年）。将机器学习回归（MLR）与Shapley加性解释（SHAP）相结合，有效处理了非线性问题，提高了预测准确性，并确保了模型的可解释性。这种方法能够定量分析特定结构变化（如环状连通性的下降）如何增加环境脆弱性（Boo等人，2024年；Harkort和Duan，2023年；Lima等人，2015年）。因此，本研究旨在实现以下目标：
（1）开发一个动态的R-R-V评估框架，用于描述在历史发展阶段下，暴雨驱动条件下网状河流网络中NPSP风险的时空演变。
（2）通过使用可解释的机器学习模型来量化拓扑网络指标与水文韧性之间的关系，从而解耦人为结构变化影响水质风险的机制。
材料与方法
本研究以长江三角洲地区的蠡霞河流域（LRA）为例，该流域是一个典型的网状河流网络。基于复杂网络理论，开发了一个专门为网状河流网络设计的多指标评估框架。利用该模型预测的河流网络多个横截面的水质变化数据，应用了结合可靠性、韧性和脆弱性的风险评估方法进行了全面分析。
耦合模型校准与验证
表S3的结果表明，该模型在水位和水质模拟的校准和验证期间均表现出一致的可靠性。评估指标包括均方根误差（RMSE）、相关系数（CC）、Nash-Sutcliffe效率（NSE）、偏差百分比（Pbias）和Kling-Gupta效率（KGE），共同证明了模型的稳定性和有效性。
对于水位模拟，所有监测站都显示
NPSP风险对河流结构变化的时空响应机制
由于河流网络中的每个河段都存在NPSP风险及其相应的影响因素，我们计算了每个因素对NPSP风险的SHAP值，并使用GIS将其空间可视化，以揭示其空间模式。此外，不同河流网络结构因素的SHAP值在五种降雨模式下的表现高度一致（r > 0.71；见图S7–S9）。鉴于这种一致性，2016年的降雨
结论
本研究提出了一个综合框架，将R-R-V风险评估与复杂网络理论和可解释的机器学习相结合，以阐明在强降雨条件下网状河流网络中非点源污染（NPSP）风险的时空机制。我们的结果表明，降雨模式主要决定了NPSP风险的大小，而人为结构变化则驱动了其时空演变。关键拓扑指标，如偏心率
未引用的参考文献
Li等人，2022a；Li等人，2022b；Li等人，2022c；Rodríguez-Alarcón和Lozano，2019年；Rodríguez-Alarcón和Lozano，2019年；Wang等人，2024a；Wang等人，2020年；Wang等人，2024b。
CRediT作者贡献声明
华祖林：撰写——审稿与编辑、监督、资源获取。
黄善生：撰写——初稿、可视化、软件、方法论、概念化。
王鹏：撰写——审稿与编辑、项目管理、概念化。
郭鹏：方法论。
董月阳：方法论。
谢阳村：撰写——审稿与编辑。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
致谢
本研究得到了
国家自然科学基金（批准号：U2040209）和
江苏省水利科学技术项目（批准号：2022034）的支持。
