《Water》：Unveiling the Patterns and Drivers of Global Riverine Dissolved Oxygen via a Transformer-Based Deep Learning
编辑推荐：
河流溶解氧（DO）动态对水生生态系统健康至关重要，然而全球尺度的认识长期受限于稀疏、时间不连续且异质的监测数据。传统统计方法与过程模型在整合跨化学未监测流域的多源预测因子方面亦面临困难。研究人员开发了一个基于Transformer的框架，整合水文气候强迫、流域
河流溶解氧（DO）动态对水生生态系统健康至关重要，然而全球尺度的认识长期受限于稀疏、时间不连续且异质的监测数据。传统统计方法与过程模型在整合跨化学未监测流域的多源预测因子方面亦面临困难。研究人员开发了一个基于Transformer的框架，整合水文气候强迫、流域属性、土地覆盖与人口统计背景，重建了2001至2022年间403个河流站点的逐日DO动态。该模型在测试中取得中位Nash–Sutcliffe效率（NSE）0.61，在未见站点的留出验证中取得0.58，但性能在不同区域间差异显著，且对部分极端DO值的表现较低。集成梯度（IG）识别出30天累积气温为已训练Transformer模型中最具影响力的单一输入预测因子。重建记录表明，在选取用于趋势分析的222个站点中有95%呈现脱氧现象，农业流域的下降更为强烈。本研究提供了一个数据驱动框架，可从碎片化监测观测中重建连续逐日DO记录，有望支持候选热点识别并为气候适应性淡水管理提供依据，但须经区域验证。
研究背景方面，溶解氧（DO）在水生生态系统中发挥重要作用，决定水生生物必需的呼吸条件。低DO条件有利于温室气体排放、改变生物地球化学循环并降低渔业产量。脱氧现象已在湖泊和海洋中被广泛观测，而空间上不均衡的监测持续制约着对小型和浅水河流与溪流氧动态的认识。近期研究亦记录了全球流动水体的持续脱氧，凸显了气候变暖与河流氧动态的关联。河流DO动态受物理、化学和生物过程的复杂交互支配，这些交互受热力、光照和水文条件调控，而后者又受气候与流域特征影响。鉴于DO的重要性及其对复杂自然与人为驱动因子的敏感性，阐明河流DO浓度的时空模式与长期趋势对减缓不利生态影响和减少相关经济损失至关重要。然而，全球监测覆盖不均与时间稀疏观测限制了对长期逐日河流DO浓度的重建以及跨气候条件与流域特征的DO动态比较。传统河流DO监测主要依赖人工采样，成本高昂且数据在空间和时间上均稀疏，限制了其支持环境决策的有效性。常见DO预测模型包括过程模型和统计模型。过程模型需详细环境输入并校准物理与生物地球化学参数，在信息缺失处应用受限；简单统计模型则难以表征河流DO动态的非线性交互与快速变化。近年来机器学习模型因在挖掘目标与其他变量复杂关系方面的优势而日益流行，但支持向量回归（SVR）需在输入特征中编码时间依赖而非由架构显式表征；长短期记忆（LSTM）模型可利用时间顺序预测DO，但循环处理使长序列学习效率较低；Transformer自注意力可直接关联序列位置间信息并允许并行处理，然而已有Transformer应用多针对个体水系统或较短预测期，不能直接确立跨区域长期逐日重建的性能。此外，为更好理解此类深度学习"黑箱"模型的决策过程，已开发一系列可解释性方法，其中集成梯度（IG）通过计算从基线输入到实际输入路径上的梯度积分，解决了传统梯度方法的饱和问题。尽管如此，三项相关挑战促成本研究：其一，河流DO观测稀疏且时间不连续，站点间监测覆盖不均；其二，已发表的DO应用多考察个体河流、溪流或湖泊系统，其结果不能确立跨区域长期逐日重建的性能；其三，关于DO关联因子的证据常具地理特异性，而长期DO趋势的跨区域模式难以从稀疏记录中刻画。为此，研究人员开发了一个基于Transformer的框架，整合多源预测因子（水文气象强迫、流域属性、土地覆盖与人口统计背景），重建2001至2022年全球403个河流站点的逐日DO动态，并围绕三个目标展开：（1）在稀疏观测下构建并评估全球逐日DO重建模型，包括独立留出验证以检验监测有限环境下的可迁移性；（2）通过可解释归因分析量化输入预测因子对模型DO预测的贡献；（3）刻画跨区域的年代际脱氧模式并考察其与气候变暖及流域特征的共变关系。
在关键技术方法方面，研究人员编译了来自全球河流水质档案（GRQA）和全球河流化学数据库（GLORICH）等公开数据集的403个河流监测站DO观测，经质量标志筛选后以四分位距（IQR）剔除异常值，保留3.4至16.2 mg/L范围，最终保留178,421条记录。预测因子包括ERA5-Land逐日水文气象强迫数据（含前30、60、90天累积气温与降水）、HydroATLAS流域属性、MODIS MCD12Q1年度土地覆盖与网格化人口数据，均在Google Earth Engine（GEE）中统一至站点-流域特征空间并提取面积加权均值。模型采用Transformer编码器，经Optuna优化超参数，以Adam优化器最小化Huber损失，训练集为2001年1月1日至2014年3月31日，验证集为2014年4月1日至2016年12月31日，测试集为2017年1月1日至2022年12月31日。以LSTM、双向长短期记忆（BiLSTM）和门控循环单元（GRU）为基准模型，采用NSE、均方根误差（RMSE）、绝对百分比偏差（Pbias）和Pearson相关系数（Pcorr）评估。从四个站点最多的区域随机选取50个站点作完全独立留出验证，并以Theil–Sen估计量分析趋势、以split-conformal方法构建预测区间。
研究结果方面，在"DO时空模式"部分，研究人员通过重建数据发现DO浓度呈明显空间格局与季节变异：平均DO随纬度升高而增加，北美和西欧北部及新西兰达峰值（11–12 mg/L），印度和中国最低（5–6 mg/L）；新西兰变异系数较低（0.05–0.07）而美国东部和中国较高（0.30–0.39）；北半球DO冬春较高、夏季下降，新西兰季节趋势相反；整体分布近似正态，多在6–13 mg/L之间。在"模型性能"部分，通过全站点比较与Wilcoxon符号秩检验发现Transformer中位NSE和平均RMSE优于各循环基准，经Holm校正后显著高于BiLSTM、LSTM和GRU；全球测试中位与平均NSE分别为0.61和0.58，北美、新西兰和西欧表现较好而东亚较低（中位NSE 0.45），全球中位Pcorr为0.85；预测区间90%半宽1.17 mg/L覆盖93.0%、95%半宽1.86 mg/L覆盖97.0%；IG显示30天累积气温为最具影响力的单一输入预测因子；留出验证全球中位与平均NSE为0.58和0.55，新西兰0.70、北美0.58、西欧0.57，东亚仅0.23；全球中位与平均RMSE为0.88和0.99 mg/L，优于多个区域模型。在"模型预测误差的决定因素"部分，通过分位数分组的时序测试预测发现低于第10百分位截断值（6.93 mg/L）的观测被平均高估0.70 mg/L，高于第90百分位截断值（12.00 mg/L）的被平均低估0.97 mg/L，RMSE在两端分别为1.42和1.53 mg/L而中间为0.91 mg/L，表明预测向观测范围中心收缩；站点级RMSE随DO变异系数增大而增大（R2=0.35）、随观测最小DO升高而减小（R2=0.33），并随日最低气温和90天累积气温变异性增大而增大；NSE与由均值季节循环解释的DO方差比例相关性最强（r=0.68）。在"DO与温度的关系"部分，通过相关与回归分析发现DO与温度相关预测因子相关性最强（R2≥0.60），30天累积气温（Temp30d）与DO关联最强，全球与区域回归方程均支持该结论。在"变暖与脱氧的历史趋势"部分，通过Theil–Sen趋势分析发现222个站点中97%呈显著变暖，区域变暖速率为东亚、北美、新西兰和西欧每十年若干°C；重建DO趋势在222个站点中211个（95%）为负，其中193个（87%）斜率显著为负；农业流域变暖速率与DO下降速率均大于未开发流域；变暖速率与耕地覆盖率正相关（r=0.54）、脱氧速率与耕地覆盖率负相关、变暖与脱氧速率强负相关，匹配日期检验显示观测与重建斜率正相关且211个站点方向一致。
讨论部分总结如下：研究评估了跨403个监测站的多源Transformer河流DO重建模型，其中位NSE在时间测试中为0.61、留出验证中为0.58，但东亚留出验证中位仅0.23，显示显著区域变异；集成梯度识别30天累积气温为已训练模型中最具影响力的单一输入预测因子；农业流域较未开发流域表现出更快变暖和更负的模型重建DO趋势。研究结论部分翻译如下：在选取用于趋势分析的222个站点（NSE≥0.5）中，区域平均变暖速率为每十年0.246至0.394°C，区域平均DO趋势为每十年若干mg L?1；亦观察到站点级变暖与脱氧速率之间的关联。该框架可支持候选热点筛查，但对低DO的高估和不均衡的区域性能可能限制氧耗竭热点的检测。鉴于站点代表性不均、区域特定纳入阈值和异质源档案，本地应用需对照独立DO观测验证，尤其是在低DO条件下。预测因子集亦缺乏包括水温、营养盐和有机物在内的河道内水质测量，因此模型可能无法充分捕捉与这些条件相关的局部氧产生与消耗变化，从而可能降低对偶发DO极端事件及具有独特污染格局流域的准确性。未来工作应增加协调的河道内测量、检验区域比较对站点选择阈值的敏感性，并在更多区域评估该模型。
