结合生态学和机器学习方法，利用微藻对受潮汐影响的热带河流的健康状况进行评估

《Aquatic Sciences》：Integrating ecological and machine learning approaches for river health assessment using microalgae in tidal-influenced tropical rivers

　　

摘要

微藻是水生生态系统健康状况的敏感指标，然而它们在受潮汐影响的短热带河流中的作用仍尚未得到充分研究。本研究旨在评估马来西亚槟城三条受潮汐影响的河流（Sungai Batu Ferringhi、Sungai Tukun 和 Sungai Keluang）中微藻的分布、环境驱动因素以及机器学习在河流健康评估中的应用。2023年8月至2024年7月期间，每月在上游、中游和下游的十个监测点进行采样，采样时间选择在春潮和退潮期间。共测量了17个水质参数，并通过主成分分析确定了影响水质的八个关键因素。记录到454种微藻，其中硅藻门（Bacillariophyta）占主导地位（超过75%）。下游地区由于盐度、温度和营养物质较高，主要生长着河口硅藻（如和属），而上游地区由于离子强度较低且溶解氧含量较高，主要生长着对盐度和污染敏感的微藻类群（如属和属）。典型对应分析表明，潮汐混合、盐度和营养梯度分别解释了浮游植物和附生藻类群落变化的88–92%和95–96%。层次聚类分析划分出了三个生态区域。研究人员评估了六种机器学习算法在浮游植物和附生藻类预测中的应用，包括人工神经网络（ANN）、支持向量机（SVM）、决策树（DT）、k最近邻（KNN）、随机森林（RF）和极端梯度提升（XGBoost）。在浮游植物预测中，ANN、SVM、DT和KNN的准确率相当（均为60%）；而在附生藻类预测中，ANN和SVM的表现较差（准确率为33%），RF和XGBoost的准确率较高（为67%）。研究结果表明，结合生态学方法和机器学习技术可以提高河流健康评估的准确性，并凸显了微藻生物指示剂在热带潮汐河流系统中的强大预测潜力。