坦帕湾(Tampa Bay)实时总氮(total nitrogen, TN)监测的机器学习模型

《Marine Pollution Bulletin》：A machine learning model for real-time total nitrogen monitoring in Tampa Bay

　　

研究人员对坦帕湾(Tampa Bay)进行了总氮(total nitrogen, TN)浓度的时空分析，开发了基于神经网络(neural network)的机器学习模型用于TN估算，并将该模型应用于自主传感器数据以提供高频(high frequency) TN估算。传统水质监测依赖离散野外采样，时间分辨率低（通常为月度），可能遗漏极端降雨或偶发排放导致的短期氮脉冲；坦帕湾观测网络(Tampa Bay Observing Network, TBON)的自主传感器虽能提供高时间分辨率（15分钟）的近实时叶绿素a(chlorophyll a, Chl-a)、溶解氧(dissolved oxygen, DO)、盐度(salinity, S)、温度(temperature, T)等数据，但无法直接测量TN。为此，研究人员利用历史月度野外采样数据与传感器衍生水质指标耦合开发机器学习模型，填补低频野外采样与高频自主传感器数据间的空白，实现高时间分辨率TN估算，为水质管理及有害藻华(harmful algal blooms)预测与缓解提供关键工具。

研究背景与意义

坦帕湾(Tampa Bay)位于美国佛罗里达州西中部海岸，是一个大型浅水河口，由旧坦帕湾(Old Tampa Bay, OTB)、希尔斯伯勒湾(Hillsborough Bay, HB)、中坦帕湾(Middle Tampa Bay, MTB)和下坦帕湾(Lower Tampa Bay, LTB)等子流域组成，具有极高的生态与社会经济重要性，支撑着海草床、红树林及渔业、港口与旅游业。20世纪中叶以来，人口增长与土地利用变化导致氮输入剧增，引发藻华、水体透明度下降及超过80%的海草床丧失；自1970年代起通过三级污水处理、雨水控制等措施显著改善水质并恢复海草覆盖，但2021年松角(Piney Point)设施排放富营养化废水引发的严重赤潮表明该生态系统仍易受营养盐污染威胁。传统水质监测依赖月度离散采样，时间分辨率低，难以捕捉极端降雨或偶发排放导致的短期总氮(total nitrogen, TN)脉冲；坦帕湾观测网络(Tampa Bay Observing Network, TBON)自主传感器可提供15分钟间隔的高频叶绿素a(chlorophyll a, Chl-a)、溶解氧(dissolved oxygen, DO)、盐度(salinity, S)、温度(temperature, T)数据，但无法直接测定TN。因此，研究人员开展本研究，旨在开发基于神经网络的机器学习模型，耦合历史采样与传感器数据实现高时间分辨率TN估算，填补监测空白，为水质管理与有害藻华(harmful algal blooms)防控提供工具。该论文发表于《Marine Pollution Bulletin》。

主要关键技术方法

研究人员使用希尔斯伯勒县环境保护委员会(Environmental Protection Commission of Hillsborough County, EPCHC)1974–2025年53个站点的月度野外采样数据（含TN、NH₃、NO_x、Chl-a、T、S、DO），选取2000–2020年月气候态数据（636组）以避免前管理时代体制转换与2021年松角事件干扰，并预留2023–2024年数据作独立验证；同时使用TBON三站点（TB01、TB04、TB05）15分钟间隔S、T、Chl-a、DO日均值（质量标志“Good”）。采用MATLAB神经网络拟合工具(Neural Network Fitting tool, nftool)构建人工神经网络(artificial neural network)，以Chl-a（取自然对数ln(Chl-a)）、S、T、DO为输入变量、TN为目标变量，测试11种输入组合，按70%训练、15%验证、15%测试随机划分数据，用Levenberg-Marquardt算法与10个隐藏神经元训练，通过均方根误差(root mean square error, RMSE)与皮尔逊相关系数(Pearson correlation coefficient, R)评估性能，最终选最优模型并以共址EPCHC站点实测TN对比验证。

研究结果

3.1. Spatial distribution of TN in Tampa Bay

研究人员利用2000–2020年EPCHC站点数据插值分析TN空间分布，发现湾内上部浅水区TN较高，靠近墨西哥湾(Gulf of America)口受潮汐交换影响的深水区较低；最高TN见于循环受限的OTB及接收主要淡水的HB，OTB大部分岸区与HB全流域偏高，OTB东南接MTB处及Courtney Campbell与Howard Frankland桥间航道深水区较低；MTB因与LTB及海湾连通交换好，TN总体低于OTB与HB（仅Little Manatee River口附近偏高）；LTB因快速潮汐冲刷与海湾低TN水混合，TN全湾最低且各站相近。

3.2. Spatial-temporal variation of TN in sub-basins

研究人员选取各子流域4个代表站2000–2020月气候态分析季节变化：OTB、HB、MTB的TN峰值在夏末秋初，春季偶有次峰，与降雨及径流峰值同步或略滞后，冬季12–1月最低；OTB与MTB峰值对应硅藻与甲藻为主的浮游植物演替期；LTB季节变化极小。空间上，OTB自内湾向口部递减（最北Lake Tarpon Canal附近站46最高，接MTB的站68最低，中心航道附近站42因循环好也低）；HB全湾TN最高，Hillsborough River口的站44与Alafia River口的站8最高，内湾站52次之，接MTB航道站80最低；MTB低于OTB与HB；LTB全湾最低且各站相似。

3.3. Long-term trends in TN concentrations

研究人员分析各子流域代表站长序列（1980–2020）年均TN，显示数十年协同管理使TN显著下降；1980–2000年因强厄尔尼诺事件伴随高降雨与径流出现多次尖峰，2009–10与2018–19也因厄尔尼诺增强降水出现短暂逆转下降趋势的 episodic 峰值。

3.4. Relationships between TN and other water quality variables

研究人员以HB站52为例分析月气候态与线性关系：盐度(S)与TN呈负线性（低S示淡水输入多）；叶绿素a(Chl-a)与TN正相关（高TN促初级生产）；溶解氧(DO)与TN负相关（高氮致藻华与群落呼吸及有机物分解耗氧）；温度(T)与TN正相关（升温加速氮再矿化且夏季淡水输氮多）；全湾类似，确认Chl-a、S、T、DO为潜在输入变量。

3.5. Input configuration and optimization

研究人员测试11种输入组合，模型1（四输入：ln(Chl-a)、S、T、DO）与模型3（三输入：ln(Chl-a)、S、T）性能相近（训练集RMSE 0.06 mgN/L、R 0.88，验证/测试集RMSE 0.07 mgN/L、R 0.82–0.83）；两输入中以ln(Chl-a)与S的模型7最佳（RMSE 0.07、R 0.85）。因DO传感器长期漂移难校准，加入DO无显著提升，故选简约三输入模型3，兼顾精度与实用。

3.6. Model evaluation

研究人员以独立测试集（n=95）评估模型3，得R=0.82、RMSE=0.07 mgN/L，与训练/验证集相近，无过拟合；以2023–2024年TBON站TB01（共址EPCHC站82）日均值输入模型，输出TN与月度实测对比，线性回归RMSE=0.05 mgN/L，95%不确定度边界±0.1 mgN/L，未参与训练的独立验证表现良好。

3.7. Model application

研究人员将模型应用于TBON站TB04（MTB中部）与TB05（Bayboro Harbor岸壁），获得高频TN序列：TB05（近岸）高于TB04（中部）；2024年8月初Debby飓风、9月末Helene飓风、10月初Milton飓风期间均捕获明显TN峰值，表明框架可保留对极端事件代理异常的响应能力，虽训练用“蒸馏”气候态可能平滑极值，但仍能反映波动与峰值，弥补传统采样在极端或高难度时期的空白，为集成水资源管理(Integrated Water Resources Management, IWRM)提供实时洞察。

讨论总结与研究结论翻译

讨论部分指出，TN空间分布受淡水输入驱动，上游浅半封闭区（OTB、HB）最高，下游连通海湾的MTB、LTB较低；季节峰值在夏末秋初与降雨径流同步；长期管理显著降低TN但天气异常仍致尖峰。研究人员通过53站月度数据与TBON高频数据耦合开发三输入（ln(Chl-a)、S、T）神经网络模型（RMSE 0.06 mgN/L、R 0.88），成功实现高时间分辨率TN估算，填补传统采样与实时传感器间隙，并可辅助区域海洋模型（如Tampa Bay Coastal Ocean Model, TBCOM）发展营养盐分布预报，推进污染监测与管理修复。

研究结论翻译如下：

坦帕湾(Tampa Bay)的总氮(total nitrogen, TN)浓度受空间与季节因素共同影响，淡水输入为主要驱动因子。TN浓度在坦帕湾接收大量淡水径流的浅水半封闭沿岸区域（即OTB与HB）最高；相比之下，与墨西哥湾(Gulf of America)连通性更好、冲刷良好的MTB与LTB等较深区域TN浓度较低。季节上，TN通常在夏末秋初达到峰值，与高降雨期及河流流量期一致。历史数据表明，数十年的协同管理已显著降低坦帕湾TN水平；然而，天气相关异常仍是持续挑战，强烈降雨与河流流量期对应显著的TN激增。

为获取高时间分辨率TN数据并强化营养盐监测，研究人员利用坦帕湾53个站点月度采样的长期原位测量数据训练机器学习模型。测试了四种输入变量（叶绿素a(chlorophyll a, Chl-a)、盐度(salinity, S)、温度(temperature, T)、溶解氧(dissolved oxygen, DO)）的11种不同组合，发现以Chl-a、S与T为输入的最佳性能模型（均方根误差(root mean square error, RMSE)=0.06 mgN/L，皮尔逊相关系数(Pearson correlation coefficient, R)=0.88）。利用TBON站点的高频Chl-a、S与T数据，研究人员推导了坦帕湾三处位置的TN估算时间序列，揭示了湾内不同的TN模式及潜在的事件驱动TN峰值；与共址采样点野外测量对比也显示良好一致性。

本研究成功展示了在坦帕湾实现高时间分辨率TN监测的可行途径，有效弥合了传统人工采样与实时传感器衍生数据间的差距；此外，深入理解坦帕湾营养盐的时空分布与控制机制，将使现有区域海洋模型（如坦帕湾海岸海洋模型(Tampa Bay Coastal Ocean Model, TBCOM)；Chen et al., 2023）得以发展营养盐分布预报能力，显著推进该区域污染物监测、水质管理与修复工作。