基于可解释机器学习方法的典型河口系统近期水质气候预测

《Journal of Marine Systems》：Climate projection of near-future water quality in a typical estuary system based on an explainable machine learning method

　　摘要：对于许多大型河口系统而言，及时准确地预测水质显得极为重要；但由于复杂的状况以及有限的观测能力，这一任务颇具挑战性。珠江口便是典型例子，其水质因过量的无机氮和活性磷酸盐而恶化。现有的方法（数值模型和数据驱动的机器学习）难以同时实现高精度、高效率与可解释性。因此，本研究构建了一个可解释的机器学习框架，用于获取水质的时空变化情况以及优良水质的覆盖率（依据中国国家标准，优良水质指水质等级为I级和II级的区域占比）。研究还采用了SHapley加性解释法来识别关键变量，从而更深入地理解河口水质的变化规律。该框架以多层感知器作为核心模型，利用先前开发的机器学习模型中的海表盐度作为反映河口动态的关键指标，同时结合随机森林模型得到的河流污染物通量、经验估算的污染物负荷以及恒定变量（水深和地理信息）。由于现场观测数据有限，研究采用了迁移学习策略：首先用数值模拟数据对框架进行预训练，再结合实际观测数据进行微调。验证结果显示，该模型的预测性能良好（无机氮和活性磷酸盐的预测准确率分别为86.8%和80.76%）。通过降尺度的气候预测，该框架指出从2023年到2029年珠江口水质将有所改善（年均优良水质覆盖率从62.52%上升至74.24%），但在2030年又会下降至64.50%。SHAP分析表明，预测结果可通过河口动态和污染状况得到解释，这一工具为当地基于科学的河口环境管理提供了有力支持。由于所有变量都具有河口的共同特征，该框架有望应用于其他河口系统，为其开发利用和管理提供助力。

引言：河口是野生动物的重要栖息地，同时也为人类提供独特的生态系统服务（Shen等人，2024）。恶劣的水质不仅会影响大多数河口生物，还会制约人类的社会经济发展（Zaghloul等人，2023）。在人口密集的城市地区，由于人为影响较大，河口环境承受着巨大压力（Du等人，2021；Lotze等人，2006）。河口水质恶化通常与人类活动有关，如填海造地（Jiang等人，2023）、疏浚（Pein等人，2021）、农业施肥（?ener等人，2017）以及废水排放（Georgescu等人，2023）。在这些压力中，大量的肥料使用和无节制的废水排放会迅速增加水体中的营养物质浓度，加速水质恶化（Lee等人，2024；?ener等人，2017）。因此，为了环境管理、生态修复和政策制定，有必要预测河口中的各类水质参数，如叶绿素a、溶解氧和氮含量（Du等人，2021；Fichot等人，2015；Mondal等人，2025b）。

然而，自然因素和技术条件使得预测未来河口水质参数的任务更加复杂。一方面，河口处于淡水-河口-海岸-开放海洋的连续体之中，大气-海洋-陆地界面之间的相互作用导致了复杂的物理化学过程以及高度的空间异质性（Lu等人，2022）。污染物随淡水进入河口，随后因淡水和海水混合而扩散（Zhao等人，2020）。河流径流的季节性变化不仅决定了流入河口的污染物数量，还影响了混合的时空分布，进而决定河口中的污染物浓度和水质状况（Ke等人，2023）。未来，陆地上的污染物通量也可能随气候变化而改变，从而影响河口中污染物的自然稀释过程（Huang等人，2021；Tao等人，2021）。另一方面，受现有技术限制，所有现有的水质数据集都存在固有缺陷。现场观测数据往往存在空间和时间上的离散性问题，常规监测航行很难在单个潮汐周期内完成所有站点的数据采集，通常只能每月甚至每季度进行一次采集（Mondal等人，2024）。与此同时，尽管遥感技术能够提供广阔的空间覆盖范围，但其数据反演精度却极易受到河口水域的光学特性和天气条件的影响（Mondal等人，2023；Mondal等人，2021b）。

为应对这些挑战，数值模型被广泛用于重建和预测无时空缺漏的水质状况。例如，Li等人（2015）开发了一种水动力模型，用于重建胶州湾的三维水质状况，以便进行环境容量评估。尽管这种方法效果显著，但更高的精度往往需要付出更高的计算复杂度和成本（Moreno-Rodenas等人，2019）。而且，其性能在很大程度上取决于准确的源汇信息和参数设定，这可能限制其在未来预测中的应用。因此，机器学习作为一种高效的替代方法，越来越受到重视（Chen等人，2024；Zhu等人，2022）。由于其高精度和低计算成本，机器学习已被成功应用于水质的时空重建（Lu等人，2019；Yang等人，2024；Zhu等人，2024）以及预测工作（Chen等人，2021；Liu等人，2024；Yang和Li，2024）。Du等人（2021）采用了他们自己在2020年开发的地理神经网络加权回归模型，整合了现场观测数据和遥感数据，实现了非常精确的水质制图。类似地，Karmakar等人（2024）也将遥感数据和现场数据结合起来，训练支持向量机回归模型，用于监测孙德尔本斯地区的长期水质和生产力状况。遥感数据能提供广阔的空间覆盖，而现场观测则能提供更直接、更可靠的实际水质信息（Bar等人，2023；Mondal等人，2025a；Mondal等人，2021a）。因此，现有研究大多依赖于遥感数据与现场数据之间的关联。然而，由于现场观测数据稀缺，且河口地区的遥感数据质量不佳，这往往限制了训练数据集的规模和代表性，进而可能影响模型的泛化能力。因为机器学习模型的性能与数据的数量和质量密切相关（De等人，2026）。为解决这一问题，人们提出了迁移学习策略，即利用数值模型的输出作为预训练数据，再以现场观测数据作为微调数据，以此缓解训练数据不足的问题（Cao等人，2022；Chen等人，2021）。机器学习在水质预测方面的一个优势在于，原本需要大量精准的源汇数据来驱动模型，而现在可以用一些相关性较弱但更容易获取的变量来代替，依然能获得高精度的预测结果。通过利用数值模拟数据，迁移学习不仅减少了对外部大量现场观测数据的依赖，还能让模型直接学习其中的物理规律。虽然迁移学习可能会间接继承数值模型中的物理信息，但最终得到的方法仍然是纯粹的数据驱动型，其内部机制仍不够清晰。尽管有许多研究基于机器学习模型的输出来分析各种现象，比如Mondal等人（2025a）的研究，但很少有研究探讨驱动这些预测结果的内在机制。这就引发了人们对机器学习可靠性的质疑（He等人，2023）。因此，仍然需要一种可解释的机器学习框架，能够在现场观测数据有限的情况下预测水质。

珠江口是开发与评估此类框架的理想研究区域。这里是中国经济最为发达、城市化程度最高的沿海地区之一，自中国改革开放以来就一直面临严重的水质问题（Lu等人，2024）。注入珠江口的珠江是中国第二大河流，它带来了大量的河流径流和化学物质，为当地的海洋生态系统提供养分。然而，流域内日益加剧的人类活动，如土地利用变化、生活污水排放以及农业活动，增加了河口的污染物通量，提升了河口的营养级，从而导致水质恶化（Cloern，2001）。同时，周边城市排放的污染物负荷也相当高，进一步加剧了珠江口的富营养化问题（Murphy等人，2021）。自然过程与人类活动的共同作用，使得该地区的水质问题十分复杂且持续存在（Wang等人，2016）。根据2022年中国海洋生态与环境状况公报，珠江口约30%的区域水质较差，按照官方标准属于IV级或更差的水平。这些恶劣水质主要是由高浓度的无机氮和活性磷酸盐造成的，而这些污染物主要分布在珠江口的上游地区。为了解决这些问题，当地政府制定了相关行动计划（https://environmental-partnership.org/news/action-plan-for-the-comprehensive-management-of-key-marine-areas-released/），旨在改善珠江口的水质。其中的一个目标是在2025年前将珠江口优良水质的覆盖率提升至73%，所谓优良水质是指水质等级为I级和II级，且无机氮浓度低于0.3毫克/升、活性磷酸盐浓度低于0.03毫克/升的区域。一个关键问题是，基于目前的污染水平以及气候变化可能带来的影响，珠江口未来的水质能否实现这一目标？因此，迫切需要一个可靠且高效的水质预测框架，为珠江口的海洋和环境管理提供决策支持（Tao等人，2021）。

基于此，本研究旨在基于有限的现场观测数据，开发一种机器学习框架，用于预测未来珠江口的无机氮、活性磷酸盐以及优良水质的状况。此外，研究还引入了模型解释方法，以识别关键影响因素，进而深入理解河口水质的变化规律。第2节将详细介绍该框架的构成。第3节中，我们将验证预测出的水质分布，并通过分析来证明所提框架的有效性和可解释性。第4节会探讨该框架的优势与局限性。第5节则会对研究结论进行总结。

研究区域：研究区域如图1中的黑色虚线所示，包括珠江口及其周边海域，其地理位置在东经112.3°至114.65°之间，水深均小于112米（香港水域除外）。该区域被划定为珠江口河口环境管理区，需要定期进行水质监测与评估。研究还定义了一个Aq指数，用于衡量该区域内优良水质的覆盖率，即符合特定水质标准的海域面积占比。

模型性能：图4的(A)和(B)展示了以2022年为验证期时，预测得到的无机氮和活性磷酸盐浓度与现场观测值的散点图。比较结果显示，两者之间的均方根误差分别为0.76毫克/升和0.02毫克/升，这一数值都在相应观测值的一倍标准差范围内（无机氮：0.485±0.547毫克/升，活性磷酸盐：0.016±0.014毫克/升）。此外，该框架在计算Aq指数方面的表现也非常出色，见图4的(C)。其预测准确率相当高。

讨论：本研究基于有限的驱动变量，开发了一种可解释的机器学习框架，用于预测未来珠江口的无机氮和活性磷酸盐水质状况。尽管图4的(A)和(B)中显示的误差看似较大，但该模型的预测性能却与文献中报道的数值模拟结果相当，甚至更为优异。这是因为无机氮和活性磷酸盐是通过有限的驱动变量间接预测出来的。例如，对于珠江口而言，也是如此。

结论：本研究开发了一种可解释的机器学习框架，可用于预测珠江口未来的一段时间内优良水质状况以及无机氮和活性磷酸盐的时空分布。通过先利用数值模型输出数据进行预训练，再结合有限的现场观测数据进行微调，该框架有效解决了数据不足的问题，同时保留了相关的物理信息。此外，基于SHAP方法进行的可解释性分析提升了预测结果的可靠性，也证明了这些预测结果与已知的河口生态过程是一致的。CRediT作者贡献说明：
何江南：写作–审阅与编辑、写作–初稿撰写、可视化、软件、方法学、数据整理。蒋玉杰：软件、方法学、研究。卢文芳：写作–审阅与编辑、写作–初稿撰写、项目管理、方法学、资金获取、概念设计。张丽：软件、方法学、研究。郭东浩：方法学、数据整理。肖灿波：资源、数据整理。赖志刚：写作–审阅与编辑、监督、未引用参考文献GB3097-1997，1997年。

利益冲突声明：
作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。

致谢：
本项目得到南方海洋科学与工程广东省实验室（珠海）的支持（编号：SML2023SP238）。

术语表：
IN：无机氮
RP：反应性磷酸盐
PRE：珠江口
SSS：海表面盐度
IDW：逆距离加权法
PFP：污染物通量
PL：污染物负荷
MLP：多层感知器
RMSE：均方根误差
IPCC：政府间气候变化专门委员会
SHAP：沙普利加性解释值

何江南|蒋玉杰|卢文芳|张丽|郭东浩|肖灿波|赖志刚
中国广东省珠海市519082，中山大学海洋科学学院