用于跨流域河流电导率预测的选择性可迁移性映射

《Journal of Hydrology》：Selective transferability mapping for cross-basin prediction of river electrical conductivity

　　•选择性可转移性映射（STM）可用于筛选适合跨流域电导率预测的供水源。在578个监测站进行的测试表明，跨流域的电导率传递具有选择性。在无明显水流的流域中，STM的表现优于其他比较方法。通过识别合适的供水源，可以找到那些不太可能出现严重预测误差的流域。残差分析和稳定性分析则用于评估预测的可靠性。

引言
河流电导率，或标准化到25℃时的特定电导率，是水质和生态健康的重要指标。它反映了淡水系统中溶解离子的浓度以及整体盐度。除了自然因素外，电导率的变化还能揭示人类活动的影响，如废水排放、农业径流和工业污染物，这些都会破坏水生栖息地并改变生物地球化学循环（Edegbene等人，2021年）。因此，电导率可作为衡量流域尺度过程和环境压力的有效替代指标（Khlaif等人，2021年；Zhang等人，2023年）。然而，电导率测量数据在空间上分布较为稀疏。许多河流网络区域缺乏监测，这限制了对区域或大陆范围内淡水质量的评估（Kovacevic等人，2023年；Olson和Cormier，2019年）。在很多地区，电导率记录在时间上也较为稀少，或者仅限于不规律的采样。这就限制了人们了解风暴事件、干旱、流量调控以及其他高频水文变化对电导率短期影响的能力（Blaen等人，2017年；Cano-Paoli等人，2019年）。因此，预测模型为直接监测提供了重要补充，能够在缺乏实测数据的情况下估算电导率动态。开发既准确又能在不同流域之间可靠应用的模型，对于将水质预测扩展到数据匮乏的地区至关重要（Chen等人，2024年；Smith等人，2024年；Virro等人，2022年）。

近几十年来，众多研究采用统计和机器学习方法，在不同的空间和时间尺度上对河流电导率进行了建模。这些应用范围从针对特定地点的日度或事件级预测，到涵盖多个集水区的区域建模。诸如基于时间、流量和季节的加权回归（WRTDS）等成熟的统计框架被广泛用于根据时间、流量和季节的离散观测数据来估算水质变化（Hirsch等人，2010年；Oelsner等人，2017年）。在个别河流系统或仪器监测完善的区域内，也取得了很高的预测精度。例如，Melesse等人使用混合随机森林与决策树方法，在伊朗的某些流域中获得了高达0.995的R2值（Melesse等人，2020年）。Ahmadianfar等人在塞菲德鲁德河上使用小波回归混合模型，得到了0.425至0.973的相关系数（Ahmadianfar等人，2020年）。人工神经网络同样被证明可用于利用水化学和物理化学输入变量进行流域尺度的电导率预测，Mattas等人在希腊的一个流域中报告了0.93的电导率相关系数（Mattas等人，2021年）。

引入空间和地貌特征进一步提升了模型的性能。Cresser等人表明，河岸地质、土地利用状况以及距离海岸的远近有助于提高对苏格兰河流中基础阳离子的预测精度（Cresser等人，2002年）。这类研究共同表明，空间和地貌特征能够提升电导率预测的准确性，尤其是在空间异质性导致不同水文状况的地区（Aalipour等人，2024年；Le等人，2018年）。

尽管如此，这些模型往往依赖于基于现有测量数据以及密集的化学和水文观测数据的站点特定校准（Aldrees等人，2024年；Karbasi等人，2024年）。它们对丰富本地数据的依赖性，限制了其在没有监测数据或监测不全面的流域中的应用，因为在这些地方无法获取电导率及相关参数（Ahmadianfar等人，2020年；Olson和Cormier，2019年）。为克服这一局限，人们开始关注知识转移，即利用从有监测数据的流域中学到的规律来预测无监测数据流域的状况（Hrachowitz等人，2013年；Str?mqvist等人，2012年）。

最近的研究越来越表明，电导率预测不仅取决于监测设计，还与流域的物理环境有关。通过结合高频监测、空间分布的样本、土地覆盖信息以及天气预报因子，可以提高区域特定电导率的预测精度（Smith等人，2024年）。空间河流网络分析进一步表明，地理空间依赖关系和流量条件会影响整个河流网络中的电导率预测结果（McManus等人，2020年）。关于自然背景电导率的模型也指出，地质、土壤、植被、排水结构以及时间变化都是影响不同环境梯度下电导率模式的因素（Olson和Cormier，2019年；Olson和Hawkins，2012年）。此外，针对流量驱动的时间外推研究显示，干旱或流量变化条件下，电导率预测结果可能会发生变化（Green等人，2025年）。综上所述，这些研究结果表明，在有监测的区域内或在不同的大范围环境梯度下，电导率往往能够被成功预测。不过，预测性能会因区域差异、人为盐分输入、流量变化以及水文环境的不同而有所差异。因此，不能仅仅因为模型在区域尺度上表现良好或在监测站点上随时间保持稳定，就认为其具有空间可转移性。

对于电导率而言，这一问题尤为重要，因为电导率反映了多种来源和传输过程的综合结果。这些过程包括地质离子供应、地下水储存、道路盐分输入、废水以及农业径流（Kaushal等人，2005年；Kaushal等人，2018年），还有在流量变化情况下的稀释或浓缩作用（Green等人，2025年）。较为简单的区域划分方法，如根据气候、地形、渗透性和排水结构将流域分组的水文景观区，能够为模型提供有用的物理背景信息（Wolock等人，2004年）。然而，这类宽泛的分类并不能直接确定哪些有监测数据的流域适合作为特定目标流域的供水源。因此，当前的挑战在于从一般的区域预测转向明确的供水源与目标流域筛选机制。在这种方法下，只有当流域间的相似性能够提供可靠的水文依据时，才会尝试进行数据转移。

不过，大多数跨流域研究都隐含地假设，只要经过训练的模型，无需验证水文或地球化学上的相似性，就可以应用于其他地区（Arsenault和Brissette，2016年；Gebeyehu等人，2023年；Jones等人，2022年；Zhu等人，2021年）。当供水源流域和目标流域在流量状况、土地利用或气候条件上存在显著差异时，这种假设会增加模型失效的风险。目前仍缺乏有效机制来预判或避免这类差异，这也是该方法论上的一个主要缺陷。因此，亟需建立透明的框架，明确哪些情况下模型转移是可行的，并揭示在不同流域应用模型可能面临的风险。

为解决这一不足，本研究提出了选择性可转移性映射（STM）这一基于适用性评估的跨流域电导率预测框架。在此框架中，可转移性特指流域间的空间转移：从有监测数据的供水源流域所学到的电导率与流量之间的关系，会被用来评估其在其他目标流域的应用可行性。STM利用水文特征和流域的静态特性，来判断何时何地流域间的预测关系是可靠的。这些信息有助于选择合适的供水源，避免不可靠的数据转移。该框架利用美国地质调查局578个监测站的数据，量化了各供水源与目标流域之间的预测可能性，并通过机器学习模型，根据流域间的特征差异来预测哪些供水源最为合适。在本研究中，电导率是通过从日常观测数据中得出的、与流量条件相关的统计值来表示的。电导率数值被归入不同的流量持续时间区间，并根据流量进行标准化处理。流量持续时间区间代表了从高流量到低流量的水文状况，而每个区间内的平均值、中位数、最小值和最大值则反映了该区间内电导率分布的不同特征，而非原始的日度数值。STM在两种情况下进行测试：一种是在有实际流量数据的情况下，即已知目标流域的流量状况；另一种是在预测流量情况下，即不提供目标流域的流量数据，而是根据流域的静态特征和现有的径流数据来估算流量持续时间曲线。这种设计旨在检验基于适用性评估的供水源选择是否能够提升预测的可靠性，同时确定哪些流域组合的跨流域数据转移具有足够的支撑依据。

数据收集与预处理
最初的数据库包含了美国本土1,530个美国地质调查局河流监测站的数据，这些监测站在1995年至2025年间均提供了流量和电导率观测数据。选择如此广泛的空间覆盖范围，是为了确保能够涵盖各种不同的气候、地质和土地利用条件，从而使该框架能够在不同的流域环境中测试其可转移性。

每个监测站都通过国家水文数据集与其对应的流域建立了地理关联。

跨所有578个监测站的模型性能进行了评估，以此来分析跨流域预测的总体情况。图3展示了一个代表性的热力图，显示了使用每个供水源监测站来预测每个目标监测站ECmed统计值时所获得的R2值。行代表目标监测站，列代表供水源监测站。两个轴均按照观测到的最小流量排序，以便展现供水源与目标流域之间数据转移关系中的水文结构。

总体而言，大多数……

水文控制因素与供水源适用性
我们发现，不同供水源与目标流域对之间的预测性能存在很大差异（见图3）。大多数流域对的可转移性较低，但有一小部分具有类似低流量特征的流域对，其预测一致性则要高得多。那些最小流量较低的流域，尤其是那些流量不稳定或变化较大的流域，很难在彼此之间进行数据转移，这表明水文稳定性对于维持不同流域之间电导率与流量关系的可比性起着重要作用。

结论
本研究通过引入STM这一将电导率预测与可测量的流域相似性相联系的框架，推动了跨流域水质建模的发展。STM不会假设在一个流域中得到的规律普遍适用于所有流域，而是会对每一对供水源与目标流域的可转移性进行评估。低流量条件下的相似性始终与成功的数据转移相关，而更广泛的流域特征则能为判断供水源与目标流域的兼容性提供更多信息。

可靠的河流电导率

RediT作者贡献声明
Tom Lotz：撰写——初稿、方法论、研究实施、正式分析、数据整理、概念构建。Wenjun Chen：撰写——审阅与编辑、验证、方法论。Thomas Hennig：撰写——审阅与编辑、数据整理。Shoubao Su：方法论、概念构建。

资金支持
本研究得到了中国国家自然科学基金[项目编号W2533105和42101476]、金陵理工学院高层次人才科研启动基金[项目编号jit-b-202139]、江苏省“青蓝工程”及高等学校自然科学研究计划[项目编号21KJB170025]的资助。

利益冲突声明
作者声明存在以下可能被视为潜在利益冲突的财务利益/个人关系：Tom Lotz表示获得了中国国家自然科学基金的财政支持。Wenjun Chen表示获得了江苏省“青蓝工程”及高等学校自然科学研究计划的财政支持。其他作者则表示没有已知的利益冲突。