《Hydrobiology》：Next-Generation River Health Monitoring: Integrating AI, GIS, and eDNA for Real-Time and Biodiversity-Driven Assessment
编辑推荐：
淡水生态系统面临日益加剧的退化，亟需实时、可扩展且具备生物多样性感知能力的监测方案。本综述提出一种融合人工智能(AI)、地理信息系统(GIS)与环境DNA(eDNA)的集成框架，以克服传统方法的局限并支撑下一代河流健康评估。该AI-GIS-eDNA系统在密西西
淡水生态系统面临日益加剧的退化，亟需实时、可扩展且具备生物多样性感知能力的监测方案。本综述提出一种融合人工智能(AI)、地理信息系统(GIS)与环境DNA(eDNA)的集成框架，以克服传统方法的局限并支撑下一代河流健康评估。该AI-GIS-eDNA系统在密西西比河、亚马逊河、长江与多瑙河四个代表性流域应用，相较常规方法预测精度最高提升达94%，空间污染制图精度达85–95%，物种检测灵敏度提升18–30%。此外，该框架将运维成本降低至多40%，彰显其在低资源地区经济部署的潜力。尽管优势显著，在监管认可、数据标准化与数字基础设施方面仍存在挑战。研究人员建议赋予AI与eDNA指标法律地位、投资可解释人工智能(XAI)，并推动全球数据协调倡议。该集成AI-GIS-eDNA框架为人类世背景下适应性淡水治理提供了可扩展且具政策相关性的工具。
研究背景方面，淡水生态系统在维持生物多样性、支撑经济发展与保障人类福祉中扮演关键角色，但正承受富营养化、城市径流、工业排放、土地利用变化与气候变率等人为压力，生态完整性及净水、生境稳定、养分循环等服务能力受损。传统河流健康评估依赖溶解氧(DO)、总氮(TN)、总磷(TP)、重金属等理化指标及大型无脊椎动物、鱼类、硅藻等生物类群，虽科学稳健，但劳动密集、成本高、时空分辨率受限，固定点位间歇采样难以及时捕捉扩散性或快速突变污染。欧盟水框架指令(WFD)虽认可生物质量要素，但AI、GIS与eDNA各自独立进展明显，其协同集成在河流健康评估中仍鲜有探索。鉴于淡水系统复杂性及对多维实时数据的需求，研究人员旨在构建并评估AI-GIS-eDNA统一框架，以提升评估分辨率、精度与响应力，并 benchmarking 传统方法、剖析技术协同、识别可扩展的制度与基础设施条件。论文发表于《Hydrobiology》。
关键技术方法上，研究人员在密西西比河、亚马逊河、长江、多瑙河四大流域开展多方法集成研究。AI侧采用随机森林(RF)、梯度提升机(GBM)、长短期记忆网络(LSTM)等，基于1980–2023年历史水质数据训练，经缺失值填补、Z-score离群剔除、最小最大归一化、80:20划分与5折交叉验证，以R2、RMSE、MAE评测，并用SHAP做可解释性分析；GIS侧基于ArcGIS Pro与QGIS，融合Sentinel-2、Landsat-8、MODIS遥感及DEM地形，用克里金与反距离权重(IDW)插值定位污染热区，并以SWAT模型模拟水文与养分输移；eDNA侧于2023年春夏季在四流域代表点位用无菌过滤单元采表水，Qiagen DNeasy PowerWater提取，靶向COI、12S rRNA、16S/18S rRNA，Illumina MiSeq测序，QIIME2+DADA2+SILVA/GenBank注释。样本队列即四河流域季节性实地水样与各国监测计划（US EPA、ICPDR、IBAMA、中国生态环境部）的理化数据集。
研究结果部分，4.1 AI模型性能评估中，RF与GBM在精度与计算效率间平衡最佳，LSTM与ANN精度略高但开销大，五模型在四河精度73%–94%，5折交叉验证置信区间±2.5–9.2%。4.2 GIS污染弥散分析中，GIS空间建模溯源精度85%–91%，在密西西比营养分区、亚马逊城市废弃物治理、长江工业排放追踪、多瑙跨境监测中均获地面真值验证。4.3 eDNA生物多样性监测中，eDNA较传统分类调查物种检出增18%–30%，亚马逊丰富度最高，多瑙因采样不一致存变异，证明eDNA可捕获稀有隐秘类群。4.4 政策含义中，AI供实时预警、GIS供空间分区、eDNA供分子级生物多样性监视，三方协同可降低行政负担、强化跨境互操作，但需传感器网、云设施与机构协同投入。
讨论部分指出，从常规到集成是从时点采样向近实时诊断的范式转移；AI-GIS-eDNA在预测精度（最高94%）、GIS溯源精度（85%–95%）、eDNA灵敏度（+18–30%）与成本（降至多40%、野外人力降约35%、多样性评估成本降约20%）上均优于常规；资源受限区可用分层部署（先GIS+社区协助eDNA，后接AI），并借开源与公民科学降本。制度上WFD与清洁水法仍认传统指标，eDNA参考库与协议不一、深度学习黑箱阻碍透明，故需修法认新指标、建开放参考库、推XAI（SHAP/LIME）。结论部分翻译如下：本研究引入并评估了融合人工智能(AI)、地理信息系统(GIS)与环境DNA(eDNA)的集成监测框架，以提升河流健康评估的响应性、准确性与生态相关性。该框架在四大全球流域应用中，在预测性水质建模、空间污染探测与生物多样性监测上表现优越，同时降低长期运维成本。这些发现验证了该框架对实时、数据密集型环境治理的效用。然而广泛采纳需针对性改革，包括法律认可AI与eDNA衍生指标、改进数据标准化与扩展数字基础设施。持续投资可解释AI、开放获取工具与跨境协作，可支撑加速环境压力下前瞻且公平的治水实践。
