《Process Safety and Environmental Protection》：Interannual and Seasonal Evolution of Drivers Affecting Dissolved Organic Carbon in Arctic Rivers (2004-2021)
编辑推荐：
摘要全球变暖影响着北极河流系统的环境驱动因素，并影响溶解性有机碳的动态变化，但其季节性和年际变化仍未得到充分量化。我们开发了一个整合了Landsat观测数据、流域特征和水文水质变量的随机森林模型，用于重建2004-2021年间六条北极河流的溶解性有机碳浓度。模型实现了R2为0
摘要
全球变暖影响着北极河流系统的环境驱动因素，并影响溶解性有机碳的动态变化，但其季节性和年际变化仍未得到充分量化。我们开发了一个整合了Landsat观测数据、流域特征和水文水质变量的随机森林模型，用于重建2004-2021年间六条北极河流的溶解性有机碳浓度。模型实现了R2为0.72，均方根误差为1.03?mg/L，平均绝对百分偏差为7.31%。溶解性有机碳浓度表现出明显的空间和时间变化差异，其中勒拿河（10.31 ± 0.38?mg/L）和叶尼塞河（9.94 ± 1.36?mg/L）浓度较高，科雷马河（5.32 ± 0.67?mg/L）浓度较低。这些差异与不同流域间碳源和水文条件的变化有关。季节性分析揭示了不同流域中溶解性有机碳控制机制的差异：融雪期以径流、温度和雪盖为主导因素，夏季和秋季植被和降水的重要性增加，而秋季温度仍然具有显著影响。年际分析揭示了科雷马河从径流控制向温度控制的转变以及鄂毕河中植被覆盖指数影响的增强。自然因素占总相对贡献的81.20%，而人为因素占18.80%。本研究为流域特异性溶解性有机碳响应和北极河流碳输送提供了新的认识。
引言
北极河流是陆地碳库与北冰洋之间的关键纽带，在全球碳循环中发挥着重要作用。这些河流将大量溶解性有机碳从土壤、植被和永久冻土输送至沿海水域，影响着陆-海碳交换（Raymond等，2007，Holmes等，2012，Townsend-Small等，2011，Song等，2025）。因此，全北极河流网络是陆地碳输送的重要途径。除碳输出外，溶解性有机碳也是水生碳循环的重要组成部分，它连接着陆地碳库和水生系统。微生物对溶解性有机碳的降解可将有机碳转化为CO?，有助于水生环境中的碳释放，并影响着北极气候背景下碳转化过程（Xiao等，2024，Mu等，2025）。理解北极河流中溶解性有机碳的动态变化对于评估气候驱动下的碳循环变化至关重要。
然而，气候变暖可以影响控制北极河流域溶解性有机碳动态的环境条件（Frey和McClelland，2009）。温度升高通过影响植被生长、土壤有机质分解和永久冻土状况，进而影响溶解性有机碳的产生和输送（O'Donnell等，2016，Heffernan等，2024）。此外，降水和径流可以通过调节水文连通性和水运动，影响溶解性有机碳从陆地生态系统向河流的输送（Raymond等，2007，Holmes等，2012）。溶解性有机碳的产生和输出受气候、水文过程和流域特征之间相互作用的控制（Amon等，2012，Tarnocai等，2009，Kicklighter等，2013，Zolkos等，2022）。这些气候驱动的变化可能改变北极河流输送的碳量，并影响其在区域和全球碳循环中的作用（Raymond等，2007）。
尽管人们对这些过程重要性的认识日益增加，但北极河流中溶解性有机碳的长期数据仍然有限且零散，这阻碍了全面捕捉年际变率和流域尺度差异的能力。卫星遥感是一种有前景的替代方法，因为它可以提供连续的、大范围观测。例如，卫星遥感方法在区域监测中表现良好（Massicotte等，2017，Vantrepotte等，2015）。一些最近的研究成功地将卫星数据与机器学习相结合，在大水体和北极河流中估计溶解性有机碳浓度并考察长期趋势（Harkort和Duan，2023，Song等，2025）。然而，光学方法在北极地区面临挑战——频繁的云层和积雪限制数据可用性（Meier等，2014，Zou等，2021），且在复杂水体中，溶解性有机碳并不总能与光学特性良好相关，这使得传统反演方法可靠性降低（Vantrepotte等，2015，Laine等，2024，Murphy，2025）。机器学习为这些问题提供了解决方案，因为它能够捕捉光谱反射率与目标变量之间复杂的非线性关系（Alwateer，2026，Zhi等，2024，Xu等，2024）。这些技术已被用于反演非光学活性参数（Hafeez等，2019）。在各种机器学习算法中，随机森林（RF）因其处理高维数据集和多重共线性的能力，以及对噪声和异常值的鲁棒性，而被广泛应用于遥感研究中（Breiman，2001，Belgiu和Dr?gu?，2016）。先前的研究已证明随机森林和其他机器学习模型在估计有机化合物和水质参数方面的有效性（Harkort和Duan，2023，Kim等，2024）。随着高分辨率影像越来越可获得且算法不断改进，机器学习应能提高我们在时空上反演溶解性有机碳的能力。
此外，以往研究主要关注提高反演精度或刻画溶解性有机碳与环境因素之间的长期平均关系（Song等，2025，Holmes等，2012）。这类方法忽视了主导驱动因素可能发生的转变。在全球变暖背景下，北极地区温度、径流和冰冻圈过程的影响并非恒定不变，而是随时间演变（Frey和McClelland，2009，Mann等，2016，Tank等，2023，Peterson等，2002，Townsend-Small等，2011）。理解长期水生态演化模式对于全球大型河流流域至关重要（Wang等，2025，Qu和Peng，2025）。此外，识别具体的驱动机制至关重要，因为自然气候波动和水文过程会改变河流系统中溶解性有机质的动态（Huang等，2024，Song等，2025）。先前的研究，如Song等（2025），已调查了北极河流中溶解性有机碳与环境因素之间的关系。然而，这些研究主要关注了研究期间环境变量的总体贡献，而未量化各个驱动因素的相对重要性在不同年份间的变化。
为了更好地理解北极河流中溶解性有机碳的动态变化并填补上述空白，本研究将Landsat影像与机器学习方法相结合。该方法使得能够重建2004年至2021年间六条主要北极河流在无冰期的溶解性有机碳浓度。研究进一步分析了影响溶解性有机碳动态的季节性和年际环境驱动因素变化。此外，还考察了铵离子和硝酸盐浓度作为人为影响的指标，以评估其对溶解性有机碳的潜在贡献。本研究旨在：(i) 展示卫星影像与随机森林模型相结合在复杂北极河流系统中重建长期溶解性有机碳趋势的潜力，(ii) 量化影响溶解性有机碳动态的环境驱动因素的季节性和年际演化，以及(iii) 评估自然环境因素和人为影响对溶解性有机碳的潜在贡献。
章节摘要
研究区
本研究调查了全北极流域，重点关注六条主要北极河流的集水区域：欧亚大陆的鄂毕河、勒拿河、科雷马河和叶尼塞河，以及北美大陆的麦肯齐河和育空河。这些河流是陆地碳向北极输送的主要通道，因此在区域碳循环中发挥着关键作用（McClelland等，2006，Holmes等，2012）。这六个流域合计排水面积约11.3×106 km2——占全北极流域的55%和67%
算法训练与验证
使用相同的训练和验证数据集比较了多种机器学习算法，随机森林（RF）模型在这些模型中表现出最佳的整体性能（图S1，图3c-d）。因此，选择随机森林模型用于北极河流中溶解性有机碳的反演。应用SHAP方法量化了随机森林模型中不同输入变量的贡献（图3a-b）。通过考虑每个变量的总体贡献，确定了输入变量对溶解性有机碳的重要性
结论
本研究重建了六条主要北极河流的长期溶解性有机碳动态，并在季节和年际尺度上分析了溶解性有机碳的驱动因素。主要发现如下：
- (1)
随机森林模型整合了三类输入变量，其参数通过网格搜索和4折交叉验证进行优化。优化后的随机森林模型在复杂北极流域的长期溶解性有机碳重建中表现出可靠的性能。
- (2)
河流溶解性有机碳表现出明显的空间和时间差异。溶解性有机碳
CRediT作者贡献声明
肖峰：资源获取。刘楚雷：调查研究、形式化分析。杨柳鑫：验证、数据管理。杨新联：数据管理。张明阳：验证、软件开发。龚如新：论文写作 – 审稿与编辑、方法论。
利益冲突声明
作者声明，他们没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
致谢
本研究得到了中国国家自然科学基金的资助（批准号：52570005，52200003）。
致谢
本研究衷心感谢中国国家自然科学基金（批准号：52570005，52200003）的资助支持。
龚如新|张明阳|杨新联|杨柳鑫|刘楚雷|肖峰
