《Journal of Great Lakes Research》：Hydroclimatic drivers and temporal dynamics of monthly total phosphorus loading in three Lake Erie tributaries: A Bayesian hierarchical modeling approach
编辑推荐：
过去二十年，伊利湖反复出现有害藻华（HABs），主要归因于西部盆地的农业活动及其他混杂因素，包括气候变量、个体管理实践与内源营养盐负荷。对此类输移过程建模是活跃的研究方向，既有研究多聚焦于缺乏解释力的经验统计回归（LOADEST、WRTDS），或缺乏灵活性以传
过去二十年，伊利湖反复出现有害藻华（HABs），主要归因于西部盆地的农业活动及其他混杂因素，包括气候变量、个体管理实践与内源营养盐负荷。对此类输移过程建模是活跃的研究方向，既有研究多聚焦于缺乏解释力的经验统计回归（LOADEST、WRTDS），或缺乏灵活性以传播观测不确定性并处理动态时序数据而需大量重标定的高参数化物理框架（SWAT、SPARROW）。研究人员提出一种层次贝叶斯架构，采用稳健Student-t似然联合估计月尺度总磷（TP）浓度的水文气候驱动因子，并将其应用于Maumee、Sandusky与Cuyahoga流域。通过多重插补链式方程（MICE）将缺失数据的不确定性正式传播至后验分布，并辅以敏感性分析考察先验设定与气候数据源对估计的影响。数据涵盖1985–2020年营养盐、水文气候与土地利用信息。结果表明，流量与滞后TP在各流域均为稳定预测因子；较高降水关联TP升高，而气温升高普遍无显著关联，尤其在Maumee与Sandusky河。研究提示，流域尺度气候指标可能优于全盆地平均指标以捕捉气候对月浓度的影响。该贝叶斯方法为异质系统中的营养盐浓度驱动提供了稳健推断，其成果可支撑数据驱动的靶向水质管理政策制定、HABs预报改进及适应性土地利用规划。
研究背景方面，自2002年起伊利湖西部盆地每年复发以蓝藻为主的有害藻华（HABs），营养盐来源已由点源转为以农业径流为主的非点源，现有经验回归（LOADEST、WRTDS）缺乏解释力，过程模型（SWAT、SPARROW、SWMM、HSPF、DWSM）参数化繁重且不确定性传播不透明，机器学习方法牺牲可解释性，因此研究人员开展本研究以在统一概率框架下联合量化水文气候与时空驱动对月尺度总磷（TP）浓度的影响并严谨传播不确定性。研究人员构建层次贝叶斯回归，以稳健Student-t似然刻画TP重尾分布，对Maumee、Sandusky、Cuyahoga三条支流1985–2020年数据建模，响应变量为月内日平均TP浓度自然对数之和ln(C)，预测变量含流量、滞后TP、流域与全盆地两种尺度的降水与气温指标及周期项，借助多重插补链式方程（MICE）以预测均值匹配（PMM）生成5套插补数据集并池化MCMC样本，开展先验与数据源敏感性分析。结论显示流量与滞后TP为跨流域一致预测因子，降水增加推高TP，气温无普遍作用；流域尺度气候指标优于全盆地平均；该框架兼顾LOADEST式对数线性可解释性与概率不确定性量化，可支撑靶向水质管理与HABs预报。论文发表于《Journal of Great Lakes Research》。
关键技术方法上，研究人员整合Heidelberg Tributary Loading Program（HTLP）的TP与流量、USGS NWIS流量、NOAA-GLERL GLM-HMD全盆地气候、GHCN/CoCoRaHS站点和GridMET网格气象、NLCD土地覆盖、HarvestGRID收获面积及Purdue农业排水概率数据，统一至HUC8流域月尺度；以MICE（m=5，PMM，20次迭代）填补TP与气候缺口并将插补后验池化；采用层次贝叶斯回归以Student-t似然容纳风暴极端值，层次结构同时估计流域特定与总体水平参数；以盆均与流域均两种气候空间尺度做对比，并对先验、插补与气候源做敏感性分析。
研究结果部分，引言指出经验、过程与机器学习三类方法在解释力、不确定性与灵活性上的局限，引出层次贝叶斯必要性。数据收集小节说明营养盐、水文、气候（分全盆地GLM-HMD与流域内GHCN/CoCoRaHS/GridMET）、土地覆盖、作物收获与排水数据来源及HUC8裁剪规则。数据预处理小节给出响应变量ln(C)构造、月聚合、站点观测数加权空间平均及MICE插补流程（1984–2020窗，含一阶自回归滞后）。建模方法小节给出贝叶斯定理表述、Student-t似然层次结构及对LOADEST/WRTDS的三点扩展：同时估计跨流域参数、稳健处理重尾、MICE传播缺失不确定性。研究人员经分析发现：第一，流量与上月TP（滞后TP）在三条支流中均为显著正关联预测因子；第二，流域内站点聚合降水指标较全盆地GLM-HMD均值对TP变异解释更强，气温指标在Maumee与Sandusky无稳定信号，Cuyahoga因站点稀疏结论较弱；第三，Student-t相比高斯似然降低风暴月极端浓度被误判为离群点所致的偏倚；第四，MICE插补后参数后验较完全病例分析更宽且稳定，先验宽松度与气候数据源（GHCN vs GridMET）改变不颠覆主导结论。讨论部分研究人员指出，农业非点源背景下流域定制气候指标优于盆地平均，层次贝叶斯兼具回归可解释与全概率不确定性，适用于多支流联合推断；框架可迁移至其他湖泊支流TP动态研究。结论翻译如下：研究表明流量与滞后TP为跨流域一致预测因子，较高降水关联TP上升而气温升高普遍无关联；流域特定气候指标较全盆地平均更能捕捉月浓度气候效应；所提贝叶斯层次架构以Student-t似然与MICE插补联合估计水文气候驱动并正规传播缺失与极端值不确定性，为异质流域营养盐浓度驱动提供可解释推断，对数据驱动水质管理、HABs预报与适应性土地利用规划具应用价值。
