可解释机器学习预测揭示气候驱动下青藏高原源区河流砷含量加剧

《Journal of Hazardous Materials》：Interpretable machine learning predictions reveal climate-driven escalation of arsenic in Tibetan alpine headwater rivers

　　# 摘要气候变化正在改变高山源区河流水体中的元素动力学。青藏高原素有"亚洲水塔"之称，其天然砷（As）含量偏高。然而，在气候变暖背景下，As的时空动态及其未来浓度、超标概率和通量变化仍未得到充分认识。本研究在三江源地区的8个水文站对河水和悬浮颗粒物（SPM）中的As进行了高频监测。结果表明，洪水期河水As浓度呈下降趋势，而SPM中的As在干旱期达到峰值，其中长江源区浓度最高。机器学习模型（包括随机森林（RF）、XGBoost、支持向量机（SVM）和K-近邻（KNN））识别出气候变量是控制河水、地下水及SPM中As浓度和超标概率的主要驱动因子。在气候情景下，预计2040年后河水和SPM中As浓度将加速上升，到2050年分别达到5.1–5.7 μg/L和88–93 mg/kg。当前河水和SPM的As总通量约为1800 t，预计到2050年增至约2314–2744 t。本研究加深了对三江源地区As动态的理解，对亚洲乃至全球的高山河流水体具有重要意义。---# 引言微量元素砷（As）广泛分布于地壳和水圈中，长期以来被认为是全球范围内最为突出的天然污染物之一。As频繁出现在天然水体中，其浓度经常超过世界卫生组织（WHO）制定的饮用水指导值10 μg/L，对 human health poses potential risks. As在水环境中的来源包括自然源和人为源。自然输入主要与含砷矿物的风化有关，而农业径流、采矿和矿石加工等人为活动也会增加As的输入，在局部尺度上尤为显著。这些多样化的来源影响着As在水体系统中的发生、分布和迁移。因此，理解As的来源及其环境动力学对于评估其对水生环境的潜在影响至关重要。青藏高原是典型的天然As富集区。已有报道指出，源区河流中溶解态As浓度高达38.7–187.9 μg/L，远超饮用水指导值（10 μg/L）和全球河流平均值（0.62 μg/L）。As浓度升高的主要归因于含砷硫化矿物的风化、地热输入以及水-岩相互作用。这些过程受气候变化的强烈影响。然而，气候变化对高山源区As动力学的影响仍未得到充分约束。在偏远高海拔地区，长期、多尺度和多介质的观测数据仍然稀缺，限制了对As时空分布的理解。此外，As变化所响应的关键气候驱动因子也尚未清楚认识，使得难以确定As对未来气候变化的响应。在高山源区水系统中，未来气候变化可能对河水中As的动力学产生重大影响。已有研究表明，气温升高和降水格局改变可调节水体可利用性和水文条件，从而影响As在水环境中的释放、迁移和形态转化。此外，干旱频率和强度的增加可能加速矿物风化，促进As释放进入水环境。在气候情景下，这些由气候驱动的演变可能进一步增加高As区域的As暴露风险。然而，不同气候情景下未来As动力学的定量评估仍然有限，特别是在高山源区水系统中。因此，整合长期观测、多源环境驱动因子和气候预测是预测未来As浓度、超标概率和通量的关键。机器学习模型已成为弥补这一知识空白的高效工具。通过整合多元环境数据集，机器学习模型能够捕捉环境驱动因子与As浓度之间的非线性关系。已有研究利用机器学习算法预测地下水和河水中As的超标概率，并识别关键环境控制因素，包括土壤pH、干旱指数、年降水量和粘土含量。本研究在三江源地区建立了涵盖河水、悬浮颗粒物（SPM）和地下水的As数据集，该区域是长江、黄河和澜沧江的关键源区，并开发了整合51个环境变量的四个机器学习模型（图1）。本研究的目的是：表征河水及SPM中As的分布特征；识别控制河水、地下水及SPM中As浓度和超标概率的关键环境驱动因子；在气候情景下预测河水和SPM中As浓度和通量的变化，并评估河水和地下水的As超标概率。为此，本研究聚焦于三个科学问题：（1）河水及SPM中As的时空分布特征如何？（2）哪些环境因子调节着河水、地下水及SPM中As浓度和超标概率？（3）在气候情景下，河水、地下水及SPM中As浓度、超标概率和通量将如何响应？本研究为理解气候变化下高山水体系统中As的动态变化提供了新视角。---# 研究区三江源地区（31°–36°N，89°–102°E）位于中国西部青藏高原腹地，面积约39.5×10? km2，平均海拔超过4000 m。该地区具有典型的内陆高原气候，年平均气温为-5.6至3.8°C，年降水量为262.2至772.8 mm。源区及周边山区共分布有2161条现代冰川。---# 河水及SPM中As浓度的时空特征三江源河流中As浓度表现出显著的时序波动和上下游空间差异。以长江流域为例，上游YSP站和TTH站的河水As浓度在7–9月洪水期显著下降，随后逐渐回升（图3a）。下游ZMD站河水As在洪水期存在一些波动，但总体保持相对稳定。---# 河水中As浓度的空间格局及其控制机制三江源河水中As浓度为0.2–51.7 μg/L（均值：4.1 μg/L），与此前报道的长江源区（低于检出限–38.7 μg/L）和黄河源区（4.3–77.1 μg/L）相当，但低于雅鲁藏布江（0.2–91.4 μg/L）和辛格藏布河（2–83 μg/L）等其他高山河流水体，后者的As浓度因地热泉作用而显著升高。然而，河流源区As浓度通常更高。---# 结论气候变化强烈影响着三江源地区As的动力学变化。可解释机器学习模型识别出气温、太阳辐射（Irad）、风速、潜在蒸散和降水量是As动态变化的关键气候预测因子。气候情景预测显示，河水和SPM中As浓度将持续增加，河水和地下水的As超标概率升高，河流As输出通量增大。这些结果表明，气候变化可能加剧As……---# 环境意义三江源地区作为"亚洲水塔"的关键源区，气候变化可影响As的归宿与迁移。未来气候驱动的变化可能导致河水和SPM中As浓度升高，增加河水和地下水的As超标概率，对下游As迁移产生重要影响。因此，整合气候预测与河流水、SPM及地下水的长期监测，可加深对未来As动态变化的理解。---# 作者贡献声明**胡敏雨：** 撰写—审阅与编辑。**孙菊义：** 撰写—审阅与编辑，撰写—初稿。**张瑞轩：** 数据整理。**王晓萍：** 撰写—审阅与编辑，撰写—初稿，方法论，调查研究，数据整理，概念构思。**柴磊：** 撰写—初稿，可视化，调查研究，形式分析。**董慧可：** 可视化，调查研究。**周云乔：** 资源保障，形式分析。**宫平：** 验证，软件。---# 利益冲突声明我们声明不存在已知可能影响本文所报告工作的竞争性经济利益或个人关系。---# 致谢本研究受国家自然科学基金（U21A2038和42107438）和中国西藏自治区科技项目（XZ202401ZY0005）资助。---柴磊 | 孙菊义 | 胡敏雨 | 王晓萍 | 张瑞轩 | 周云乔 | 董慧可 | 宫平兰州大学环境与岩土工程学院，甘肃兰州 730000