《ACS ES&T Water》：Advancing Near-Term Water Quality Forecasting with Explainable Machine Learning and Probabilistic Uncertainty Quantification
编辑推荐：
摘要专业翻译
浮游植物水华威胁饮用水安全，然而将高频监测数据转化为及时、可靠且可解释的预报仍具挑战。机器学习（machine learning, ML）模型能够提高预测精度，但通常需要密集的调参、产生无不确定性的确定性预报，且模型可解释性有限。为克服上述局限，
摘要专业翻译
浮游植物水华威胁饮用水安全，然而将高频监测数据转化为及时、可靠且可解释的预报仍具挑战。机器学习（machine learning, ML）模型能够提高预测精度，但通常需要密集的调参、产生无不确定性的确定性预报，且模型可解释性有限。为克服上述局限，本研究提出一个端到端框架，集成极端梯度提升（extreme gradient boosting, XGBoost）机器学习模型、自动化超参数优化、自助法集成不确定性量化（bootstrap-ensemble uncertainty quantification）以及基于SHapley加性解释（SHapley additive exPlanations, SHAP）的可解释性分析，并将其应用于一座供水水库的浮游植物预报。一个10成员机器学习集成模型实现了较高的叶绿素a（chlorophyll-a, Chl-a）预报技巧和不确定性量化，相较于单一模型，连续排序概率评分（continuous ranked probability score, CRPS）最多提升14.6%，集成模型在第1天和第7天预报的CRPS分别为1.2和2.7 μg/L。全局SHAP解释表明，初始叶绿素a是第1天预报的主要驱动因子，而热分层和溶解性有机质在第7天预报中的重要性显著上升。局部SHAP归因显示，单个事件具有物理可解释性，每个事件均可追溯至热分层、气象强迫和初始叶绿素a的动态影响。该轻量化、可迁移的框架增进了对浮游植物动力学的机理性理解，并支持主动式、风险知情的水质管理决策。
论文解读
一、研究背景与问题提出
全球变暖与日益加剧的人为胁迫正在增加有害浮游植物水华的发生频率和严重程度，对饮用水安全构成严重威胁。水华产生的毒素、浮渣和异味物质使得水质管理面临巨大压力，水资源管理者亟需能够支持主动式和预防性决策的工具，其中生态系统预报——即在指定不确定性条件下对未来环境状况的预测——在辅助水华风险管理方面具有重要前景。然而，现有浮游植物预报方法存在明显不足：基于过程的机理模型虽然提供物理可解释的预测，但计算成本高、边界条件复杂、数值收敛要求严格且需同时校准大量参数，难以业务化运行；机器学习模型虽能高效学习非线性关系和复杂交互，但存在两大核心挑战：其一，机器学习模型是“黑箱”，其预测难以解释，限制了管理者对其的信任和使用；其二，机器学习预测的不确定性尚未得到充分量化，大多数研究仍提供确定性点预测，缺乏概率分布形式的显式不确定性表达。这两大挑战共同限制了机器学习模型在概率性浮游植物预报中的广泛应用。为此，研究人员提出将可解释人工智能（explainable AI, XAI）和不确定性量化集成到近实时浮游植物预报框架中，以期实现同时具备预测技巧、不确定性意识和可解释性的浮游植物预报。
二、研究内容与意义
研究人员以美国弗吉尼亚州西南部的比弗丹水库（Beaverdam Reservoir, BVR）为研究对象，该水库是一座中营养至富营养的双季混合型小型饮用水水库，间歇性出现浮游植物水华。研究利用2020年7月至2024年12月的高频原位水质观测数据，构建了集成XGBoost机器学习、自动化超参数优化、自助法集成不确定性量化和SHAP可解释性分析的端到端预报框架，实现了1至7天提前期的叶绿素a（Chl-a）预报。该框架的核心贡献在于将预测不确定性与驱动因子解析式可解释性相耦合，使预报从单纯的技术输出转化为可支持管理决策的行动依据。研究验证了机器学习模型能够在保持高预测精度的同时提供概率性不确定性估计和物理可解释的归因分析，为实时环境预报中机器学习模型的部署提供了可迁移的范式。
三、关键技术与方法
研究人员采用的主要技术方法包括以下四个方面。第一，XGBoost机器学习模型：一种可扩展的正则化梯度提升实现，通过前向分阶段方式构建加性预测模型，采用损失函数的二阶泰勒展开实现树结构和叶权重的高效估计，具备正则化、缺失值内部处理和高度优化的分裂查找与并行执行能力，特别适合高维、相对小样本的环境数据。第二，Optuna自动化超参数优化：采用树结构Parzen估计器（tree-structured parzen estimator, TPE）的贝叶斯优化框架，通过自适应采样和早停机制高效搜索高维超参数空间，共运行50次试验，使用训练分区内的五折时间序列交叉验证。第三，自助法集成不确定性量化：通过有放回抽样生成B个自助样本集，每个样本集包含约63.2%的独立观测，分别训练B个XGBoost模型组成集成，以集成成员间的变异性量化预测不确定性；经敏感性分析确定B=10为最优集成规模。第四，SHAP可解释性分析：基于博弈论Shapley值将每个预测归因到各输入特征，提供全局和局部两种尺度的解释。数据来源方面，水质数据来自水库最深盆地约1.5米深度处部署的YSI EXO2多参数水质仪，以10分钟间隔记录叶绿素a、水温、荧光溶解性有机质（fDOM）等变量并聚合为日均值；热分层通过垂直热敏电阻阵列（1米间距）测量全水柱温度剖面并计算Schmidt稳定性（SS）；气象强迫数据来自距传感器约2.1公里的Campbell Scientific研究级气象站。所有数据均来自环境数据倡议（Environmental Data Initiative）知识库中已发布的质量控制数据产品。模型采用80/20时间序列分割，训练期为2020年7月1日至2024年2月8日（n=1240天），样本外预报评估期为2024年2月9日至2024年12月24日（n=311天）。
四、研究结果
4.1 预报时域对模型性能的评估
单一XGBoost模型在短期浮游植物预报中表现出稳健的预测性能，测试期均方根误差（RMSE）从1天提前期的约2.1 μg/L单调增加至7天提前期的约4.1 μg/L。训练期与测试期RMSE差距稳定在约0.8至2.0 μg/L之间，确认了模型对样本外数据的一致泛化能力。训练期平均偏差误差（mean bias error）范围为?0.001至+0.013 μg/L，不到平均观测浓度的0.2%，表明训练拟合无系统性偏差。概率预报技巧方面，单一XGBoost模型的CRPS从1天提前期的约1.4 μg/L增加至7天提前期的约3.1 μg/L。自助法集成在所有时域上均优于单一模型，其中B=10集成取得最优概率技巧，CRPS范围为1天提前期的约1.2 μg/L至7天提前期的约2.7 μg/L。集成增益在较小规模（B=2至5）时最为显著，在B≈7至10时趋于饱和，10成员集成被确定为计算效率与技巧收敛之间的最优平衡点。
4.2 时域尺度动力学
特征重要性分析揭示了预报驱动因子随预报时域的清晰转变。初始叶绿素a在所有时域上始终是未来叶绿素a的主导预测因子，但其相对贡献从1天提前期的约70%衰减至7天提前期的约50%。随着时域延长，模型自适应地将更多重要性转向环境和物理协变量，特别是fDOM和Schmidt稳定性（SS）。SHAP蜂群图提供了补充的分布级视角：初始叶绿素a在7天预报中仍为最主导特征，SHAP值分布最宽；fDOM和水温主要呈现正向非线性贡献；Schmidt稳定性则发挥抑制性作用，较高的稳定性值与负向SHAP贡献相关；气象变量贡献较弱且集中于零附近，表明其属于次要或情境依赖效应。
4.3 局地尺度可解释性
研究人员选取了两个呈现对比性浮游植物状况的预报案例进行SHAP瀑布图分解。第一个案例始于2024年6月4日，预报初期由初始叶绿素a主导（第1天贡献+10.71 μg/L），至第4天该贡献减弱（+8.66 μg/L），辐射和热效应逐渐被混合相关抑制所抵消；至第7天，持续性信号进一步衰减（+6.56 μg/L），并被风强迫、分层、fDOM和深层溶解氧的负向贡献所平衡，表明尽管初始生物量较高，环境约束限制了进一步积累。第二个案例始于2024年8月31日，第1天初始叶绿素a（+0.95 μg/L）和水温（+0.40 μg/L）的正向贡献被Schmidt稳定性（?0.49 μg/L）和fDOM（?0.39 μg/L）的负向效应所抵消；至第7天，初始叶绿素a（+1.27 μg/L）和水温（+1.21 μg/L）继续支持较高叶绿素a，但被Schmidt稳定性（?1.61 μg/L）和fDOM（?0.77 μg/L）更强的抑制性贡献所超越。这些局地归因展示了可解释性框架将预报转化为可操作的驱动因子解析式决策支持工具的潜力。
五、讨论与结论
讨论部分指出，该研究的关键贡献在于推进了支持主动式而非反应式浮游植物水华管理的水质预报框架。预报技巧具有强烈的提前期依赖性，短期技巧最高并随预报窗口延长而逐渐降低，这一退化趋势与其他浮游植物预报研究一致，可能源于远期驱动因子预测精度下降、模型缺失关键过程以及自回归过程解释力的逐步丧失。研究人员采用直接多时域预报策略而非递归策略，避免了跨时域误差累积，并实现了预报时域特定的预测因子-目标映射，使可解释性归因在科学上可解释且可操作。SHAP归因显示，随着预报时域延长，初始叶绿素a的影响逐渐减弱，而较慢变化的物理和环境控制因子变得更加重要，反映了从短期生物持续性向环境驱动控制的转变。低Schmidt稳定性和高fDOM条件共同捕捉了缓慢演变的物理-生物地球化学驱动因子，这些因子在滞后叶绿素a失去影响力的一周预报时域上变得日益具有预测性。自助法集成在所有预报时域上均优于单一XGBoost模型，B=10集成的平均CRPS最多提升14.6%，性能增益在B≈7后趋于饱和。研究结论表明，近实时浮游植物预报可以同时实现预测技巧、不确定性意识和可解释性，该轻量化、可迁移的框架增进了对浮游植物动力学的机理性理解，支持主动式、风险知情的水质管理决策，并为实时环境预报中机器学习模型的部署提供了蓝图。未来工作应关注在其他受监测淡水生态系统中的进一步评估、季节分层建模、迭代模型重训练的影响以及纳入营养盐等关键变量的影响。
