基于可解释机器学习与卫星及气象数据预测人工湿地BOD5去除效率

《Earth》:Predicting BOD5 Removal Efficiency in a Constructed Wetland from Satellite and Meteorological Data Using Interpretable Machine Learning

【字体: 大 中 小 】 时间:2026年09月22日 来源:Earth 4.0

编辑推荐:

  人工湿地(Constructed Wetlands, CWs)提供了一种低成本且可持续的污水处理方案,但其性能通常通过不频繁的周期性野外采样来评估,所得记录在时间上较为稀疏。本研究评估了位于塞尔维亚Glo?an的水平潜流人工湿地(horizontal subs

  
人工湿地(Constructed Wetlands, CWs)提供了一种低成本且可持续的污水处理方案,但其性能通常通过不频繁的周期性野外采样来评估,所得记录在时间上较为稀疏。本研究评估了位于塞尔维亚Glo?an的水平潜流人工湿地(horizontal subsurface-flow constructed wetland)的五日生化需氧量(BOD5)去除效率,是否可仅由免费获取的卫星衍生变量和气象变量预测,并采用可解释的机器学习工作流程。研究对16个候选预测因子——包括Landsat衍生指数的均值与空间标准差(地表温度[LST]、归一化差异植被指数[NDVI]、归一化差异水体指数[NDWI]、归一化差异悬浮沉积物指数[NDSSI]、改进归一化差异水体指数[MNDWI]及叶绿素指数),以及7日和14日的气温与降水——通过Pearson相关分析和三种随机森林重要性度量进行筛选,并与38个BOD5去除效率观测值(n = 38;2005–2026年)进行对照;随后通过方差膨胀因子分析和正则化引导消除进行精炼,并在嵌套留一交叉验证(LOOCV)框架下对十二种回归算法进行评估。采用四个预测因子——14日平均气温、地表温度(LST)的空间变异性、归一化差异水体指数(NDWI)的均值与空间变异性——的单分量偏最小二乘(PLS)回归,在外部(外环LOOCV)评估中取得了最佳性能(RMSE = 5.73个百分点,MAE = 4.37个百分点,R2 = 0.41)。线性族模型始终优于树集成和核方法模型,且在预测因子选择过程中显式消除多重共线性是这一优势的关键,使得线性模型能够超越其非线性对应模型。这些结果表明,一组精简的卫星衍生和气象变量可以在无需现场运行数据的情况下,提供关于人工湿地处理性能的有意义且可解释的信息,作为传统理化分析在人工湿地监测中的补充——而非替代。

论文解读

一、研究背景与问题

人工湿地作为一种基于自然的污水处理系统,凭借其较低的建设和运行成本、有限的能源需求以及生态协同效益,特别适用于中小型居民点,在这些地区,常规处理基础设施可能在经济或运行上不可行,且日常出水分析所需的技术人员和实验室能力往往有限。然而,人工湿地的处理性能会随水力条件、气象变化、植被发育、微生物群落动态及运行因素而随时间波动。五日生化需氧量(BOD5)被广泛用作废水中可生物降解有机物含量的指标,而进出水BOD5的削减量常用于评价处理效率。传统评估依赖周期性采集和实验室分析配对进出水样本,虽然能提供直接可靠的信息,但周期性采样产生时间上稀疏的记录,且对湿地内部空间变异性提供的信息极为有限。这一局限在水平潜流人工湿地(HSSF CWs)中尤为突出——废水在基质表面之下流动,从上方无法直接观察,处理相关过程及影响它们的水力扰动(如堵塞、优先流和短流)在孔隙介质内部发展,仅通过地表状况间接表现。
卫星遥感提供了一种互补的、非侵入性的方法来描述人工湿地地表状况,无需持续野外部署。然而,Landsat单一传感器每16天才重访一次,且大量影像因云层、雾霾和卷云污染而无法使用,导致与野外采样时间重合的无云场景数量有限。此外,30米空间分辨率相对于单个湿地单元的尺寸较大,限制了系统内可分辨的空间细节。以往将机器学习应用于人工湿地污染物去除预测的研究,普遍依赖现场运行和水质输入——如进出水浓度、水力负荷或停留时间——这些数据只能通过模型最终旨在替代的同一类现场采样获得,从而制约了其作为常规监测补充手段的实用价值。

二、研究内容与核心发现

本研究旨在评估能否仅利用免费获取的卫星衍生和气象变量预测Glo?an水平潜流人工湿地的BOD5去除效率,并通过可解释的建模工作流程实现,而非以往研究中占主导地位的黑箱神经网络架构。研究基于38个观测值(2005–2026年),通过共识性预测因子筛选、方差膨胀因子分析、正则化引导的序贯精炼以及嵌套留一交叉验证,对十二种回归算法进行了系统比较。最终确定的最佳模型为采用四个预测因子的单分量偏最小二乘(PLS)回归,在外部评估中取得了RMSE = 5.73个百分点、MAE = 4.37个百分点、R2 = 0.41的性能。研究揭示了一个清晰而一致的规律:五个线性族模型占据了性能排名的前五位,而所有基于树的集成方法均排名下半区,XGBoost和梯度提升甚至产生了负的R2值。这一结果与小样本条件下灵活模型的过拟合倾向一致,表明在系统处理预测因子冗余后,增加模型复杂度并不能提升预测性能。该研究的核心价值在于证明了仅依赖免费卫星和气象数据即可提供关于人工湿地处理性能的有意义信息,为监测资源有限的地区提供了一种低成本、可复制、非侵入性且具有可扩展性的决策支持工具。

三、关键技术方法

研究人员使用了以下主要技术方法:利用Google Earth Engine(GEE)平台处理Landsat Collection 2 Level-2地表反射率和地表温度产品,计算六种遥感指数(LST、NDVI、NDWI、NDSSI、MNDWI、叶绿素指数)在湿地边界内的均值和空间标准差;气象数据取自欧洲气候评估与数据集(ECA&D)的E-OBS网格产品(0.1°分辨率),计算7日和14日平均气温及累积降水;预测因子筛选采用Pearson相关分析与三种随机森林重要性度量(MDI、置换重要性、SHAP)的共识排名;多重共线性评估使用方差膨胀因子(VIF)分析;模型精炼通过Lasso和Elastic Net的正则化系数收缩实现;最终在嵌套留一交叉验证(LOOCV)框架下比较十二种回归算法。样本数据来源于Glo?an人工湿地2005–2026年间的38次BOD5去除效率观测,数据来自野外测量、相关文献及Horizon Europe DALIA和SWIM项目框架下的利益相关方合作。

四、研究结果

4.1 预测因子选择

研究从16个候选预测因子出发,通过四种诊断方法的共识排名确定了8个初始预测因子。值得注意的是,7日气温和LST标准差在Pearson相关分析中排名较低,但在三种随机森林重要性度量中均排名前两位,提示存在线性相关无法捕捉的非线性关系或交互效应。相反,CI均值、CI标准差和NDSSI均值呈现相反模式——与BOD5去除效率存在中等到较强的线性相关,但随机森林重要性较低,表明其信息与更强保留的预测因子高度冗余。VIF分析确认了严重多重共线性(VIF > 10)存在于CI均值(64.3)、NDSSI均值(45.4)、NDVI均值(31.2)、NDWI均值(30.1)、14日气温(27.3)和7日气温(23.1)之间,反映了一个主导性的热/光学聚类。通过Lasso系数检查,NDSSI均值、7日气温和LST均值被依次移除,随后7日降水也被移除,最终保留了四个低多重共线性的预测因子。

4.2 模型比较与预测性能

在最终的四预测因子集上,十二种回归算法在嵌套LOOCV框架下进行了评估。偏最小二乘回归以RMSE = 5.73、MAE = 4.37、R2 = 0.41的成绩成为最佳模型,内环网格搜索选择了单个潜变量。线性族模型(PLS、Ridge、Elastic Net、Lasso和MLR)占据前五名,而所有树集成方法(随机森林、Extra Trees、XGBoost和梯度提升)排名下半区,其中XGBoost和梯度提升的R2为负值。这一结果归因于小样本条件下树模型难以获得稳定且可泛化的预测空间划分,且提升方法在序贯拟合残差时实际上是在拟合噪声。观测值与预测值的对比显示,大部分残差较小,两个最大偏差约为±14个百分点,遵循单分量线性模型典型的均值回归模式,且绝对残差与采样至影像的时间间隔无关。

4.3 PLS回归系数

最终的单分量PLS模型重新拟合至完整数据集后,四个标准化预测因子的系数绝对值落在相对较窄的范围(1.3–2.2),表明没有单一预测因子具有显著更强的影响。14日平均气温(14T)具有最大的绝对系数,其负系数表明较高气温与较低BOD5去除效率相关,可能的机制包括增温下蒸散作用改变水位和水力停留时间,以及较高水温降低溶解氧溶解度从而限制好氧降解途径。NDWI均值同样与去除效率负相关,较高值反映更湿润或更广泛淹没的条件,可能促进缺氧或厌氧区域的形成。NDWI标准差与去除效率正相关,更大的空间异质性可能反映相对较湿和较干区域的共存,从而提供更广泛的氧化还原条件,支持互补的处理过程。LST标准差与去除效率负相关,更大的热异质性可能反映植被覆盖、淹没、水深或水流的差异,导致处理条件不均匀和整体效率降低。

4.4 预测因子关联的解释

最终模型的外环LOOCV R2为0.410,表明四个保留的遥感和气象预测因子捕捉了BOD5去除效率中有意义但不完整的变化比例。这一性能水平应结合预测任务的间接性来理解——BOD5是非光学活性参数,没有直接的光谱特征,只能通过环境条件间接推断。与以往依赖现场运行和水质输入的机器学习研究相比,本模型仅使用免费卫星和气象数据,面临更间接的任务且受限于小样本(n = 38),R2 = 0.41在预期范围内且仍具信息价值。结合低绝对误差(RMSE和MAE分别为5.73和4.37个百分点,约为平均去除效率的6.3%和4.8%),该模型提供了实用的筛选信息而非确定性的定量预测。

五、讨论总结与结论翻译

讨论部分指出,该方法的优势在于完全依赖免费卫星和气象数据,结合透明可解释的建模工作流程,系统性的预测因子筛选、多重共线性的显式处理、十二种回归算法的比较以及嵌套交叉验证降低了过拟合风险,提供了预测性能的保守估计。该方法可作为常规监测的补充,在实验室分析之间提供低成本的性能筛选,识别可能需要额外采样的时期,帮助运营者优先分配有限的监测资源。局限性包括:小样本量(n = 38)限制模型估计的精度和稳定性;分析仅在单一人工湿地开展,需要多站点外部验证;Landsat重访频率、云污染、部分野外观测与卫星获取之间的时间差异以及相对粗糙的空间分辨率制约了对短期和湿地内变异性的表征;BOD5无直接光谱特征,只能通过环境条件间接推断。
研究结论翻译如下:本研究评估了能否仅利用免费获取的卫星衍生和气象变量,通过应用于2005–2026年间收集的38个观测值的可解释机器学习工作流程,预测Glo?an水平潜流人工湿地的BOD5去除效率。共识性预测因子筛选、方差膨胀因子分析和正则化引导精炼将16个候选变量缩减为4个低多重共线性的预测因子:14日平均气温、地表温度的空间变异性、以及Gao's NDWI的均值和空间变异性。基于这些预测因子的单分量偏最小二乘回归取得了最佳交叉验证性能(R2 = 0.41,RMSE = 5.73个百分点,MAE = 4.37个百分点),分别约为平均观测去除效率的6.3%和4.8%。十二种算法的比较表明,线性族模型始终优于更灵活的核方法、基于实例和树集成方法。在小样本条件下,更简单且可解释的模型优于更复杂的"黑箱"算法,后者未提供预测优势且泛化效果较差。四个保留变量是处理条件的环境合理指标,两个空间变异性度量捕捉了湿地内水分和热异质性的不同且相反关联的方面。该方法的重要优势在于完全依赖免费卫星和气象数据,结合透明可解释的建模工作流程,成本低廉、可复制、非侵入且具有可扩展性。在实际应用中,它可作为常规监测的补充,提供实验室分析之间的低成本性能筛选,但应被视为决策支持工具而非认证理化分析的替代品。未来研究应扩展野外观测的数量和频率,在不同设计和气候条件下的人工湿地中测试该工作流程,并探索纳入水文和运行变量的混合模型以量化额外预测信息的增益。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号