《Water Research X》：Transferable soft-sensors for predicting nitrate in diverse watersheds
编辑推荐：
本研究针对传统硝酸盐传感器成本高、维护频繁且灵敏度低的问题，开发了一种可迁移软传感器框架（PR-TR）。该框架利用电导率（EC）、温度、浊度等易测参数，通过迁移学习实现数据稀缺流域的硝酸盐浓度预测。结果表明，对于特征分布差异<100%的流域，仅需15个数据点微调即可达到Nash-Sutcliffe效率系数（NSE）0.51，显著优于传统人工神经网络（ANN）和多元线性回归（MLR）。该研究为水资源管理提供了低成本、高效率的监测方案，对富营养化防控具有重要意义。
随着人口增长和人类活动加剧，水体中氮、磷等营养盐含量显著上升，引发藻类过度繁殖、水体透明度下降等富营养化问题，直接威胁水生生态系统健康及饮用水安全。传统硝酸盐检测依赖现场传感器或实验室分析，但存在成本高昂、维护频繁、灵敏度不足等局限，难以实现大范围高频监测。尽管机器学习模型已应用于水质预测，但多数需依赖大量历史数据，且在跨流域迁移时泛化能力不足。如何利用少量易测参数（如电导率、温度、浊度）实现硝酸盐的精准预测，成为当前水环境管理的核心挑战。
为此，莫纳什大学研究团队在《Water Research X》发表研究，提出一种可迁移软传感器框架（PR-TR），通过预训练模型库和站点相似性度量，实现数据稀缺流域的硝酸盐浓度预测。研究以澳大利亚亚拉河（Yarra River）、丹德农溪（Dandenong Creek）及英国恩本河（Enborne River）等流域为案例，验证了框架在跨区域应用中的有效性。
关键技术方法
研究基于流域的易测参数（电导率、温度、溶解氧饱和度、pH、悬浮固体、浊度、流量），构建包含511个预训练人工神经网络（ANN）的模型库。通过欧氏距离（Euclidean Distance）计算目标站点与预训练站点的特征分布相似性，以相对差异度（<100%为低差异阈值）指导模型选择。采用对数转换和标准化处理数据，通过迁移学习微调模型，使用Nash-Sutcliffe效率系数（NSE）评估性能，并结合SHAP（SHapley Additive exPlanations）分析特征重要性。
研究结果
3.1 站点相似性决定模型迁移效果
对于特征分布相对差异<100%的站点（如BR、MR、MC、CC），PR-TR框架仅需15个本地数据点微调即可实现NSE 0.31–0.51，显著优于ANN和MLR。例如BR站点更新后对72个测试数据预测NSE达0.53。相反，高差异站点（如RC、ER）需更多数据（RC需50点）和调整学习率（0.01）以提升性能，表明相似性度量可有效预测迁移难度。
3.2 电导率与温度为核心预测因子
SHAP分析显示，电导率（EC）和温度是对硝酸盐预测贡献最大的参数，符合硝酸盐溶解态特性及温度驱动生物地球化学过程的物理机制。其他参数如流量和浊度在不同流域中重要性各异，反映水文与污染源的差异性。
3.3 学习率与数据量协同影响模型适应性
高差异站点（如ER）需提高学习率（0.01）以增强模型适应性，而低差异站点适用标准学习率（0.001）。增加微调数据量虽未显著提升平均NSE，但可降低性能波动，提高预测稳定性。
结论与意义
本研究提出的PR-TR框架通过量化流域间特征差异，实现了软传感器在数据稀缺场景下的高效迁移。其核心价值在于：
- 1.
实践指导性：相对差异度阈值（100%）为模型部署前的可行性评估提供直观指标；
- 2.
资源节约性：对相似流域仅需极少量标注数据（15点）即可达成可靠预测，大幅降低监测成本；
- 3.
机制可解释性：通过SHAP解析驱动因子，增强模型在水文管理中的可信度。
该研究为跨流域水质监测提供了可推广的解决方案，对富营养化预警和动态管理具有重要实践意义。
