通过河床基质配置提升城市河流的自我净化能力：一种基于自然的营养物质去除与河流修复规划方案

《Journal of Environmental Sciences》：Enhancing urban river self-purification through riverbed substrates configuration: A nature-based solution for nutrient removal and restoration planning

本研究通过原位微宇宙实验、机器学习建模及元基因组分析，系统探究了不同河床基质对城市河流界面营养去除效率的影响，发现细砂和砾石效果最佳，微生物功能基因差异是关键驱动因素。

　　

余欣|刘琳|陈少华|赵全宝|郑宇明

中国科学院城市环境研究所先进环境技术国家重点实验室，中国厦门361021

摘要

作为基于自然的工程组件，适当的河床基质对于增强城市河流中的营养物质缓解和生态系统可持续性至关重要。然而，它们在调节水文介导的营养物质通量和生物膜功能方面的作用仍不清楚，这限制了针对城市河流修复的基质优化设计。本研究结合了机器学习建模、情景模拟和宏基因组分析，以量化基质驱动的界面营养物质去除效率，并揭示微生物调控机制。反向传播神经网络能够准确预测界面铵盐和总有机碳的去除效率（RMSE：0.59-6.92 mg/(L·h·m²），R²：0.66-0.97），并确定保留时间、温度、溶解氧和营养物质负荷为关键预测因子。基于模型预测的情景结果，相似性测试分析证实基质类型显著影响界面营养物质去除效率（R > 0.05，P < 0.001）。评分指标显示细砂（1295分）和砾石（1281分）的总分高于其他基质（1110-1182分），表明其具有更高的界面营养物质去除能力。宏基因组分析表明，这些差异是由微生物功能潜力的差异驱动的。不同基质类型选择性地富集了与氮和碳循环相关的功能基因（R > 0.18，P < 0.05），尽管群落组成相似（R2 > 0.84），但砾石微生态系统的基因丰度显著更高（8.00?×?10^-4-2.08?×?10^-3）。拓扑分析显示，功能基因网络的冗余性显著影响铵盐去除效率（P < 0.05），细砂和砾石增强了铵盐去除效果，而人工填料和砾石微生态系统的聚类系数较低则显著促进了总有机碳的去除。研究表明，细砂和砾石应是提高城市河流修复中界面营养物质去除效果更有效的河床基质。

引言

健康的、自我维持的河流支持多样、复杂且动态的生态系统，为社会福祉提供重要服务（Palmer和Ruhi，2019）。然而，快速的城市化导致河流渠道化，破坏了栖息地结构，扰乱了生态过程和功能，最终导致河流生态系统的退化（Palmer和Ruhi，2019；Li等人，2023a）。基于自然的修复方法通过恢复关键的物理和生态过程来解决上述问题，其中河床基质的再自然化作为一种替代传统工程技术的方法，在工程项目中越来越受到应用（Wohl等人，2015；Schmidt等人，2022）。

由多种基质组成的河床对河流生态系统功能至关重要（Battin等人，2016；Vincent等人，2022），它们不仅是重要的栖息地，也是沉积物-水界面生物地球化学循环的动态热点（Xu等人，2022；Li等人，2023b；Wang等人，2024）。界面营养物质转化是控制污染物命运和生态影响的关键过程，从而控制水质和水生系统的自我净化能力（Wang等人，2024；Zhang等人，2025）。河床基质通过过滤、吸附-解吸、氧化还原反应以及促进微生物介导的营养物质转化来贡献界面营养物质通量（Battin等人，2016）。特别是，河床基质通过为生物膜形成提供稳定表面，并作为来自水柱的溶解营养物质和有机物的持续补充的关键界面，支持微生物活动（Battin等人，2016；Wang等人，2021）。基质类型的差异不仅改变了栖息地的物理和化学结构，还重塑了微生物群落的结构和功能，从而影响沉积物-水界面污染物交换和转化的速率和途径（Vincent等人，2022；Wang等人，2022；Battin等人，2023）。大量研究表明，河床基质的物理和化学性质（如粒径、孔隙率、表面积、矿物学和有机物含量）可以改变水中的溶解氧（DO）、pH值和氧化还原电位等水文地球化学微环境（Wang等人，2022；Liu等人，2023；Dawi等人，2024；Postek等人，2024）。这些微环境变化直接影响溶质交换和微生物功能，进而驱动包括生物地球化学循环和营养物质转化在内的关键微观过程，进一步控制界面污染物的命运（Battin等人，2023）。因此，选择合适的河床基质对于成功实施旨在增强自我净化和改善水质的基于自然的修复至关重要。

全面了解不同河床基质在 urban rivers 中驱动的沉积物-水界面营养物质转化变化对于实现最佳水质净化非常重要。然而，相关研究往往被忽视，大多数研究仅报告单一基质类型在营养物质去除方面的行为，或者在比较研究中仅探讨不同基质类型之间的污染物去除潜力差异（Hoellein等人，2014；Hoellein等人，2017；Battin等人，2016；Vincent等人，2022）。尽管在理解河床基质在营养物质循环和污染物去除中的作用方面取得了显著进展，但许多研究的范围和规模仍然有限（Battin等人，2016；Vincent等人，2022；Battin等人，2023）。例如，虽然基于实验室的微生态系统实验有助于评估特定基质类型的营养物质转化，但其结果往往难以推广到复杂、动态的城市河流系统（Wang等人，2021；Vincent等人，2022）。此外，现有研究往往侧重于孤立方面，如营养物质保留能力或微生物活性，而没有充分考虑基质类型、水文条件和沉积物-水界面微生物功能之间的相互关系。因此，在相似环境条件下评估不同河床基质界面营养物质去除能力的系统和定量比较研究仍然很少，尤其是在复杂的城市河流系统中。

这一知识空白在 urban rivers 中尤为明显，其中空间和时间变化、人为影响以及基质类型的异质性增加了界面营养物质去除研究的复杂性（Palmer和Ruhi，2019）。这些复杂性使得系统评估和预测不同河床基质在塑造微生物过程和影响水质方面的作用变得困难。传统的经验模型往往无法捕捉这种动态环境中基质性质、微生物群落和水文条件之间的复杂非线性相互作用（Reichstein等人，2019；Yan等人，2025）。这种局限性主要源于它们依赖于简化的假设、预定义的功能形式，以及适应高维相互作用和上下文依赖性响应的能力有限（Reichstein等人，2019）。在这种情况下，机器学习（ML）提供了变革性的优势（Han等人，2023；Jia等人，2024）。ML算法擅长从大型、异构的数据集中识别复杂模式并建模非线性关系，而无需预先定义方程（Reichstein等人，2019）。利用ML可以超越描述性相关性，构建预测模型，量化特定基质性质如何控制污染物去除性能（Zhong等人，2021；Jia等人，2024；Yan等人，2025）。然而，单靠ML无法完全捕捉沉积物-水界面营养物质转化和污染物去除的生物学机制。为了更深入地了解这些过程，必须将ML与宏基因组分析相结合，以便详细探索微生物群落结构和功能。ML与宏基因组分析的结合有助于预测界面营养物质去除并识别驱动这些过程的关键微生物和基因。

本研究旨在系统探讨河床基质类型的变化如何影响城市河流中的界面营养物质去除效率和生物膜介导的过程，并寻找适合增强河床再自然化实践中营养物质去除的最佳基质。为此，采用了原位微生态系统实验与实验室规模的流水槽实验相结合的方法来实现上述目标。首先，进行原位微生态系统实验，在不同的深度和季节条件下建立基质-水界面，捕捉真实世界的水文动态；其次，进行实验室规模的流水槽实验，利用机器学习量化特定基质的界面营养物质去除效率；随后，开发了包含评分方法的情景模拟来定量评估特定基质的营养物质去除性能；最后，通过宏基因组分析进行了全面分析，以阐明营养物质转化机制。

部分摘录

原位实验

原位实验在中国亚热带地区的厦门一条城市河流中进行，分别在夏季和冬季进行。选择了五种河床基质——细砂（S1，直径：0.1毫米）、未上釉陶瓷砖（S2，整块砖）、砾石（S3，直径：2厘米）、沸石（S4，直径：2厘米）和人工填料（S5，直径：2厘米）——基于它们在实际河流修复中的可行性（Groll等人，2016；Vincent等人，2022）。所选基质被随机排列

营养物质去除性能

流水槽实验显示不同基质微生态系统之间的界面营养物质去除效率存在明显波动（图1）。最终R_NH、R_C和R_TN的范围分别为-16.14—40.71、-104.05—136.89和-158—92.56 mg/(L·h·m²)。相比之下，R_NH、R_C和R_TN的变化受到不同环境参数的影响。例如，在人工填料微生态系统中，高溶解氧和低温条件下观察到最高的R_NH，而最高的R_C和R_TN

界面NH₄⁺-N转化

本研究表明，基质类型对界面NH₄⁺-N去除效率有显著影响，如第3.4节所示。这种变化源于基质固有性质与局部环境因素之间的协同作用，共同决定了基质-水界面下的物理、化学和生物过程（Marion等人，2002；Battin等人，2016；Vincent等人，2022）。

作为关键基质性质的渗透性，

结论

本研究系统探讨了河床基质类型对城市河流中界面营养物质去除和生物膜介导过程的影响。河床基质类型导致了界面营养物质去除效率的显著差异，细砂和砾石被证明是增强河床再自然化实践中营养物质去除的适应性基质。这种差异主要归因于不同基质类型之间的微生物功能潜力差异

CRediT作者贡献声明

余欣：撰写——原始草稿、可视化、软件、方法论、调查。刘琳：撰写——审阅与编辑、资金获取、正式分析、数据管理、概念化。陈少华：资源获取、概念化。赵全宝：项目管理。郑宇明：监督、资源获取、项目管理。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本工作得到了国家自然科学基金（编号32530070和42507087）、中国科学院国际合作计划（编号322GJHZ2022035MI）和中国科学院战略性先导科技专项（编号XDA23030203）的支持。