评估中国浙江省地表水质量的时空动态及其未来演变趋势

《Journal of Hydrology》：Assessing spatiotemporal dynamics and future evolution of surface water quality in Zhejiang Province, China

本研究基于可解释机器学习框架，整合自然与社会经济驱动因素，分析浙江省八大流域2015-2022年水质量时空演变规律。结果显示：农业投入（化肥使用）主导总磷（TP）和氨氮（NH3-N）变化，植被覆盖（叶面积指数）关键影响高锰酸盐指数（CODMn），地下水埋深决定溶解氧（DO）水平。不同情景下（SSP1-1.9, SSP2-4.5, SSP5-8.5）预测到2100年CODMn污染面积扩大13.5%，且驱动机制从人为向生态因素转变，提示生态系统可能发生临界转变。研究成果为流域精准治理提供科学支撑。

　　

姜峰|史晓毅|徐玉玲|贾振毅|王杰|张珍珍|于洪梅|孔彦龙

浙江师范大学地理与环境科学学院，金华321004，中国

摘要

在人为因素和气候压力下，理解地表水质量时空动态及其未来演变的复杂驱动因素仍然是一个关键挑战。本研究开发了一个可解释的机器学习框架，整合了自然和社会经济驱动因素来应对这一挑战。该框架应用于中国“五水共治”先行地区——浙江省，利用了2015年至2022年的八年水质参数监测数据以及三种共享社会经济路径（SSP1-1.9、SSP2-4.5、SSP5-8.5）。研究结果表明，人类活动（如化肥和农药的使用）是主要驱动因素，占水质变化的39.8%至56.5%。更重要的是，我们识别出特定指标的驱动路径：农业投入（化肥使用）主要影响总磷（TP）和氨氮（NH₃-N）；植被覆盖（叶面积指数）是化学需氧量（COD_Mn）的关键因素；而水文地质条件（地下水位）主要影响溶解氧（DO）。这一差异化的驱动-响应框架在时间和空间尺度上都具有稳健性。到2100年的预测显示，高排放情景（SSP5-8.5）下污染区域将显著扩大，尤其是COD_Mn，其恶化率高达13.5%。一个关键发现是COD_Mn的主要驱动因素预计将从人为因素转变为生态因素，这表明生态系统调节功能可能达到一个临界点。这些关于时空动态和未来演变的见解为战略水资源管理提供了坚实的科学基础，有助于制定有针对性的、基于证据的政策，以确保在环境压力下的可持续性。

引言

随着全球城市化的加速以及工业和农业活动的持续扩张，地球上近四分之三的土地表面已受到人类活动的深刻影响（Shi等人，2024年；Winkler等人，2021年）。水资源系统面临着前所未有的压力，水污染问题日益严重，对人类健康和生态系统功能构成了重大环境挑战（Zhang等人，2025b；Zheng等人，2025年）。地表水是一种不可再生但至关重要的自然资源，支撑着人类的生存和社会经济发展（Chen等人，2024b）。然而，最新的全国水质评估显示，截至2025年7月，共有3,596个地表水监测点，其中22.5%仍未达到III类标准（http://www.cnemc.cn/jcbg/）。受多种因素影响，包括农业非点源污染和城市生活污水，河流和湖泊等地表水经常出现富营养化和缺氧现象，使水环境退化成为全球性问题（Ni等人，2025年）。在地表水监测和管理中，总磷（TP）、高锰酸指数（COD_Mn）、氨氮（NH₃-N）、化学需氧量（COD）、溶解氧（DO）和pH值是最常用的核心指标（Liang等人，2025年）。然而，中国水文气象和水质监测站的空间分布不均且密度较低，影响了监测数据的代表性，阻碍了对水质的全面评估、驱动因素的准确识别以及未来趋势的可靠预测（Ang等人，2023年；Zhou等人，2025年）。

传统的水质预测研究主要依赖于基于过程的模型（Zhi等人，2021年），包括广泛使用的SWAT（土壤和水资源评估工具）、HSPF（水文模拟程序-Fortran）和WASP（水质分析模拟程序）等框架。这些模型能够有效捕捉湖泊和河流等水生生态系统中的物理、化学和生物过程，从而为预测和管理提供重要基础（Wang等人，2024b；Wang等人，2025a）。然而，它们通常需要大量的参数化和校准（涉及水力传导性、土壤孔隙率和粗糙系数等因素），这可能会引入较大的不确定性，并限制其在监测数据稀少或模拟范围较大时的适用性（Sheikholeslami和Hall，2023年）。相比之下，数据驱动模型（如机器学习（ML）方法直接从数据中推断预测因子与水质响应之间的功能关系，具有更大的灵活性和适应性（Zhang等人，2024a）。由于强大的非线性拟合能力，ML方法越来越多地被用于水质模拟和预测，有助于弥补监测覆盖范围有限带来的信息缺口（Nikoo等人，2025年；Sutanto等人，2024年）。然而，大多数现有研究主要集中在提高预测精度和减少预测值与观测值之间的差异上，而对水质变化背后的机制和关键驱动因素关注较少（Huang等人，2024年）。模型可解释性是机器学习中的一个新兴焦点，它使研究人员能够理解模型如何从输入数据生成预测结果，并确定影响因子的相对重要性，从而提高模型的透明度和实际应用性（Fleming等人，2021年）。因此，将ML模型与可解释性技术相结合，有助于更全面地理解地表水质量的动态模式和主要驱动机制，同时为科学决策、精细的水资源管理和政策评估提供理论基础和技术工具。

中国东南部的浙江省拥有发达的经济、密集的水系以及显著的资源与环境冲突（You等人，2023年）。自2013年以来，该省率先实施了“五水共治”政策，推动了废水处理、洪水管理、排水、供水和资源保护的综合性行动，成为全国水环境治理的典范（Chi，2016年；Tian等人，2022年）。在持续的政策实施和城市扩张背景下，本研究评估了水质变化及其驱动因素，旨在为管理决策提供科学依据。利用浙江省多个地表水质量监测站的长期观测数据，本研究整合了多源环境变量，并结合三种共享社会经济路径（SSP1-1.9、SSP2-4.5、SSP5-8.5），开发了一个机器学习模型，用于预测2015年至2010年间浙江省八个主要河流流域的地表水质量动态演变及未来趋势。具体而言，本研究旨在解决以下问题：（1）哪种机器学习模型能够最有效地预测地表水质量指标？（2）历史时期浙江省地表水质量演变的时空特征是什么？（3）哪些环境因素在驱动水质变化中起主导作用，其背后的机制是什么？（4）地表水质量将如何响应不同的未来社会发展情景？研究结果将为空间精细化的治理提供科学依据，并有助于制定适应性管理策略，以应对变化情景下的水质演变。

研究区域

浙江省（北纬27°02′–31°11′，东经118°01′–123°10′）位于中国东南沿海，地处长江三角洲的南部（图1）。该省面积为105,500平方公里，地形以山地和丘陵为主（74.6%），其次是平原（20.3%）和水体（5.1%）（Li等人，2023年）。该省属于亚热带季风气候，年平均气温为15–18℃，降水量为980–2000毫米，主要集中在5月至6月（

模型训练与评估

使用2015年至2022年浙江省的地表水数据，分别开发了针对总磷（TP）、化学需氧量（COD_Mn）、氨氮（NH₃-N）和溶解氧（DO）的独立模型，以评估其预测性能。总体排名顺序为RF > KNN > SVM > ANN，其中RF模型在所有指标上表现最佳（图2和S2）。对于总磷（TP），RF模型的R²为0.85，RMSE和MAE分别为0.02；化学需氧量（COD_Mn）的表现最好（R² = 0.87，RMSE = 0.44，MAE = 0.31），其次是氨氮（NH₃-N（R² = 0.79，RMSE = 0.15，MAE = 0.09）和溶解氧（DO）（R

模型的适用性和性能评估

系统评估显示，模型之间的预测性能差异反映了它们对复杂环境系统建模的不同适应能力。本研究中模型的整体性能排名顺序为RF > KNN > SVM > ANN（图2和S2）。KNN模型在总磷（TP）和化学需氧量（COD_Mn）等污染物指标上表现较好，表明其在特征分布简单且局部结构明显的情景中的优势（Pattanayak等人，2020年）。然而，其

结论

为了评估浙江省地表水质量的时空动态及其未来演变，本研究应用机器学习模型分析了2015年至2022年八个主要河流流域的监测数据，预测了四个关键水质指标，并分析了不同发展情景下的驱动机制。2015年至2022年间，浙江省的地表水质量显著改善，高污染区域持续减少。这一趋势与

未引用的参考文献

Wang等人，2025年；Zhang等人，2025年。

CRediT作者贡献声明

姜峰：撰写——审稿与编辑、撰写——初稿、可视化、验证、软件、方法论、数据整理。史晓毅：撰写——审稿与编辑、可视化、方法论、概念化。徐玉玲：调查、数据整理。贾振毅：撰写——审稿与编辑、方法论、资金获取、概念化。王杰：可视化、软件、调查。张珍珍：方法论、调查、数据整理。于洪梅：方法论

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文的研究工作。

致谢

本工作得到了国家自然科学基金（42322209）和浙江省自然科学基金（LQ23D010003）的资助。