综述：微藻胞外聚合物物质的隐藏力量：一种用于水环境修复的天然持久性自由基来源

《Water Research》：The hidden power of microalgal extracellular polymeric substances: A natural source of persistent free radicals for aquatic environmental remediation

nitrate污染防治机制研究中提出一种整合多尺度土地利用比例和景观破碎度指标的人工智能框架，通过多层感知机编码器验证了景观空间配置对地下水硝酸盐脆弱性的显著影响。

　　

阿米尔·纳吉比（Amir Naghibi）|库罗什·艾哈迈迪（Kourosh Ahmadi）|赛义德·莫赫森·穆萨维（Seyed Mohsen Mousavi）|阿里·托拉比·哈吉希（Ali Torabi Haghighi）|贝尔特尔·尼尔森（Bertel Nilsson）|罗尼·伯恩特松（Ronny Berndtsson）

瑞典隆德大学水资源工程系

摘要

扩散性硝酸盐污染仍然是饮用水资源面临的持续威胁，然而现有的预测框架很少能够捕捉到土地系统的空间组成（土地覆盖类型）和配置（景观破碎化）如何共同调节硝酸盐的渗漏。本研究提出了一个新颖的多尺度框架，将水文气候、土壤和人为因素与在50米、100米、200米和500米的嵌套网格上计算出的土地覆盖类型和七种破碎化指标相结合。该基于人工智能的框架采用了特征选择技术，从116个初始因素中识别出最重要的30个输入特征，然后在两种情况下对硝酸盐的脆弱性进行了建模：i) 仅使用水文气候、人为和土壤因素；ii) 同一因素加上土地覆盖类型和景观破碎化。分类采用序数方法，使用多层感知器编码器（MLP-encoder）进行，并通过100次重复实验在不同数据分割配置下进行了基准测试。当在多尺度上包含引入的土地覆盖类型和景观破碎化时，模型的准确性提高了11%。结果证实，在中等尺度上同时考虑土地利用组成和破碎化显著增强了硝酸盐脆弱性映射，并为干预设计提供了具有空间明确性的、与政策相关的手段。这些手段包括限制大面积连续的耕地以及保护森林-湿地复合体，以支持市级和政府层面的集水区管理和地下水保护规划。

引言

地下水是一种至关重要的淡水资源，为全球超过三分之一的人口提供饮用水。作为灌溉、工业应用和家庭用水的重要来源，它正面临由人类活动引起的氮污染日益严重的威胁。农业集约化、城市扩张和工业活动是导致地下水硝酸盐（NO??）污染的主要因素（Craswell, 2021）。高浓度的硝酸盐威胁人类健康，已有充分证据表明其与婴儿高铁血红蛋白血症（Ward et al., 2005）和甲状腺癌风险增加（Aschebrook-Kilfoy et al., 2012）有关，并且会破坏淡水生态系统，减少大型无脊椎动物的多样性和栖息地的恢复力（Camargo & Alonso, 2006）。在欧洲，大约13%的地下水体硝酸盐含量超过了欧盟规定的50毫克/升的饮用水标准，近25%的地下水被归类为化学退化，这突显了该问题的普遍性（Abascal et al., 2022）。

土地利用与硝酸盐污染之间的关系已经得到充分证实；然而，许多地下水模型仍然将土地覆盖类型简化为单一的分类变量（Motevali et al., 2019; Deng et al., 2023）。这种做法忽略了硝酸盐渗漏不仅受土地利用组成（不同土地覆盖类型的相对比例）的影响，还受景观配置（这些类型的空间排列、连通性和破碎化）的影响。例如，大面积连续的耕地通常会增加硝酸盐的渗漏，而森林和湿地等自然系统则通过植物吸收和反硝化作用增强硝酸盐的滞留（Hansen et al., 2017; Li et al., 2021）。相反，将这些自然区域分割成更小、孤立的斑块会降低它们的缓冲能力，并加速营养物质的迁移，尤其是在集约化农业景观中（Li et al., 2021）。景观配置可以使用景观生态学的指标进行量化，包括斑块密度（PD）、最大斑块指数（LPI）、交错和并置指数（IJI）、边缘密度（ED）和香农多样性指数（SHDI）。PD和LPI描述了少数大斑块主导景观的程度，IJI和ED表征了源区（如耕地）和汇区（如森林、湿地）之间的混合程度和边缘形成情况，SHDI总结了局部邻域内斑块类型的多样性。地表水研究显示，当在河岸缓冲区或局部贡献区内计算这些配置指标时，可以解释水质的显著变化；然而，地下水模型通常依赖于基于点的预测因子或任意定义的缓冲区内的土地覆盖类型，这些因素并不能反映硝酸盐滞留和迁移过程实际发生的空间尺度（Rodriguez-Galiano et al., 2014; Li et al., 2021）。相比之下，Shen et al.（2015）表明，城市用地的PD和100-1500米河岸缓冲区内水域的LPI解释了很大比例的河流水质变化，而Mei et al.（2025）和Xu et al.（2023）发现PD、LPI、IJI及相关配置指标是影响河流、河岸和次流域尺度上氮和磷浓度的主要控制因素。

机器学习技术现在在地表水和地下水质量研究中已经很常见，但大多数硝酸盐模型仍然依赖于回归分析（Alkindi et al., 2022）或二进制/三元分类器（Motevali et al., 2019），这些方法忽略了调节阈值的有序性质。将硝酸盐视为纯粹的连续变量可能会导致误差指标偏向极端值，而将其归类为无序类别则会丢失对风险管理至关重要的序数信息。此外，传统算法很少能处理土地利用组成、景观配置和地下传输过程之间的非线性、尺度依赖性相互作用。最近在地理空间机器学习领域的进展，特别是在深度学习模型方面，为解决这些挑战提供了强大的工具。深度学习方法在捕捉环境变量、水文气候因素、土壤特性和土地利用之间的复杂、空间依赖性关系方面显示出巨大潜力（Karimanzira et al., 2023; Kim et al., 2024; Zhi et al., 2024）。

尽管在地下水建模方面取得了稳步进展，但此前没有研究在同一序数深度学习框架内同时结合多尺度土地覆盖类型和全面的景观破碎化指标，并评估预测能力随分析尺度的变化。在这里，我们通过以下方式填补了这一空白：（i）从10米分辨率的土地覆盖产品中推导出四个嵌套窗口（50米、100米、200米和500米）的配置指标和类别比例；（ii）将这些空间描述符与水文气候、土壤和人为变量整合到一个调整过的多层感知器编码器中，以捕捉预测因子之间的非线性相互作用；（iii）在超过7,000个监测井上使用比例优势逻辑基线对模型进行基准测试。本研究为硝酸盐脆弱性映射树立了新的行业标准，并为任何有高分辨率土地覆盖数据的地方提供了可用于扩散污染评估的模板。除了科学贡献外，本研究还具有重要的政策意义。通过识别影响硝酸盐水平的土地利用模式中的空间阈值，研究结果可以支持有针对性的保护策略，如河岸森林恢复、湿地缓冲和栖息地连通性。这项研究提供的证据可以为全球范围内的监管框架提供信息和支持，例如欧盟的《硝酸盐指令》，该指令结合了水质监测、脆弱区域的划定和农业良好实践规范。它还支持在欧洲以外采用类似的方法，包括美国的州级肥料控制和分区政策、基于激励的国家行动计划，以及全球范围内的综合含水层保护和管理工作。更广泛地说，这项工作强调了将空间尺度和景观配置纳入预测模型的重要性，提供了一个可以应用于全球范围解决扩散污染挑战的框架，特别是在硝酸盐污染最为严重的农业地区。

方法论

图1总结了我们的多尺度硝酸盐预测框架的端到端工作流程。数据来自地下水监测井、气候、土壤、地形和土地利用来源，然后对这些数据进行预处理并统一到相同的投影和分辨率。接下来，在四个嵌套的网格尺寸上计算土地覆盖类型和破碎化指标，并将它们合并到一个特征矩阵中。使用了四种互补的特征选择方法，包括随机森林（RF）重要性

模型评估

为了建立一个严格的基准，我们首先仅使用非景观预测因子（方法1）训练和验证了MLP-编码器，包括30个气候、水文、土壤和人为变量，并排除了所有土地覆盖类型和破碎化指标。这个仅考虑环境的模型在十个空间交叉验证折叠中的平均平衡准确率为0.46 ± 0.03，MAE为0.44 ± 0.02个类别单位，Cohen’s κ为0.28。进一步改进后，准确率提高到了0.68

讨论

计算景观指标的空间尺度强烈影响了它们解释地下水硝酸盐污染的能力。这里讨论的所有破碎化指标（IJI、PD、SHDI和MESH）都是在每个分析窗口内的景观层面上计算的，每个网格单元一个值，而不是类别级别的指标；类别特定的效应由土地覆盖类型变量表示。在本研究中，配置

结论

将破碎化指标纳入传统的土地覆盖类型中（方法2）提高了预测准确性，并揭示了方法1无法看到的配置效应。在井周围500米网格内计算的景观指标获得了最高的模型性能，并清楚地区分了高硝酸盐和低硝酸盐类别，表明这种邻域长度适用于浅层非限制性含水层的地下水保护分区。调整后的MLP-编码器

资金来源

该项目（FARMWISE - 未来农业资源管理和可持续欧洲的水资源创新）获得了欧盟“地平线欧洲”（Horizon Europe）研究和创新计划的资助，授予协议编号为#101135533，CL6-2023-ZEROPOLLUTION-01。

数据可用性

本研究中生成和/或分析的数据集可根据合理请求从相应作者处获得，适用时需遵守数据使用协议。

作者贡献：CRediT

阿米尔·纳吉比（Amir Naghibi）：概念化、形式分析、方法论、软件、初稿撰写、审稿和编辑、可视化

库罗什·艾哈迈迪（Kourosh Ahmadi）：概念化、形式分析、方法论、软件、初稿撰写、审稿和编辑、可视化

赛义德·莫赫森·穆萨维（Seyed Mohsen Mousavi）：审稿和编辑

阿里·托拉比·哈吉希（Ali Torabi Haghighi）：审稿和编辑

贝尔特尔·尼尔森（Bertel Nilsson）：概念化、审稿和编辑

罗尼·伯恩特松（Ronny Berndtsson）：概念化、验证

写作过程中使用生成式AI和AI辅助技术的声明

在准备这项工作时，作者使用了OpenAI的ChatGPT（及其GPT-4o模型）来协助语言校对。使用该工具后，作者根据需要审查和编辑了内容，并对发表文章的内容负全责。

未引用的参考文献

Clement et al., 2017, Li et al., 2021, Allan et al., 1997, Rosner et al., 2018, Tang et al., 2025, Zhou et al., 2012

CRediT作者贡献声明

阿米尔·纳吉比（Amir Naghibi）：撰写 - 审稿与编辑、初稿撰写、可视化、验证、监督、软件、方法论、资金获取、形式分析、概念化。库罗什·艾哈迈迪（Kourosh Ahmadi）：撰写 - 审稿与编辑、初稿撰写、可视化、验证、软件、方法论、数据整理、概念化。赛义德·莫赫森·穆萨维（Seyed Mohsen Mousavi）：撰写 - 审稿与编辑、初稿撰写。阿里·托拉比·哈吉希（Ali Torabi Haghighi）：撰写 - 审稿与编辑

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报告的工作。

致谢

该项目（FARMWISE - 未来农业资源管理和可持续欧洲的水资源创新）获得了欧盟“地平线欧洲”（Horizon Europe）研究和创新计划的资助，授予协议编号为#101135533，CL6-2023-ZEROPOLLUTION-01。