《Water Research》：From Fractions to Fragments: Policy to Practice through AI-Driven Multiscale Spatial Planning for Groundwater Nitrate Management
编辑推荐：
本研究提出整合水文气候、土壤及人类活动因素的多尺度框架，通过计算50至500米网格的土地覆盖比例和景观破碎化指标（如PD、LPI、IJI等），显著提升地下水硝酸盐污染预测精度（提高11%）。模型验证表明，包含土地覆盖比例和景观破碎化的方法相比传统方法准确率提升显著，证实多尺度空间分析对制定保护政策（如限制农田连片规模、保留森林湿地复合区）具有重要价值。
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对饮用水资源构成持续威胁，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）如何共同影响硝酸盐的渗漏过程。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米嵌套网格上计算得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个初始因素中筛选出前30个重要特征，然后对两种情况下的硝酸盐脆弱性进行了建模：i) 仅使用水文气候、人为因素和土壤因素；ii) 同样考虑土地覆盖类型和景观破碎化因素。分类采用多层感知器编码器（MLP-encoder）进行，并通过100次重复实验与比例优势序数回归方法进行了基准测试。当纳入多尺度上的土地覆盖类型和景观破碎化信息时，模型的准确率提高了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情况能够显著提升硝酸盐脆弱性评估的准确性，并为干预措施的设计提供了具有空间明确性的政策依据。这些干预措施包括限制大面积连续的耕地以及保护森林-湿地复合体，以支持市政和政府层面的流域管理和地下水保护规划。
引言
地下水是一种关键的淡水资源，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，它正面临着日益严重的人为氮污染威胁。农业集约化、城市扩张和工业活动是导致地下水硝酸盐污染的主要因素（Craswell, 2021）。高浓度的硝酸盐对人类健康构成威胁，已有多项研究证实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，并会破坏淡水生态系统，降低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/升的限值，其中近25%的地下水被归类为化学退化（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、连通性和破碎化程度）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减少硝酸盐的释放（Hansen et al., 2017; Li et al., 2021）。相反，将这些自然区域分割成较小且孤立的斑块会降低其缓冲能力，特别是在集约化农业区，加速营养物质的迁移（Li et al., 2021）。景观配置可以通过景观生态学指标来量化，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）以及香农多样性指数（SHDI）。PD和LPI描述了少数大型斑块对景观的支配程度，IJI和ED反映了源区（如耕地）与汇区（如森林、湿地）之间的混合程度和边缘形成情况，而SHDI总结了局部邻域内斑块类型的多样性。地表水研究显示，当在河岸缓冲带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基于任意定义的缓冲带内的土地覆盖类型，这些方法无法反映硝酸盐保留和迁移过程的实际空间尺度（Rodriguez-Galiano et al., 2014; Li et al., 2021）。相比之下，Shen et al.（2015）表明，城市用地的斑块密度和100-1500米河岸缓冲带内的水体斑块指数能够解释河流水质的很大一部分变化，而Mei et al.（2025）和Xu et al.（2023）发现斑块密度、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。
机器学习技术现已广泛应用于地表水和地下水质量研究，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），这些方法忽略了调控阈值的有序性。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，而将其简化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，传统算法很少能够处理土地利用组成、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。近年来，地理空间机器学习领域的进展，尤其是深度学习模型，为解决这些挑战提供了强大工具。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，但此前尚未有研究将多尺度的土地覆盖类型与全面的景观破碎化指标结合到一个统一的序数深度学习框架中，并评估预测能力随分析尺度的变化。本研究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数据中提取四个嵌套窗口（50米、100米、200米和500米）的配置指数和类别比例；（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经过调整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）使用比例优势逻辑回归方法对模型在7000多个监测井上的性能进行基准测试。本研究为硝酸盐脆弱性评估树立了新的行业标准，并为任何具有高分辨率土地覆盖数据的地方提供了可转移的评估模板。除了科学贡献外，该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的空间阈值，研究结果可以为有针对性的保护策略提供依据，如河岸森林恢复、湿地缓冲区和栖息地连通性保护。这些发现可以为全球范围内的监管框架提供依据，例如欧盟的《硝酸盐指令》，该指令结合了水质监测、脆弱区域划定和农业良好实践规范。此外，该研究还支持欧洲以外的类似措施，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，为解决农业区（硝酸盐污染最严重的地区）的扩散污染问题提供了通用框架。
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、地形和土地利用数据源，经过预处理并统一到相同的投影和分辨率。接下来，在四个嵌套网格尺寸上计算土地覆盖类型和破碎化指标，并将其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）重要性分析。
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，排除了所有土地覆盖类型和破碎化指标。这个仅考虑环境因素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值为0.28。进一步优化后，准确率提升到了0.68。
讨论
计算景观指标的空间尺度极大地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的景观层面上计算的，每个网格单元对应一个指标值，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。
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无法发现的配置效应。在井周围500米网格范围内计算的景观指标获得了最高的模型性能，并清晰地区分了高硝酸盐和低硝酸盐类别，表明这种邻域长度适合用于浅层非承压含水层的地下水保护分区。经过调整的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，资助协议编号为#101135533，CL6-2023-ZEROPOLLUTION-01。
数据可用性
本研究生成和/或分析的数据集可在合理请求下从相应作者处获取，具体需遵守数据使用协议。
作者贡献：CRediT
阿米尔·纳吉比（Amir Naghibi）：概念构思、正式分析、方法论、软件开发、初稿撰写、审稿和编辑、可视化
库罗什·艾哈迈迪（Kourosh Ahmadi）：概念构思、正式分析、方法论、软件开发、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）：概念构思、审稿和编辑
罗尼·伯恩特松（Ronny Berndtsson）：概念构思、验证
写作过程中生成式AI和AI辅助技术的声明
在准备本工作时，作者使用了OpenAI的ChatGPT（加上GPT-4o模型）进行语言校对。使用该工具后，作者根据需要对内容进行了审查和编辑，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、审稿和编辑、初稿撰写、可视化、验证、监督、软件开发、方法论、资金获取、正式分析、概念构思。库罗什·艾哈迈迪（Kourosh Ahmadi）：撰写、审稿和编辑、初稿撰写、可视化、验证、软件开发、方法论、数据整理、概念构思。赛义德·莫赫森·穆萨维（Seyed Mohsen Mousavi）：撰写、审稿和编辑。阿里·托拉比·哈吉希（Ali Torabi Haghighi）：撰写、审稿和编辑。
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的研究结果。
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，资助协议编号为#101135533，CL6-2023-ZEROPOLLUTION-01。
