编辑推荐：
太湖湖体内源溶解性活性磷（SRP）释放动态及驱动机制研究，通过高分辨率孔隙水监测与Ridge机器学习模型，量化了2021-2022年SRP释放通量（-0.32至1.84 mg/(m2·d)），揭示夏季-秋季藻类主导区Fe-氧化物还原溶解主导SRP释放，ML模型预测近20年贡献TP增加45%，结构方程模型显示SRP与叶绿素a、温度、TP共同驱动藻华，长期动态表明控制因子从人为向气候过程转变。
Youzi Gong|Yan Wang|Yi Zhang|Shi Fu|Shuaishuai Gao|Askar Akida|Ziyi Xiong|Shuhang Wang|Xia Jiang|Xianfang Fan|Musong Chen|Yongjiu Cai|Xiaolong Wang|Cai Li|Shiming Ding
摘要
缓解浅水湖泊的富营养化问题需要准确测量内部磷的负荷——这一任务因复杂的沉积物-水相互作用和长期监测不足而变得复杂。本研究结合高分辨率孔隙水监测和机器学习（ML）技术，量化了中国大型富营养化湖泊太湖内部可溶性活性磷（SRP）的释放量。2021-2022年对整个太湖的监测表明，SRP的释放通量在-0.32至1.84毫克/（平方米·天）之间变化，夏季至秋季在藻类主导的区域达到峰值，此时内部SRP的释放与铁氧化物的还原性溶解密切相关。基于这些观察结果，使用优化的Ridge模型开发了一种机器学习方法来预测过去二十年的SRP释放通量。结果显示，在关键藻类繁殖期间，内部SRP的释放平均贡献了总磷（TP）增加的45%。结构方程建模表明，叶绿素a的变异性与内部SRP的释放、温度和TP密切相关，这些因素共同解释了65%的变异，表明内部SRP的释放是维持藻类繁殖的关键因素。此外，二十年内部SRP释放的动态变化显示，其主要控制因素正从过去的人为干扰压力转向气候诱导的过程。这些发现强调了内部SRP释放在维持富营养化中的重要作用，并为制定适应性修复措施提供了科学指导。
引言
富营养化已成为威胁淡水生态系统的一个重大环境问题，主要是由于过去几十年过度营养物质的输入（Ho等人，2019年；Hou等人，2022年）。在这些营养物质中，磷（P）是导致湖泊中藻类繁殖加剧的主要原因（Katherine等人，2023年）。因此，人们投入了大量努力来减少湖泊中的磷输入，包括改进废水处理和建立人工湿地（Tong等人，2020年；Wu等人，2023年）。然而，湖泊的恢复往往滞后于外部磷输入的减少，这意味着许多湖泊仍面临持续的藻类繁殖威胁（Xue等人，2024年）。研究表明，超过50%的外部输入磷在湖泊沉积物中积累，形成了所谓的“遗产”磷库（Xu等人，2021b年），其重新释放会促进水中总磷（TP）水平的持续升高。因此，全面了解内部磷的释放对于管理和恢复富营养化湖泊至关重要。
扩散传输和再悬浮是磷从沉积物进入水体的主要途径（Wang等人，2022年；Yuan等人，2021年）。扩散受沉积物与上层水体之间可溶性活性磷（SRP）等易变磷物种浓度梯度的控制，而沉积物的再悬浮可以使更多形式的磷进入水柱，包括颗粒状无机磷和有机磷（Liu等人，2022年；Shen等人，2023年）。尽管颗粒状磷可以通过解吸和光降解获得生物可利用性，但这些机制受到湖泊环境因素的显著影响，包括pH值、氧化还原电位和太阳辐射（Li等人，2019年；Xu等人，2021a年）。与颗粒状磷相比，SRP由于其高生物可利用性而更易被藻类利用（Xiao等人，2022年）。在多个富营养化湖泊系统中，沉积物中的SRP释放已成为表面水中TP水平增加的主要贡献者（Ding等人，2018年；Wang等人，2021年）。这一重要贡献突显了孔隙水中SRP在促进和维持藻类繁殖方面的潜在作用。
传统上，湖泊沉积物中的内部SRP释放通量是通过多种方法来量化的。质量平衡方法常用于从整个湖泊的磷预算中估计内部SRP通量，但它们需要大量的水文和水质数据，并且难以区分内部和外部贡献（Kang等人，2023年）。原位底栖室和沉积物岩芯培养分别允许在自然和接近自然条件下直接测量，但它们的操作复杂，且小样本量限制了代表性（Viktorsson等人，2013年；Wauchope-Thompson等人，2024年）。最近，内部SRP释放通量通常基于SRP浓度的垂直分布和菲克第一定律来量化（Sano等人，2025年；Yin等人，2023年）。这种方法依赖于沉积物-水界面（SWI）处的高分辨率SRP浓度梯度，需要部署原位高分辨率被动采样器，如高分辨率透析采样器（HR-Peeper）和沉积物内被动采样器（Sano等人，2025年）。这些被动采样器简化了SRP通量的评估过程，并且无需额外电力。
最近的研究表明，机器学习（ML）模型可以通过分析多种环境指标之间的复杂非线性相互作用来预测监测目标的变化（Guan等人，2025年；Yang等人，2023年）。尽管ML的预测效果可能受数据集规模的影响，但这些方法仍然有助于确定关键预测因子并阐明传统统计技术可能忽略的非线性关系（Khorasani和Zhu，2021年；Xu等人，2022年）。此外，模型解释技术，包括特征重要性和扰动分析，可以阐明各种环境因素的相对影响，并将预测结果与基本的生物地球化学过程联系起来（Zhou等人，2025年）。当长期原位观测数据有限时，ML可以为预测内部SRP释放通量提供一个灵活且数据驱动的框架（Borah等人，2025年）。尽管如此，基于现有水质参数和SRP通量测量数据集开发预测模型以预测内部SRP释放通量的应用仍受到较少关注。
太湖是中国最大的浅水湖泊之一，40多年来一直受到严重富营养化和反复藻类繁殖的困扰（Qin等人，2023年；Stone，2011年）。从沉积物中释放的磷已成为维持太湖水中TP积累的主要内部来源（Fan等人，2022年；Yin等人，2023年）。先前的研究通过整合水体TP动态和基于过程的水质或质量平衡模型来研究该湖泊的内部磷负荷（Tong等人，2021年；Xu等人，2021b年）。然而，这些研究将太湖视为一个整体，而没有考虑其空间上的差异。不同生态区域内部磷释放的过程强度各不相同（Fan等人，2018年），因此忽略这些空间差异可能导致定量结果的偏差。此外，内部SRP释放通量通常通过短期季节性或月度监测来评估（Ding等人，2018年；Yin等人，2022年），这限制了对其调节水体磷水平和藻类繁殖发展的影响的全面理解。
在这项研究中，我们利用高分辨率采样技术研究了整个太湖孔隙水地球化学的季节性变化，并在太湖的藻类主导区域进行了54个月的长期监测。通过高分辨率的时空沉积物SRP测量数据，我们的目标是：（ⅰ）量化并描述整个太湖的内部磷释放情况；（ⅱ）使用长期内部磷数据建立并验证一个ML模型；（ⅲ）预测过去20年的内部磷释放通量，并估计其对水体磷水平和藻类繁殖的贡献。该研究推进了对富营养化湖泊内部磷循环的认识，并建立了将内部磷释放过程与富营养化管理联系起来的定量框架。
部分摘录
站点描述和样本收集
2021年春季（4月）、夏季（7月）和秋季（10月）以及2022年冬季（1月）在太湖进行了采样（图1a）。我们选择了十三个采样地点，涵盖了藻类类型区（ATZ）、大型植物类型区（MTZ）以及它们之间的过渡区（TZ）。在ATZ（梅梁湾，MLB）的长期采样从2016年2月持续到2023年12月，共计54个月（附录A表S1）。使用重力岩芯采样器采集了沉积物岩芯（9厘米×30厘米）
太湖内部磷释放的特征
如图1b所示，水质参数表现出明显的季节性和空间变化。平均TP浓度为0.095毫克/升（0.031–0.267毫克/升），在温暖季节较高，这可能是由于内部磷释放增加和高温下的河流输入（Wang等人，2019年）。从空间上看，ATZ的TP浓度（0.12毫克/升）高于TZ（0.095毫克/升）和MTZ（0.06毫克/升）。叶绿素a的浓度也表现出类似的季节性和空间趋势，最高水平同样出现在
结论
本研究通过结合孔隙水地球化学监测和ML建模，提供了关于太湖内部磷释放长期动态的宝贵见解。结果显示，SRP通量存在显著的季节性和空间变异性，主要由铁氧化物的还原性溶解驱动，在夏季和秋季的藻类主导区域内部负荷达到峰值。Ridge模型准确预测了长期内部磷通量，证实了内部负荷是主要因素
CRediT作者贡献声明
Youzi Gong：概念化、研究方法、撰写——初稿。Yan Wang：资金获取、数据管理、撰写——审阅与编辑。Yi Zhang：数据管理、撰写——审阅与编辑。Shi Fu：撰写——审阅与编辑。Shuaishuai Gao：撰写——审阅与编辑。Askar Akida：研究方法。Ziyi Xiong：数据管理。Shuhang Wang：撰写——审阅与编辑。Xia Jiang：撰写——审阅与编辑。Xianfang Fan：撰写——审阅与编辑。Musong Chen：撰写——审阅与
CRediT作者贡献声明
Youzi Gong：撰写——初稿、研究方法、概念化。Yan Wang：撰写——审阅与编辑、资金获取、数据管理。Yi Zhang：撰写——审阅与编辑、数据管理。Shi Fu：撰写——审阅与编辑。Shuaishuai Gao：撰写——审阅与编辑。Askar Akida：研究方法。Ziyi Xiong：数据管理。Shuhang Wang：撰写——审阅与编辑。Xia Jiang：撰写——审阅与编辑。Xianfang Fan：撰写——审阅与编辑。Musong Chen：撰写——审阅与利益冲突声明
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
本研究得到了中国国家自然科学基金（编号U2102210、42407535和42407557）、中国博士后科学基金（编号2024M763366）、江苏省基础研究计划（编号BK20241697和BK20242104）、江西省重点研发计划（编号20223BBG74003）以及江西省创新领军人才长期计划（编号jxsq2023101034）的资助。
