基于可解释集成机器学习的巢湖流域溶解氧驱动因素

来源：环境科学杂志2025年第1期北京时间：

作者：徐泽华,刘柏音,李斌,邱文婷,张志苗,王维

单位：中国环境科学研究院环境信息研究所, 北京 100012,中国环境科学研究院环境信息研究所, 北京 100012,中国环境科学研究院环境信息研究所, 北京 100012,中国环境科学研究院环境信息研究所, 北京 100012,中国环境科学研究院环境信息研究所, 北京 100012,中国环境科学研究院环境信息研究所, 北京 100012

摘要：溶解氧是衡量水生生态系统健康的重要指标. 溶解氧浓度过低会威胁水生生物的生存并破坏生态系统的平衡，准确识别和量化驱动因素对溶解氧的影响贡献对于制定有效的水资源管理策略至关重要. 选取巢湖流域作为案例研究区，利用集成的机器学习方法和夏普利加性解释（SHAP）分析，系统识别和解释影响该区域溶解氧变化的关键因素. 结果表明，通过集成随机森林算法（RF）、极端梯度提升算法（XGBoost）和轻梯度提升算法（LightGBM）这3种模型，构建了高精度的预测模型（R2=0.94，RMSE=0.62 mg·L-1，MAE=0.41 mg·L-1）. 水温、氨氮和pH值是影响溶解氧浓度的主要因素，贡献率分别为53.5%、17.6%和9.1%，而在缺氧阶段，主导因素变多，水温、氨氮的重要性分别下降20.5%和7.9%，pH、相对湿度和电导率的重要性上升7.1%、3.7%和4.8%. 偏依赖分析显示，随着水温升高和氨氮浓度增加，水体中溶解氧浓度显著下降；适中的pH值有利于氧气的溶解，而极端的酸碱环境可能对溶解氧产生负面影响. 在交互作用影响下，高温条件，总磷的增多和低气压都会放大温度对溶解氧浓度的负向影响. 以上研究旨在增进对溶解氧动态的理解，为巢湖流域的溶解氧监测、缺氧预警和管理提供数据支持和科学依据，助力巢湖水资源的可持续利用与生态保护.

关键词：溶解氧（DO）,集成机器学习,驱动因素,可解释性,偏依赖,