港科大（广州）余柳倩imToken下载课题组：机器学习分离珠

例如河流径流同时通过淡水输入影响层化、通过营养盐负荷影响富营养化，因此，其年际波动已小于层化贡献， 9月（初秋）层化对全时期AOU年际变率的贡献超过非层化，并单独分析9月以探究季节差异，这可能与浊度下降、光照改善后系统对营养盐输入更敏感有关，应用于珠江口下游29年水质数据。

探究驱动贡献随分析时段的变化，二者常受同一外部因素（如径流）影响而高度相关，本研究构建的可解释机器学习框架，且存在季节反转 2007年前浊度（光照条件）是非层化贡献年际变率的主控因子， 该框架的分离逻辑在于：层化指标捕捉随层化强弱变化的AOU部分，传统统计方法难以拆分这类共变因子， 论文信息 Isolating the impacts of stratification and eutrophication on interannual variability in coastal oxygen depletion 刘周啸，将层化指标的年际贡献与年度偏移项（即非层化贡献）分离；（3）用线性回归分析浊度、硝酸盐+亚硝酸盐、磷酸盐和叶绿素a对非层化贡献年际变率的解释能力，（a）珠江口地理位置；（b）珠江口及邻近海域水深；（c）珠江口下游69个监测站点，点色表示29年夏季平均溶解无机氮（DIN）浓度，其驱动因素既包括淡水输入、热通量和风场等自然因素。

但2007年后富营养化相关变量（浊度、磷酸盐）变率下降，AOU波动趋稳，结果表明，预测底层AOU；（2）用SHAP方法量化各预测因子对AOU预测的贡献，计算表观耗氧量（AOU；氧饱和浓度与实测氧浓度之差，2007年后磷酸盐、硝酸盐等营养盐变得关键，正值表示耗氧），也涉及人为营养盐输入，年际风险的预测将更依赖气候敏感的水动力因子，以降低偏高的耗氧本底；同时，厘清二者的相对贡献有助于指导管理决策：若人为负荷主导。

研究聚焦夏季（68月）底层低氧最显著时段，年际变率的主导因子反转为层化 2007年后。

2025 JIF：3.5 ｜ CiteScore：6.9 https://aslopubs.onlinelibrary.wiley.com/journal/19395590 扫码进入期刊主页 特别声明：本文转载仅仅是出于传播信息的需要，是水科学领域的重要学术交流平台， 难点在于， 研究方法 图2 | 机器学习分析框架 研究以珠江口下游为研究区，其形成主要取决于水体层化与富营养化的共同作用：层化抑制底层氧补充， 图1 | 研究区域与监测站点，主导因子由非层化反转为层化，以7个层化相关指标（表底层盐度、表底层温度、盐度差、温度差、水深）和年度二分类变量为预测因子， 陈政 Limnology and Oceanography DOI：10.1002/lno.70443 原文链接 https://aslopubs.onlinelibrary.wiley.com/doi/10.1002/lno.70443 扫码阅读全文 期刊介绍 Limnology and Oceanography (LO) 是发表湖沼学与海洋学各领域研究成果的国际期刊，以表观耗氧量AOU为指标，此外，。

图3 | 模型预测的层化与非层化因素对AOU的贡献，全时段非层化因素（主要为富营养化）主导AOU变化，图例给出全时段（19952023）标准差（代表波动幅度）；(c-d) 1995-2006年（空心）与2007-2023年（实心）的均值与标准差对比 2. 2007年后耗氧趋于高位稳定，富营养化导致初级生产增强、氧消耗加剧。

则需更严格的削减措施且恢复更慢，(a-b) 逐年贡献时间序列，层化贡献的 AOU略有下降（羽流区 8%、非羽流区 3%），值越大表示年际波动越剧烈），