基于机器学习的长江溶解态有机碳输送的长期变化及驱动因素分析

摘要

解析河流溶解态有机碳（DOC）浓度及通量变化对于刻画全球碳循环过程和细化全球碳收支计算至关重要.然而,中国河流的相关研究受“长时间连续观测样本少”和“控制参数时间分布不统一”等限制,河流DOC的季节和长期变化规律及其驱动因素的影响机制尚未得到充分认识.该研究利用长江徐六泾站长时间尺度的逐月DOC浓度实测数据和相关流域特征数据,对比不同机器学习方法,基于最佳模型模拟了2001—2020年徐六泾站逐月的DOC浓度变化;并使用SHAP（SHapley Additive exPlanations）方法分析了流域特征对DOC浓度和通量的影响.结果表明,随机森林算法是最佳选择(R2=0.72, RMSE=0.09 mg·L^-1). 2001—2020年间,长江徐六泾站DOC浓度范围为1.24～2.27 mg·L^-1,平均为1.67 mg·L^-1;年DOC通量变化范围为0.93～2.41 Tg·a^-1,平均为1.46 Tg·a^-1.研究表明,徐六泾站DOC浓度的季节性模式已从洪季低、枯季高转变为洪季和枯季均较高,这种变化可以归因于人为水调节活动和流域生态系统格局的变化.在长期趋势上,徐六泾站的DOC浓度和通量均显著上升,递增速率分别为0.026 mg·L^-1·a^-1,p<0.05; 0.002 5 Tg·a^-1, p<0.05.其中在近十年尺度上,人类活动的增强解释了54.1%的DOC浓度变化,是最主要的驱动因素.本研究将有助于进一步了解过去十几年间长江DOC浓度和通量的变化规律及其驱动因素的影响机制,并为河流碳循环的大数据分析研究提供新的视角.

关键词

长江 / 溶解态有机碳 / 机器学习 / 驱动因素