|
图1 研究区域，流域和位置。 城市化进程毫无疑问会对自然生态系统产生深远影响。在城市地区，河流十分容易退化，淡水生态系统面临多种风险，例如集水区不可渗透性增加，人口密度增大，栖息地破碎化、脆弱化，水质变差。在过去的几十年间，中国城市人口数量迅猛增加，许多淡水生态系统越来越多地受到城市化带来的环境风险的影响。 Lan Thornhill等人在Science of the Total Environment发表文章。研究利用来自公众科学项目FreshWater Watch的数据结合卫星遥感数据，使用机器学习方法来确定影响上海、广州和香港三个大都市区调查区内水质的关键指标、引起河流退化的潜在驱动因素，并确定预测因子与水质之间的关系。随机森林分类模型表明，河流颜色和与岸边植被相关的一些指标对于识别水质是否恶化非常重要。 FreshWater Watch (WFF): FWW是Earthwatch开展的一个全球性计划。Earthwatch是一家国际性的非盈利环保机构，目的是将人们跟科学和大自然连接起来，结合野外科研实践和基础知识教育，培训公民科学家，激发人们为可持续发展做出行为的改变。FWW于2012年启动，旨在调查淡水生态系统动态，并支持创新解决问题方案的提出，以应对当地和某一区域面临的淡水问题。FWW项目已经在20多个国家开展了30余个地方项目，创建了长期观测的数据集。这种全球性的长期观测数据对理解城市化驱动因素和响应具有重要意义，为制定有效的管理策略来维持河流生态系统服务提供数据支持。 随机森林算法分析影响水质的指标： 作者选择51个调查地点（上海8个，广州22个，香港21个）从2013年3月至2016年5月收集的1192个样本数据进行研究。使用随机森林算法，将诸如居民排放量、河岸植物覆盖度、河水颜色、水生植物状况等指标作为解释变量来预测采样点被归类为水质好或差的可能性。用R中“randomForest”包和“caret”包执行RF模型和交叉验证。 三个城市水质差别： 根据公民科学家对水体浊度和硝酸盐、磷酸盐浓度的调查数据分析，上海，广州和香港的河流具有不同的活动水平（表1）。研究使用区域流域的平均浊度和营养物浓度来设置随机森林模型的分类结果的阈值。上海的河流浊度显著高于其他两个城市，硝酸盐浓度也较高（除去广州范围内一个硝酸盐浓度为3.50的区域），三个地区的磷酸盐浓度相似。
表1 FWW参与者收集的水质参数的中位数（±SD），即好和差分类的阈值。 模型准确度： 交叉验证表明，每个水质参数的随机森林分类模型都具有良好的准确度（65.8％至71.8％）（表2），表明它们能够将大约三分之二的水质正确分类。Kappa值表明分类一致性一般。模型的准确性和一致性最好的为对磷酸盐浓度的预测，其次是浊度，然后是硝酸盐。
表2 随机森林交叉验证结果 Error good和Error poor表示第1类（高于平均阈值）和第2类（低于平均值）的错误分类百分比。 此外，作者还分析了影响浊度和水体营养的主要指标。水体颜色和城市道路污染物排放对浊度影响最大；浮游植物、农业用地比例、水体颜色对硝酸盐浓度影响最大；磷酸盐浓度主要受浮游植物、水体颜色以及河床坡度影响。 编者认为: Lan Thornhill等人的研究针对水体硝酸盐、磷酸盐和浊度开发了随机森林模型。研究表明水体颜色是影响浊度和营养物的重要指标；人为干扰大和农业覆盖率高的地区水质会偏差；岸边植被（树木和灌木）存在的地区水质相对更好。 作者的创新点在于采用了新的数据采集和分析方法，确定了中国3个城市影响水质的关键驱动因素和指标。本研究中开发的方法也被推广使用在全球任何地方，这是一种数据易于获取且可靠的的水质调查方法。研究结果分析了治理水体污染需要优先解决的问题，为解决方案的制定给予了实际性的指导。 （编辑：Wendy） |
