Гибридное пространственно-временное моделирование круговорота питательных веществ в болотных экосистемах с использованием продвинутых картографических методов и подходов машинного обучения

Почему эти скрытые водяные фильтры важны

Болота незаметно защищают наши реки и питьевую воду, поглощая избыточные удобрения и другие загрязнители, стекающие с полей и городов. Но из-за своего размаха, сырости и труднодоступности учёным сложно проследить, как эффективно эти природные фильтры работают с течением времени. В этом исследовании показано, как сочетание полевых замеров воды, спутниковых изображений и методов машинного обучения позволяет превратить одну небольшую систему болот в Огайо в подробную, подвижную картину её состояния — по сезонам и годам.

Наблюдение за питательными веществами из космоса и с земли

Исследователи сосредоточились на Beavercreek Wetlands Greenway в Огайо — ландшафте-лоскутном одеяле, где соседствуют городские кварталы, сельхозугодья, леса и болота. Они ежемесячно в течение четырёх лет брали пробы воды в трёх водоёмах вдоль ручья, измеряя два ключевых элемента: азот и фосфор. В умеренных количествах эти питательные вещества поддерживают растительность, но в избытке могут вызвать цветение водорослей и лишить воду кислорода. Чтобы выйти за рамки разрозненных точечных замеров, команда сопоставила эти данные с детализированными спутниковыми снимками миссий Sentinel-1 и Sentinel-2 Европейского космического агентства, обработанными в Google Earth Engine.

Двухэтапный способ «прочитать» ландшафт

Вместо того чтобы помещать все типы данных в одну большую модель, авторы построили двухступенчатую систему машинного обучения на основе популярного алгоритма Random Forest. На первом этапе модель прогнозировала уровни питательных веществ, опираясь на общие характеристики болот: форму, размер, окружающие виды землепользования (лес, пашни, застроенные территории) и недавние осадки и температуру. Это создало «базовую» карту, отражающую, как ландшафт в целом склонен накапливать или поглощать питательные вещества. На втором этапе отдельная модель сосредоточилась на том, что упустила первая: на оставшихся пространственных ошибках. Она пыталась объяснить эти более тонкие закономерности с помощью непрерывных спутниковых переменных, таких как вегетационные индексы и радарные показатели воды и структуры растительности.

Сезонный стресс и признаки восстановления

Комбинируя оба этапа, команда получила квартальные карты азота и фосфора за 2021–2024 годы с разрешением, достаточным для отслеживания изменений вдоль протяжённости болот. Азот показал выраженные и повторяющиеся сезонные колебания: более высокие концентрации весной и летом (второй и третий кварталы) и пониженные значения в холодные месяцы. За четыре года уровни азота в начале года постепенно росли, а пиковые значения в середине года в 2022 и 2023 гг. оказались особенно высокими, что указывает на повторяющийся сезонный стресс, связанный с более влажными месяцами и сельскохозяйственной деятельностью в прилегающем бассейне.

Другой элемент — другая история

Фосфор рассказал иную историю. В 2021 году концентрации фосфора были повышены во многих частях системы болот, но карты показали устойчивое снижение в большинстве зон в 2022, 2023 и 2024 годах, особенно в зимние кварталы. Устойчивая «горячая точка» сохранялась в более широкой средней части болота, особенно в периоды низкого летнего стока, что свидетельствует о вымывании фосфора из отложений внутри системы. Анализ важности переменных для моделей показал, что азот зависел как от контекста ландшафта, так и от локальных условий в русле, захваченных спутниками, тогда как фосфор прежде всего определялся расположением застроенных и сельскохозяйственных территорий вокруг болот.

Что это значит для охраны болот

Для неспециалиста главный вывод таков: проблемы с питательными веществами различаются, и спутники помогают их различать. Новая методика точно отслеживала азот и фосфор в пространстве и во времени, показав, что азот остаётся рассеянной, сезонно повторяющейся проблемой, связанной с сельскохозяйственной практикой и растительностью болот, тогда как фосфор заметно улучшился по мере снижения нагрузок из прилегающих застроенных территорий, за исключением упорной «горячей точки». Этот двухэтапный картографический подход даёт управленцам практический диагностический инструмент: он быстро выделяет проблемные участки, указывает, следует ли сосредоточиться на изменениях землепользования, контроле городского стока или процессах внутри самого болота, и его можно адаптировать к другим задачам качества воды по мере того, как климат, землепользование и природоохранные усилия продолжают изменять наши болота.

Цитирование: Salas, E.A.L., Schrack, K., Kumaran, S.S. et al. Hybrid spatiotemporal modeling of nutrient cycling in wetland ecosystems using advanced mapping techniques and machine learning approaches. Sci Rep 16, 9954 (2026). https://doi.org/10.1038/s41598-026-40585-5

Ключевые слова: болота, загрязнение питательными веществами, дистанционное зондирование, машинное обучение, качество воды