机器学习揭示中国河流至2100年的营养物质污染破坏性变化

为何未来河流健康至关重要

清洁的河流是安全饮用水、粮食生产和健康生态系统的基础。本研究展望本世纪末，探讨氮、磷等营养物质污染将如何在中国广阔的河网中演变。研究人员将数百万条近期水质测量数据与现代数据科学方法相结合，揭示了污染在何时何地可能发生的意外变化，这些结论的意义远超中国国界。

追踪一种隐蔽的水体压力形式

过量营养物质从农田、城市街道和工厂场地流入河流，可能引发藻华、耗尽水体氧气并危及人类健康。研究团队汇集了来自中国1600多个监测站点的逾三百万条日记录，涵盖营养物质污染的关键指标。他们将这些数据与气候、土地利用、地形、人口和经济活动的详细信息结合，构建了一个综合的营养物质污染指数，用以捕捉各监测点的整体河流水质状况。

用智能工具洞察未来

为了窥见未来，研究人员训练了区域专用的机器学习模型，这类人工智能能够同时处理众多相互作用的驱动因素。模型学习了当今营养物质水平如何响应天气、地景格局和人类活动。随后，团队以国际上关于未来气候和社会经济变化的情景驱动这些训练好的模型，模拟到2100年（在一个化石燃料使用强劲且快速发展的情景下）。这使他们能够按月、按流域估算营养物质污染的演变，同时探查哪些驱动因素最为重要以及可能存在的关键临界点。

由变暖重塑的季节性

目前，许多中国河流呈现明显的季节性波动，污染高峰常与夏季降雨和冬季滞留有关。研究发现，到本世纪末，这些熟悉的模式可能会逐渐平缓。总体而言，营养物质污染预计会上升，但季节间的差异减弱。在他们识别出的四种主要季节类型中，有三种在春季和秋季污染明显上升，而夏季下降，因为降雨与气温的变化打破了肥料使用、季风暴雨与河流径流之间的旧有联系。即便是目前相对清洁的流域，在考虑气候变暖和适度的人为压力后，全年污染也呈持续上升趋势。

从东部热点到更均匀的负担

目前，最严重的营养物质污染集中在耕作与工业密集的东部，而西部和西南的高山地区则相对清洁。投影显示出一种破坏性变化：尽管东部流域在绝对值上仍更污染，但许多最大的相对增幅出现在今日的低污染区，尤其是青藏高原边缘和云南—贵州高地的边缘地带。总体上，随着曾经纯净的流域营养负荷上升，各区域之间的差异缩小，污染风险中心向西和向南漂移。这一趋势引发了环境公平性的担忧，因为这些地区通常人口较少、收入较低、应对污染上升的能力也较弱。

景观与阈值作为悄然推动力

研究最引人注目的发现之一是，土地格局的排列方式对未来营养物质污染的影响，往往超过单纯的气候变化。森林、耕地、城市与其他土地覆盖如何组合，能够解释河流水质变化中更大的一部分，而非仅由温度或降雨决定。模型还揭示了关键阈值：在这些点上，降雨、植被、铺装或农田面积的小幅增加即可将河流从相对清洁推向迅速恶化的状态。在许多低污染流域，未来开发预计会将这些驱动因素推过历史阈值，提示可能存在的临界点，使污染上升速度远超过去。

这对水安全意味着什么

对非专业读者而言，结论很明确。中国（以及可能的其他地区）河流健康的未来，不会仅仅遵循过去的趋势或单一的气候变化模式。相反，它将在很大程度上取决于景观如何被规划与管理，尤其是在当前清洁但脆弱的地区。通过识别何时何地可能跨越阈值，这项研究表明，及早有针对性的土地利用规划与污染控制可以防止部分河流滑入一个更污染的新状态。超越传统季节和既有热点的积极、区域化管理，可能是保障快速变化世界中清洁水资源的关键。

引用: Zhang, X., Zhang, H., Yin, D. et al. Machine learning reveals disruptive nutrient pollution shifts in Chinese rivers to 2100. npj Clean Water 9, 39 (2026). https://doi.org/10.1038/s41545-026-00571-w

关键词: 营养物质污染, 河流水质, 机器学习, 土地利用变化, 中国河流