英文原题：
Predicting Potential Climate Change Impacts on Groundwater Nitrate Pollution and Risk in anIntensely Cultivated Area of South Asia
通讯作者：Abhijit Mukherjee，印度理工学院环境科学与工程学院
作者：Soumyajit Sarkar, Balaji Senapati, Srimanti Duttagupta
摘要
内容简介
印度理工学院环境科学与工程学院 Abhijit Mukherjee 团队，使用随机森林模型评估了两种具有代表性浓度途径下气候变化引起的地下水硝酸盐（GWNO3）污染风险，证明了气候因素可能对GWNO3污染产生显著影响，若肥料施加和土地利用不得到适当管理，未来的气候变化可能会对高农业化地区的地下水质产生严重影响。
文章解读
背景
近年来，气候变化正成为一个全球性问题，它深刻影响着农业和土地利用模式，最终可能改变地下水质。降水、地表温度、辐射、风向的变化以及极端气候事件的增加正影响着全球的农业活动。作者预测，未来的气候变化可能会严重威胁人口密集的强烈耕作区的地下水质。
本研究预测气候变化可能导致地下水受到由人为输入或天然过程引起的污染，特别是在高农业化地区的浅层含水层和渗透性较高的土壤层中。此外，气候变化也将影响土地利用，特别是农业活动。前期的研究发现，由气候变化导致的农业活动的变化，会使GWNO3负荷增加。以往关于“不同气候变化情景下GWNO3分布”的研究，大多使用基于物理的水文模型，这些模型依赖于特定区域的关键水文变量，它们的适用范围非常局限。因此，为了更全面地了解气候变化对大的区域尺度上地下水质的外部和内部环境因素的影响，Abhijit Mukherjee 团队采用机器学习方法，开发了一个基于随机森林算法的预测模型，评估了两种代表性的气候变化途径（RCP）（即2030年和2040年的RCP 4.5和8.5）影响下GWNO3污染的概率，并基于2020年的气候条件，评估了无气候变化（NCC）情景下GWNO3分布的变化。
文章解读
研究的区域选在旁遮普邦的农业地区，位于印度北部，长期处于高度干燥的气候环境，需要使用大量地下水来维持农业活动，且化肥使用广泛。目前，旁遮普邦的GWNO3污染问题急需解决。作者从印度的中央地下水委员会（CGWB）数据库收集了旁遮普邦GWNO3的数据。由前期研究可知，气候变量会影响硝酸盐的浓度，因为它们会影响硝酸盐的渗透率和稀释率。为了确定气候变化对GWNO3的影响，作者考虑了两个主要情景：（1）无气候变化（NCC）条件：即假设2020年后气候变量就没有变化，直到2040年开始限制温室气体排放，故气候条件从2020—2040年处于稳定状态；（2）RCP 4.5和8.5情景。其中，RCP 4.5描述了温室气体（GHGs）的中等排放，2040年的排放量最高，2100年后由于排放减弱措施而达到稳定条件。相比之下，RCP 8.5考虑了温室气体排放率的增加。作者收集了四个气候变量已有的数据并开展了未来的预测，这些变量分别为降水、平均温度、潜在蒸散量（PET）和干旱指数，将这四个气候变量作为随机森林模型中的预测变量，利用2015年气候变量的观测值建立了随机森林模型。对于无气候变化（NCC）条件，作者使用了2018年气候变量的观测值。
为了提高预测分辨率、减小不确定性，作者收集了区域气候降尺度试验-南亚区(CORDEX-South Asia)的5个GCM-RCMs的数据，作为0.5°分辨率的每月历史和未来气候变量（表1）。作者考虑这些模型的平均集成，并偏度修正了结果，以获得更高的精度。采用了线性尺度偏差校正方法，该方法精度较好，且适用于长时间尺度的研究。本研究中，作者在处理从1976年到2005年的观测数据时运用了该方法。
表1.本研究中使用 GCM-RCMs 的细节
除气候变量外，作者还考虑了11个与地质成因和人为因素有关的动态及常数变量来建立随机森林模型，并用预测未来的 GWNO3 情况。其中，GWNO3 建模的动态变量有：肥料施用、未来的土地利用变化情景、人口密度；常数变量有：坡度、土壤特征（在1m深度处）（即土壤 pH 值、土壤中粘土、粉砂和砂的含量百分比)、包气带厚度和岩性。其中，常数变量在研究期间被认为是恒定的。
为了验证该模型的预测是否合理，作者采取了以下检验方法：为了确定所选动态变量与 GWNO3 升高的时间相关性，作者在随机森林模型建立之前应用了自回归分布滞后（ARDL）界限检验来评估它们的协整性，并且利用误差校正模型得到了各变量与 GWNO3 之间的短期动态关系。此外，作者还使用布罗斯−戈弗雷拉格朗日乘数检验评估了序列相关性的存在，并使用 CUSUM 测试检验了随机森林模型的稳定性，使用 EViews 软件进行了协整检验。采用降采样方法，避免模型中的偏差。最后，作者使用随机森林模型预测了2010年、2015年和2020年以及未来2030年和2040年的观测情景和 RCP 情景下的GWNO3分布。
图1.整个研究的详细示意图
基于观测的气候和土地利用变量、肥料施用、2015年人口密度和其他常数预测变量建立的初始随机森林模型表明，除去6个预测因子（即冲积土含量、土壤粘土含量、土壤粉砂含量、土壤砂含量、与农田的距离和岩性）后，模型性能得到了提高，因为这些预测因子显示出负的平均预测精度下降（图2）。因此，最终的随机森林模型是使用其余10个显著变量来进行运行的。
图2.使用基于 (a) 平均精度下降和 (b) 基尼节点纯度下降的所有16个预测变量的初始随机森林模型所显示的变量重要性
模型运行结果表明，针对2015年数据集，在RCP情景下，该模型能够正确预测 GWNO3≥45.0mg/L 的情况，但对低浓度 GWNO3 的预测偏高。对于2010年的验证数据集，最终随机森林模型的性能评估表明了模型具有较高的准确性。虽然该模型在2010年和2020年验证数据集上的应用效果较好，但特异性值均高于敏感性值，表明低GWNO3数据的预测比高 GWNO3 数据的预测更为准确（表2）。
表2.所有随机森林模型的性能矩阵
最终，在随机森林模型中，基于平均预测精度降低和基尼不纯度的10个预测变量的重要性如图3c所示。由图3c可知，重要性最大的变量为肥料施用量、包气带厚度和人口密度，其次是坡度、干旱度、降水和平均温度、土壤 pH 值、距离城市的距离和潜在蒸发量（PET）。
图3:最终随机森林模型的输出：(a)接受者操作特性曲线(ROC)强调测试数据上模型的曲线下面积（AUC）值；(b)最终随机森林模型中10个重要预测变量的敏感性与特异性图；(c)预测变量的重要性。
通过分析往年的GWNO3分布情况及预测未来 GWNO3 分布情况，作者得出结论：在旁遮普邦，GWNO3 高风险区域的增加可归因于该区域化肥使用量的增加。此外，人口密度和城市人口密度分别增加了4%和3%，这可能也是导致 GWNO3 风险升高的原因，平均温度和PET也有所增加，也增加了 GWNO3 升高的风险。结果表明，气候因素可能对 GWNO3 污染产生显著影响，如果肥料施用和土地利用没有得到适当的管理，未来的气候变化情景可能会对高农业化地区的地下水质产生严重影响。
思考与启示
该研究针对南亚密集种植地区，系统地分析了当地有关 GWNO3 的历史数据，并且建立了一个基于随机森林算法的预测模型，将观测的和预测的气候变量、水文地质因素以及土地利用和肥料使用的变化，纳入到基于随机森林的机器学习（ML）框架中，使研究区域内 GWNO3 风险概率的确定成为可能。作者在描述未来2030年和2040年RCP 4.5和8.5的气候情景时，用2015年和2020年观测的 GWNO3 分布验证模型预测，确定了控制地下水中硝酸盐分布的关键因素，对2020年以后气候条件稳定的 NCC 情景下的 GWNO3 风险进行了评估。本研究的特色在于，作者在预测模型的过程中，不断地对模型方法的准确性进行验证，具有较强的数据、图、表支撑，尽可能保证了模型预测结果的可靠性。本研究的新颖性在于，这是该研究领域中规模较大的数值模型研究，以估计气候变化条件对地下水污染的影响，同时确定土地利用、人口密度和不同的肥料施用条件等潜在的影响因素，更加全面地考虑到了气候变化对大的区域尺度上地下水质的外部和内在环境因素的影响。
除作者所描述的，笔者还认为:
（1）精确评估与预测气候变化对长时间尺度、大区域范围上农业区 GWNO3 污染的影响，需要大数据的支撑，特别是土地利用、气候因子、肥料施用等方面的数据收集与分析。一方面，可以全方位校准建立的预测模型，保证模型的精度；另一方面，可以为未来不同情景下的 GWNO3 预测提供保障。
（2）影响 GWNO3 的主要变量为肥料施用量、包气带厚度、人口密度和坡度。为了降低高农业化地区 GWNO3 污染风险，需要减少化肥使用并提高化肥的使用效率；对土地利用进行适当的管理，当某农业区常年种植单一农作物时，可结合该地区的土壤特点，年间交替种植其他作物，减少单一作物的种植年限；适当控制地下水的开采，过度开采将改变包气带厚度，进而增加硝酸盐污染风险；合理管理非农业来源产生的硝酸盐，如未得到管理的卫生设施、城市下水道和农场肥料泄漏的污水系统等，以减少人口密度增加带来的地下水硝酸盐污染；如果要新开展一项农业活动，可选择坡度较小的低洼地区，因为这类土地中的水分下渗到土壤中需要更多的时间。未来的研究要有效协调地下水硝酸盐的各类影响因素，关注多种因素的综合影响，为降低全球地下水硝酸盐污染风险提供更坚实的理论支撑。
*感谢中国地质大学（武汉）杜尧教授撰写本文中文解读！
转自：“ACS美国化学会”微信公众号
如有侵权，请联系本站删除！
