1980 年以降の中国の河川水質の変化: 持続可能な開発による管理への影響

npj クリーンウォーター 6 巻、記事番号: 45 (2023) この記事を引用

メトリクスの詳細

人間の活動と気候変動により、中国の河川の水質が脅かされています。私たちは、1980 年中の国内 10 の主要河川流域の 613 の流域における河川の全窒素 (TN)、アンモニア性窒素 (NH3-N)、全リン (TP)、および化学的酸素要求量 (CODMn) の月次濃度をシミュレーションしました。 –2050 年の期間は、スタッキング機械学習モデルを使用した 16 年間 (2003 ～ 2018 年) のモニタリングデータセットに基づいています。その結果、TN 濃度を除いて水質が著しく改善されたことが示されました。これはおそらく TN 管理目標と評価システムの欠如によるものと考えられます。定量分析により、TN、TP、および NH3-N 濃度の気候要因および地理的要因と比較して、人為的要因が主要な制御要因であることが示されました。中国の水質に関連する17の持続可能な開発目標（SDGs）すべてに基づいて、中国の河川の生態学的状態の改善を達成するために、水資源、水環境、水生生態および水の安全保障を総合的に考慮する必要がある。

河川は、陸地と湖や海洋の間の物質の移動と輸送のための重要な経路であり、飲料水、灌漑、水産養殖、航行、発電のための豊富な淡水資源を提供します1,2。しかし、河川生態系は広範な劣化を経験しており、人為的活動と気候変動によって世界的に脅かされています3,4。世界規模の調査によると、世界人口（2000 年時点）のほぼ 80%（48 億人）が、人間の水の安全に対する脅威の発生率が高い（>75%）地域に住んでいることが明らかになりました5。さらに悪いことに、世界人口の 3 分の 1 は安全な飲料水にアクセスできません6。現在の課題に直面して、河川の淡水資源を保護するために、広範囲の時間的および空間的スケールで河川の水質に対する脅威を診断し、その根本的な原因を修復し、発生源からの脅威を制限することが緊急に必要です5。

中国の河川は、1978 年の中国の改革開放以来、環境に対する経済発展の否定できない圧力により、深刻な水質悪化に見舞われてきた7。中国の水質汚染は、中国における 400 億立方メートルの水不足の主な原因であることが確認されている。中国/年8. 人為的栄養素の流入量の増加は、中国の河川の水質低下の重大な原因となっています。マルチスケールモデルからの推定によると、2012 年に中国の河川に投入された全溶存窒素 (TDN) と全溶存リン (TDP) は、それぞれ 28 Tg と 3 Tg でした9。さらに、川からの過剰な栄養分が湖や海に運ばれ、その結果ブルームや赤潮が頻繁に発生し、人間と水生生物の健康と生態系サービスが危険にさらされました10。幸いなことに、2003 年から 2017 年にかけて中国全土の内陸水質は顕著な改善を示し、または全国的に良好なレベルに維持されました。これは栄養塩排出の減少に起因すると考えられています 11,12。 2022年、中国全土の河川、湖、貯水池の3641のサンプリング地点を対象とした全国調査では、サンプリング地点の12.1%が中国地表水環境基準（GB3838-2002）に基づくクラスIII未満の水質であったのに対し、0.7%は水質が低いことが示された。 % のサイトでは、クラス V13 よりも深刻な状態でした。改革開放以来の過去 40 年間、経済発展と環境保護のバランスを背景に、中国の河川の水質保護に参考と情報を提供するために、中国の河川の水質パターンとその根底にあるメカニズムを特定することが不可欠である。発展途上国7.

いくつかの研究は、中国の河川の水質パターンとそれに関連する要因に焦点を当てており、さまざまな水源から中国の河川への窒素とリンの投入量を複数のスケールで定量化する9、水源、変換、フラックス14、15、および河川障害の空間的な水質パターンと重要な共変量12、16、17、18。しかし、過去 40 年間にわたる中国の河川の水質の時空間変動とその根底にあるメカニズムの理解にはまだ不足点があります。第一に、追跡可能で入手可能なモニタリングデータが 2003 年からしか存在しないため、長期にわたる定期的な全国モニタリングデータの欠如が河川水質への影響の研究における大きなボトルネックとなっている12,19。第二に、河川の水質変動の駆動メカニズムの特定は、要因モデルと説明変数（自然の地理的特徴、社会経済的指標、土地利用データ、気象要因を含む）の時間的および空間的スケールの解像度に依存します12,17。最後に、科学的研究と管理への応用への障壁を橋渡しし、歴史的な河川水質変動とその推進メカニズムの理解を将来の水質管理と持続可能な開発目標（SDGs）の達成に適用することは困難です7,10。

この研究では、613 の河川水質モニタリングサイトからの 16 年間（2003 ～ 2018 年）の月次データと、流域の特性（経度、緯度、土地利用パターン、人為的 N/P 正味投入量、土壌特性など）を収集しました。国家規模での気候条件を分析して、一連の積み重ねられた機械学習モデルを構築します。機械学習モデルをスタッキングすることで、さまざまな基本モデルの結果が統合され、最終モデルの分散が減少し、安定性が向上する可能性があります20。ランダムフォレスト (RF)、サポートベクターマシン (SVM)、および k 最近傍 (KNN) を含む 3 つの基本モデルが、以前の研究に基づいて高い人気とパフォーマンスのために選択されました 19,20。スタッキングモデルは、1980 年から 2018 年の期間における河川水質の年および月ごとの変動をシミュレーションおよび予測するために使用されました (図 1)。次に、2 つの将来シナリオ (SSP2-RCP4.5 および SSP5-RCP8.5) を使用して、2020 年から 2050 年までの水質の 10 年間の傾向を予測します。多重線形回帰 (MLR) モデルと相関分析を使用して、河川の TN、NH3-N、TP および CODMn の変化に対する人為的、気候的、地理的要因の相対的な寄与を定量化しました。 SDGs と水質の関係に基づいて、中国の河川や他の発展途上国のより良い水環境を達成するための持続可能な水質管理政策が提案されました。

データ処理、モデルのスタッキング、10 分割相互検証、モデルの適用など、モデルのスタッキングプロセスの詳細。 2003 年から 2018 年までの TN、TP、NH3-N、および CODMn 濃度のモニターデータは、2 つの将来シナリオ (SSP2-RCP4.5 および SSP5- RCP8.5）。

10 の大きな河川流域における測定値と予測値を比較したところ、機械学習モデルは概して、p < 0.01 の有意水準で、低い予測バイアス推定値で TN、TP、NH3-N、CODMn 濃度を再現できることが示されました。 R2、二乗平均平方根誤差（RMSE）、ナッシュ・サトクリフ効率（NSE）、および平均絶対誤差（MAE）を使用します（補足図1、補足表1）。テストデータセットと検証データセットの両方での 10 倍相互検証の精度統計は、TN、TP、NH3-N、および CODMn 濃度のスタッキングモデルの適合性と予測力も示しました (補足表 2〜5)。このデータ駆動型機械学習スタッキングモデルには解釈可能性と演繹可能性が限られていましたが、教育を受けたアンサンブル機械学習の誘導能力における堅牢性と安定性により有望性が示されました 19,20。

TN、TP、NH3-N、CODMn の濃度傾向は、1980 年から 2018 年まで全国で異なっていました（図 2a ～ d）。 1980年、1990年、2000年、2010年、2015年、2018年の模擬TN濃度が1.5 mg L-1未満であったサンプリング地点の割合は、それぞれ19.83%、20.25%、19.60%、18.65%、17.41%、18.12%であった。。これらの傾向は、TN汚染が観察期間中に増加したことを示唆しています。現在、中国地表水環境基準には河川 TN 濃度の閾値（クラス III では 1 mg L−1）が存在するものの、水環境管理による評価体系には含まれていない21。 NH3-N濃度は1980年から2010年にかけて増加し、その後2010年から2018年にかけて減少しました。CODMnは1980年から2000年にかけて増加し、その後2000年から2018年にかけて減少しました（図2）。この結果は、中国の内陸水域（河川や湖を含む）から得られた毎月のモニタリングデータに基づいて、NH3-N と COD の濃度が 2003 年から 2017 年にかけて全体的に減少したことを明らかにした以前の研究結果と概ね一致しています12。 TP濃度は1980年から2015年にかけて増加し、その後2015年から2018年にかけて減少しました（図2）。 2000 年に中国政府は、COD を主要 12 汚染物質の管理指標の 1 つとして「汚染物質総量規制計画」を提案し、顕著な成果を上げている 7,22。 2008 年に制定された中華人民共和国水質汚濁防止法により、水環境保護の規制が厳しくなりました23。その後、2012 年に生態文明の構築が国家戦略に格上げされ、2016 年から 2020 年までの第 13 次 5 か年総合作業計画において、TP、COD、NH3-N の一連の排出削減目標が設定された24。、将来の人間活動や気候変動の影響で栄養素濃度が減少するとは予想されません（補足図2）。したがって、経済成長を環境への影響から徐々に切り離すためには、これらの政策と行動計画を円滑に実施することが依然として必要である7,10。

パネル a ～ d は、中国の河川における TN、TP、NH3-N、CODMn の刺激された年間平均濃度の累積割合を示しています。 e–h 1980 年から 2018 年までの中国の 613 河川の平均栄養塩濃度 (mg L−1)。青い円のサイズは、1980 年から 2018 年までの 10 の主要流域の平均栄養塩濃度を表します。

流域間の地理的条件の違いにより、1980年から2018年の期間、栄養塩濃度の変化は流域間で異なりました（補足図3〜6）。淮河 (n = 48、p < 0.05、r = −0.21) を除き、特に東南川 (n = 41、p < 0.05、r = 0.86) および梨川 (n = 41) 内で、平均 TN 濃度が増加しました。 66、p < 0.01、r = 0.97）、時間的傾向は統計的に有意でした（補足図3）。平均TP濃度は、中国のほとんどの流域、特に松花江（n = 45、p < 0.05、r = −0.75）と黄河（n = 67、p < 0.01、r = −0.76）内で減少しました（補足図）４）。しかし、一部の流域では、NH3-N 濃度と CODMn がいくつかの段階的な変化を示した。 NH3-NとCODMnの濃度は観察期間の初期に増加しましたが、近年、中国のほとんどの地域でNH3-NとCODMnの濃度が減少しました（補足図5、6）。

我々の結果は、1980年から2018年の間に中国東部で水質の悪化に伴ってTN濃度が顕著な空間変動を示したことを示しています（p < 0.01;図2e）。 TP、NH3-N、および CODMn の濃度は盆地間で大きく異なりませんでした（図 2f–h）。 TN 濃度が 1.5 mg L-1 を超えるサンプリング地点の割合は 62.3% であり、現在の水質基準の下では中国のほとんどの地域で TN が比較的深刻な汚染問題であることを示唆しています。 TP 濃度が 0.2 mg L-1 を超え、NH3-N 濃度が 1.0 mg L-1 を超え、CODMn 濃度が 6.0 mg L-1 を超える模擬観察を行ったサンプリングサイトの割合は 13.3% でした。 16.3％、13.7％。過去の栄養素の分布と比較して、高濃度の割合は2020年から2050年の期間で増加しました（補足図7）。 SSP2-RCP4.5 シナリオでは、TN 濃度が 1.5 mg L-1 より大きい、TP 濃度が 0.2 mg L-1 より大きい、NH3-N 濃度が 1.0 mg L-1 より大きい、およびCODMn 濃度が 6.0 mg L-1 を超える割合は、それぞれ 75.8%、18.2%、40.2%、17.6% でした。 SSP5-RCP8.5 シナリオでは、TN、TP、NH3-N、CODMn 濃度が 1.5 mg L-1、0.2 mg L-1、1.0 mg L-1、および 6.0 mg L-1 を超えるシミュレーション観測結果の合計の割合−1はそれぞれ75.2%、19.6%、43.2%、17.5%です。この結果は、人間の活動と気候変動が、特に黄河、淮河、海河内の河川の栄養塩濃度に大きな影響を与えることを明らかにしました（p < 0.01）。

栄養素の濃度に関連する共変量は、人為的要因、気候的要因、地理的要因を含む 3 つのカテゴリーに分類されました。栄養塩濃度に対するこれらの人為的、気候的、地理的要因の寄与率は、10 の河川流域のそれぞれからのデータを MLR モデルに個別に入力することで定量化されます（図 3a ～ d）。考慮した共変量の中で、人為的予測因子の寄与度（TN で 24.93 ～ 71.29%、TP で 22.43 ～ 77.10%、NH3-N で 52.37 ～ 91.06%）は、気候要因（TN で 21.51 ～ 58.83%、17.73 MLR にデータを入力する際の地理的要因 (TN の場合は 4.25 ～ 16.23%、TP の場合は 3.70 ～ 25.61%、NH3-N の場合は 6.90 ～ 18.21%) 10 の各河川流域のデータを使用したモデル (図 3a ～ d)。しかし、CODMnの人為的、気候的、地理的要因の寄与率のパターンは河川流域によって異なりました。一般に、北西内陸川では、地理的要因の寄与度 (41.60%) が、気候要因 (25.55%) および人為的予測要因 (32.83%) よりも大きくなっています。松花江、黄河、淮河、南西江、東南江では、地理的要因や人為的予測要因と比較して、気候要因が CODMn 濃度に大きく寄与していた。この発見は、河川の窒素とリンが主に人為起源のものであり、したがって人間の活動と高度に相関しているという事実によるものである可能性があります25、26、27。以前の研究では、2012 年に中国の河川で点発生源が TDP 投入量の 75% を占め、農業非点発生源が TDN 投入量の 72% を占めていたことが判明しました9。ただし、COD の考えられる発生源は、以下を含む天然発生源により関連している可能性があります。藻類や水生植物の分解と堆積物の放出による内因性発生源と、大気の堆積と陸生植生と土壌有機物の輸入による外因性発生源です28,29。気候変動によって引き起こされる気温の上昇、水文学の激化、異常気象は、陸上生態系から地表水への溶存有機物の輸送のタイミングと規模に影響を与えます2,29。

a～d 人為的、気候的、地理的要因の寄与率には重回帰を使用しました。 e–h すべての予測子の回帰係数。

さらに、TN、TP、およびNH3-N濃度と人為的要因との間の回帰係数は、自然要因および地理的要因の回帰係数よりも高かった（図3e-h）。選択された地理的要因の中で、標高、傾斜、土壌全窒素 (STN)、土壌全リン (STP)、および土壌有機物 (SOM) は、ほとんどの河川流域で栄養分の変動に顕著な寄与を示しました。降水係数 (Pre および PRCPTOT) は、NH3-N を除く、調査対象の 10 の盆地全体にわたる TN、TP、および CODMn の濃度の強力な予測因子でした。対照的に、気温 (Atmr10) は、研究された 10 の流域全体にわたる栄養塩濃度の弱い予測因子でした (補足表 6)。

選択された人為的要因に関して、私たちの分析は、農地、森林地、草地、都市部、人口、人為的窒素およびリン投入量の割合が、栄養河川レベルの重要な共変量であることを示しています（図3e-h）。特定の流域内の都市部と農地の範囲は、栄養塩濃度と一貫して正の関係を示しました。対照的に、森林と草原は栄養塩濃度と負の関係を示しました。松花川 (NH3-N、TN、TP および CODMn)、淮河川 (NH3-N および CODMn)、南西部 (TP)、および北西内陸 (NH3-N および TP) の河川では、人口は栄養素レベルに関して明確な特徴を持っていました。関連する以前に実施された研究では、夜間の光の強度を使用して人口を特徴づけ、夜間の光の強度は黄河と珠江流域の2つの栄養レベル（TPとNH3-N）に明確な特徴（寄与度> 35％）があると結論付けました17。それは私たちの研究とは異なります。人為起源の窒素とリンの投入量は、松花川、海河川、淮河川、長江川、南西部および北西部の内陸河川における両栄養素の変動に対してより高い寄与度を示し、回帰係数 >1 でやや高い寄与度が記録されました（図 3e- h)。その結果、社会経済の成長に伴い、中国西部および内陸部（東部を除く）の河川で深刻な水質悪化が生じており、今後さらに注意を払う必要があることが示唆された。

人為的活動の痕跡を特徴づけようとする私たちの試みには、河川の水質形成における気象条件や地理的特徴などの自然要因の役割を評価する必要がありました。中国全土の613の亜流域すべてを考慮した場合、私たちの分析では、標高および/または傾斜と栄養塩濃度との間に弱い負の関係を識別することができました（図3e-h）。より低い栄養レベルを示しました。一般に、人為的活動は標高の低下とともに増加し、平野および低地地域は集約的な農業栽培、家畜および養鶏の飼育、都市開発、人口集積の影響を受けやすくなります30。流域の傾斜は、水の流れの速度と土壌浸食の程度を決定します。低地の河川と比較して、傾斜が高い山地の河川では、流速が速くなり、浸食が激しくなると予想され、その結果、水の滞留時間が短くなり、河川の自浄能力が弱まります2。私たちの結果は、中国の河川の標高と栄養塩濃度の間に負の相関があることを確認し、栄養塩濃度に対する傾斜の理論上のプラスの効果は、水力と栄養塩の保持を調整するための貯水池など、他の人間の活動によって相殺されることがわかりました17,31。

外因性栄養塩投入のタイミングと規模、および河川における内部栄養塩の移動と変換を促進する要因は、長期にわたる気象強制力の影響を受ける可能性があります32。気温の上昇は、河川の熱状態だけでなく、水の物理的および化学的特性 (つまり、水の pH、塩分、溶解度、粘度、拡散速度) に影響を与え、さらに硝化、脱窒、堆積物の無機化などの生化学プロセスに影響を与えます。再リリース14、33、34。降水量または極度の降水量の役割は、水理特性、水位、流量、浸水パターン、水循環などの水文学的状況に影響を与える主要な要因でもあります3,35。さらに、降水量、頻度、強度の変化により、非点汚染を収集するための地表および地下プロセスを通じて土地上の栄養素が動員され、浸食と再懸濁によって高濃度の堆積物が放出されます36,37。以前の研究では、1987 年から 2007 年の期間における米国本土全体の河川の窒素負荷の年々変動は降水量が支配的であることが示唆されています3。私たちの結果は、河川の栄養塩濃度と平均および極端な気象要因との関係が地理的地域および水質指標に応じて異なることを示しています（図3）。これはおそらく気象要因と他の自然および人間の活動変数間の共分散によるものです14,33。

考慮された気候や地理的要因の比較的小さな影響と比較して、人口、NANI/NAPI、および特定の土地利用タイプの割合は、河川の栄養塩レベル (CODMn を除く) のより強力な予測因子であることが判明し、河川の栄養塩レベルのほとんどを説明します。栄養素の変動をまとめたものです（図3）。継続的な都市化と集中的な農業開発が、土地から河川への栄養塩の投入に重大な影響を与えていることが確認されています25,26。注目すべきは、10 河川流域における CODMn、NH3-N、TN、TP 濃度の変動をスクリーニングした後に使用した予測変数の平均説明率が、それぞれ 52.92%、35.74%、72.15%、31.97% であったことです。 (補足表 7)。排水システムのある土地の割合や下水処理場の能力で示される汚染防止対策、および水保全施設の建設は、河川の栄養塩の流入と移動に影響を与えるため、さらなる研究で考慮されるべきであるが、 1980 年以降、中国ではこれらのデータを高解像度かつ正確に収集することが困難になっています17。

私たちの分析は、人為的活動と自然要因が河川の栄養レベルに大きな影響を与えていることを示唆しました。さらに、水環境管理政策の変化も水質改善に重要な役割を果たしています。排出規制基準が徐々に注目されるようになり、2000 年以降、水環境管理政策が COD の排出を目標とするよう移行されました。そのため、CODMn 濃度はそれ以来、特に黄河と淮河で減少しています（補足図 8）。中国における水質汚染の予防と管理のための行動計画は、水質汚染の予防と管理を強化するために2015年に策定され、すべての水機能分野が水質要件を満たすことが求められています。 2007 年から 2017 年の期間に、農業から輸出された N と P の負荷は、それぞれ 1.598 × 109 から 7.195 × 108 kg と 1.087 × 108 から 7.62 × 107 kg に大幅に減少しました38。近年の水政策の変化に伴い、TP および NH3-N 濃度も減少しました（図 4、補足図 9）。しかし、テネシー州は過去数年間、中国の地表水質管理目標に含まれていなかったため、テネシー州濃度は大幅に減少しておらず（補足図3および10）、その結果、水生生態系に潜在的な悪影響が及ぶ可能性があります。したがって、中国の水質を回復するには、N を管理するためにいくつかの緩和措置を講じる必要があります21。

I は 1980 年から 2005 年までに使用された標準的な排出制御を表します。 II は、2005 年から 2015 年までに使用された目標総量規制アプローチを表します。 III は 2015 年から 2018 年までの水環境の水質改善を表します。a 松花江。 b 黄河。 c 淮河川。そしてd長江。

ほとんどの河川でのTP、NH3-N、およびCODMn濃度の最近の減少は、中国の栄養塩管理措置が効果的であることを示していますが、良好な生態学的状態に到達するにはかなりの時間がかかることに注意する必要があります（補足図2）。現在、中国の水環境管理システムには、全地域で統一された水環境水質基準、水量管理と水質管理の分離、異なる管理機関間の連携などの問題が存在している。この研究の結果は、中国が現在、淡水への栄養負荷のさまざまな地域的傾向と供給源に対処するために、より柔軟な地域水戦略を必要としていることを示している。中国で進行中の水質汚染防止管理法の改正は、河川の汚染物質負荷と栄養塩濃度をさらに削減するために、現在の水ガバナンス構造に大幅な変更を提案し、地域間の柔軟性を反映する必要がある。

近い将来、河川のTN、TP、NH3-N濃度とCODMnの削減を達成するには、持続可能な経路が不可欠です。 SDG の 17 の目標すべてに、中国の河川の水質に関連する目標が設定されています10。 2 つの SDG、すなわち SDG 6「きれいな水と衛生」と SDG14「水中の生命」は、特に水質に関連しています。例えば、浅い地下水と地表水資源の栄養汚染を削減することは、2030 年までに安全で手頃な価格の飲料水への普遍的かつ公平なアクセスを達成するのに役立つ可能性があります (SDG 6.1)8。 2023年までに水不足に対処するために、すべての分野で水利用効率の大幅な向上を達成し、淡水の持続可能な取水と持続可能な供給を確保することで（SDG 6.4）、農業における水利用効率の改善と家庭環境の改善を通じて、水系の栄養塩汚染を削減できる可能性がある。廃水パイプネットワークにより、栄養塩の浸出と水への流出を削減します。栄養素の河川輸出を削減することは、2025 年までに海洋ゴミや栄養汚染を含むあらゆる種類の海洋汚染（特に陸上活動による汚染）の予防と大幅な削減という目標を達成するのに役立つ可能性があります（SDG 14.1）10。。持続可能な開発目標に基づいて、中国の河川で良好な生態学的状態を達成するには、水資源、水環境、水生生態および水リスクを一緒に考慮する必要があります。将来の政策を策定する際には、汚染管理における政策の有効性を確保する上で、経済的、社会的、制度的、技術的な実現可能性に関して、汚染排出、下水道システム、気候変動に特別な注意を払う必要がある。

収集された変数データは、最大情報係数 (MIC) を使用してスクリーニングされました。実際、このプロセスは 3 つのステップに基づいていました: (1) MIC > 0.25。 (2) 共線性のある予測変数の削除 (スピアマン相関分析、R > 0.8)。（３）応答指数との相関が高い予測指数の保持（スピアマン相関分析、Ｒ＞０．４）。モデルに固有の一般的なプロセスを図 1 に示します。モデルスタッキング手法を利用しました。これにより、複数のベースモデル (RF、SVM、KNN) の結果に基づいて複合予測が提供されます20。モデルスタッキングアルゴリズムは 2 層の学習フレームワークを使用しており、個々のベースモデルによって生成された出力が別のモデルに入力されて最終的な予測が生成されます 39,40。スタッキングモデルの学習プロセスは、スタッキング生成、スタッキングプルーニング、スタッキング統合の 3 つのステップに分類されます。スタッキング生成のフェーズは主にベースモデルの生成を指しますが、最後の 2 つのステップではベースモデルの予測を最適に組み合わせて、第 2 レベルのアルゴリズムを使用して最終的な予測セットを形成します。

基本モデルを組み合わせるにはさまざまな方法を使用できますが、その中で線形結合が最も広く使用されています41、42、43。線形スタッキングモデルには、次のように表される予測関数があります。

ここで、 y はスタッキングターゲットを表します。 f1、f2、⋯、fM は、M 個の個別のアルゴリズムからの基本モデル予測を示します (この研究では M = 3)。 wm (m = 1,⋯, M) は各基本モデルに割り当てられた重みです。このアプローチの主な問題は、最適な重みのセットを取得する方法にあります (図 1)。 R ソフトウェアパッケージを使用して重みのセットを推定するために、二次計画ベースのアルゴリズムが採用されました。次に、N 個の観測値の重みを推定するデータセットを仮定しました。まず、i 番目の観測値が削除されたデータセットを使用して、基本モデル m がトレーニングされます。 \({\hat{f}}_{m}^{-i}({{x}_{i}})\) は、i 番目の観測に対するモデル m の予測を表します。重みの推定値は、 \({\hat{f}}_{m}^{-i}({{x }_{i}})\)、m = 1,⋯, M。スタッキング重みの最適なセットは、2 つの制約の下で次の目的関数を最小化することによって推定されます。

ここで、 \({\hat{\omega }}^{{st}}\) は目的関数であり、xi はすべての環境変数で構成される i 番目の観測値を指します。重みをモデルの事後確率として解釈する場合、上記の 2 つの制約は合理的です。より複雑なモデルに不当に高い重みが割り当てられるのを避けるために、モデル m をトレーニングするときに i 番目の観測値がトレーニングデータから削除されることは注目に値します 44。このアプローチの詳細については、サポート情報を参照してください。

トレーニングデータセットとテストデータセットのパフォーマンスの予測により、モデル検証のための補足情報が提供されました。トレーニングは主にモデルの堅牢性、つまりデータシャッフルが存在する場合のモデルの予測可能性の安定性とバランスを示しました。テストでは、目に見えないデータに対するモデルのパフォーマンスを測定し、モデルの適合性に対処します。これに関連して、モデルの予測パフォーマンスを定量化するための統計指標としてピアソン相関係数 (R2) を使用しました (補足表 1 ～ 5)。ピアソン相関係数を補足し、モデルの精度を詳細に評価するために、RMSE、NSE、MAE を計算しました。 NSE は、観測値と予測値の間の対応関係を推定します45。

この研究では、MLR モデルを使用して、水域の栄養塩レベルを制御する要因を評価しました。 MLR モデルは、応答変数と複数の説明変数の間の関係についての洞察を提供します。応答変数に対する各説明変数の影響は、標準化係数の合計の絶対値の合計に対する、異なる説明変数の標準化係数の比率に基づいて決定されます46。考慮された応答と説明変数を補足表 6 に示します。このアプローチは、水質をシミュレートし、主要な駆動要因を特定するために広く適用されています 3,32。この研究で適用された MLR モデルは、応答変数 (栄養素濃度) と説明変数 (環境要因) の間の関係を確立するために接続関数を使用しました。応答変数 Y と p 個の説明変数 X1、…、Xp、および MLR の n 個の観測値を考慮すると、次のようになります。

ここで、 \({\varepsilon }_{i} \sim N(0,{\delta }^{2})\) は i = 1, …, n です。予測変数の共線性をテストした後、この研究では 1980 年から 2018 年までの 613 の準流域の年平均データを使用して、10 の主要河川流域のデータをモデルに個別に入力しました。通常の最小二乗法は、誤差の二乗和を最小にすることで最適な関数を求め、標準化係数を推定します。標準化係数と近似方程式の有意性は、それぞれ t 検定と F 検定を使用して検定されました46。応答変数と説明変数の間の標準化係数 (r) を使用して、栄養素の変動に対する各変数の影響を比較しました。この場合、影響力は次のように各変数の寄与率として表されます。

ここで、Ci は変数 i の寄与率、i = 1、2、3、...、p、ri は応答変数と説明変数 i 間の標準化係数を表します。

この研究では、中国の水質を説明するために、CODMn、TN、NH3-N、および TP を含む 4 つの水質パラメータが選択されました。中国国家環境監視センター (http://www.mee.gov.cn/hjzl/shj/dbszdczb//) の月次データは、国内 10 の主要河川流域の 613 か所の河川水質監視サイトから 2003 年から 2018 年まで収集されました。。 CODMn、TN、NH3-N、および TP の濃度は、中国環境保護省が推奨する標準試験手順を使用して実験室で分析されました47。この手順は、報告された期間にわたって変化しませんでした。 10 の河川流域には、松花川、遼河川、海河川、黄河、淮河川、長江川、南東川、珠江、南西川、北西内陸川が含まれます。地理的条件、土壌の物理化学的性質、気候条件、土地利用、人為的流出、社会経済的発展などの空間データも流域から収集された（補足表 6）。各水質監視所の標高と傾斜は、資源環境科学データセンター (http://www.resdc.cn/Default.aspx) の数値標高モデル (解像度 1 × 1 km) に基づいて決定されました。）。全国ネットワークがカバーする空間領域にわたる地域の気象条件 (気温、降水量、風速、異常気象指数など) は、中国気象局から取得し、「気象局」によって構築された CN05.1 データセットから取得されました。アノマリーアプローチ」。サイト間のデータ補間は、中国の多くの観測点 (–2400) に基づいています48,49。データセットの空間解像度は 0.25° × 0.25° です。各サブ盆地の土壌特性は、中国科学院土壌科学研究所 (http://www.issas.cas.cn/) から入手したデジタル土壌特性マップから抽出されました。使用されるデジタル土壌特性マップの縮尺は 1:1,000,000 です。中国の土地利用データセット (解像度 30 × 30 m) は、地理科学天然資源研究所 (IGSNRR、中国科学院) から取得しました (http://www.resdc.cn/Default. aspx)。人為起源の窒素およびリン (P) の正味の投入量 (NANI および NAPI) は、報告された排出活動データと排出係数に基づいて推定されました50,51。排出活動データは中国統計年鑑 (https://data.cnki.net/ Yearbook/Navi?type=type&code=A) から取得しました。国内総生産 (GDP) と人口密度 (POP) は、汚染源と水域への汚染物質の投入量に影響を与える可能性がある 2 つの重要な社会経済指標を表しています52。社会経済データの空間分布 (解像度 1 × 1 km) は、中国科学院地理科学天然資源研究所の資源環境科学データセンター (https://www.resdc. cn/)。

過去の GDP と POP データは、中国統計年鑑 (1980 ～ 2018) (http://www.stats.gov.cn/english/Statisticaldata/) から取得しました。解像度 30 × 30 m の COAC の年間土地利用データは、国立地球システム科学データセンターから 39 年間 (1980 ～ 2018 年) にわたって取得され、BFAST アルゴリズムを使用して AVHRR、MODIS、および Landsat データが統合されています。水質データは、中国国家環境監視センター (https://szzdjc.cnemc.cn:8070/GJZ/Business/Publish/Main.html) から取得しました。すべてのデータは、合理的な要求があれば、対応する著者から直ちに入手できます。中国国家地球システム科学データセンターと中国国家環境監視センターのサイトは、Chrome の Google 翻訳プラグイン、または Web サイト翻訳用の Google 翻訳サイト (https://translate.google.com/? sl=zh-CN&tl=en&op=ウェブサイト)。

グリル、G. et al. 世界の自由に流れる川の地図を作成します。ネイチャー 569、215–221 (2019)。

CAS Google スカラー

Palmer, M. & Ruhi, A. 流況、生物相、生態系プロセス間の関連性: 河川の回復への影響。サイエンス 365、eaaw2087 (2019)。

CAS Google スカラー

Sinha, E.、Michalak, A. & Balaji, V. 降水量の変化の結果、富栄養化は 21 世紀中に増加するでしょう。サイエンス 357、405–408 (2017)。

CAS Google スカラー

Strokal, M. et al. 水質の地球規模の複合汚染物質モデリング: 科学的課題と将来の方向性。カー。意見。環境。持続する。 36、116–125 (2019)。

Google スカラー

Vorosmarty, C. et al. 人間の水の安全と河川の生物多様性に対する世界的な脅威。ネイチャー 467、555–561 (2010)。

CAS Google スカラー

国連。持続可能な開発目標。 https://www.un.org/sustainabledevelopment/water-and-sanitation/ (2020)

Lu、Y.ら。 40 年間にわたる改革開放: 持続可能な道に向けた中国の進歩。科学。上級 5、eaau9413 (2019)。

Google スカラー

Tao, T. & Xin, K. 中国の飲料水に関する持続可能な計画: 汚染に取り組み、さまざまな用途にさまざまなグレードの水を使用することは、すべての水を飲料水にするよりも効率的です。 Nature 511、527–529 (2014)。

CAS Google スカラー

チェン、Ｘら。中国の河川における栄養塩汚染のマルチスケールモデリング。環境。科学。テクノロジー。 53、9614–9625 (2019)。

CAS Google スカラー

ワン、M.ら。持続可能な開発目標間の相互作用を考慮することは、中国の水質汚染防止にとって不可欠です。ナット。共通。 13、730 (2022)。

CAS Google スカラー

Huang、J.ら。中国の湖や貯水池の修復努力はどの程度成功しているのでしょうか? 環境。内部。 123、96–103 (2019)。

CAS Google スカラー

Ma, T. et al. 2003 年以降、中国の内陸地表水の水質は改善している。上級 6、eaau3798 (2020)。

CAS Google スカラー

中国生態環境省、中国の生態環境に関する年次報。 https://www.mee.gov.cn/hjzl/shj/qgdbszlzk/ (2022)。

Xia、Xら。河川系における窒素の循環: 供給源、変化、フラックス。環境。科学。 -Proc. インプ。 20、863–891 (2018)。

CAS Google スカラー

Wang, S. et al. 人為的変化による黄河の土砂輸送の減少。ナット。地理学。 9、38–42 (2016)。

CAS Google スカラー

Huang, F.、Wang, X.、Lou, L.、Zhou, Z. & Wu, J. 統計手法を使用した銭塘江（中国）の水質汚染の空間変動と発生源の配分。水耐性 44、1562–1572 (2010)。

CAS Google スカラー

Huang、J.ら。中国の河川水質の特徴：最近の進歩と進行中の課題。水耐性 201、117309 (2021)。

CAS Google スカラー

Zhou、Y.ら。中国の水質改善: 環境投資は成果をもたらします。水耐性 118、152–159 (2017)。

CAS Google スカラー

Ma、C.ら。積み重ねられたアプローチを使用して、湖と貯水池の窒素とリンの濃度の推定を改善します。地球の未来 11、e2022EF003013 (2023)。

CAS Google スカラー

Chen, K. et al. ビッグデータに基づくさまざまな機械学習モデルを使用した、地表水の水質予測パフォーマンスの比較分析と主要な水パラメータの特定。水耐性 171、115454 (2020)。

CAS Google スカラー

Yu, C. et al. 中国の水質を回復するための窒素管理。ネイチャー 567、516–520 (2019)。

CAS Google スカラー

Tong, Y. et al. 2006 年以降、発生源の変更を伴う中国湖沼のリン濃度の低下。地理学。 10、507–511 (2017)。

CAS Google スカラー

He、GZ、Zhang、L.、Mol、APJ、Lu、Y.、Liu、J. 中国の環境法の改正。サイエンス 341、133 (2013)。

CAS Google スカラー

Zhang, B. 5 か年計画: 中国の環境政策を監督する。ネイチャー 534、179 (2015)。

Google スカラー

Ongley, ED、Zhang, X. & Yu, T. 中国における農業および農村の非点源汚染評価の現状。環境。汚染。 158、1159–1168 (2010)。

CAS Google スカラー

Shen, Z.、Liao, Q.、Hong, Q.、Gong, Y. 中国における農業非点源汚染モデリングに関する研究の概要。 9月、プリフ。テクノロジー。 84、104–111 (2012)。

CAS Google スカラー

Huo, S. et al. 1980 年から 2018 年までの中国全土の河川窒素とリンのフラックスと関連する要因の時空間的差異。Chemosphere 310、136827 (2023)。

CAS Google スカラー

Lapierre, JF、Guillemette, F.、Berggren, M. & Giorgio, PD 陸上由来の炭素の増加は、北方の水生生態系における有機炭素の処理と CO2 排出を刺激します。ナット。共通。 4、2972 (2013)。

Google スカラー

クリード、IF et al. 地球規模の変化による溶存有機物組成への影響：北部の湖の食物網への影響。グロブ。バイオルを変更します。 24、3692–3714 (2018)。

Google スカラー

Zhou, J.、Leavitt, PR、Zhang, Y. & Qin, B. 浅い湖の人為的富栄養化: それは時折起こるか。水耐性 221、118728 (2022)。

CAS Google スカラー

Maavara、T. et al. 河川堰き止めによる地球規模のリン貯留。手順国立アカデミー。科学。 112、15603–15608 (2015)。

CAS Google スカラー

Isles、PDF、Xu、Y.、Stockwell、JD & Schroth、AW エネルギーと質量投入の気候変動による変化は、シャンプレーン湖の深部と浅部の栄養塩濃度と化学量論を体系的に変化させます。生物地球化学 133、201–217 (2017)。

CAS Google スカラー

van Vliet、M.ら。気候変動下の世界の河川流量と水温。グロブ。環境。 Change 23、450–464 (2013)。

Google スカラー

Yang, C.、Yang, P.、Geng, J.、ying, H. & Chen, K. 浅い富栄養化湖（中国、巣湖）の最も汚染された地域における堆積物の内部栄養塩負荷と湖の富栄養化への寄与。環境。汚染。 262、114292 (2020)。

CAS Google スカラー

レイモンド、C.ら。関連する極端な現象を理解し、管理します。ナット。登る。 Chang 10、611–621 (2020)。

Google スカラー

Green, MB、Nieber, JL、Johnson, G.、Magner, J. & Schaefer, B. 2 つの源流における N:P 比に対する流路の影響: 対流域研究。Ｊ．Ｇｅｏｐｈｙｓ．解像度生物地球科学。 112、G03015 (2007)。

Google スカラー

ストックウェル、J. et al. 嵐は湖の植物プランクトン群集の動態に影響を与えます。グロブ。バイオルを変更します。 26、2756–2784 (2020)。

Google スカラー

中国生態環境省第 2 回全国汚染源国勢調査報告書。 http://www.mee.gov.cn/xxgk2018/xxgk/xxgk01/202006/t20200610_783547.html。 (2020年)

Zhai, B. & Chen, J. 中国、北京における毎日の平均 pm 2.5 濃度を予測および分析するための積層アンサンブルモデルの開発。科学。トータル環境。 635、644–658 (2018)。

CAS Google スカラー

ライス、JS およびエマニュエル、RE エルニーニョ南方振動に対する川の流れの応答は、流域の特性によってどのように影響されますか? 水資源。解像度 53、4393–4406 (2017)。

Google スカラー

リー、W.ら。入力変数選択と機械学習技術を使用した珠江流域の溶存酸素濃度の推定。科学。トータル環境。 731、139099 (2020)。

CAS Google スカラー

Shen, LQ、Amatulli, G.、Sethi, T.、Raymond, P. & Domisch, S. 機械学習フレームワーク内での小川と河川の窒素とリンの濃度の推定。科学。データ7、161（2020）。

CAS Google スカラー

Visser、H. et al. 地表水の生態学的品質を左右するものは何ですか? 11 個の予測モデリングツールのレビュー。 Water Res 208、117851 (2022)。

CAS Google スカラー

Friedman, J.、Hastie, T.、Tibshirani, R. 統計学習の要素。巻。 1. 統計学の Springer シリーズ、米国ニューヨーク州ニューヨーク。 https://doi.org/10.1007/978-0-387-84858-7 (2001)。

Jiang, S.、Zheng, Y.、Solomatine, D. 地球科学の知識に対する AI システムの認識の向上: 物理的アプローチと深層学習の共生的統合。地球物理学。解像度レット。 47、1–11 (2020)。

Google スカラー

Korkmaz, M. 多重線形回帰における回帰二乗和の一般式に関する研究。数字。メソッドパート。 DE 37、406–421 (2020)。

Google スカラー

PCR議員。水と廃水のモニタリングと分析方法。中国環境科学新聞社、北京 (2002)。

Xu、Y.ら。中国の毎日の気温データセットと、RCM シミュレーションの検証におけるそのアプリケーション。上級アトモス。科学。 26、763–772 (2009)。

CAS Google スカラー

Wu, J. & Gao, X. 中国地域のグリッド化された毎日の観測データセットと他のデータセットとの比較。顎。Ｊ．Ｇｅｏｐｈｙｓ． 56、1102–1111 (2013)。

Google スカラー

Goyette, JO、Bennett, EM、Howarth, RW & Maranger, R. 110 年間にわたるセントローレンス流域への人為起源の窒素とリンの投入量の変化と河川輸出への影響。グロブ。バイオジオケム。サイクル 30、1000 ～ 1014 (2016)。

CAS Google スカラー

胡、M.ら。長江流域における人為的リンの正味投入量と河川リン輸出量の長期（1980～2015年）の変化。水耐性 177、115779 (2020)。

CAS Google スカラー

Xia、Xら。貯水池/湖の堆積物窒素源の長期変動に対する気候変動の寄与を分析します。科学。トータル環境。 523、64–73 (2015)。

CAS Google スカラー

リファレンスをダウンロードする

中国国家自然科学財団 (番号 52225903、U2243209) および中国国家重点研究開発プログラム (2022YFC3201900) がこの研究を支援しました。

Hanxiao Zhang、Xianghui Cao の著者も同様に貢献しました。

環境基準およびリスク評価の国家重点実験室、中国環境科学研究院、北京、100012、中国

Hanxiao Zhang、Shuliang Huo、Chunzi Ma、Fengchang Wu

中国地質環境モニタリング研究所、北京、100081、中国

曹翔輝

中国国家環境監視センター水道局、北京、100012、中国

ウェンパン・リー

教育省、北京大学環境理工学部、水および堆積科学の主要実験室、北京、100871、中国

ヨン・リウ

天津大学環境理工学部、天津、300072、中国

トン・インドン

PubMed Google Scholar でこの著者を検索することもできます

HZ と XC は、原稿の作成に加えてデータを収集および分析しました。 SH がアイデアと研究デザインを考案しました。 CM、YL、YT、FWが原稿を修正しました。

霍寿良氏への対応。

著者らは競合する利害関係を宣言していません。

発行者注記 Springer Nature は、発行された地図および所属機関の管轄権の主張に関して中立を保っています。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Zhang、H.、Cao、X.、Huo、S. 他。 1980 年以降の中国の河川水質の変化: 持続可能な開発による管理への影響。 npj クリーンウォーター 6、45 (2023)。 https://doi.org/10.1038/s41545-023-00260-y

引用をダウンロード

受信日: 2023 年 2 月 6 日

受理日: 2023 年 5 月 23 日

公開日: 2023 年 6 月 6 日

DOI: https://doi.org/10.1038/s41545-023-00260-y

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供