《Environmental Research》：A harmonized global prediction of biodegradable dissolved organic carbon in freshwater systems using optical indices and machine learning
编辑推荐：
本研究通过整合全球生物降解溶解有机碳（BDOC）观测数据、光学DOM指数及机器学习模型，揭示BDOC受水文与气候显著调控，并构建XGBoost等高精度预测模型，为淡水碳循环评估提供新方法。
Chae Eun Lee|Haeseong Oh|Yongqiang Zhou|Jin Hur
环境与能源系，地球与环境研究中心，世宗大学，韩国首尔广津区Neungdong-ro 209号，05006
摘要
可生物降解的溶解有机碳（BDOC）是溶解有机物质（DOM）中最活跃的部分，也是内陆水体中二氧化碳（CO2）排放的主要驱动力，但其大规模评估受到基于培养测量的限制。本研究通过整合统一的BDOC观测数据、光学DOM指数和机器学习（ML）模型，实现了对淡水系统中BDOC的可扩展预测。共收集了来自8个国家的17项研究的1063对观测数据，通过使用一级降解动力学校正不同的培养时间，并标准化紫外-可见光吸收波长，提高了跨研究的可比性。统一的数据集揭示了水文和气候对BDOC动态的显著影响。河流中的生物降解速率常数始终高于湖泊，其中在温带河流的雨季观测到最高值。季节性分析显示，总溶解有机碳（DOC）与BDOC之间存在脱钩现象：干旱条件有利于DOC的积累和芳香性的增强，而湿润条件则增加了生物易降解DOM的输入。在不同气候梯度下，BDOC对环境变化的敏感性高于总DOC。使用DOC浓度、254纳米处的吸光度和腐殖化指数（HIX）作为预测因子，非线性ML模型的表现优于线性回归。极端梯度提升（XGBoost）模型取得了最高的预测性能（R2 > 0.6），尤其在河流系统中的准确性更强。总体而言，本研究表明，结合光学数据集和ML模型的方法为基于培养的BDOC测量提供了一种稳健且可扩展的替代方案，推动了淡水碳生物降解性和内陆水碳循环的定量评估。
引言
淡水环境在全球碳循环中起着关键作用，是陆地有机碳的活跃处理者和传输途径。据估计，每年有1.9–5.1 Pg C的陆地有机碳被输送到河流中（Drake等人，2018；Ward等人，2017），其中约1.2–3.9 Pg C随后排放到大气中（Drake等人，2018；Raymond等人，2013），其中包括约2.1 Pg C以CO2的形式（Sawakuchi等人，2017；Ward等人，2017）。这些大量的碳流动突显了淡水系统中生物地球化学过程的重要性，特别是那些控制溶解有机物质（DOM）动态的过程。在DOM的各种组分中，可生物降解的溶解有机碳（BDOC）是最活跃的成分，与内陆水体的碳排放密切相关（Guillemette和del Giorgio，2011；Wickland等人，2007）。由于其快速的微生物转化速度和与CO2产生的紧密耦合，BDOC成为内陆水体碳转化路径和碳释放的关键指标（Battin等人，2009；Begum等人，2023）。
尽管BDOC非常重要，但在大空间和时间尺度上对其进行量化仍然具有挑战性。BDOC浓度和生物降解动态受环境条件、气候带、水文制度和DOM来源的显著影响（Du等人，2023；Li等人，2023；Liu和Wang，2022）。传统的BDOC测量依赖于长期实验室培养实验（通常≥28天）来充分捕捉微生物分解动力学（Vonk等人，2015），这带来了巨大的时间和资源限制。因此，BDOC观测数据仍然稀少且分布不均，大多数研究仅限于个别河流、湖泊或特定区域。这种有限的覆盖范围限制了人们对BDOC动态及其在淡水碳循环中作用的连贯、全球可比性理解的进展。
为了解决这些限制，越来越多地使用基于吸光度和荧光光谱的光学指数作为DOM组成和反应性的快速替代指标（Begum等人，2019；Kim等人，2019；Park等人，2021）。许多研究报道了BDOC与基于荧光的指标之间存在强相关性（Begum等人，2019）。例如，蛋白质样荧光成分通常与微生物易降解的有机物质相关（Graeber等人，2021）。在培养实验和现场观测中，特别是在受人为影响的水体（如废水和污水影响的水体）中，蛋白质样荧光的优先降解为使用光学指标作为BDOC反应性和微生物碳处理的指标提供了实证支持（Begum等人，2019；Kim等人，2019；Park等人，2021）。其他光学指数，包括荧光指数（FI）、腐殖化指数（HIX）和生物指数（BIX），也被广泛用于区分微生物来源和陆地来源的DOM，并评估新产生的有机物质的贡献。一些研究还报告了这些荧光指标与DOM生物降解性之间的关系。特别是，HIX被认为是一个有用的指标，可用于评估DOM的生物可利用性（Begum等人，2023；Casas-Ruiz等人，2016；Mao和Li，2019）。光学测量方法快速、灵敏且操作简单，非常适合高频和大规模的监测。然而，将光学指数转化为BDOC的定量估计仍然具有挑战性，因为BDOC动态受到温度、水文、氧气可用性、光化学暴露和微生物群落结构之间的非线性和多维相互作用的影响。在这种复杂性下，传统的统计方法往往无法在不同类型的淡水系统中推广，限制了其预测的稳健性。
机器学习（ML）方法提供了一个有前景的框架，可以通过明确捕捉多个相互作用因素之间的非线性、高维关系来克服这些挑战（Friedman，2001；Herzsprung等人，2020）。最近的研究表明，ML模型在预测不同水生环境中的有机碳指标方面可以显著优于传统统计方法。例如，基于集成学习的ML框架能够实现全球范围内的DOC浓度预测，并评估其对气候变化的敏感性（Guo等人，2025）。类似地，当纳入地理空间和土地利用变量时，极端梯度提升和深度神经网络等先进算法在河流流域的总有机碳（TOC）浓度预测中实现了高精度（Oh等人，2024）。这些进展不仅表明ML是一种预测工具，还表明它是综合复杂环境数据集和识别淡水碳循环主要控制因素的强大手段。
基于这些发展，本研究进行了全球范围内的BDOC观测数据与光学指数和环境背景的整合分析。通过统一全球不同淡水系统中的分散数据集，我们旨在（1）提高BDOC观测数据的全球可比性，（2）评估常用光学指数作为气候和水文梯度下BDOC替代指标的稳健性，（3）开发一种基于ML的框架，用于从区域到全球尺度预测BDOC。这种综合方法推进了可生物降解碳动态的定量评估，并为在变化的环境条件下改善淡水碳循环的监测和管理奠定了基础。
数据收集
相关文献从SCOPUS数据库和Google Scholar（Google Inc.，美国加利福尼亚州山景城）中收集，截止时间为2024年11月。使用了以下布尔关键词组合：("DOC" OR "dissolved organic carbon") AND ("freshwater" OR "inland water" OR "river" OR "lake" OR "reservoir" OR "stream") AND ("optical" OR "fluorescence" OR "UV–Vis") AND ("biodegradable" OR "bioavailable" OR "labile")。这次搜索共识别出156项潜在相关研究（表S1和S2）。
不同水体和气候带中DOM生物降解率的比较
元分析数据集涵盖了四个主要气候带的湖泊和河流DOM观测数据：干旱区（n = 65）、寒冷区（n = 267）、温带区（n = 728）和极地区域（n = 3）（表S3）。从这些数据中得出的生物降解速率常数（k）总结在表1中。在所有气候带中，湖泊中的k值显著低于河流（0.0071 ± 0.0041 day?1 vs 0.0096 ± 0.0102 day?1；p < 0.05）。最高的生物降解率出现在温带河流的
结论
本研究通过整合统一的文献数据、DOM的光学指数和ML模型，提供了淡水系统中BDOC动态的全球性综合分析。一个关键贡献是对异构BDOC数据集的系统性统一，包括使用一级降解动力学校正不同的培养时间，以及通过波长转换和验证标准化光学参数。这些步骤显著提高了跨研究的可比性，并使得
CRediT作者贡献声明
Chae Eun Lee：撰写——原始草稿，可视化，数据整理。Haeseong Oh：撰写——审稿与编辑，可视化，验证。Yongqiang Zhou：资源获取。Jin Hur：撰写——审稿与编辑，验证，监督，资金筹集，概念构思。
利益冲突声明
√作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
本研究得到了韩国国家研究基金会（NRF）的资助，由韩国政府（RS-2024-00340645）以及韩国环境产业技术研究所（KEITI）的绿色修复专项研究生项目资助，该项目由气候、能源和环境部资助。作者衷心感谢那些慷慨分享数据的研究人员。
