《npj Clean Water》：Spatially referenced watershed models for the binational Red–Assiniboine River Basin: Bayesian vs frequentist comparison
编辑推荐：
本研究针对跨界红河-阿西尼博因河流域内总磷（TP）污染导致温尼伯湖水华频发的水质退化问题，研究人员通过构建结合统计-机理的空间参考流域模型，对比了贝叶斯与频率学派的校准方法，识别了TP输出的热点区域，并量化了美国来源（54-62%）与农业贡献（62-72%），强调了面向农业的最佳管理实践与贝叶斯校准在稳健风险评估及适应性养分管理中的全球性意义。
全球水体富营养化是21世纪最紧迫的环境挑战之一。过量的营养盐，尤其是磷，不断涌入湖泊、河口和近海水域，导致水质恶化，引发有毒蓝藻水华，对渔业、旅游业、淡水资源和水处理系统造成威胁。据估计，每年因此造成的全球经济损失高达2000亿至2万亿美元。在这一背景下，位于加拿大和美国的跨界水域——红河-阿西尼博因河流域及其下游的温尼伯湖，成为了一个典型的案例。该流域的氮磷输入导致水体富营养化加剧，蓝藻水华频发，带来了不容忽视的生态风险、公共卫生隐患和经济负担。为了解决这些问题，科学家们需要精准量化污染来源及其传输过程，为制定有效的管理策略提供科学依据。为此，一项题为“针对跨国界红河-阿西尼博因河流域的空间参考流域模型：贝叶斯与频率学派比较”的研究在《npj Clean Water》发表，旨在通过先进建模方法，深入解析流域内总磷的时空分布格局与主导来源。
为了回答这些问题，研究人员利用包含美国地质调查局水质和水量数据在内的监测信息，构建了一个混合了统计与机理的空间参考流域模型。这个模型将年度营养盐负荷分解为土地利用输出、陆地到水体的输送以及水库内衰减三个关键过程。研究的核心技术方法在于比较了两种参数校准的统计框架：传统的频率学派方法和贝叶斯方法。通过这两种方法，研究人员对一系列驱动因子（如农业输入、森林/湿地、河道、降水量、水库损失以及废水）的模型系数进行了标定，旨在评估不同方法在复杂环境模型中的适用性和结果稳定性。
模型校准与变量显著性对比
在模型校准阶段，频率学派方法（Frequentist model calibration）显示，农业输入、森林/湿地、河道、降水量和水库损失等变量的系数具有统计学显著性，而废水的系数则不显著。与此形成对比的是，贝叶斯校准（Bayesian calibration）成功地对所有变量（包括废水）进行了标定。这一结果表明，在处理具有复杂不确定性和多变量相互作用的模型时，贝叶斯方法可能更具鲁棒性，能够整合先验知识并量化参数的不确定性。
总磷（TP）输出热点与来源解析
模型结果成功描绘了整个流域的总磷输出热点区域。研究发现，流域内总磷负荷的54%至62%来源于美国境内，这凸显了跨界污染问题的国际属性。在所有来源中，农业贡献占据了主导地位，占总磷负荷的62%至72%。这突出了农业面源污染是导致温尼伯湖富营养化的核心驱动力，也强调了针对农业部门实施最佳管理实践（Best Management Practices, BMPs）的必要性和紧迫性。
该研究的结论强调了在应对全球性的营养盐驱动的水质挑战时，模型方法选择的重要性。与传统的频率学派校准相比，贝叶斯校准为环境模型提供了更稳健的不确定性量化和风险评估框架。它能够更好地处理数据稀疏、变量复杂等问题，从而为决策者提供更可靠的科学依据，以支持适应性养分管理策略的制定。具体到红河-阿西尼博因河流域，研究明确指出了控制跨界农业面源污染是改善温尼伯湖水质的核心。因此，该研究不仅为当地及类似跨界流域的营养盐管理提供了关键的空间化、定量化工具，其倡导的贝叶斯模型范式也为全球水环境风险评估与管理提供了可借鉴的方法学思路。
