流量指标在模拟筑坝河流中大型无脊椎动物群落中的重要性：一种基于优化梯度提升的方法

《Ecology and Evolution》：Importance of Flow Metrics on Modeling Macroinvertebrate Community in Dammed Rivers: An Approach With Optimized Gradient Boosting

　　宏观无脊椎动物栖息地模型构建与机器学习方法优化研究。本研究基于日本奥马拉河流域数据，整合大坝影响指标（如上游大坝密度、库区面积）和流量 regime 指标（如 September 中位流量、基流指数），采用 XGBoost 和 LightGBM 等梯度提升算法，对比随机森林、逻辑回归等模型的预测性能。结果表明，引入大坝和流量指标可使模型 AUC 提升至 0.826，其中-clingers 群体对低流指标（C_30-Min）响应显著，揭示大坝导致的流量重构是核心生态驱动因素。优化参数包括早停轮数（ESR）和特征子集（FF），验证了机器学习算法在多物种联合建模中的有效性。

　　在当前的水资源管理和生态保护工作中，河流生态系统的健康状况一直是研究的重点。河流中的生物群落，特别是水生宏无脊椎动物，作为生态系统健康状况的重要指示物种，其分布和多样性受到多种环境因素的影响，包括自然条件和人类活动。其中，水坝作为重要的水利工程设施，对河流生态系统的影响尤为显著。然而，传统上的河流栖息地模型往往忽视了水坝对水生生物群落和其栖息地的深远影响。为了更好地理解和预测这些影响，科学家们开始探索将水坝相关指标纳入模型设计，以提高预测的准确性和适用性。

本研究聚焦于日本西南部的Omaru河流域，该区域由于多个水坝的建设，河流流量和水文格局发生了显著变化。研究人员采用多种机器学习技术，如XGBoost和LightGBM，对170种宏无脊椎动物的分布模式进行了建模分析。通过结合地理信息系统（GIS）数据和水文模拟数据，构建了描述水坝影响的预测变量，包括水坝密度、流量变化等。研究发现，使用这些变量后，宏无脊椎动物栖息地模型的预测能力得到了显著提升，特别是在描述水坝对特定栖息地类型的影响方面。

水坝对河流生态系统的干扰是多方面的，不仅改变了水流的自然状态，还影响了水流的时空分布。这些变化对宏无脊椎动物的生存环境产生了直接和间接的影响。例如，一些依赖于高流速和复杂水文条件的物种，如“附着型”（clingers）宏无脊椎动物，在水坝下游的残余流量条件下表现出高度的敏感性。研究还发现，不同宏无脊椎动物群体对水坝影响的响应模式存在差异，这与它们的生态特征和生活习性密切相关。例如，某些物种更倾向于水流稳定或水流变化较小的区域，而另一些则适应于快速流动的环境。

通过模型比较，研究发现基于梯度提升的算法（如XGBoost和LightGBM）在预测宏无脊椎动物分布方面表现优于其他传统方法，如随机森林（RF）和逻辑回归（LGR）。这些算法通过优化树的数量等关键参数，能够更准确地捕捉宏无脊椎动物的分布模式。研究还指出，尽管RF在多个领域被广泛使用，但在处理大量预测变量时，其性能可能不如基于梯度提升的模型。此外，模型的准确性还受到变量选择的影响，包括哪些水坝相关指标和水文变量应被纳入模型中。

研究中使用的水坝相关指标和水文变量，如“单位网络流域面积内的水坝数量”（UNDC）和“被水坝分割的流域面积”（SCA），在模型中显示出较高的重要性。这些指标不仅反映了水坝对河流结构的物理影响，还揭示了水坝对宏无脊椎动物分布的潜在作用。此外，研究还发现，某些水文变量，如90天移动平均的最大流量和最小流量，对特定栖息地类型（如“爬行型”和“附着型”）的预测效果显著。这些变量能够更精确地描述水流变化对宏无脊椎动物生存环境的影响，从而提高模型的适用性。

通过分析不同模型的预测性能，研究发现，当模型同时包含水坝指标和水文变量时，其预测能力明显优于仅包含部分变量的模型。这种综合变量的建模方法有助于更全面地理解水坝对河流生态系统的影响。此外，研究还指出，模型的预测效果会受到变量相关性的影响，因此在变量选择过程中，需要排除高度相关的变量，以减少模型冗余，提高预测效率。

本研究的成果表明，水坝影响指标和水文变量在宏无脊椎动物栖息地建模中具有重要作用。通过结合这些变量，模型能够更准确地反映宏无脊椎动物的分布特征，从而为河流生态管理提供科学依据。未来的研究应进一步探索这些模型在其他流域或不同环境条件下的适用性，以提高其预测的普遍性和可靠性。此外，随着气候变化和人类活动的加剧，对河流生态系统的持续监测和建模将成为保护和恢复河流生物多样性的关键手段。