了解分层湖泊深层的水质状况至关重要，因为这些区域控制着生态系统稳定性和生物多样性的健康状况。变温层（分层湖泊的最底层）通过限制垂向循环并促进污染物累积而发挥关键作用，因此可作为湖泊长期状况的指示器。尽管表层水质现已可通过原位传感器和卫星观测进行常规监测，但评估变温层状况仍然成本高昂且后续维护挑战重重，特别是在环境条件恶劣、维护受限的北极地区。

    在中国科学院南京地理与湖泊研究所高层次引进人才Roohollah Noori研究员团队的一项研究中，研究团队开发了多种机器学习和深度学习模型，基于易获取的表水水质预测因子，估算芬兰伊纳里湖的变温层总氮、总磷和溶解氧。对于变温层总氮和溶解氧，随机森林模型表现出最佳的整体性能，优于其他模型。对于变温层总磷，反向传播人工神经网络显示出卓越的预测能力（图1）。

图1. 模型验证结果（列方向依次为：人工神经网络ANN、支持向量回归SVR、随机森林RF、Kolmogorov-Arnold网络KAN、极端梯度提升XGBoost）。  

    置换重要性分析揭示，表层水总氮、总磷和水温分别是预测变温层总氮、总磷和溶解氧的关键预测因子（图2）。这些发现突显了相应的表层水参数作为深层水条件主要驱动因素的作用，而电导率和色度等次要影响因子则随生物地球化学目标而变化，为气候变暖与分层作用下的变温层动态提供了可解释的机理性认识。

图2. 基于支持向量回归（SVR）、随机森林（RF）、极端梯度提升（XGBoost）、Kolmogorov-Arnold网络（KAN）和人工神经网络（ANN）预测变温层总磷（TP；右）、总氮（TN；中）和溶解氧（DO；左）的置换特征重要性分析结果。（WT、TN和TP分别代表表层水温、表层总氮和表层总磷）。

    通过仅依赖易于测量的表层变量（可通过低成本原位传感器或遥感平台轻松获取），该框架显著减少了高强度的深层采样需求，并可在数据有限的北极地区实现可扩展、可迁移的监测。因此，所提出的方法为早期检测生态胁迫、富营养化风险和缺氧状况提供了强有力的决策支持工具，支持主动管理以保护日益受气候变化威胁的北方淡水系统的生物多样性和生态系统韧性。

    相关研究成果以“Linking hypolimnion to epilimnion in a stratified arctic lake: Machine learning-based estimation of hypolimnetic water quality from epilimnetic measurements”为题发表在环境科学与生态学领域的顶级期刊Water Research上。

    文章信息：Mahdian, M., Noori, R.*, Saravani, M., Shahvaran, A., Shahmohammad, M., Gaffney, P., Salamattalab, M., Anboohi, M., Hosseinzadeh, M., Xia, F., Zhou,Y., Kolehmainen, M., Abolfathi, S. (2026). Linking hypolimnion to epilimnion in a stratified arctic lake: Machine learning-based estimation of hypolimnetic water quality from epilimnetic measurements. Water Research, 294, 125367.