可溶性有机物（DOM）是水体中的重要组成部分，它可以影响水体的光学特性、生物地球化学循环和生态系统功能。DOM的光学特性，如吸收系数和荧光强度，可以反映DOM的来源、组成和转化过程。因此，通过测量DOM的光学特性，可以了解水体中DOM的动态变化和生态系统功能的状态。

近日，美国加州大学戴维斯分校的研究团队在《环境科学与技术》杂志上发表了一篇论文，探讨了如何利用DOM的光学特性推断不同类型水体中的生态系统功能。他们利用机器学习方法，建立了基于DOM光学特性的生态系统功能指标（EFI），并将其应用于加州三个不同类型的水体：河流、湖泊和沿海水域。

研究团队首先收集了三个水体中的水样，并测量了其中的DOM光学特性和其他生物地球化学参数，如总氮、总磷、叶绿素a等。然后，他们使用随机森林算法，根据DOM光学特性和其他参数，构建了不同水体中的EFI模型。EFI模型可以反映水体中的初级生产力、氮循环、磷循环和有机碳转化等生态系统功能。

研究团队发现，不同类型水体中的EFI模型具有不同的预测能力和解释力。河流中的EFI模型具有最高的预测能力（R₂ = 0.82），说明河流中DOM的光学特性与生态系统功能之间存在较强的相关性。湖泊中的EFI模型具有较低的预测能力（R₂ = 0.54），说明湖泊中DOM的光学特性与生态系统功能之间存在较弱或非线性的相关性。沿海水域中的EFI模型具有最低的预测能力（R₂ = 0.28），说明沿海水域中DOM的光学特性与生态系统功能之间存在很弱或没有相关性。

研究团队进一步分析了不同类型水体中EFI模型中最重要的变量。他们发现，在河流中，影响EFI模型最重要的变量是DOM吸收系数在254 nm处的值（a254），它可以反映DOM中芳香化合物的含量。在湖泊中，影响EFI模型最重要的变量是荧光峰C（FmaxC），它可以反映DOM中腐殖质类物质的含量。在沿海水域中，影响EFI模型最重要的变量是荧光峰M（FmaxM），它可以反映DOM中微生物来源物质的含量。

研究团队认为，他们提出的基于DOM光学特性的EFI模型，可以为水体中生态系统功能的监测和评估提供一种新的方法。他们指出，不同类型水体中的EFI模型具有不同的适用性和局限性，需要根据水体的特征和目的进行选择和调整。他们希望，未来能够利用更多的数据和更先进的机器学习方法，进一步优化和验证EFI模型，使其能够更准确地反映水体中DOM的动态变化和生态系统功能的状态。

后记

研究团队的实验方法非常值得仔细学习和研究，特别专门列出。主要分为三个步骤：

第一步，收集水样并测量DOM光学特性和其他生物地球化学参数。研究团队从加州三个不同类型的水体（河流、湖泊和沿海水域）中收集了共计113个水样，其中37个来自河流，38个来自湖泊，38个来自沿海水域。他们在采样时测量了水样的温度、pH、电导率、溶解氧和叶绿素a，并在实验室中测量了水样的总氮、总磷、总有机碳、溶解有机碳和DOM光学特性。DOM光学特性包括吸收系数（a）和荧光强度（F），分别使用紫外可见分光光度计和荧光光谱仪进行测量。吸收系数在200-800 nm范围内以每1 nm间隔测量，荧光强度在240-450 nm范围内以每5 nm间隔测量。

第二步，建立基于DOM光学特性的生态系统功能指标（EFI）模型。研究团队使用随机森林算法，根据DOM光学特性和其他生物地球化学参数，构建了不同水体中的EFI模型。随机森林算法是一种机器学习方法，它可以通过生成多个决策树，并对它们进行平均或投票，来提高预测的准确性和稳定性。研究团队选择了四个生态系统功能指标作为EFI模型的响应变量，分别是初级生产力（PP）、氮循环速率（NCR）、磷循环速率（PCR）和有机碳转化速率（OCR）。这四个指标都是基于文献中报道的经验公式计算得到的。EFI模型的解释变量包括吸收系数在254 nm处的值（a254）、吸收系数在350 nm处与254 nm处之比（a350/a254）、荧光峰A、B、C、M、N和T的最大强度（FmaxA-FmaxT）、荧光指数（FI）、腐殖质指数（HIX）、生物降解指数（BDI）、叶绿素a、总氮、总磷、总有机碳和溶解有机碳。研究团队分别为每种水体类型建立了一个EFI模型，并使用R₂值评估了模型的预测能力。

第三步，分析EFI模型中最重要的变量。研究团队使用随机森林算法提供的变量重要性评分，来确定哪些变量对EFI模型的预测能力有最大的贡献。变量重要性评分是基于每个变量在决策树中划分节点时对预测误差的减少程度来计算的。研究团队分别为每种水体类型计算了变量重要性评分，并使用置换检验法进行了显著性检验。他们还使用相关性分析，来探讨不同变量之间的关系。