LY Group 李轶课题组 2025年02月13日 15:48 江苏

在河湖水生态环境加速演变、水生态系统持续承压的情况下，如何准确预测和管理水生态系统的状态成为一个亟待解决的问题。近年来，人工智能（AI）技术的快速发展为生态学研究带来了新的机遇。AI技术能够处理和分析大量的数据，识别复杂的模式和关系，为生态系统的研究和管理提供更精准的预测和决策支持。近年来，课题组将AI技术与水生态学研究相结合，取得了系列成果。

（1）揭示城市化河流真核浮游生物群落的双稳态特征及驱动机制

针对城市化河流生态系统中真核浮游生物群落的复杂生态响应问题，以平原河网为研究区域，使用环境DNA条形码技术、监督机器学习模型等，探究了真核浮游生物群落的生态状态及其对环境压力的响应模式。同时，结合随机森林和XGBoost模型准确预测真核浮游生物群落状态，识别出关键预测因子（Water Research, 2024）。

图1 使用模型进行分析和预测的过程及结果

（2）利用AI技术探究人工曝气过程中微生物群落的替代状态及其动态

针对人工曝气对城市河流生态系统的影响问题，以城市河流为研究对象，采用人工曝气实验结合循环神经网络模型，探究了微生物群落在人工曝气过程中的替代状态及动态，在此基础上开发了基于RNN的预测模型，该模型在预测微生物生态状态时表现出优越的准确性。研究结果为人工曝气过程中的微生物群落状态预测提供了新的思路，展示了AI技术在水生态研究中的应用潜力（Water Research, 2023）。

图2 递归神经网络的拓扑结构、构建的RNN模型的效率及预测的溶解氧状态

（3）揭示营养负荷驱动下细菌和微真核生物群落的滞后和异步状态转换

针对城市河流生态系统中营养负荷对微生物群落的影响，以平原河网为研究对象，采用环境DNA宏条形码技术、随机森林、偏最小二乘路径模型等，探究了营养负荷变化对细菌和微真核生物群落状态转换的影响，并筛选出关键微生物类群，构建了分子生态网络。研究发现，细菌和微真核生物群落均表现出双稳态特征；细菌群落状态与氮转化相关酶活性之间存在显著正相关关系，表明微生物群落状态的恢复可能有助于改善氮循环功能（Water Research, 2024）。

图3 细菌群落(a)和微真核生物群落(b)沿养分负荷梯度的响应轨迹，（c）营养物质对多营养分类群相对丰度的影响

（4）解析污水主导河流潜流区微生物群落的组装模式

针对污水排放对受纳水体的影响问题，以污水主导河流为研究对象，采用层次线性模型贝叶斯推断方法和随机森林算法，探究了氧化还原梯度变化对潜流区微生物群落组装模式的影响，筛选关键微生物类群，并构建了分子生态网络。研究发现，微生物群落的组装过程受到环境过滤的显著影响；有氧区域的微生物群落结构更为复杂，而缺氧区的微生物群落则表现出更强的生态位分化和较弱的物种间相互作用（Water Research, 2023）。

图4 微生物组装过程的量化分析

将AI技术与生态学研究相结合，不仅可以在理论上丰富水生态的研究内涵，更可为河湖水生态问题的解决提供技术支持，课题组将持续开展机器学习、深度学习和生成式人工智能等方法在水生态领域的研究和应用。