发布时间：2026-09-01

 大型水库在防洪、发电、航运和水资源调控中发挥着重要作用，但蓄水运行也会重塑天然河流的水动力格局。流速降低、停留时间延长以及干支流回水交换增强，容易在支流湾区形成不同程度的分层、混合和物质滞留，从而增加藻华发生风险。三峡水库支流众多，干流入侵方式和水团结构具有明显空间差异，准确识别这些隐藏的水动力状态，是理解藻华空间分异并开展精细化管理的关键。氢氧同位素（δ²H、δ¹⁸O和δ¹⁷O）能够记录水源、蒸发和混合信息，结合贝叶斯模型与机器学习，可进一步识别具有不同水动力特征和藻华风险的水团，为大型水库生态风险分区与调度管理提供新的方法依据。

针对上述科学问题，中国地质大学（北京）科学研究院博士生朱亚鑫在导师韩贵琳教授的指导下，以丰水期三峡水库为研究对象，综合运用氢氧同位素、贝叶斯混合模型和以K-means聚类为核心的无监督机器学习方法，揭示三峡水库干流长江与三条代表性支流澎溪河、大宁河和香溪河之间的水体交换格局，并进一步建立水文—同位素水团与历史藻华发生风险之间的联系。取得的主要认识如下：

  （1）稳定氢氧同位素能够有效识别干流—支流水体来源及空间差异

长江干流水体同位素组成整体低于三条支流（图1）。支流水体由上游向河口逐渐接近干流同位素组成，记录了干流回水进入支流并不断混合的过程。澎溪河垂向分层明显，大宁河呈清晰纵向变化，香溪河整体最接近干流，表明不同支流受干流回水影响的方式存在明显差异。氢氧同位素能够有效区分这些复杂的水体交换过程。

（2）贝叶斯混合模型揭示三种不同的干流入侵模式

长江干流对澎溪河、大宁河和香溪河的平均有效贡献比例分别为29.84%、49.45%和61.06%。澎溪河总体受干流影响较弱，但中、底层局部贡献较高；大宁河干流影响由河口向上游逐渐减弱；香溪河受干流控制最强（图2）。三条支流分别表现为垂向分层型、纵向递减型和持续控制型三种入侵格局，反映出三峡水库回水影响具有明显的河流差异和空间复杂性。

（3）机器学习识别水动力水团并揭示其藻华风险差异

  利用K-means聚类和主成分分析，研究识别出四类水文—同位素水团（图3）。进一步结合历史藻华记录发现，四类水团的藻华发生风险存在显著差异，其藻华发生概率分别为0.17、0.56、0.47和0.31，其中水团2最高。结果表明，持续受干流控制、水体结构较稳定且局地交换较弱的水团，更有利于物质滞留和藻类聚集。因此，机器学习不仅能够将复杂的同位素和水动力信息转化为具有明确物理意义的水团类型，还能够进一步识别不同水动力结构对应的藻华风险差异，为高风险水体识别提供依据。

  综上，稳定氢氧同位素—贝叶斯混合模型—机器学习综合框架不仅能够表征干流入侵、垂向分层和水体混合等水动力信息，还能够进一步识别不同藻华发生风险的水团，为三峡水库高风险水体识别、重点河段监测和水动力调控提供了新的科学依据。

图1  三峡水库干支流δ²H、δ¹⁸O和δ¹⁷O的空间分布

图2 长江干流水对澎溪河、大宁河和香溪河的补给比例

图3 基于K-means聚类识别的四类水团

论文信息：Zhu, Y., Han, G.*, Wang, D., Wang, Y., 2026. Stable hydrogen (δ²H) and oxygen (δ¹⁷O and δ¹⁸O) isotopes reveal hydrodynamic water-mass structure and algal bloom susceptibility in the Three Gorges Reservoir: A machine learning-assisted analysis. Water Research, 126739.

文章链接：https://doi.org/10.1016/j.watres.2026.126739