一种基于微生物信息的流域径流组分划分方法

本发明涉及流域水文学与水资源管理，具体是一种基于微生物信息的流域径流组分划分方法。

背景技术：

1、在流域水文学及水资源管理领域，精准划分降雨径流的来源组分是揭示产汇流机制与制定污染防治策略的重要基础。自然条件下降雨径流通常由直接降雨、土壤水与地下水三类水源混合形成，定量厘清各来源贡献比例对洪水预警与污染溯源至关重要。近年来，随着高通量测序成本的大幅下降，水体微生物群落信息的获取已变得高效经济，其数据涵盖物种组成与功能基因等多维信息，且样品保存条件相对宽松，能够充分反映不同水源因环境差异而形成的特有微生物群落指纹，为径流来源划分提供了新型示踪信息源。

2、然而，目前直接将微生物测序数据用于径流来源定量划分时，原始测序数据通常包含成百上千个微生物物种，其中大量为在不同来源间广泛存在的共有种或低丰度的稀有种，而即使从中筛选出高丰度物种，也并非所有高丰度物种都具有来源指示意义，不同来源间丰度差异不显著的物种同样无法有效区分端元，若将未经系统性筛选的物种数据直接输入定量混合模型，不仅会因维度爆炸导致模型难以收敛，更会因噪声种和无效示踪因子的共同干扰严重降低来源贡献估算的精度与可信度。

技术实现思路

1、本发明的目的是提供一种基于微生物信息的流域径流组分划分方法，以解决上述问题。

2、本发明的技术方案是：

3、一种基于微生物信息的流域径流组分划分方法，包括以下步骤：

4、采集目标流域各潜在径流来源端元的微生物样本及降雨径流混合样本，进行微生物测序获得各样本的微生物物种丰度数据；通过微生物测序获取各样本的丰度数据，为后续径流来源划分提供数据基础，无需依赖传统同位素测试所需的苛刻采样与保存条件，降低了实验成本与操作难度。

5、以所述降雨径流混合样本的微生物物种丰度数据为基准，筛选在混合样本中相对丰度累计贡献达到预设阈值或相对丰度排名处于前列的物种，作为优势种集合a；以所述优势种集合a为基准，分别在各径流来源端元中筛选出既属于优势种集合a、又在对应端元中相对丰度满足端元代表性条件的物种，作为各来源的特异优势种集合b；通过先混合样本优势种筛选、再来源特异优势种筛选的两步递进策略，有效剔除了与来源区分无关的共有种和低丰度干扰种，使保留下来的物种既在混合径流中占主导地位、又在特定来源端元中具有代表性优势，提高了示踪因子的来源特异性并降低了数据噪声。

6、将各来源的特异优势种集合b所包含的物种在各端元样品中的丰度数据整理为数据矩阵，对所述数据矩阵进行主成分分析，计算各物种在主成分空间的载荷及各主成分的方差贡献率，以各主成分的方差贡献率为权重对各载荷的平方进行加权求和，得到各物种的综合贡献得分，选取综合贡献得分达到预设要求的物种作为候选示踪因子集合c；通过pca载荷计算与方差贡献率加权求和，实现了对各物种端元区分能力的定量评估与排序，在进一步压缩数据维度的同时保留了最能区分不同来源的关键信息，提高了后续模型的稳定性与计算效率。

7、对所述候选示踪因子集合c中的各物种在不同径流来源端元间的丰度差异进行显著性检验，筛选出在不同来源间丰度差异显著的物种，作为最终示踪因子；通过显著性检验筛选出在不同来源间具有统计学差异的物种，确保最终示踪因子的区分能力具有统计可靠性，避免将随机波动物种引入定量模型。

8、将所述最终示踪因子在各径流来源端元及降雨径流混合样本中的丰度数据输入贝叶斯混合模型，计算各径流来源对降雨径流的贡献比例。将优选出的高特异性示踪因子输入贝叶斯混合模型，在输出各来源贡献比例的同时能够给出后验不确定性区间，使划分结果具有明确的可信度表征，克服了传统方法在多端元混合条件下解译困难、结果缺乏不确定性量化的缺陷。

9、进一步的，所述微生物测序为16s rrna基因高通量测序，所述微生物物种丰度数据为基于otu聚类或asv降噪后获得的物种相对丰度表。通过16s rrna高通量测序获取的otu或asv丰度数据能够客观反映样本中微生物群落的物种组成与相对丰度信息，为后续示踪因子的筛选提供准确、可量化的数据基础，且分析测试成本显著低于传统同位素示踪方法。

10、进一步的，以所述降雨径流混合样本的微生物物种丰度数据为基准之前，先对所述丰度数据进行预处理：剔除在所有混合样本中相对丰度均值低于0.01%或出现频率低于10%的物种，并将各样品中物种丰度归一化为相对丰度。通过剔除低丰度稀有种并将丰度归一化，有效消除了不同样品间测序深度差异带来的量纲影响，并去除了随机噪声信号，使后续筛选聚焦于具有生态意义的优势物种，提高了筛选结果的可靠性。

11、进一步的，所述预设阈值为相对丰度累计贡献达到总丰度的80%~90%，所述排名处于前列为相对丰度排名处于前50~200个物种。在保留对混合径流群落结构起主导作用的物种的同时，有效排除了低丰度背景种和稀有偶然种，提高了优势种筛选的全面性与代表性。

12、进一步的，所述端元代表性条件为：该物种在该端元中的平均相对丰度排名处于该端元全部物种的前30%~50%，或高于该端元所有物种的平均丰度中位数。确保筛选出的物种在各来源端元中具有真实的丰度优势，避免将低丰度或偶然出现的物种误判为来源特征种，提高了特异优势种筛选的准确性与稳健性。

13、进一步的，对所述数据矩阵进行主成分分析之前，先对矩阵中的丰度数据进行z-score标准化；主成分分析时取累计贡献率达70%~80%的前k个主成分。使主成分分析结果真实反映物种间的相对变异关系；取累计贡献率达70%~80%的前k个主成分，在保留数据主要变异信息的同时进一步降低了数据维度。

14、进一步的，所述综合贡献得分达到预设要求为；综合贡献得分排名处于前20~50个物种。既保证后续显著性检验有足够的候选物种数量，又大幅压缩了数据维度，使最终筛选出的示踪因子兼具高贡献度与统计显著性，提高了贝叶斯混合模型的收敛速度与估算精度。

15、进一步的，所述显著性检验为单因素方差分析，以p<0.05为差异显著标准。通过单因素方差分析从候选示踪因子中筛选出不同来源间丰度差异显著的物种，确保最终示踪因子具有统计学上的可靠性，结合p<0.05的严格阈值，有效避免了将来源间随机丰度波动误判为特征差异，提高了示踪因子的可信度。

16、进一步的，所述贝叶斯混合模型采用马尔可夫链蒙特卡洛采样获得各来源贡献比例的后验分布，输出各来源贡献比例的均值及其不确定性区间。通过mcmc采样获得贡献比例的后验分布，不仅输出均值还提供了不确定性区间，使径流来源划分结果具有明确的可信度表征，克服了传统端元混合分析仅输出单一数值而无法评价结果可靠性的缺陷。

17、进一步的，所述潜在径流来源端元至少包括雨水、土壤水和地下水三类。覆盖绝大多数降雨事件的径流组成情况，满足流域径流来源划分的实际应用需求。

18、与现有技术相比，本发明的有益效果是：

19、本发明通过先以混合样本优势种筛选，再以来源特异优势种筛选的两步递进策略，有效剔除了与来源区分无关的共有种和低丰度干扰种，显著降低了数据噪声并提高了示踪因子的来源特异性；进一步通过主成分分析计算各物种的载荷并以方差贡献率为权重进行加权求和，对各物种的端元区分能力进行了定量评估与排序，再结合显著性检验最终筛选出既具有统计学差异又具有高贡献度的特异性示踪因子，有效克服了直接将全部测序物种输入模型所导致的维度爆炸和信号淹没问题；最终将优选出的示踪因子输入贝叶斯混合模型，在输出各来源贡献比例的同时给出其后验不确定性区间，使划分结果具有明确的可信度表征。同时，本发明仅需微生物采样和测序即可完成径流来源划分，无需苛刻的样品保存条件和复杂的辅助数据及模型参数率定，显著降低了野外作业难度与实验成本，实现了对降雨径流来源的精准定量划分，具有良好的推广应用前景。