题目: COVID-19 containment and control reduced lake turbidity around the world (新冠疫情防控措施降低了全球湖泊的浑浊度)
期刊: Communications Earth & Environment
作者: Defeng Wu, Wenfeng Liu, David Makowski, Ting Tang, Esther E. Greenwood, Yuanyuan Huang, Philippe Ciais, Haicheng Zhang, Taisheng Du, Xinghui Xia & Daniel Odermatt
发表日期: 2026年2月26日
DOI: 10.1038/s43247-026-03311-7
新冠疫情无意中为评估人类活动骤减对淡水生态系统，尤其是水浊度的影响提供了条件。通过使用来自全球774个湖泊（2017-2022年）的卫星数据，我们研究发现，在COVID-19防控措施实施后，湖泊的高浑浊度区域的浑浊度显著下降，而其他区域则影响较小。在全球范围内，与2019年相比，2020年的平均峰值浑浊度下降了7.0%；其中5.9%直接归因于防控措施，而与气候无关。如果没有这些措施，2020-2022年期间的峰值浑浊度将比实际观测值高出约5%（0.45 Nephelometric Turbidity Units）。在防控措施更严格、人类活动足迹更高的地区，湖泊浑浊度下降幅度更大，且在限制措施解除后反弹也更快。在单个湖泊中，75.2%的湖泊经历了平均峰值浑浊度的降低。对于168个湖泊而言，由防控措施驱动的浑浊度改善平均达到-18.6%，这与作为人为输入代理指标的夜间灯光减少密切相关。通过厘清人为和气候因素的影响，我们的研究为针对性的湖泊恢复策略提供了具有全球相关性和可操作性的见解。
健康的湖泊生态系统对生物多样性、饮用水资源和人类福祉至关重要。然而，不受善管理的人类活动，如农业和工业，常常导致水质恶化，威胁生态系统的健康和功能。例如，人类活动引起的土壤侵蚀和沉积物再悬浮会增加水体浊度，减少水下光照可用性，进而导致湖泊缺氧。湖泊恢复尤其具有挑战性，因为存在非线性反馈机制，即使在有利条件下也会阻碍恢复。
COVID-19大流行及其相关的全球防控措施导致了人类活动前所未有的减少。这一事件虽然带来了社会 hardship，但也无意中创造了一个“自然实验”条件，使科学家能够观测环境过程如何响应人为压力的突然下降。尽管已有大量研究记录了疫情期间空气质量的改善，但对水生系统的影响仍知之甚少。现有研究多局限于单个湖泊或河流，且往往未能排除气候变异等其他影响因素。因此，人类活动减少对全球湖泊水质的整体影响在很大程度上仍不清楚。本研究旨在填补这一知识空白。
全球湖泊峰值浊度下降: 研究发现，在COVID-19疫情期间（2020-2022年），全球774个湖泊中75.2%的湖泊其峰值浊度（代表近岸或入流区域的高浊度）相比疫情前（2017-2019年）有所下降，其中41.5%的湖泊下降幅度超过10%。特别是在防控政策严格指数高和人类足迹高的地区，这种下降更为明显。
图1 | 全球774个湖泊峰值浊度变化的空间格局。
量化防控措施的直接影响: 通过建立统计模型排除气候因素的干扰，研究量化了防控措施对浊度下降的贡献。全球范围内，2020年湖泊平均峰值浊度比2019年下降了7.0%，其中5.9%可直接归因于防控措施。在没有防控措施的情景下，2020-2022年的峰值浊度预计将高出约5%。在严格防控和高人类足迹地区，防控措施的贡献率更高，达到6.5%。
图2 | 2017年至2022年不同湖泊组峰值浊度的时间变化模式。
驱动因素归因: 研究进一步利用机器学习模型揭示了浊度变化的主要驱动因素。在高人类足迹地区，夜间灯光强度（作为社会经济活动的代理指标）的减少和湖泊流域总径流量的变化是导致峰值浊度下降的两个最重要因素。这强调了社会经济活动减少（如工业、交通停滞）是水质改善的直接原因。而在低人类足迹地区，气候变化因素（如融雪、径流变化）的影响更为显著。
湖泊尺度变化: 在分析的692个湖泊中，有168个高人类足迹地区的湖泊，其浊度改善被明确归因于人类活动减少，平均下降18.6%。这些湖泊主要分布在中国、美国、俄罗斯、巴西等地。相比之下，加拿大和美国的大量湖泊浊度下降主要由气候因素驱动。
本研究构建了一个综合性的分析框架：
1. 数据源: 主要使用了“哥白尼全球土地服务”提供的2017-2022年间774个湖泊的卫星遥感浑浊度数据。同时整合了湖泊流域特征、气候再分析数据（ERA5-Land）、夜间灯光数据、人类足迹指数、以及牛津大学发布的COVID-19防控政策严格指数等多源数据。
2. 统计建模: 应用线性混合效应模型，将湖泊浊度变化分解为时间趋势、疫情前后时期差异、以及两者交互作用。模型通过纳入气候变量和湖泊属性，成功地将COVID-19防控措施的影响与气候背景波动分离开来，并量化了防控措施带来的突然变化（即模型中的截距变化β）。
3. 机器学习归因: 结合极端梯度提升模型和Shapley加法解释值方法，分析了防控效果与多种环境及人为因素之间的非线性关系。SHAP值能够量化每个驱动因素对浊度变化的贡献，从而识别出主导因素（人为活动或气候变化），并将湖泊进行分类。
4. 不确定性分析: 采用蒙特卡洛自助抽样法评估了模型结果的稳健性。
图5 | 线性混合效应（LME）模型开发的流程图。
峰值浊度作为关键指标: 研究揭示了峰值浊度（反映近岸/入流区）对人为扰动的高度敏感性，它比平均浊度或开阔水域浊度更能快速响应环境压力的变化。这提示未来湖泊管理和可持续发展目标（SDG 6.3.2）监测中，应重视峰值浊度这一指标，它能提供更早期的预警信号。
政策有效性证据:研究为“严格的环境管控能带来环境质量改善”提供了强有力的全球性证据。它证明了即使在短期内，减少人类活动也能对生态系统产生积极且可量化的影响，为制定更积极的环保政策提供了科学依据。
方法论贡献: 本研究成功建立了一套将统计模型与机器学习相结合，用以区分人为和气候影响的归因框架。该方法可推广应用于评估其他全球性扰动（如极端气候事件、大型工程建设）对生态系统的影响，为理解复杂环境问题提供了有力工具。
引用
Wu, D., Liu, W., Makowski, D. et al. COVID-19 containment and control reduced lake turbidity around the world. Commun Earth Environ 7, 201 (2026). https://doi.org/10.1038/s43247-026-03311-7
本文由【生态风险与韧性前沿】发布，欢迎转发分享，转载请注明出处。
关注我们，共同探索生态风险与韧性提升的发展之路。
