《Journal of Hydrology: Regional Studies》:An integrated approach for water quality assessment and pollution source identification using optimized machine learning and water quality index model in a Tidal River of Bangladesh
编辑推荐:
研究区域为位于孟加拉国南部的Bhairab河,是一条活跃的潮汐河流,支撑着多种水生环境。本研究采用整体方法,结合优化均方根水质指数(RMS-WQI)模型与机器学习/人工智能(ML/AI)技术,评估Bhairab河的水质(WQ)。研究利用了2021至2024年间
研究区域为位于孟加拉国南部的Bhairab河,是一条活跃的潮汐河流,支撑着多种水生环境。本研究采用整体方法,结合优化均方根水质指数(RMS-WQI)模型与机器学习/人工智能(ML/AI)技术,评估Bhairab河的水质(WQ)。研究利用了2021至2024年间来自Bhairab河8个监测点的水质数据,包括温度、pH、电导率、氯化物、总固体、溶解氧和生化需氧量。RMS-WQI模型结果显示,2021至2024年间水质指数(WQI)评分呈下降趋势,多数监测点水质评级为“一般”至“较差”,表明大多数水质指标未能达到世界卫生组织(WHO 2022)和《环境保护条例》(ECR, 2023)的标准。WQI评分的下降趋势经Friedman检验统计量21.75(p值<0.05)和Mann-Kendall Tau值-1.0(p值<0.05)验证具有统计学显著性。此外,研究采用八种ML/AI算法配合Optuna优化器,其中人工神经网络(ANN)模型在预测WQI评分方面表现出优异的准确性和可靠性。在可靠性评估方面,ANN-Optuna模型表现出高效性(平均模型效率因子:MEF=0.47;平均相对误差指数百分比:PREI=0.39)、优异的敏感性(平均决定系数:R2=0.95)以及整个研究期间的低不确定性。除评估水质趋势外,研究还识别了Bhairab河沿岸的主要污染热点区,各类工业活动、砖窑和城市垃圾站被确定为监测点周围的主要污染源。总之,水质下降趋势表明,研究期间Bhairab河正受到各类点源和非点源污染源的显著压力,需要针对特定地点的水质管理策略来保护Bhairab河生态系统及其生物。
## 论文解读:基于RMS-WQI模型与机器学习集成的孟加拉国Bhairab潮汐河水质评估与污染源识别研究
### 一、研究背景与问题提出
地表水尤其是河流水资源在全球淡水中占比极小,却是饮用水、灌溉及维持健康生态系统的重要来源。然而,快速工业化和城市化使得维持良好水质成为全球性难题。工业与城市径流直接冲击河流生态系统,全球范围内地表水污染由多种人为和自然因素驱动,包括工业排放、农业径流、城市污水、油气污染物及采矿废水等。发达国家通过严格法规和污水处理工艺进行管控,但发展中国家和欠发达国家因资源有限,在处理未处理工业废水、城市废水和农用化学品方面面临巨大挑战。在孟加拉国,诸多研究已表明河流水质因人口增长、城市化和工业化三要素而处于危险状态,尤其包括位于该国南部的Bhairab河。该河作为Ganges河的分支,是活跃的潮汐河流,支撑沿岸众多工业设施,同时是重要的内河运输通道,但持续承受工业废水、城市垃圾和船舶活动等多重压力。已有研究虽对Bhairab河开展了饮用水、灌溉水质及污染水平评估,但均未结合水质指数(WQI)模型与机器学习/人工智能(ML/AI)算法对其时空水质进行综合评估与预测。鉴于此,本研究采用优化均方根水质指数(RMS-WQI)模型结合ML/AI框架,旨在评估Bhairab河水质的时间变化、计算WQI评分、评估模型时空性能并识别主要污染源。
### 二、主要技术方法
该研究以2021至2024年孟加拉国环境部(DoE)提供的8个监测站点月度水质数据为基础,涵盖温度、pH、电导率(EC)、氯离子(Cl?)、总固体(TS)、溶解氧(DO)和生化需氧量(BOD?)七项指标。研究采用RMS-WQI模型进行水质评分计算,该模型通过均方根聚合函数降低传统WQI模型的不确定性。在预测方面,研究使用Gradient Boosting Regressor(GBR)、Multiple Linear Regression(MLR)、Support Vector Machine(SVM)、Artificial Neural Network(ANN)、Random Forest(RF)、AdaBoost(AdaB)、CatBoost(CatB)和Extreme Gradient Boosting(XGB)八种ML/AI算法,并采用Optuna优化器进行超参数调优。模型性能通过均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)和绝对偏差百分比(PABE)等指标评估,并通过Nash-Sutcliffe效率系数(NSE)、模型效率因子(MEF)、相对误差指数百分比(PREI)及决定系数(R2)进行可靠性、效率与敏感性评价。此外,研究采用Friedman检验和Mann-Kendall趋势分析评估水质时间变化趋势,并结合实地考察与摄影记录进行污染源识别。
### 三、研究结果
#### 3.1 水质指标统计分布
研究期间大部分水质指标超出标准限值。所有监测点的温度(TEMP)持续超过地表水标准(25℃);电导率(EC)在2024年超过ECR(2023)标准,平均浓度为3269.44μS/cm(SD±394.04μS/cm);氯离子(Cl?)(1175.81±266.16mg/L)和总固体(TS)(1680.49±191.04mg/L)在2024年多数监测点超出标准。溶解氧(DO)在2022年多数监测点超出WHO(2022)标准,生化需氧量(BOD?)在2023年和2024年超出ECR(2023)阈值。Spearman相关分析显示,Cl?浓度在研究期间与WQI评分呈持续负相关。
#### 3.2 RMS-WQI模型结果
2021至2024年间,Bhairab河8个监测点的WQI评分呈持续下降趋势。2021年WQI评分范围为56.25(S4)至67.34(S6),2023年降至33.43(S7)至54.98(S1),2024年达到最低水平,范围为15.88(S6)至30.16(S1)。空间分布图显示各年份WQI评分的空间异质性,整体呈逐年恶化趋势。
#### 3.3 ML/AI模型预测性能
在八种ML/AI算法中,ANN模型表现最优,在2021年数据集上取得最低的RMSE(0.82)、MSE(0.67)、MAE(0.72)和PABE(0.01)。SVM在训练阶段表现良好但存在严重过拟合。Optuna优化器确定logistic和tanh激活函数为最佳,2022至2024年采用双隐藏层(150和200神经元)架构,自适应学习率和随机梯度下降(sgd)求解器有效提升了模型性能。实际与预测WQI评分对比显示,模型在多数监测点表现良好,但2024年S1、S3、S4、S7和S8站点存在一定偏差。Bland-Altman分析显示2023年偏差最小(0.204),2024年一致性范围最宽(-3.712至2.925)。
#### 3.4 模型可靠性评估
模型效率方面,2022至2024年各监测点平均NSE值为0.98、0.95和0.94,MEF值稳定在0.1至0.2之间,表明模型性能高效。PREI统计显示S1、S4和S7站点存在一致的过估和低估问题,但各年平均PREI评分表明ANN-Optuna模型适用于Bhairab河WQI预测。敏感性方面,模型在研究期间R2>0.90,2021至2023年可解释约96%的实际WQI评分变异,2024年R2降至0.90。不确定性方面,2021至2022年预测与实测WQI评分均值接近且95%置信区间重叠良好,2023年置信区间略宽,2024年预测均值明显低于实测均值,但整体不确定性处于低水平。
#### 3.5 WQI计算误差评估
2023年WQI计算中模糊性和遮蔽问题最为突出,2024年记录最低。2021年仅S2和S4站点存在模糊性问题,无遮蔽问题。2022至2023年,平均超过三个站点出现遮蔽和模糊性问题。S1站点同时出现两类问题,WQI评分约为30,表明WQI框架存在固有局限性。
#### 3.6 Bhairab河水质评估
趋势分析结果显示,Friedman检验统计量为21.75(p值7.35×10??,p<0.05),表明2021至2024年间整体水质存在显著差异。Mann-Kendall检验显示S1、S2、S3、S7和S8站点呈现统计显著的完美单调递减趋势(Tau值=-1.0,p<0.05)。水质状态评估显示,2021至2022年多数监测点为“一般”评级,2023至2024年降至“边缘”至“较差”评级,2024年超过87.5%的监测点为“较差”评级。潮汐事件响应分析表明,EC和Cl?作为物理潮汐强迫指标,随盐度增加产生单调SI下降;DO和BOD?作为生物地球化学响应指标,在缺氧阈值处SI急剧下降,RMS-WQI框架能有效捕捉潮汐主导水体的短期波动。
#### 3.7 污染热点分析
实地考察表明,Bhairab河主要污染源包括各类工业(电缆、化肥、面粉、黄麻、油、塑料、大米、盐、船舶建造、制革和皮革、纺织等)、砖窑和城市垃圾站。19家黄麻厂沿河分布,水泥、皮革、纺织和电厂等新工业正在建设。S4、S6、S7和S8站点发现生活垃圾/市场垃圾倾倒点和城市废水排放。此外,运油运煤船舶频繁通行、煤炭倾倒和船舶制造活动也是重要污染源。
### 四、讨论与结论
研究讨论指出,Bhairab河水质持续恶化主要归因于工业废水和城市垃圾管理不善,法律和法规执行薄弱。为实现可持续发展目标(SDG)6,需建立综合河流监测和管理系统,严格执行《孟加拉国环境保护法》(1995)和《环境保护条例》(ECR, 2023)。研究结论总结如下:TEMP、DO和BOD?在多数监测点超出标准限值,TS和Cl?在2024年处于风险水平;RMS-WQI评分呈现统计学显著的持续下降趋势,水质从2021年的“一般”恶化至2024年的“较差”;ANN-Optuna模型在预测WQI评分方面表现优异,尽管2024年出现部分过拟合和欠拟合问题,但整体具有较高准确性和可靠性;模型效率(NSE、MEF和PREI)结果表明模型可靠,但S1、S3和S7站点存在需进一步调查的偏差;模型敏感性高(R2≥0.9)且不确定性低;各类工业、砖窑和城市垃圾处理场是主要污染源。研究强调亟需制定全面的管理实践和污染控制策略,该研究为利用RMS-WQI模型和ML/AI技术评估潮汐河流水质提供了稳健框架。
该论文发表在《Journal of Hydrology: Regional Studies》,由Omur Faruq、Nahrin Jannat Hossain、Abdul Majed Sajib、Mir Talas Mahammad Diganta、Md. Moniruzzaman、Agnieszka I. Olbert和Md Galal Uddin共同完成。