二氯乙腈形成机制的可推广机器学习模型：可解释性见解与模型可靠性框架

《Water Research》：Toward Generalizable Machine Learning Models for Dichloroacetonitrile Formation: Interpretable Insights and a Framework for Model Reliability

本文综述了机器学习（ML）在预测饮用水消毒副产物二氯乙腈（DCAN）形成中的应用。研究通过构建大规模文献数据集，评估了CatBoost等模型的预测性能，并利用SHAP（SHapley Additive exPlanation）分析揭示了特征交互作用（如DOC与SUVA254的非线性关系）对DCAN生成的关键影响。作者进一步提出了可靠性指数（RI）框架，结合马氏距离（Mahalanobis distance）和单类支持向量机（One-Class SVM）评估模型泛化能力，为水质安全管理提供了可解释且可靠的预测工具。

　　

章节亮点

数据编译与预处理

文献研究通过谷歌学术和科学网站进行，使用了基于关键词的查询，例如“消毒副产物 AND 卤乙腈”、“二氯乙腈”或“DCAN”、“氯化 AND 消毒副产物”、“氯胺化 AND 消毒副产物”。环境数据集常常存在缺失值的问题。这个问题在水处理实践中尤为普遍，数据缺口可能源于各种来源，包括研究...

数据集摘要

最终数据集包含2,013个数据点和24个特征。完整特征列表已在表S1中提供。它主要关注在两种主要消毒条件下：氯化（Cl₂）和氯胺化（NH₂Cl）下的DCAN形成。在总数据点中，1,346个属于Cl₂消毒，650个属于NH₂Cl消毒，还有17个数据点既未使用Cl₂也未使用NH₂Cl，而是仅使用了预氧化剂（例如，二氧化氯或臭氧）。DCAN的浓度范围从0到...

结论

这项研究汇编了一个关于不同水源、消毒剂和操作条件下DCAN形成的综合数据集，从而能够开发用于预测水处理中DCAN的稳健机器学习（ML）模型。当使用外部数据集进行验证时，这些模型表现出强大的性能，证实了其在更广泛环境应用中的可靠性和可推广性。通过SHAP分析获得的信息可以指导控制DCAN形成的处理策略...