利用机器学习预测私人井水中砷和锰的污染：对地质数据、井建设数据及许可数据的综合分析

《Science of The Total Environment》：Predicting arsenic and manganese contamination in private well water with Machine Learning: An integrated analysis of geologic, well construction, and permitting data

本研究针对北卡罗来纳州联合县私人井水中砷（18%超标）和锰（12%超标）污染问题，整合地质、地理、井构造和水化学数据，开发随机森林（RF）和支持向量机（SVM）模型。最优线性核SVM模型显示，经纬度、水流速率、土地用途和岩石类型为关键预测因子，为精准检测和干预提供方法支持。

　　本研究聚焦于北卡罗来纳州（NC）私人井水中砷（As）和锰（Mn）污染的预测，旨在为公众健康干预提供科学依据。私人井水作为许多居民的主要饮用水来源，其水质安全问题在NC尤为突出。研究团队通过分析超过700个私人井水测试数据，结合地质、地理、井构造及水体特征等13项变量，构建了随机森林（RF）和支持向量机（SVM）模型，以预测井水是否超过各自的污染物限值。结果显示，As和Mn污染在测试井中分别占18%和12%，表明该地区存在较高的污染风险。多数模型在不同数据组合下表现出较高的预测能力（AUC > 0.7），其中As的最优模型使用线性核SVM，综合了所有13个变量，其AUC为0.80；而Mn的最优模型则利用了地质和地理变量，AUC为0.74。这些发现对于识别高风险私人井、优化现有井的干预措施以及制定新井建设的安全标准具有重要意义。

### 1. 研究背景与意义

砷是一种有毒的类金属元素，长期暴露可能导致严重的健康问题，如癌症、心血管疾病和糖尿病。据估计，全球约有2亿人通过饮用水摄入砷含量超过世界卫生组织（WHO）和美国环境保护署（EPA）规定的10 ppb的砷含量。在美国，依赖地下水的居民中，超过1000万人可能暴露于高水平的砷。同样，锰虽然是人体必需的微量元素，但过量摄入会带来显著的健康风险，尤其是对婴儿和儿童的神经发育有负面影响。据预测，美国有超过1000万人可能暴露于超过300 ppb的锰含量。因此，识别高污染风险区域和井点，对于采取有效的干预措施至关重要。

北卡罗来纳州因其大量依赖私人井水，且部分地区的金属污染问题较为严重，成为研究的焦点。NC的私人井水用户估计在240万至330万之间，而NCWELL数据库显示，2.3%的测试样本超过了砷的污染物限值，4.9%的样本超过了锰的健康建议水平。然而，由于私人井水的监管缺失，居民需自行负责水质监测，这带来了诸多障碍，包括经济负担、缺乏意识以及地方卫生部门资源不足。因此，如何利用现有数据，优化污染预测模型，以指导测试优先级和新井建设，成为当前研究的重要课题。

### 2. 研究方法与数据处理

本研究的数据来源于Union County Health Department的井水测试记录，包括新井和现有井的测试数据，时间跨度为2008年6月17日至2017年11月14日。测试数据包括砷和锰的浓度（以ppb为单位），以及井的物理地址和采样日期。通过将地址数据与地理信息系统（GIS）结合，研究团队获取了每个井的地理坐标，并据此提取了相关地理参数。此外，井的构造特征如套管深度、流量、pH值等，也被纳入分析范围。

研究团队采用监督学习（Supervised Learning）方法，通过不同的数据组合构建了四个“使用场景”（use cases）以评估模型性能。使用场景1包括所有13个变量；使用场景2排除了经纬度；使用场景3仅考虑井的构造特征；使用场景4仅考虑地质和地理因素。通过5折交叉验证，确保模型在训练和测试数据集之间具有良好的泛化能力。同时，为了解决数据不平衡问题，研究团队采用了SMOTE技术，对少数类（即污染样本）进行过采样，以提升模型对污染的识别能力。

### 3. 研究结果与分析

通过构建和测试不同的监督学习模型，研究团队发现As和Mn污染在不同变量组合下具有显著的预测性。对于As污染，使用场景1中的线性核SVM模型表现最佳，其AUC为0.80，表明该模型能够较为准确地识别高污染风险井。该模型中，纬度、流量、pH值和土地利用类型是最重要的预测变量。而Mn污染的预测则主要依赖于套管深度、纬度和经度。这些结果揭示了井水污染与地质、地理特征之间的复杂关系，同时也表明井的构造参数在污染预测中的关键作用。

研究团队进一步通过变量重要性分析和决策边界图，揭示了哪些变量对模型性能贡献最大。例如，对于As污染，浅层套管和高pH值的水体更可能成为污染源；而对于Mn污染，浅层套管和特定的地质构造如泥岩更可能带来高浓度污染。这些发现不仅有助于理解污染机制，还为未来井水测试和新井建设提供了指导依据。

### 4. 研究讨论与展望

本研究展示了监督学习在私人井水污染预测中的应用潜力，通过整合井构造、地质和地理数据，可以更有效地识别污染高风险区域。然而，研究也指出了若干局限性，例如数据不平衡和部分变量缺失的问题。此外，由于数据时间跨度的限制，某些变量（如土地利用）的更新时间与井水采样时间不匹配，这可能影响模型的准确性。未来的研究可以进一步整合更全面的数据，以提升模型的预测性能。

同时，研究强调了在井水污染防控中，考虑社会经济因素的重要性。例如，研究表明，私人井水测试存在显著的种族差异，黑人、原住民和有色人种居住区域的测试率较低。这表明，除了技术手段外，还需要加强公众教育和政策支持，以确保所有居民都能获得安全的饮用水。

本研究的成果对于北卡罗来纳州的井水污染管理具有实际意义。通过识别高风险井的特征，可以优先安排测试和干预措施，特别是在资源有限的地区。此外，研究还提出了通过优化井的构造参数，如增加套管深度，来降低污染风险的可能性。这些方法不仅适用于NC，也可能为其他地区提供参考。

综上所述，本研究通过监督学习模型，揭示了私人井水中砷和锰污染的关键预测因素，为公众健康干预提供了科学依据。未来的研究可以进一步验证这些模型在其他地区的适用性，并探索如何结合健康数据，以更全面地评估污染带来的健康风险。通过持续的数据收集和技术进步，我们可以更好地应对私人井水污染问题，保障公众健康。